徐 翔

(1.同济大学 艺术与传媒学院，上海 201804；2.同济大学 德国研究中心，上海 201804)

大众传播中的“议程设置”功能和效果，其最核心的内涵如科亨所指出：新闻媒介在告诉人们怎么想这一方面可能并不成功，但是在告诉人们想什么的方面则异常成功[1]。本文明确针对和集中分析网络传播中“情绪设置”的传播现象与效应：即使媒介在影响人们怎么想、怎么说方面也许不成功，但至少在影响人们以怎样的情绪想、以怎样的情绪说方面，却可能具有足够的作用与效果。笔者曾在2018年发表的研究成果中明确提出“情绪设置”的理论命题，及其从“议程设置”到“情绪设置”的进路诉求[2]。然而，关于“情绪设置”的理论和实证考察，仍然有待深入。从较大规模的实证数据检验“情绪设置”的效应以及分析其中的具体作用，目前都仍显不足，这也是本文的主要研究内容之一。

结合“情绪设置”的理论思考和研究视点，笔者针对网络媒介和网络社会的传播实践，明确和集中提出“情绪对应”的效应与问题。其核心内涵是从传播的内容或“议程”层面转向关注情绪或者内容的情绪“形式”层面：传播中基于传者-受众的社会信息流动，媒介不仅如“议程设置”所指出的那样虽然不能影响人们怎么想，但可以影响人们想什么，同样也有可能虽然不能影响人们怎么想，但可以影响人们以什么样的情绪想，或者，虽然不能影响人们怎么说，但可以影响人们以什么样的情绪说。也即，在网络的传者内容与其受众反馈的内容之间存在着微观意义上的对应性。其中，传者发布的帖子等内容，尽管面向不同的受众、也会引起受众各种不同立场和观点的反馈，但是这些差异多样的反馈内容，却在情绪导向上显现出和传者发布的内容较为相似的情绪类型的同质性和对应性。本研究的核心假设为：受众接收到的源信息的情绪类型，与他们作出的反馈信息的情绪类型之间存在着相近性甚至相同性，而且，这种“源信息内容-反馈信息内容”之间的情绪同质性和对应性，有较强的传播效应。本研究基于《今日头条》网站543 753条帖子及其5 068 536条评论的样本分析显示，这种“情绪对应”效应不仅是一种强效果，而且还在部分程度上体现出很强的、高度可预测的作用关系。

媒介社会传播中存在着有力的情绪感染、阈下“情绪启动”“情绪一致性”和“动机性加工”等效应。Nadler[3]、Hine[4]等人的研究指出，虚拟或实际群体中的人们通过文字信息会产生情绪感染效应。Bae等对Twitter知名用户及其受众的研究中，证实知名用户的情感表达能影响到转发、评论或提及这些知名用户博文的受众和用户的情感[5]。就社交网络的同质性(homophily)而言，人们倾向于和那些与自己相似的人建立联系[6]。Fowler通过社会网络分析方法分析了大型社会网络中，如果周围充满快乐/幸福(happiness)的人，则人们更可能变得快乐[7]。在线社交网络中用户的幸福感具有网络同质性，即幸福的人更喜欢关注幸福的人，不幸福的人更趋向于关注不幸福的人[8]。Bliss等通过近4 000万的Twitter数据，证实了幸福感在网络传播中具有同质性[9]。情绪启动是深入到阈下知觉层面的心理机制[10]，在网络等媒介的传播中，这种情绪启动效应得到证实[11]。情绪的“一致性加工”使得个体处于某种情绪状态时，会有选择地利用与该情绪状态相一致的信息。例如，心情愉快的人倾向于回忆快乐的或喜剧性的事物[12]。论坛、网络聊天对话、微博、新闻讨论组等不同类型的在线交流中，用户之间倾向于彼此表达相同的情感[13]。

本研究以网络传播为分析对象，基于这些研究基础而明确分析的核心假设为：受众接收到的信息的情绪，与他们作出的反馈的情绪之间，存在着相似性甚至相同性，而且这种“来源-反馈”之间的情绪同质性有比较强的传播效应。更进一步来说：源信息具有什么样的情绪类型，则受众对该源信息作出的反馈会体现出对于源信息的情绪类型的更多偏向；受众作出的反馈信息具有什么样的情绪类型更多地受到与该反馈信息的情绪类型相同的源信息的影响；在源信息和反馈信息的情绪类型之间，体现出这种相同类型的情绪作用和情绪特征。在此基础上，形成本文所集中论述的“情绪设置”现象与效应：媒介传播空间中的情绪，某种意义上是可以“设置”的。

对于网络传播中的情绪对应性设置的效应，其问题聚焦和思考具有下述学理出发点和现实语境的需要。

其一，网络传播中的传-受内容，是存在情绪散杂性、网民在内容生产和意义生成方面的自主性及去中心性，还是存在着某种程度上的客观情绪传导规律和对称机制？在社会传播情境中，信息源及其所引起的反馈都带有传者、受众各自的情绪，受到他们在发送信息、反馈信息过程中不同的主体心境、社会态度、社会立场、认知背景等多种因素的复杂影响，因而其情绪似乎并不一定带有一致性。一些研究指出，传受过程间表现出情绪的“偏转”、社会“反向情绪”以及网络表达中的情绪宣泄、媒介暴力等现象，不仅不会出现传者的信息源和受众的信息反馈之间的一致性，反而出现社会情绪传播不可控、片面性、偏向性和难以预知性等问题。这些现象似乎并不支持“情绪设置”的观点假设。

其二，在“情绪设置”的强度上，我们不可否认传受之间的情绪关联性，但这种关联的程度如何，则缺乏实证的分析。如果仅仅只是具有较弱的关联，那么我们无法从学理上对其明确提炼。对此，本研究通过对实际的大量网络传受样本的考察，明确分析得出：我们需要注重网络中传者源内容和受众反馈内容在情绪上的关联，两者之间存在着高度的对应性和很强的可预测性。尽管在个体层面的微观关系或“一对一”层面存在着差异化的反馈，但是将视角提升到中观乃至整体层面，则鲜明地显现出源内容和反馈内容的情绪类型对应性：虽然一种内容的源信息可能引起各种反馈，但最可能触发的仍是与它相同情绪类型的反馈，这不仅是理论上的猜测或者是“弱效果”“适度效果”，而且是实证研究可以呈现和证实的、鲜明的对应关系和“强效果”。

其三，对于媒介传播中的效果，一些“强效果”理论主要从信息的内容层面加以研究，而对于从“信息的内容”向“信息的形式”的视角延展则尚显缺乏。在这里，我们对于信息的考察，从它表达的内容转向表达这种内容的“情绪”形式。一种内容或意义可以通过不同的情绪形式加以表达，网络传播学的研究充分注重了“议程”“拟态环境”“意见气候”、新闻“框架”等内容和意义的效果层面，但在这些内容和意义之后的形式及其关系和效果层面，却更值得深入挖掘。例如，经典的“议程设置”理论主要关注传播内容对于受众的影响，包括议题对象、属性议程设置等。尽管议程设置和情感、情绪等因素相关联，但总体来看，议程设置理论对于其中的情绪传播和情绪扩散维度缺乏足够的重视度。对于“情绪设置”效应的核心而言，它不关注受众可能关注什么“议程”，而是关注受众可能以什么样的情绪“关注”。

一、研究框架与研究假设

本文以重要的网络媒体《今日头条》为实证分析对象，考察其中的情绪特征与“情绪对应”的现象及效应。更具体而言，基于抓取到的《今日头条》的数百万条评论和帖子的量化数据，试图分析与检验的假设是：帖子的情绪与该帖子中评论的情绪，具有在“传-受”环节、“源帖子-帖子评论”作用链条上相同情绪的强对应性。

情绪(emotion)是由许多关键成分所组成的复杂心理现象。Izard在对34名科学家的调研中提炼出情绪的构成：神经回路、反应系统以及一种激发和综合了认知及行为的感受状态[14]。Ekman指出人类共通的7种基本情绪，并得到较多的认可：快乐、悲伤、愤怒、厌恶、惊讶、恐惧、蔑视[15]。Plutchik把人类情绪分为8种基本类型: 恐惧、气愤、欢乐、悲伤、接纳、厌恶、期望、惊讶[16]。OCC模型把情绪分为22类[17]。有研究者将博客文本的情绪标注为：高兴、喜爱、厌恶、悲伤、焦虑、惊奇、生气、期待等8个类别[18]。较有影响力的PAD情绪模型从“愉悦度、唤醒度、支配度” (pleasure, arousal, dominance,PAD)三维度对情绪的内涵与构成进行理论模型分析[19]。情绪和情感存在一定的差异，但也经常存在混用的状况，其共性成分较多。笔者对于情绪概念的使用是为了行文的统一，更注重的是情绪和情感的共性，也即将它们作为主体对于外界信息、刺激产生的一种感情反应。

本研究中的情绪分类，主要使用了如下体系。其一是借鉴徐琳宏、林鸿飞、赵晶所阐述的情感类别体系，该分类体系在Ekman的6大类情感分类体系的基础上构建，将情绪分为8大类，包括乐、好、怒、哀、惧、恶、惊、无情感[20]。本研究采用以上8种情绪分类方式，在表述上加以适当的统一，将“无情感”转换名称为“无情绪”。其二是在该8大类体系基础上做进一步的小类细分，徐琳宏等人将其划分为23个小类。本研究针对《今日头条》的实际特点和帖子、评论分析过程中的实际诉求，将其扩展到35个小类，具体如表1所示。

需说明的是，上述模型使用的表述是情感模型，而本文采取的表述则是情绪。就概念本身而言，情绪和情感存在一定的差异，但也存在混合使用状况。例如K·T·斯托曼认为：“在论述情绪的文献中出现了大量的术语，它们没有确切的定义，用法也不尽一致。例如，‘情绪’一词就是一例。另外一些联系密切但又表示得很不明确的词有：‘情感’、‘感情’和‘情绪性’。这种不严谨的现象也表现在有关具体情绪的术语中，如嫉妒、惧怕、爱、愤怒，尤其是焦虑。”[21]本研究在对上述情感类型模型的借鉴利用中，并没有理由表明这些模型只是针对情感而并非针对情绪。而且，本文对于情绪和情感的使用，主要是为了行文的统一，更注重情绪和情感的共性，也即它们作为主体对于外界信息、刺激产生的一种感情反应。因此，吸收借鉴上述情感分类模型并无应用上的障碍。

表1 本文所采用的情绪分类方法

本研究针对《今日头条》中的帖子及其评论，提出的基本假设如下：

假设1(H1)：将情绪分为乐、好、怒、哀、惧、恶、惊、无情绪8大类，则同类型的帖子标题情绪和帖子评论情绪之间，存在着同质性的强对应关系。

假设2(H2)：将情绪分为35小类，则同类型的帖子标题情绪和帖子评论情绪之间，存在着同质性的强对应关系。

这里所谓的强对应关系，指的是：(1)某种情绪的帖子会更多地促发相同情绪的评论；某种情绪的评论会更多地由相同情绪的帖子所促发；(2)相同情绪的帖子和评论具有更多的对应的共线性。对上述子假设中的对应关系，在将每一条帖子标题和评论都标注为某种情绪类型的基础上，具体的论证路径主要从三个不同方面进行：其一，将帖子标题按情绪的不同分为若干类，考察每一类标题中评论的情绪分布的绝对比重和相对比重，及其内在的关联性和对应性；其二，将帖子评论按情绪的不同分为若干类，考察每一类评论所附属的标题的情绪分布的绝对比重和相对比重，及其内在的关联性和对应性；其三，从统计方法的“对应分析”，对标题情绪和评论情绪中每一类情绪之间的距离和关联程度，进行计算和呈现。

二、研究过程与研究方法

研究的对象是《今日头条》网站中的帖子及其评论。研究者自行编写网络爬虫代码对帖子的标题和评论进行抓取，起止时间是2017年1月1日至3月31日。抓取的方法为：先从《今日头条》全部各个版面抓取到数千名发布者的账户url，再对这些账户的历史发帖进行抓取，这些历史发帖都按时间顺序先后排列，越近发布的帖子越在页面的上端。在每位账户的网络爬虫中设置对其“瀑布流”的Ajax动态页面下拉700次。由于《今日头条》网站中设置的每次下拉页面可增加20条帖子，初始帖子为30条，在程序不出现bug的情况下，对每个发布者可采集其最新发布的14 030条帖子。而对评论抓取的是一条帖子的首页呈现的最多前15条的热门评论。抓取的其他字段还包括帖子的url链接网址、帖子的发布时间、帖子的阅读数、评论数、发布者、评论的发布者、评论所属的帖子的url链接网址、评论的回复数、评论的点赞数等。本研究中，对帖子及其评论根据帖子的url网址，在SQL Server数据库中进行一对多的映射关联。抓取结果包括所属的帖子标题不为空的5 733 585条评论，这些评论分属于537 972条不同的帖子，帖子发布时间在2015年10月1日和2017年3月31日之间。进行数据清洗和删除无效数据后，剩下评论共5 068 536条，它们分属于543 753条不同的帖子。最后，用于分析的数据中，每一行分别是一条评论和它所属帖子的标题，以及评论、标题的情绪类型标记；在评论和帖子之间，具有多对一的映射关系，由于一条标题可能对应多条评论，因此同一条标题可能在多行中出现和用于分析。

由于帖子评论区首页的热门评论数量不同，每条帖子所抓取到的以及清洗后得到的评论数从0条、1条到15条不等，具有一定的随机性，但这并不影响本研究的结论。这些实际采集成功的评论仍然具有近似的随机性、对整体面貌的样本代表性，可以代表帖子的评论的整体特点。同时，各帖子之间的评论样本数差别并不多，对于数百万条以上级别的评论样本规模而言，这个差值只是一个非常小的数，不会对某些帖子有过大影响。如果帖子及其评论之间的情绪关系只是随机的，那么某类情绪的帖子所拥有的评论中，其情绪也应是无规律的、随机的。即使某一部分的帖子样本所采用的评论数量略微多于其他一部分帖子样本，这对某类情绪的总体特征也并无实质性的影响，随机性依然会表现出随机性，而对应性依然会表现出对应性。尤其在把所有同等级的帖子作为一个整体进行量化分析的条件下，某条帖子的评论群的不完整性更是被同等级帖子群的评论样本所形成的整体性大大稀释，可以作为分析的依据。

对于文本的情绪分类，采用机器学习的自动化方法，主要使用Python编程语言和scikit-learn模块进行。首先，对文本进行中文分词，采用的是Jieba分词工具，这也是应用较为广泛的中文分词工具之一。其次，对分好词的文件，在筛选掉少数过滤词的基础上，构建词频-逆文档频率(TF-IDF)矩阵，使词语的重要性随着它出现的总次数成正比增加，同时随着它在不同的帖子(或评论)中出现的次数成反比减少。也就是说，一些虽然出现频次很多、但实际在多数文本中都会出现的词，其重要性并不高，例如“但是”“的”“了”等一些缺乏实际信息量的词。研究中，通过scikit-learn模块自行设定参数，设置进入TF-IDF矩阵的词最小的词频为2，最大的idf为0.2(也即最多只在20%的文档中出现，从而避免一些虽然高频出现但实则缺乏信息量的词)；分析的词对象包括1-gram词和2-gram词。在此基础上，得到6 662 773个关键词。

随后，基于TF-IDF矩阵，对每条文本(包括帖子和评论)，采用支持向量机(supoort vector machine,SVM)的方法以及人工标注样本作为机器学习的原材料，进行情绪类型的判别。这其中，包括对5 352条样本进行的35种情绪类别标注。SVM的判别由研究者在scikit-learn模块的基础上，自行编写程序代码完成。所有文本分析最为核心的SVM判别过程，基于scikit-learn的svm.LinearSVC模块编写代码完成。基于SVM的机器学习，对5 352条样本进行机器的重新判断，结果显示，对已学习过的帖子的情绪类型的重新预测一致率为98.5%，具有良好的效果。又在机器所作出情绪类型的5 068 536条评论和543 753条帖子标题中，随机抽取了500条(350条评论和150条帖子标题)进行人工复查。对500条机器判断结果的复查中，情绪类型与人工判断的一致率为86.2%。由于大量的评论、标题属于短文本，只有几个字到几句话不等，其情绪判断存有难度，即使完全由人工判断也会存在误差率。此外，内容分析法中80%是通常的最低一致性标准，就此而言，本研究中的一致率在可接受范围内。

对假设的检验方法，还运用了“对应分析”。“对应分析”适用于有多个类别的定类变量，可以揭示同一个变量以及不同变量各个类别之间的差异和关联度，通过变量之间的距离反映其对应性的“亲疏远近”。本研究通过多元统计中的“对应分析”方法，来考察信息来源中不同类型的情绪、信息反馈中不同类型的情绪之间的距离亲疏和对应关系，并通过SPSS软件生成的对应分析结果图对其加以直观和可视化的呈现。

三、对假设1的检验与分析

假设1：将情绪分为乐、好、怒、哀、惧、恶、惊、无情绪8大类，则同类型的帖子标题情绪和帖子评论情绪之间，存在着同质性的强对应关系。

把前文所述的情绪类型划归为哀、好、恶、乐、惊、惧、怒，另外再加上“无情绪”类型，共8个大类，考察帖子和评论的情绪之间的关系。

(一)从标题情绪到评论情绪的概率矩阵分析

1.从标题情绪促发的评论情绪的绝对比重分布

对帖子标题的每一种情绪，考察该种标题情绪的帖子所属的评论中各类情绪的分布比例。或者说，将情绪划分为8个大类，考察每一类情绪的标题，其对应的评论中，不同情绪类型的评论各占有多少比重。经由SPSS软件的交叉分析得到表2。其中NULL是指缺失值，后文皆同。

表2 从标题情绪促发的评论情绪的绝对比重分布 %

表2清楚地显示出，每一列最大的值(文中用加粗字体标出的单元格)，恰好都是在表格中的对角线的位置，也即行序=列序的单元格。实际上这里表示的是，促发某种评论情绪占比最多的标题情绪，恰好是与评论情绪相同的标题。例如，情绪为“哀”的标题，促发的评论的情绪中“哀”的占比为7.1%；而情绪为“乐”的标题，促发的评论的情绪中“哀”的占比仅为3.1%，大大小于“哀”的标题中所促发的“哀”的评论所占比。最能促发某种评论情绪的标题情绪如表3所示。

表3 最能促发某种评论情绪的标题情绪

2.从标题情绪促发的评论情绪的相对比重分布

我们要看到，表3只是反映了总体分布的影响，具体到每种帖子是有差异的。举例而言，情绪为“惊”的帖子，尽管它们的评论中，47.5%是“好”的情绪，只有1.8%是“惊”的情绪，但是考虑到“好”本来在各种情绪的帖子中就是占比很高的评论情绪(高达全部评论的48.8%，它比“惊”的帖子所对应的“好”的47.5%的比重要高)，而“惊”则是原本在全部各种帖子中占比很低的评论情绪(只有0.7%，它低于“惊”的帖子所对应的“惊”的1.8%的比重)。也即，我们可以看到，就“惊”的帖子而言，它的评论中有一部分，按总体分布比例本来属于“好”等其他情绪的，现在却向“惊”的评论情绪发生了转移。换言之，“惊”的帖子所对应的评论情绪中，“惊”的相对比例大于“好”；尽管“好”的绝对比例更高，但相对比例则更鲜明地刻画出了评论中情绪反馈的分布特征。实际上，对于情绪为“惊”的帖子而言，它所促发的评论情绪中，“惊”的评论所占的相对比重大于“好”的评论。甚至可以看到，对于“惊”的帖子而言，它的评论中“惊”是相对比例或者说增长的差值是最大的，而哀、好、乐、怒等评论相对总体的平均比例都出现了下降，也即相对比例是负的，这些减少的评论比重都向“惊”等增长的评论比重发生了等额的迁移。

因此，我们对于帖子及其评论情绪的各种交互比例，进一步转换为相对比重，也即：设Xij是第i种情绪的帖子中，其第j种情绪的评论所占的比重，Xj是第j种情绪的评论在全部评论中所占的比重，那么

Yij=Xij-Xj

(1)

(1)式中：Yij指的是第i种情绪的帖子中，第j种情绪的评论所占的相对比重。后文所涉及的“相对比重”，其原理都与此处的界定相同。

将表3转化为相对比重表(见表4)，也即用每个单元格的值(不含“合计”行)，减去其所在列的所有样本平均值(也即减去该表的“合计”行所在的同一列的单元格)。需补充说明的是，表4中每一行相对比重的和应都为0。由于四舍五入的原因，实际的和计算出来的结果并不为0，但这并不影响本文的分析结果。后文的其他相对比重表，如出现行之和不为0的情况，也与本处所说明的四舍五入带来偏差的原因相同。

表4 从标题情绪促发的评论情绪的相对比重分布 %

根据该相对比重表，每一种帖子情绪，它所对应的相对比重最高的评论情绪分别如表5所示。

表5 某种情绪的标题最能促发的评论的情绪

可以清楚地看到，每一行最大的值(文中用加粗字体标出的单元格)，恰好都是在表格中的对角线的位置，也即列序=行序的单元格。这里呈现出完全相等的对应关系和“情绪设置”客观效应。每一种作为情绪源的帖子标题所引起的评论情绪中，相对比重(每一行中最大值)最高的都是和情绪源相同的情绪。也即，如果在过滤掉总体中各情绪的绝对分布的影响之后，只剩下相对比重，那么某种情绪的标题最能促发的是和自己情绪相同的评论。这显著地体现出帖子和评论的情绪对应关系。

(二)从评论情绪回溯标题情绪的概率矩阵分析

1.从评论情绪回溯的标题情绪的绝对比重分布

将情绪划分为8大类之后，考察每一种情绪的评论分别是由怎样情绪的帖子标题所引起的；或者说，在将评论的情绪划分为8类之后，考察每一类情绪的评论，其一一对应所属的标题中，不同情绪类型的标题出现频次各占有多少比重，得到表6。

表6 从评论情绪回溯的标题情绪的绝对比重分布 %

表6清楚地显示出，每一列最大的值(文中用加粗字体标出的单元格)，恰好都是在表格中的对角线的位置，也即行序=列序的单元格。实际上这里表示的是，被某种情绪的标题促发的占比最多的评论情绪，恰好都是与该标题情绪相同的评论。例如，情绪为“哀”的评论，促发该种评论的标题中“哀”的占比为10.6%；而情绪为“乐”的评论，促发该种评论的标题中“哀”的占比仅为5.0%，大大小于“哀”的评论中被“哀”的标题促发的所占比。最能被某类特定标题情绪所促发的评论情绪如表7所示。

表7 被某种情绪的标题促发的占比最多的评论情绪

2.从评论情绪回溯的标题情绪的相对比重分布

排除过滤掉绝对比重的影响，考察评论情绪对应的标题情绪的相对比重，得到表8所示的相对比重。

表8 从评论情绪回溯的标题情绪的相对比重分布 %

可以清楚地看到，每一行最大的值(文中用加粗字体标出的单元格)，恰好都是在表格中的对角线的位置，也即列序=行序的单元格。实际上这里表示的是，每种情绪的评论，其所属的帖子标题中，相对比重最高的都是和评论相同的情绪。也即，在过滤掉总体各情绪的绝对分布的影响之后，只剩下相对比重，某种特定情绪的评论最能被和自己情绪相同的标题所促发。这里也可以显著地体现出评论与帖子的情绪对应关系(见表9)。

表9 最能促发某种评论情绪的标题情绪

(三)标题情绪和评论情绪的对应分析

在SPSS中对帖子标题及其评论的情绪关联进行配对分析，也即每条评论的情绪对应的帖子是什么情绪，得到8种情绪的距离的对应关系如图1所示。图1中帖子的情绪和评论的情绪呈现出相同情绪之间的对应关系。标题和评论的相同情绪，在图1中的距离都很邻近。

图1 基于多元统计的标题情绪和评论情绪的“对应分析”结果图

四、对假设2的检验与分析

假设2：将情绪分为35小类，则同类型的帖子标题情绪和帖子评论情绪之间，存在着同质性的强对应关系。

根据对每条帖子的标题及其评论的情绪判别，在将其划分为34种细化情绪类型之后，再加上“无情绪”构成35种划分方式。考察每种情绪在标题和评论之间的关联性和对应性。

(一)从标题情绪到评论情绪的概率矩阵分析

1.从标题情绪促发的评论情绪的绝对比重分布

考察每一种情绪的帖子标题，它们分别带来怎样的情绪评论。或者说，将情绪划分为35类，考察每一类情绪的标题，其对应的评论中，不同情绪类型的评论各占有多少比重。通过SPSS交叉分析得到的概率矩阵表，局部如表10所示。(完整表为35行*35列，限于版面，本文只截取该图的前19行*前19列予以展示)。

表10所代表的完整表(35行*35列)中，行与列中的情绪都按相同的次序排列。35列中，有33列中的最大值(文中用加粗字体标出的单元格)恰好都是在表格中的对角线的位置，也即行序=列序的单元格，实际上这表示的是：促发某种评论情绪占比最多的标题情绪，恰好与评论情绪相同。只有两列中的最大值不在对角线的位置，它们是：“惊奇”的标题情绪对应的“轻松”的评论情绪所占比重，“哀痛”的标题情绪对应的“同情”的评论情绪所占比重。

表10 从标题情绪促发的评论情绪的绝对比重分布 %

2.从标题情绪促发的评论情绪的相对比重分布

将表10从绝对比重表转换为相对比重表(限于篇幅，本表略)，也即将表10中每个单元格的值减去该列所有样本的平均值。分析作为来源情绪的每一种帖子标题，其所带来的评论情绪中相对比重最前三位的情绪。居于前三位的结果情绪如表11所示。

由表11可以看出：

(1)作为来源的帖子标题情绪，产生的评论情绪中，相对比重居于第一位的，几乎都是和来源情绪相同的情绪。在包括无情绪在内的35种细化类型的情绪中，只有8种来源情绪居于第一位的结果情绪，不同于其来源情绪的类型(表11中用粗黑体单元格标出)。即使在剩下的8种不同于来源情绪的第一位结果情绪中，它们也都和来源情绪具有比较高的接近度，这8种作为来源的情绪及它产生的第一位结果情绪按组依次如下：哀痛→悲伤；妒忌→喜爱；感动→喜爱；惊骇→无情绪；惊喜→喜爱；轻松→相信；同情→赞扬；遗憾→不满。

(2)对于35种情绪而言，由来源情绪产生的前三位结果情绪中，有34种都包含着与来源情绪相同的情绪。只有一种来源情绪，其前三位的结果不包含与来源情绪相同的情绪，这个比例非常低，还不到2.86%。这显示了来源情绪和结果情绪之间的高度关联性。

表11 从标题情绪促发的评论情绪的相对比重中前三位情绪类型

(二)从评论情绪回溯标题情绪的概率矩阵分析

1.从评论情绪回溯的标题情绪的绝对比重分布

将情绪划分为35类之后，考察每一种情绪的评论分别由怎样的情绪的帖子标题所引起。或者说，在将评论的情绪划分为35类之后，考察每一类情绪的评论，其一一对应所属的标题中，不同情绪类型的标题出现频次各占有多少比重。通过SPSS交叉分析得到的概率图，局部如表12所示(完整表为35行*35列，限于版面，本文只截取该图的前19行*前19列予以展示)。

表12所代表的完整表(35行*35列)中，行与列中的情绪都按相同的次序排列。35列中，有34列中的最大值(文中用加粗字体标出的单元格)恰好都是在表格中的对角线的位置，也即行序=列序的单元格。实际上这里表示的是，被某种情绪标题促发的占比最多的评论情绪，恰好与该标题情绪相同。只有1列中的最大值不在对角线的位置，它是“惊喜”的评论情绪对应的“赞扬”的标题情绪所占的比重(由于版面所限，表12只展示了其中的19种情绪，本处的“赞扬”情绪论在第19列之后，未能显示在本表中)。

2.从评论情绪回溯的标题情绪的相对比重分布

考察每一种评论情绪所源自的帖子情绪中，相对比重最前三位的情绪。与前文对于相对比重的界定相同，本处所指的促发特定情绪的某种来源情绪的相对比重=该来源情绪在所有来源情绪中所占的比重-该来源情绪在所有帖子中占的比重。编写VBA程序自动计算表格中每种来源情绪的相对比重，并计算每种结果情绪中促发它的相对比重居于前三位的情绪，得到的对应结果如表13所示。

由表13可以看出：

(1)在引起作为结果的每种情绪的来源情绪中，相对比重居于第一位的，几乎全部都是和结果情绪相同的情绪，例如喜欢情绪由喜爱情绪所促发，内疚情绪由内疚情绪所促发，尊敬情绪由尊敬情绪所促发。在包括无情绪在内的35种细化类型的情绪中，只有7种结果情绪的第一位的来源情绪不同于其结果情绪的类型(表13中用粗黑体的单元格标出)，也即结果情绪和第一位来源情绪相同的占到了28种、80%。即使在剩下的7种不同于结果情绪的第一位来源情绪中，它们也都和结果情绪高度接近，这7种作为结果的情绪及促发它的第一位来源情绪按组依次如下：哀痛←悲伤；惊骇←贬责；惊喜←赞扬；轻松←赞扬；同情←悲伤；遗憾←贬责；振奋←赞扬。

(2)对于35种情绪而言，促发结果情绪的前三位来源情绪中，必然包含着与结果情绪相同的情绪。即使对于前述的7种第一位来源情绪不同于其结果情绪的对应组而言，也必然能在第二或第三位的来源情绪中找到与结果情绪相同的来源情绪。这显示了结果情绪和来源情绪之间的高度关联性。

五、结 语

本研究明确提出“情绪对应”的现象效应与理论问题，并以《今日头条》中数百万条的传-受样本作为实证对象，进行分析和量化挖掘。围绕“情绪对应”的核心内涵，对情绪从不同的粒度与层级进行划分。在这些不同的类型划分的基础上，分别从子假设加以证实或证伪。总体来看，以下若干子观点通过了检验，仅在局部有很小的偏差：(1)促发某种评论情绪的占比最多的标题，是与该种评论的情绪相同的标题；(2)每一种作为情绪源的帖子标题，它所引起的评论情绪中，相对比重最高的都是和情绪源相同的评论；(3)将标题依据其情绪不同分为若干类，被某类情绪的标题促发的占比最多的评论，是与该种标题情绪相同的评论；(4)将评论依据其情绪不同分为若干类，每一类评论所属的帖子标题的情绪，相对比重最高的都是和该类评论情绪相同的情绪。结合样本数据及其情绪传-受关系、分布矩阵的考察，本文所论述的“情绪对应”体现出强传播效应。

对于“情绪对应”效应的理论内涵层面而言：不能把情绪作为在网络“意见”中零散的、非系统化的涉及到的因素，而是要突出其本体地位，意见和情绪都是社会公共舆情的重要构成，不能只侧重于前者、而有意无意地对后者“视而不见”或缺乏足够重视；需要在“议程设置”“沉默的螺旋”“群体极化”等与情绪传播相关联的领域中，加强对“情绪对应”设置的专门重视和阐述，情绪不是内容和意见的附属，甚至是反过来对内容和意见具有导向性的因素。需要加强关于网络媒介传播中“情绪设置”的“强效果论”，它不只是一种偶然性和零散的效果，而是符合媒介和网络传播规律、具有内在倾向性的规律机理。媒介的传播过程，可以有效影响受众的情绪状态，促使他们做出具有相应情绪的接受或信息回馈，进行特定情绪的表达与言说。在“议程设置”理论中对于议程的关注，缺乏对于议程中情绪和情感谱系的足够重视，甚至忽视了情绪直接作为“类议程”的本体可能性。在情绪传受环节与挖掘的基础上，有必要明确且集中地聚焦于“情绪对应”的设置效果，并将之作为媒介机制和传播研究的重要路径之一。