基于社会网络分析的重大自然灾害事件线上社会支持寻求与供给研究

肖亚龙 冯 皓 朱承璋 冯 杰

(1. 中南大学文学与新闻传播学院 长沙 410012；
2. 中南大学文学与新闻传播学院智媒传播研究中心 长沙 410012)

人类与自然灾害的斗争史是人类发展史的重要组成部分。重大自然灾害事件因突发性、危害性等特征，加剧了社交媒体危机传播的复杂性与不确定性。自然灾害事件中，灾区人民及其家庭所组成的弱势群体需要来自政府、亲友、社区、公众等主体多层次的社会支持，其中一个重要方面就是媒体和社会的“支持性传播”[1]。随着互联网的发展，新媒体在信息传播、情绪安抚等方面全面发挥效力，是大规模突发性灾害事件中重要的传播媒介[2]。

在传统社会支持开始转向社交媒体平台的形势下，弱势群体如何寻求、获得社会支持，社会网络如何为弱势群体提供资源等都是值得进一步研究的问题[3]。以重大自然灾害事件为背景，从支持维度对社交媒体线上社会支持进行实证分析，理论上能为危机传播、社会支持和信息扩散研究提供新视角，实践中能为优化社会支持传播效果提供解决方案，具有重要研究价值。

1.1 自然灾害信息扩散研究

近年来，社交媒体因其及时性和广泛性，成为灾难信息传播的重要渠道[4]。作为社交媒体平台的特殊议题，自然灾害信息扩散兼具危机传播特征，主要考察信息传播过程和舆情演化阶段。

关于自然灾害信息扩散研究主要包括三个方面：网络结构、生命周期和信息情感。网络结构研究以社会网络分析法为主，如王晰巍等探究了自然灾害舆情传播的链式路径和多级路径特征[5]。生命周期研究以阶段划分和舆情演化为主，如李志宏将传播周期划分为5个阶段[6]。信息情感研究多以情感为基础，对传播效果和演变规律作进一步分析，如Chen等研究了不同阶段的信息情感及扩散模式[7]。

现有研究多从整体层面分析自然灾害信息扩散，缺少对局部结构和网络指标的深入探讨。本文意在运用社会网络分析法，考察整体网与局部网的网络结构特征和社会网络指标，从转换规律和信息特征作深入研究。

1.2 线上社会支持研究

社会支持是个体通过社会关系网络进行的资源交换行为[8]。非亲密的社会支持在网络中具有重要意义[9]，以网络社群为研究对象的线上社会支持成为新的研究议题。

线上社会支持研究主要包括三个方面：具体行为、影响机制和网络结构。具体行为研究主要总结社会支持类型，如Hale等发现癌症视频中情感支持最为普遍[10]。影响机制研究主要探究社会支持影响因素和作用机制，如Bi等发现社会支持网络和感知社会支持对主观幸福感有正向影响[11]。网络结构研究多从寻求和供给维度探究成员互动结构。社会支持寻求是弱势群体主动向外界探求的社会支持，社会支持供给是外界为弱势群体提供的社会支持[12]。如Yang等发现社会支持寻求和供给能显著提高社会支持交流[13]。

现有研究集中于对社会支持信息类别的静态描述，忽略了社会支持寻求与供给信息的内在联系、互动结构和动态转换关系。本文意在构建社会支持信息广度转换和深度转换桑基图，从线上社会支持寻求与供给维度深入探究。

转发是社会化媒体的主要传播形式，也是构建扩散网络、连接社会支持寻求和供给、满足弱势群体信息需求的关键技术机制[1]。结合学者对社会支持互动结构的研究，本文将重大自然灾害事件中理想的线上社会支持模式界定为：a.弱势群体在社交媒体平台发布社会支持寻求信息，经平台用户转发，该信息得以扩散并成为热门；
b.用户在转发过程中，加入社会支持供给信息，与原信息形成多对一的“社会支持寻求向社会支持供给”的转换关系；
c.平台推荐机制下，其他弱势群体通过查看原热门信息或热门转发信息，获取社会支持寻求信息和多元社会支持供给信息，为自身处境提供决策参考。

为探究当下重大自然灾害事件线上社会支持能否达到理想的社会支持模式，本研究意以河南暴雨事件为例，深入分析自然灾害信息的扩散结构、转换规律和信息特征。

2.1 研究对象

作为近年来最具代表性的重大自然灾害事件，河南暴雨事件具有重要研究意义[14]。微博基于社会关系网络实现信息传播,满足大数据环境的基本特征,可以进行突发事件信息扩散研究。基于此，本研究选择微博平台2021年7月15日至2021年9月15日“河南暴雨事件”数据作为研究对象。

2.2 研究思路

本研究旨在挖掘多元社会支持信息的扩散结构、转换规律和信息特征，探究当下线上社会支持模式是否达到理想状态，研究思路见图1。具体而言，在获取数据的基础上，完成数据检验、分词、词嵌入等预处理工作，将微博信息分为供给维度的“消息信息”“意见信息”“情绪信息”和寻求维度的“行动信息”。之后训练机器学习模型完成信息分类任务，从扩散结构、转换规律和信息特征三方面分析：扩散结构上，对整体和局部进行社会网络分析；
转换规律上，构建广度转换和深度转换桑基图实现扩散路径分析；
信息特征上，从原创性、认证情况、信息类别三个维度对热门信息出度作均值比较检验。

图1 研究流程设计

2.3 数据采集与检验

2.3.1数据采集

本研究以“河南+暴雨”“郑州+暴雨”为关键词，收集了2021年7月15日至2021年9月15日的66个微博热搜话题，部分话题信息如表1所示。

表1 新浪微博“河南+暴雨”“郑州+暴雨”相关话题(部分)

进一步，使用Python和Selenium编写代码获取数据。爬虫程序“滚雪球”式获取热搜话题下原创微博及其扩散路径中的所有热门转发微博，旨在对热门社会支持信息进行全量采集，实现过程如下：1获取各话题所有原创微博，并在热门转发微博层面深度递归爬取，直到扩散路径中的所有热门转发微博获取完毕；
2将各微博的微博ID、微博博文、博主昵称等字段作为微博信息保存，同时保存微博之间的转发关系；
3获取各微博信息博主的用户ID、认证类型等字段作为用户信息保存。最终采集到12 767条微博信息、5439条转发关系和9 590位用户信息。

2.3.2数据检验

幂律分布是社交网络信息扩散的一般特征[15]。本研究使用powerlaw对微博信息转发量和用户信息粉丝量进行幂律分布检验[16]，得到概率密度函数如图2所示。其中转发量指数1.82，粉丝量指数2.47，均符合幂律分布特征。

图2 微博转发量(左)与用户粉丝量(右)幂律分布检验

2.4 微博文本分类

2.4.1中文分词与词嵌入

本研究使用Jieba完成分词任务，Jieba分词结合了基于规则和基于统计两类方法，能够得出优秀的分词结果[17]。经分词、去停用词等操作后，部分转发微博分词结果为空列表，本文将分词结果为空的微博定义为空微博，反之则为非空微博。此外，表情符号承担了一定的情感表达功能[18]，本研究对此进行了保留。

之后使用Gensim搭建Word2Vec模型[19]。Word2Vec作为分布式词嵌入的神经网络模型，能够很好地完成向量化任务[20]。具体而言，逐一将所有非空微博Ti分词后的每一个词(Ti1,Ti2,…,Tij,…,Tin)各表示为VTij的500维向量，接着计算Ti所有词向量的等权平均值，得到Ti的向量表达如下[21]：

(1)

句向量由词向量平均池化而来，具有等同于复杂神经网络的效果，训练结果包括35911个词汇的嵌入式表达，满足分词向量化要求。

2.4.2抽样标注与模型训练

依据Cheng和Qu的分类[22-23]，本研究将河南暴雨微博信息分为“消息信息”“行动信息”“意见信息”“情绪信息”和“离题信息”。其中离题信息是指与灾难无关的信息(如广告营销)，在正式分析时需要剔除。基于Qu的编码表[23]，本研究对各类微博信息的定义如表2所示。

表2 微博信息分类及类别描述

线上社会支持以信息支持和情感支持为主，包含寻求和供给两个维度[24]。信息支持是提供信息以帮助弱势群体的行为，情感支持是承认弱势群体的感受或提供安慰和鼓励的行为[12]。依据孙少晶等总结的社会支持信息编码表[25]，结合表2的类别描述可知：从静态的支持类型上看，消息信息、行动信息和意见信息属于信息支持，情绪信息属于情感支持；
从动态的寻求与供给维度上看，消息信息、意见信息和情绪信息属于社会支持供给信息，行动信息属于社会支持寻求信息。本研究意在考察社会支持寻求与供给的互动结构和转换关系，主要从寻求与供给维度分析。

实际应用中，一条微博可能表达多种含义、同属多个类别。在使用机器学习分类算法时，学者往往将分布概率最高的类目标签作为该对象的类别[26]，本研究采用相同策略完成微博文本分类。具体而言，随机抽取1000条非空微博作为训练样本，再由两名编码员根据表2内容进行人工编码。正式编码完成后，Kappa一致性检验结果为0.916，达到较高编码信度。之后使用Python载入Naïve Bayes、SVM和XGBoost，分别取样本中的80%为训练集，余下20%为测试集，对三种模型进行多次独立训练。最终选择模型准确度、精确率、召回率、F1值均在0.87以上的XGBoost完成分类任务[27]。

2.4.3模型应用

运用训练好的XGBoost模型完成对余下非空微博的分类，并根据转发关系，使空微博继承父微博类别。离题信息中，存在大量“转发微博”“快转微博”等系统生成的博文，删除对应微博的分类标签，并同样采用继承法完成分类。其他离题信息，由编码员人工核对，对误分为离题信息的微博重新分类。

删除仍属于离题信息的微博(92条)后，最终保留12 675条微博信息、9 526位用户信息和5 378条转发关系。其中消息信息4 261条、行动信息443条、意见信息2 683条、情绪信息5 288条。

3.1 扩散结构

3.1.1整体扩散结构

扩散网络以微博信息为节点、微博之间的转发关系为边、微博博主昵称为节点标签。依据上述规则，使用Gephi0.9.3完成整体扩散网络绘制并计算社会网络指标。出度排名前5节点信息如表3所示，官方机构账号主要发布灾情相关的消息类社会支持供给信息，娱乐明星主要提供表达个人情感的情绪类社会支持供给信息。

表3 点出度排名前五节点信息

中间中心性测量的是行动者对资源控制的程度[28]，中心度排名前5节点信息如表4所示。这些节点多为个人认证账号发布的情绪类社会支持供给信息，其账号归属明星本人或其头部粉丝，娱乐明星“信息桥”位置十分突出。

表4 中心度排名前五节点信息

3.1.2局部扩散结构

为探究各社会支持信息在扩散路径中的关键节点，本研究选取热门原创和热门转发进行局部网络分析。数据获取过程中，所有转发微博均为热门转发。热门原创是指拥有热门转发的原创微博，在网络中表现为入度为0且出度大于0的根节点。剔除非热门原创微博后，剩余热门原创和热门转发微博共5503条。依据根节点的信息类别，将扩散树划分到四类局部网络(如图3所示)。以根节点对扩散树进行类别划分，能够有效避免网络数据的缺失和冗余。

图3 多元社会支持信息扩散网络

从网络结构上看，供给维度的消息信息呈“放射型”、意见信息和情绪信息呈“多核型”，寻求维度的行动信息呈“离散型”。消息信息扩散网络与整体网高度相似，说明官方发布的消息类社会支持供给信息在微博场域中占据绝对核心。

消息信息如图3(a)所示，除官方发布的救灾性质的社会支持供给信息外，其余节点多为明星粉丝转发生成的情绪类社会支持供给信息。行动信息如图3(b)所示，以无认证用户发布的求助性质的社会支持寻求信息为主，这些信息几乎没有得到扩散。意见信息如图3(c)所示，以建议性质的社会支持供给信息为主，多为中小型认证主体对特定群体提供帮助。情绪信息如图3(d)所示，以发布原创情绪信息的官方账号和个人博主为主，内容多为提供情感支持的社会支持供给信息。

3.2 转换规律

为探究多元社会支持信息转换规律，分析社会支持寻求和供给的互动情况。本研究针对热门微博，依据转发关系生成传播链条，构建社会支持信息广度转换和深度转换桑基图作进一步分析。

3.2.1广度转换

社会支持信息广度转换是根据转发关系，对信息流动过程进行二维层级分析。本研究依据5378条转发关系，绘制广度转换桑基图如图4所示。图中左侧为流出维度(被转发层面)，右侧为流入维度(转发层面)。

图4 社会支持信息广度转换桑基图

从信息数量上看，整体上，相较于被转发层面，转发层面的情绪信息、行动信息数量增多，消息信息大量减少，意见信息基本不变。流出上，消息信息主要流向情绪信息，其次为消息信息；
情绪信息、意见信息、行动信息主要流向同类型信息。流入上，情绪信息、意见信息主要由情绪信息、消息信息和意见信息转换而成，行动信息主要由消息信息转换而成，消息信息则主要源于同类型信息。

从信息流动上看，社会支持供给以“社会支持供给向社会支持供给”的内部转换为主，主要表现为“情绪信息向情绪信息”“消息信息向消息信息”“意见信息向意见信息”的同质转换和“消息信息向情绪信息”的异质转换。社会支持寻求以“社会支持供给向社会支持寻求”的外部转换为主，主要表现为“消息信息向行动信息”的异质转换。

总体而言，广度转换以“社会支持供给向社会支持供给”转换为主，存在少量“社会支持供给向社会支持寻求”的转换关系，基本不存在“社会支持寻求向社会支持供给”的转换特征，社会支持寻求主体意借助消息类社会支持供给信息势能实现“借力传播”。这一现象与理想的“社会支持寻求向社会支持供给”的转换模式相反，寻求与供给的转换关系呈现“错位”特征。

3.2.2深度转换

社会支持信息深度转换是依据传播链条，对信息流动过程进行多维层级分析。本研究根据转发关系，生成4 820条传播链条，得到深度转换桑基图如图5所示。其中第0层是原创层级，之后每一层表示一个转发层级。图中标注格式为“第A层B”，A表示层级数，B表示信息类别编号。

图5 社会支持信息深度转换桑基图

从信息数量上看，平台热门信息集中在原创层级和前两层转发层级，消息信息多分布于原创层级，行动信息集中在第1转发层级，意见信息在原创层级和前两层转发层级较多，情绪信息成为各转发层级的主流信息。

从信息流动上看，原创层级和第1转发层级之间以“消息信息向情绪信息”的异质转换为主，第1转发层级和第2转发层级之间主要为各社会支持信息的同质转换，后续转发层级以“情绪信息向情绪信息”的同质转换为主。此外，各社会支持信息的最大扩散深度从大到小依次为意见信息、情绪信息、消息信息和行动信息。这表明异质转换集中在原创层级和第1转发层级之间，后续转发层级之间多为同质转换。同时意见信息更易产生链式转发，行动信息难以形成深度扩散。

结合图4的广度转换可知：信息扩散以社会支持供给信息的内部转换为主，主要表现为消息信息向情绪信息的转换；
社会支持寻求信息集中在第1转发层级而非原创层级，说明社会支持寻求信息在扩散过程中出现了借力传播的现象，社会支持寻求与供给信息存在“错位”特征；
情绪信息成为主流转发，反映出社交媒体平台内的社会支持供给以情感支持为主。

信息在扩散过程中，若能转换为其他类型的信息，说明拥有“破圈”能力，能够获得更大规模的扩散[29]。“消息信息向情绪信息”转换表明消息信息实现了向情绪信息的跨圈层传播。而理应“破圈”的行动类社会支持寻求信息，由于与供给信息存在“错位”，缺乏与其他主体的“弱关系”连接，基本没有得到扩散。

3.3 信息特征

为探究多元社会支持信息的扩散差异，总结高扩散微博的信息特征，本研究在计算节点出度的基础上，对热门微博作均值比较检验。

3.3.1扩散差异检验

以节点出度为因变量，信息类型为分组变量，对热门信息作单因素方差分析，分析结果如表5所示。结果表明，不同信息在出度上呈现显著差异(P< 0.001)，信息扩散规模与所属类别高度相关。

表5 不同社会支持信息对点出度影响的ANOVA分析

表6 不同社会支持信息对点出度影响的LSD事后检验

基于ANOVA分析的LSD事后检验如表6所示。检验结果表明，在出度层面，消息信息显著高于意见信息(P< 0.01)、情绪信息(P< 0.001)和行动信息(P< 0.01)。这表明消息信息相较于其他信息更容易扩散。结合图5可知，社交媒体用户更倾向于转发社会支持供给中的原创消息信息，对社会支持寻求信息及其他社会支持供给信息的关注相对较少，以上发现进一步证实了社会支持寻求与供给转换中的错位特征。

3.3.2信息特征提取

将出度作为因变量，分别以原创性(非原创/原创)和认证情况(无认证/有认证)作为分组变量进行独立样本t检验，结果如表7所示。结果显示，原创微博出度显著高于转发微博(P< 0.001)、有认证用户发布的微博出度显著高于无认证用户(P< 0.001)。这表明原创性层面的原创信息和行动主体层面的认证用户，相较于各维度其他信息，更容易获得大规模扩散。

表7 原创性与认证情况对点出度影响的独立样本t检验

社会支持寻求信息只有至少满足原创或主体认证的条件之一，才能达到理想的社会支持模式。事实上，社会支持寻求信息多为“无认证主体”发布的“转发信息”，表现出低扩散的特征。

据此本文认为，弱势群体在发布社会支持寻求信息时陷入“双重困局”：1若发布原创社会支持寻求信息，由于缺乏象征资本，这些信息难以得到扩散；
2若转发热门信息进行社会支持寻求，通过借力传播实现曝光，则与理想社会支持模式的原创性条件不符。弱势群体无论选择哪种方式，都无法形成理想的社会支持模式，双重困局在社交媒体平台现有机制下，难以得到解决。

本研究通过生成扩散网络图、构建转换桑基图、引入均值比较检验等策略，从扩散结构、转换规律和信息特征三方面对河南暴雨社会支持信息进行深入分析，主要有以下发现。

4.1 扩散差异——多元社会支持信息扩散存在显著差异

整体社会支持扩散网络和多元社会支持局部扩散网络表明，各网络扩散结构存在差异：供给维度的消息信息呈“放射型”、意见信息和情绪信息呈“多核型”，寻求维度的行动信息呈“离散型”。此外，整体扩散结构中，娱乐明星“信息桥”位置十分突出。这表明娱乐明星及粉丝群体在“@人民日报”等官方消息信息的扩散过程中起到了重要作用，有效提升了河南暴雨相关信息的热度，推动了权威信息的扩散进程。

基于扩散网络点出度的热门信息均值比较检验表明，高扩散信息为信息类别层面的消息信息、原创性层面的原创信息、行动主体层面的认证用户。上述三类信息，相较各维度其他信息，更容易获得大规模扩散。消息类社会支持供给信息同时拥有信息类别、原创性和认证情况的优势，在娱乐明星强大动员能力的加持下，成为了网络中的核心信息，实现了宏观的社会支持供给价值。行动类社会支持寻求信息，在信息类别、原创性和认证情况上，均不满足高扩散信息的共同特征，扩散规模较小。社会支持寻求信息的边缘化现象表明，当下重大自然灾害信息扩散没有形成理想的社会支持模式。

4.2 转换错位——社会支持寻求与供给信息出现错位特征

社会支持信息广度转换和深度转换表明，社会支持寻求与供给之间出现错位特征。行动类社会支持寻求信息理应集中在广度转换的流出维度和深度转换的原创层级，与其他社会支持供给信息形成“社会支持寻求向社会支持供给”的转换关系。但在实际情况中，该类信息集中分布在广度转换的流入维度和深度转换的第1转发层级，寻求与供给间的转换关系形成了“社会支持供给向社会支持寻求”转换的错位现象，弱势群体以期借助消息类社会支持供给信息的势能实现借力传播。

此外，在转换过程中，广度转换和深度转换都表现出以消息信息向情绪信息转换为代表的“社会支持供给向社会支持供给”的转换特征。消息类社会支持供给信息实现了从官方账号向娱乐明星的跨圈层传播，行动类社会支持寻求信息的借力传播未达到预期效果，寻求与供给间的错位现象较为明显。

4.3 双重困局——弱势群体社会支持寻求信息面临扩散难题

信息特征分析结果表明，原创信息扩散能力高于转发信息扩散能力、认证主体扩散能力高于非认证主体扩散能力。微博是具体的媒介场域，用户在该场域中以关注关系形成构型，各用户拥有的资本数量和构成，决定了其在构型中的位置[15]。社会支持寻求信息的行动主体多为缺乏象征资本的无认证用户，在社会支持寻求供给错位的情况下，即使发布原创信息，也会沦为网络中的边缘节点，社会支持寻求信息面临原创信息边缘化的困局。在这一困局下，弱势群体选择以转发热门信息的形式增加自身曝光量。但无论是借力传播的效果，还是理想社会支持的原创性条件，都表明转发型社会支持寻求信息步入了新的困局。

由于信息类型和认证情况的客观条件，弱势群体在进行社会支持寻求时，发布原创信息或转发热门信息，都不得不面临原创信息边缘化和借力传播效果不佳的双重困局。双重困局在当前平台推荐机制和社会支持寻求供给转换错位的情况下，已成为线上社会支持亟需解决的扩散难题。

本文从社会支持视角出发，以河南暴雨事件在微博平台的信息扩散为例，对重大自然灾害事件中的线上社会支持寻求与供给信息进行探究。理论上，通过扩散网络、转换规律、信息特征的分析，为线上社会支持信息扩散提供了新思路。实践上，这一研究为优化自然灾害事件下社会支持信息的传播模式、加强社会支持寻求与供给的对接关系提供了新方法。

本研究对于优化社会支持信息的传播效果、加强社会支持寻求与供给的匹配关系具有理论意义，可为社交媒体平台、意见领袖、政府等主体提供实践启示。具体而言：1河南暴雨相关话题中，存在部分广告营销、蹭热度等离题信息，这些信息使弱势群体在寻求社会支持时面临“注意力鸿沟”的障碍[1]。对此，微博等社交媒体平台应优化推荐算法，减少离题信息曝光；
同时增设社会支持信息聚合板块，提高重要信息的推送概率和频率；
此外，平台可在用户发布相关信息时予以提示，引导用户在相关话题下减少无关信息发布。2社会支持信息扩散网络中，娱乐明星“信息桥”位置十分突出，起到了提升话题热度的作用。但明星粉丝的过度情感表达挤占了公共空间，可能影响大众对弱势群体社会支持寻求的关注。对此，应当引导明星、名人等意见领袖在关注权威消息信息的基础上，加强对社会支持寻求信息和权威意见信息的聚焦。3社会支持寻求与供给的错位，弱势群体社会支持寻求时的双重困局等问题，需要多方的协同治理。政府作为网络舆情协同治理的主导者，应当推动官方信息平台、社交媒体平台、意见领袖等多主体积极有序参与重大突发事件网络舆情协同治理[30]，同时优化线上资源配置，为弱势群体社会支持寻求提供更多支持。

本文也存在不足之处：a.在数据采集方面，由于微博信息展示的有限性，本研究是对热搜页面的原创微博及热门转发微博进行事后爬取；
b.机器学习模型无法达到100%的准确率，在多元社会支持信息分类过程中，存在无法避免的干扰。此外，部分社会支持信息同时包含两种或两种以上的内容，今后研究可使用深度学习算法对社会支持信息作多分类处理，研究各社会支持信息的共现关系，得出更有价值的结论。