摘要
为什么某些在线内容(例如广告、视频、新闻文章)比其他内容更具病毒式传播力?本文采用心理学方法来理解传播。使用纽约时报在三个月内发表的所有文章的独特数据集,作者们探讨了情绪如何塑造病毒式传播。结果表明,积极内容比消极内容更具病毒式传播力,但情绪与社会传播之间的关系比单纯的效价更为复杂。病毒式传播部分由生理唤醒驱动。引发高唤醒积极情绪(敬畏)或消极情绪(愤怒或焦虑)的内容更具病毒式传播力。引发低唤醒或去激活情绪(例如悲伤)的内容则病毒式传播力较弱。即使作者们控制了内容的惊喜性、趣味性或实用性(所有这些都与病毒式传播力正相关),以及外部注意力驱动因素(例如内容被显著展示的程度),这些结果仍然成立。实验结果进一步证明了特定情绪对传播的因果影响,并表明其由引发的激活水平驱动。 综合来看,这些发现揭示了人们分享内容的原因以及如何设计更有效的病毒式营销活动。
关键词:口碑,病毒式营销,社交传播,在线内容
什么使在线内容具有病毒性?
分享在线内容是现代生活的重要组成部分。人们将报纸文章转发给朋友,将 YouTube 视频传递给亲戚,将餐厅评论发送给邻居。事实上,
59
%
59
%
59% 59 \% 的人表示他们经常与他人分享在线内容(Allsop, Bassett, 和 Hoskins 2007),而且每四秒钟就有人在微博上分享一篇《纽约时报》的故事链接(Harris 2010)。
这种社会传播对消费者和品牌都有重要影响。数十年的研究表明
人际交流影响态度和决策(Asch 1956;Katz 和 Lazarsfeld 1955),近期的研究也证明了口碑对产品采纳和销售的因果影响(Chevalier 和 Mayzlin 2006;Godes 和 Mayzlin 2009)。
尽管很明显社会传播既频繁又重要,但对于为什么某些在线内容比其他内容更具病毒性,了解得较少。一些客户服务体验在整个博客圈中传播,而其他则从未被分享。一些报纸文章在其网站的“最多电邮列表”中占据一席之地,而其他则默默无闻。公司经常创建在线广告活动或鼓励消费者生成内容,希望人们将这些内容与他人分享,但有些努力会成功,而有些则会失败。病毒性仅仅是随机的,正如一些人所说(例如,Cashmore 2009),还是某些特征可以预测内容是否会高度分享?
本文探讨了内容特征如何影响传播力。特别是,我们专注于情绪如何塑造社交传播。我们通过两种方式进行研究。首先,我们分析了一个独特的包含近7000篇《纽约时报》文章的数据集,以考察哪些文章进入了该报的“最多邮件转发列表”。在控制了外部注意力驱动因素,如文章在线上展示的位置和时长后,我们考察了内容的效价(即,内容是积极的还是消极的)如何影响其传播力。 文章是正面还是负面)以及它所引发的具体情绪(例如,愤怒、悲伤、敬畏)会影响其是否被广泛分享。其次,我们通过实验操纵内容所引发的具体情绪,直接测试唤醒对社会传播的因果影响。
这项研究做出了几项重要贡献。首先,关于口碑和病毒式营销的研究主要集中在它的影响上(即对传播和销售的影响;Godes 和 Mayzlin 2004, 2009;Goldenberg 等人 2009)。然而,对其原因或是什么驱使人们分享内容以及哪种类型的内容更可能被分享的关注较少。通过将大规模的实地真实传播检查与严格控制实验相结合,我们既展示了病毒式在线内容的特征,又揭示了驱使人们分享的潜在过程。其次,我们的发现为如何设计成功的病毒式营销活动提供了见解。口碑和社交媒体被视为比传统媒体更便宜、更有效,但它们的效用取决于人们传播有助于品牌的内容。如果没有人分享公司的内容,或者消费者分享的内容对公司有负面描绘,社会传播的益处就会丧失。因此,理解是什么驱使人们分享可以帮助组织和政策制定者避免消费者反弹并制作具有传染性的内容。
内容特征与社会传播
人们分享故事、新闻和信息的一个原因是因为它们包含有用的信息。优惠券或关于好餐馆的文章可以帮助人们节省金钱并吃得更好。消费者可能会出于利他主义的原因(例如,帮助他人)或出于自我提升的目的(例如,显得知识渊博,参见 Wojnicki 和 Godes 2008)分享这类实用内容。实用内容也具有社会交换价值(Homans 1958),人们可能会分享它以产生互惠(Fehr, Kirchsteiger, 和 Riedl 1998)。
内容的情感方面也可能影响其是否被分享(Heath, Bell, 和 Sternberg 2001)。人们报告说他们会与别人讨论许多情感经历,顾客在满意度极端(即非常满意或非常不满意;Anderson 1998)时报告有更多的口碑传播。人们可能会分享情感强烈的内容来理解他们的经历,减少失调,或加深社会联系(Festinger, Riecken, 和 Schachter 1956; Peters 和 Kashima 2007; Rime 等人 1991)。
情感效价与社会传播
这些观察表明,情感唤起的内容可能特别容易传播,但哪种内容更有可能被分享——积极的还是消极的内容?虽然有一种普遍的看法认为人们更倾向于传播负面新闻(Godes 等人,2005 年),但这从未经过测试。此外,这一观点所基于的研究实际上关注的是人们接触到哪些类型的新闻,而不是他们传播什么(参见 Goodman,1999 年)。因此,研究人员指出,“对积极和消极信息传播相对概率的更严格研究将对学者和管理者都很有价值”(Godes 等人,2005 年,第 419 页)。
我们假设更积极的内容会更易传播。消费者经常为了自我展示而分享内容 目的(Wojnicki 和 Godes 2008)或传达身份,因此,积极内容可能被更多地分享,因为它对发送者有正面反映。大多数人更愿意被认为是分享乐观故事或让别人感觉良好的人,而不是分享让别人感到悲伤或不安的事情的人。分享积极内容也可能有助于提升他人的情绪或提供有关潜在奖励的信息(例如,这家餐厅值得一试)。
激活在社会传播中的作用
然而,重要的是,情感内容的社会传播可能不仅仅由效价驱动。除了积极或消极之外,情绪在它们引发的生理唤醒或激活水平上也存在差异(Smith 和 Ellsworth 1985)。例如,愤怒、焦虑和悲伤都是消极情绪,但愤怒和焦虑以高度唤醒或激活状态为特征,而悲伤则以低唤醒或去激活状态为特征(Barrett 和 Russell 1998)。
我们建议这些唤醒状态的差异塑造了社会传播(另见 Berger 2011)。唤醒是一种动员状态。低唤醒或去激活状态以放松为特征,而高唤醒或激活状态则以活动为特征(综述见 Heilman 1997)。事实上,这种兴奋状态已被证明能增加与行动相关的行为,例如起身帮助他人(Gaertner 和 Dovidio 1977)以及在谈判中更快地回应提议(Brooks 和 Schweitzer 2011)。鉴于分享信息需要行动,我们建议激活状态应对社会传播有类似的影响,并提高内容被广泛分享的可能性。
如果情况确实如此,即使是相同效价的两种情绪,如果它们引发不同的激活水平,也可能对分享产生不同的影响。考虑一下让人感到悲伤的事物与让人感到愤怒的事物。这两种情绪都是负面的,所以一个简单的基于效价的视角会认为,引发这两种情绪的内容都应该较少被传播(例如,人们希望让他们的朋友感觉良好而不是糟糕)。然而,基于唤醒或激活水平的分析提供了一个更为细致的视角。尽管这两种情绪都是负面的,愤怒可能会增加传播(因为它以高激活为特征),而悲伤实际上可能会减少传播(因为它以去激活或不作为为特征)。
当前研究
我们考察内容特征如何驱动社交传播和病毒式传播。特别是,我们不仅考察正面内容是否比负面内容更具传播性,还超越了单纯的效价,考察内容引发的具体情绪以及它们所诱导的激活水平如何驱动社交传播。
我们通过两种方式研究传播。首先,我们调查了世界上最受欢迎的报纸之一《纽约时报》中近 7000 篇文章的病毒式传播(研究 1)。在控制了一系列因素(例如,文章的展示位置,它们引起的兴趣程度)后,我们考察了文章的情感性、效价以及特定情感对其进入《纽约时报》最常电子邮件列表可能性的影响。其次,我们进行了一系列实验室实验(研究 2a、2b 和 3),以测试我们认为导致观察到的效应的潜在过程。 通过直接操纵特定情感并测量它们引发的激活,我们测试了我们的假设,即引发高唤醒情感的内容更有可能被分享。
研究1:情感与病毒式传播的实地研究
我们的第一项研究调查了哪些类型的《纽约时报》文章被高度分享。《纽约时报》涵盖广泛的主题(例如,国际新闻、体育、旅行),其文章被混合的朋友(42%)、亲属(
40
%
40
%
40% 40 \% )、同事(
10
%
10
%
10% 10 \% )和其他人(
7
%
7
%
7% 7 \% )分享,
1
1
^(1) { }^{1} 使其成为研究内容特征与病毒式传播之间联系的的理想场所。《纽约时报》持续报告其网站上在过去24小时内被最多电子邮件分享的文章,我们考察了(1)文章的效价和(2)它在多大程度上引发各种特定情绪(例如,愤怒或悲伤)是否会影响其进入《纽约时报》最多电子邮件分享列表。
负面情绪彼此之间的区分要比正面情绪更为明显(Keltner 和 Lerner 2010)。因此,在考虑特定情绪时,我们的档案分析主要集中在负面情绪上,因为它们易于区分和分类。愤怒、焦虑和悲伤通常被描述为基本或普遍的情绪(Ekman, Friesen 和 Ellsworth 1982),基于我们之前关于激活的理论,我们预测具有激活特征的负面情绪(即愤怒和焦虑)将与病毒传播呈正相关,而具有去激活特征的负面情绪(即悲伤)将与病毒传播呈负相关。
我们还考察了敬畏这一高唤醒的正面情绪是否与病毒传播相关。敬畏的特点是在面对比自己更伟大的事物时(例如,一项新的科学发现,某人克服逆境;参见 Keltner 和 Haidt 2003)产生一种钦佩和提升的感觉。它由那些打开心灵去考虑未考虑过的可能性的刺激所产生,其引发的唤醒可能促进传播。
重要的是,我们的实证分析控制了几个潜在的混淆变量。首先,正如我们之前所指出的,具有实用价值的内容可能更具传播性,因为它提供了信息。自我呈现的动机也会影响传播(Wojnicki 和 Godes 2008),人们可能会分享有趣或令人惊讶的内容,因为它具有娱乐性并且能正面反映他们(即,表明他们知道有趣或娱乐性的事情)。因此,我们控制这些因素,以研究情感与传播性之间的联系,而不受这些因素的影响(尽管它们与传播性的关系可能对一些学者和实践者感兴趣)。
其次,我们的分析还控制了内容本身之外的因素。出现在报纸头版或在新纽约时报主页上占据更显眼位置时间更长的文章可能会获得更多关注,从而机械地更有机会进入最多电子邮件列表。因此,我们控制了这些和其他潜在的注意力外部驱动因素。
2
2
^(2) { }^{2} 包括这些
控制变量还使我们能够比较位置与内容特征在塑造病毒式传播中的相对影响。虽然大量广告宣传,或者在这种情况下显著展示,应该很可能增加内容进入最多电子邮件列表的机会,但我们考察内容特征(例如,一篇文章是积极的还是令人敬畏的)是否具有类似的重要性。
数据
我们收集了 2008 年 8 月 30 日至 11 月 30 日期间出现在《纽约时报》主页(www. nytimes.com )上的所有文章的信息(共 6956 篇文章)。我们使用一个网络爬虫在上述时间段内每 15 分钟访问一次《纽约时报》主页来捕获数据。它记录了主页上每篇文章以及“最多邮件转发”列表中每篇文章的信息(每 15 分钟更新一次)。我们捕获了每篇文章的标题、全文、作者(们)、主题领域(例如,观点、体育)以及《纽约时报》创建的两句摘要。我们还捕获了每篇文章在印刷报纸上的版块、页码和出版日期,以及它在《纽约时报》主页上所有出现的日期、时间、位置和持续时间。在我们数据集中的文章中,
20
%
20
%
20% 20 \% 获得了“最多邮件转发”列表中的一个位置。
文章编码
我们对文章进行了多维度编码。首先,我们使用自动情感分析来量化每篇文章的积极性(即效价)和情绪性(即情感负载)。这些方法已经非常成熟(Pang and Lee 2008),并且提高了编码的简便性和客观性。自动评分与手动编码员对部分文章评分的子集也显著正相关。一个计算机程序(LIWC)使用由人类读者分类的 7630 个积极或消极词汇列表,计算每篇文章中积极和消极词汇的数量(Pennebaker, Booth, and Francis 2007)。我们将积极性量化为文章中积极词汇和消极词汇百分比的差值。我们将情绪性量化为被分类为积极或消极的词汇的百分比。
其次,我们依靠人工编码员来分类内容在多大程度上表现出其他更具体的特征(例如,引发愤怒),因为自动编码系统对这些变量不可用。除了编码文章是否包含实用信息或引发兴趣或惊讶(控制变量)外,编码员还量化了每篇文章在多大程度上引发焦虑、愤怒、敬畏或悲伤。
3
3
^(3) { }^{3} 编码员对我们的假设不知情。他们收到了每篇文章的标题和摘要、文章全文的网页链接以及详细的编码说明(见 www.marketingpower.com/jmr_ webappendix 中的网络附录)。鉴于我们数据集中的文章数量庞大,我们选择了一个随机子样本进行编码。
(
n
=
2566
n
=
2566
n=2566 \mathrm{n}=2566 )。对于每个维度(敬畏、愤怒、焦虑、悲伤、惊讶、实用性和兴趣),一个由三名独立评分员组成的独立小组根据文章在五点李克特量表上的表现程度进行评分,以判断其是否具有所讨论的结构特征(
1
=
1
=
1= 1= “一点也不”,
5
=
5
=
5= 5= “非常”)。我们向评分员提供了测试文章集的编码反馈,直到明确他们理解了相关结构。所有维度上的评分者间信度都很高(所有
α
α
alpha \alpha 的
>
.70
>
.70
> .70 >.70 ),这表明内容倾向于在人们中引发相似的情绪。我们计算了评分员之间的平均分数并进行标准化(对于在不同维度上得分较高的样本文章,见表 1;对于汇总统计,见表 2;对于变量之间的相关性,见附录)。我们将所有未编码文章在每个维度上的得分标准化为零(即,我们将未编码文章的得分设定为平均值),并在回归分析中包含一个虚拟变量以控制未编码故事(关于这种标准插补方法论的讨论,见 Cohen 和 Cohen 1983)。 这使我们能够使用收集到的全部文章来分析其他内容特征(不需要手动编码)与病毒式传播之间的关系。仅使用编码后的文章子集可以得到类似的结果。
表1
在不同维度上得分较高的文章
主要预测因素
情感 -"重新定义抑郁症为单纯的悲伤" "当所有方法都失败时,责怪患者往往是下一步"
Emotionality
-"Redefining Depression as Mere Sadness"
"When All Else Fails, Blaming the Patient Often Comes Next" | Emotionality |
| :--- |
| -"Redefining Depression as Mere Sadness" |
| "When All Else Fails, Blaming the Patient Often Comes Next" |
积极性 -"充满好奇的新来者爱上这座城市" -"托尼奖颁发给慈善家" (低分) -"网络谣言与韩国女演员自杀有关" -"德国:小北极熊的饲养员去世"
Positivity
-"Wide-Eyed New Arrivals Falling in Love with the City"
-"Tony Award for Philanthropy"
(Low Scoring)
-"Web Rumors Tied to Korean Actress's Suicide"
-"Germany: Baby Polar Bear's Feeder Dies" | Positivity |
| :--- |
| -"Wide-Eyed New Arrivals Falling in Love with the City" |
| -"Tony Award for Philanthropy" |
| (Low Scoring) |
| -"Web Rumors Tied to Korean Actress's Suicide" |
| -"Germany: Baby Polar Bear's Feeder Dies" |
敬畏 -"罕见疗法据报道治愈了艾滋病患者" ""RNA 的承诺与力量"
Awe
-"Rare Treatment Is Reported to Cure AIDS Patient"
""The Promise and Power of RNA" | Awe |
| :--- |
| -"Rare Treatment Is Reported to Cure AIDS Patient" |
| ""The Promise and Power of RNA" |
愤怒 -"什么赤字?华尔街支付巨额奖金" -"贷款巨头向麦凯恩顾问支付了近200万美元"
Anger
-"What Red Ink? Wall Street Paid Hefty Bonuses"
-"Loan Titans Paid McCain Adviser Nearly $2 Million" | Anger |
| :--- |
| -"What Red Ink? Wall Street Paid Hefty Bonuses" |
| -"Loan Titans Paid McCain Adviser Nearly $2 Million" |
焦虑 -“股市二十年来最严重单日跌幅” -“房价似乎远未见底”
Anxiety
-"For Stocks, Worst Single-Day Drop in Two Decades"
-"Home Prices Seem Far from Bottom" | Anxiety |
| :--- |
| -"For Stocks, Worst Single-Day Drop in Two Decades" |
| -"Home Prices Seem Far from Bottom" |
悲伤 -“9/11受重伤,努力重拾完整人生” -“奥巴马在其祖母去世后向她致敬”
Sadness
-"Maimed on 9/11, Trying to Be Whole Again"
-"Obama Pays Tribute to His Grandmother After She Dies" | Sadness |
| :--- |
| -"Maimed on 9/11, Trying to Be Whole Again" |
| -"Obama Pays Tribute to His Grandmother After She Dies" |
控制变量
实用性 -“选民资源” -“它有米色或黑色,但你可以让它变绿”(一个关于环保处理旧电脑的故事)
Practical Utility
-"Voter Resources"
-"It Comes in Beige or Black, but You Make It Green" (a story about being environmentally friendly when disposing of old computers) | Practical Utility |
| :--- |
| -"Voter Resources" |
| -"It Comes in Beige or Black, but You Make It Green" (a story about being environmentally friendly when disposing of old computers) |
兴趣 -“爱情、性与不忠行为的变迁” -“各队为追求勒布朗·詹姆斯做准备”
Interest
-"Love, Sex and the Changing Landscape of Infidelity"
-"Teams Prepare for the Courtship of LeBron James" | Interest |
| :--- |
| -"Love, Sex and the Changing Landscape of Infidelity" |
| -"Teams Prepare for the Courtship of LeBron James" |
惊喜 -“对食物的热爱调整为适应对跑步的热爱”(一个关于马拉松跑者餐厅老板的故事) -“东哈莱姆街头的啄食,但无秩序”(一个关于哈莱姆鸡的故事)
Surprise
-"Passion for Food Adjusts to Fit Passion for Running" (a story about a restaurateur who runs marathons)
-"Pecking, but No Order, on Streets of East Harlem" (a story about chickens in Harlem) | Surprise |
| :--- |
| -"Passion for Food Adjusts to Fit Passion for Running" (a story about a restaurateur who runs marathons) |
| -"Pecking, but No Order, on Streets of East Harlem" (a story about chickens in Harlem) |
Primary Predictors
"Emotionality
-"Redefining Depression as Mere Sadness"
"When All Else Fails, Blaming the Patient Often Comes Next""
"Positivity
-"Wide-Eyed New Arrivals Falling in Love with the City"
-"Tony Award for Philanthropy"
(Low Scoring)
-"Web Rumors Tied to Korean Actress's Suicide"
-"Germany: Baby Polar Bear's Feeder Dies""
"Awe
-"Rare Treatment Is Reported to Cure AIDS Patient"
""The Promise and Power of RNA""
"Anger
-"What Red Ink? Wall Street Paid Hefty Bonuses"
-"Loan Titans Paid McCain Adviser Nearly $2 Million""
"Anxiety
-"For Stocks, Worst Single-Day Drop in Two Decades"
-"Home Prices Seem Far from Bottom""
"Sadness
-"Maimed on 9/11, Trying to Be Whole Again"
-"Obama Pays Tribute to His Grandmother After She Dies""
Control Variables
"Practical Utility
-"Voter Resources"
-"It Comes in Beige or Black, but You Make It Green" (a story about being environmentally friendly when disposing of old computers)"
"Interest
-"Love, Sex and the Changing Landscape of Infidelity"
-"Teams Prepare for the Courtship of LeBron James""
"Surprise
-"Passion for Food Adjusts to Fit Passion for Running" (a story about a restaurateur who runs marathons)
-"Pecking, but No Order, on Streets of East Harlem" (a story about chickens in Harlem)" | Primary Predictors |
| :---: |
| Emotionality <br> -"Redefining Depression as Mere Sadness" <br> "When All Else Fails, Blaming the Patient Often Comes Next" |
| Positivity <br> -"Wide-Eyed New Arrivals Falling in Love with the City" <br> -"Tony Award for Philanthropy" <br> (Low Scoring) <br> -"Web Rumors Tied to Korean Actress's Suicide" <br> -"Germany: Baby Polar Bear's Feeder Dies" |
| Awe <br> -"Rare Treatment Is Reported to Cure AIDS Patient" <br> ""The Promise and Power of RNA" |
| Anger <br> -"What Red Ink? Wall Street Paid Hefty Bonuses" <br> -"Loan Titans Paid McCain Adviser Nearly $2 Million" |
| Anxiety <br> -"For Stocks, Worst Single-Day Drop in Two Decades" <br> -"Home Prices Seem Far from Bottom" |
| Sadness <br> -"Maimed on 9/11, Trying to Be Whole Again" <br> -"Obama Pays Tribute to His Grandmother After She Dies" |
| Control Variables |
| Practical Utility <br> -"Voter Resources" <br> -"It Comes in Beige or Black, but You Make It Green" (a story about being environmentally friendly when disposing of old computers) |
| Interest <br> -"Love, Sex and the Changing Landscape of Infidelity" <br> -"Teams Prepare for the Courtship of LeBron James" |
| Surprise <br> -"Passion for Food Adjusts to Fit Passion for Running" (a story about a restaurateur who runs marathons) <br> -"Pecking, but No Order, on Streets of East Harlem" (a story about chickens in Harlem) |
附加控制
如我们之前所讨论的,外部因素(与内容特征分开)可能会通过类似广告的方式影响文章的病毒式传播。因此,我们在分析中严格控制这些因素(有关所有独立变量包括控制的列表,请见表3)。
在实体报纸中的出现。为了描述文章在实体报纸中的位置,我们创建了虚拟变量来控制文章的版块(例如,A 版)。我们还创建了指示变量来量化文章在给定版块中的页码(例如,A1),以控制出现在某些版块的前面与出现在其他版块的前面可能具有不同影响的可能性。
出现在首页上。为了描述文章在首页显眼位置停留的时间,我们创建了变量来指示每篇文章在《纽约时报》首页上的位置、时间和持续时间。在数据收集期间,首页布局保持不变。文章可以在首页的几十个位置出现,因此我们将这些位置汇总为七个一般区域,基于可能获得相似关注度的位置(见图 1)。我们包括了指示文章在每个区域停留时间的变量,作为在极端异常值(
1
%
1
%
1% 1 \% )的温莎化处理后的控制变量(以防止极端异常值对我们的结果产生不当影响;有关汇总统计,请参见网络附录中的表 WA1 和 WA2,网址为 www.marketingpower.com/ jmr_webappendix)。
发布时间和作者知名度。为了控制不同时间段发布的文章可能受到不同关注度的可能性,我们创建了控制变量,以文章首次在线出现的时间(上午 6 点至下午 6 点或下午 6 点至次日上午 6 点,东部标准时间)为准。我们控制作者知名度,以确保我们的结果不是由特别受欢迎的作家的口味所驱动,这些作家的故事可能更容易被分享。为了量化作者知名度,我们捕捉了截至 2009 年 2 月 15 日,对每位第一作者全名进行 Google 搜索返回的命中次数。
表2 预测变量摘要统计
M
S
D
S
D
SD S D
主要预测变量
情感
a
a
^("a ") { }^{\text {a }}
7.43%
1.92%
积极性 a
.98%
1.84%
敬畏
a
a
^("a ") { }^{\text {a }}
1.81
. 71
愤怒
a
a
^("a ") { }^{\text {a }}
1.47
. 51
焦虑
a
a
^("a ") { }^{\text {a }}
1.55
. 64
悲伤
a
a
^("a ") { }^{\text {a }}
1.31
. 41
其他控制变量
实用性
a
a
^("a ") { }^{\text {a }}
1.66
1.01
兴趣
a
a
^("a ") { }^{\text {a }}
2.71
. 85
惊讶
a
a
^("a ") { }^{\text {a }}
2.25
. 87
字数
1021.35
668.94
复杂度
a
a
^("a ") { }^{\text {a }}
11.08
1.54
作者知名度
9.13
2.54
女性作者
. 29
. 45
男性作者
. 66
. 48
M SD
Primary Predictor Variables
Emotionality ^("a ") 7.43% 1.92%
Positivitya .98% 1.84%
Awe ^("a ") 1.81 . 71
Anger ^("a ") 1.47 . 51
Anxiety ^("a ") 1.55 . 64
Sadness ^("a ") 1.31 . 41
Other Control Variables
Practical utility ^("a ") 1.66 1.01
Interest ^("a ") 2.71 . 85
Surprise ^("a ") 2.25 . 87
Word count 1021.35 668.94
Complexity ^("a ") 11.08 1.54
Author fame 9.13 2.54
Author female . 29 . 45
Author male . 66 . 48 | | M | $S D$ |
| :---: | :---: | :---: |
| Primary Predictor Variables | | |
| Emotionality ${ }^{\text {a }}$ | 7.43% | 1.92% |
| Positivitya | .98% | 1.84% |
| Awe ${ }^{\text {a }}$ | 1.81 | . 71 |
| Anger ${ }^{\text {a }}$ | 1.47 | . 51 |
| Anxiety ${ }^{\text {a }}$ | 1.55 | . 64 |
| Sadness ${ }^{\text {a }}$ | 1.31 | . 41 |
| Other Control Variables | | |
| Practical utility ${ }^{\text {a }}$ | 1.66 | 1.01 |
| Interest ${ }^{\text {a }}$ | 2.71 | . 85 |
| Surprise ${ }^{\text {a }}$ | 2.25 | . 87 |
| Word count | 1021.35 | 668.94 |
| Complexity ${ }^{\text {a }}$ | 11.08 | 1.54 |
| Author fame | 9.13 | 2.54 |
| Author female | . 29 | . 45 |
| Author male | . 66 | . 48 |
表格3 预测变量
变量
来源
主要自变量
情感性
通过文本分析编码(LIWC)
积极性
通过文本分析编码(LIWC)
惊奇
手动编码
愤怒
手动编码
焦虑
手动编码
悲伤
手动编码
内容控件
实用工具
手工编码
兴趣
手动编码
惊喜
手动编码
其他控制变量
字数
通过文本分析编码(LIWC)
作者知名度
作者姓名谷歌搜索返回结果数量的对数
写作复杂性
SMOG 复杂性指数(McLaughlin 1969)
作者性别
列表映射名称到性别(Morton 等人 2003)
作者署名缺失
由网络爬虫捕获
文章部分
由网络爬虫捕获
首页不同位置花费的时间
由网络爬虫捕获
实体报纸的版面(例如,A 版)
由网络爬虫捕获
物理纸张中的章节页码(例如,A1)
由网络爬虫捕获
文章出现的时段
由网络爬虫捕获
文章出现的日期
由网络爬虫捕获
文章类别(例如,体育)
由网络爬虫捕获
Variable Where It Came from
Main Independent Variables
Emotionality Coded through textual analysis (LIWC)
Positivity Coded through textual analysis (LIWC)
Awe Manually coded
Anger Manually coded
Anxiety Manually coded
Sadness Manually coded
Content Controls
Practical utility Manually coded
Interest Manually coded
Surprise Manually coded
Other Control Variables
Word count Coded through textual analysis (LIWC)
Author fame Log of number of hits returned by Google search of author's name
Writing complexity SMOG Complexity Index (McLaughlin 1969)
Author gender List mapping names to genders (Morton et al. 2003)
Author byline missing Captured by web crawler
Article section Captured by web crawler
Hours spent in different places on the home page Captured by web crawler
Section of the physical paper (e.g., A) Captured by web crawler
Page in section in the physical paper (e.g., A1) Captured by web crawler
Time of day the article appeared Captured by web crawler
Day the article appeared Captured by web crawler
Category of the article (e.g., sports) Captured by web crawler | Variable | Where It Came from |
| :---: | :---: |
| Main Independent Variables | |
| Emotionality | Coded through textual analysis (LIWC) |
| Positivity | Coded through textual analysis (LIWC) |
| Awe | Manually coded |
| Anger | Manually coded |
| Anxiety | Manually coded |
| Sadness | Manually coded |
| Content Controls | |
| Practical utility | Manually coded |
| Interest | Manually coded |
| Surprise | Manually coded |
| Other Control Variables | |
| Word count | Coded through textual analysis (LIWC) |
| Author fame | Log of number of hits returned by Google search of author's name |
| Writing complexity | SMOG Complexity Index (McLaughlin 1969) |
| Author gender | List mapping names to genders (Morton et al. 2003) |
| Author byline missing | Captured by web crawler |
| Article section | Captured by web crawler |
| Hours spent in different places on the home page | Captured by web crawler |
| Section of the physical paper (e.g., A) | Captured by web crawler |
| Page in section in the physical paper (e.g., A1) | Captured by web crawler |
| Time of day the article appeared | Captured by web crawler |
| Day the article appeared | Captured by web crawler |
| Category of the article (e.g., sports) | Captured by web crawler |
由于其偏斜性,我们在分析中使用该变量的对数作为控制变量。我们还控制了可能同时影响传播和文章具有某些特征(例如,引发愤怒)的可能性变量。
写作复杂性。我们使用 SMOG 复杂性指数(McLaughlin 1969)来控制一篇文章的阅读难度。这个广泛使用的指数变量本质上衡量的是写作的年级水平适宜性。其他复杂性测量方法也得出相似结果。
作者性别。由于男性和女性作者有不同的写作风格(Koppel, Argamon, and Shimoni 2002; Milkman, Carmona, and Gleason 2007),我们控制了文章第一作者的性别(男性、女性或因缺少署名而未知)。我们使用先前研究中的名字映射列表(Morton, Zettelmeyer, and Silva-Risso 2003)来分类性别。对于被归类为中性或未出现在此列表中的名字,研究助理通过在线查找作者来确定其性别。
文章长度和日期虚拟变量。我们还控制了文章的长度(以单词为单位)。较长的文章可能更有可能深入到足以激发敬畏或引发愤怒的细节,但也可能仅仅因为包含更多信息而更具传播性。 最后,我们使用日期虚拟变量来控制文章之间为进入最多电子邮件列表的竞争(即同一天发布的其他内容),以及任何其他时间特定效应(例如,可能影响文章特征和读者兴趣的世界事件)。
分析策略
几乎所有进入最多电子邮件列表的文章都只进入一次(即它们不会离开列表后再次出现),因此我们将列表制作视为单一事件(进一步讨论请参见网络附录:www.marketingpower.com/ jmr_webappendix)。我们依赖于以下逻辑回归规格: 其中
a
t
a
t
_(at) { }_{a t} 是一个变量,当某篇文章在
t
t
t t 天在线发布并登上最常被电子邮件转发列表时,其值为 1,否则为 0,
α
t
α
t
alpha_(t) \alpha_{t} 是一个未观察到的日特定效应。我们的主要预测变量量化了在
t
t
t t 天发布的文章 a 被编码为积极、情感、令人敬畏、引发愤怒、引发焦虑或引发悲伤的程度。
X
a
t
X
a
t
X_(at) X_{a t} 是之前描述的其他控制变量向量(见表 3)。我们使用文章发布日的固定效应来估计方程,并按发布日聚类标准误差。(如果不包括固定效应,结果相似。)
结果
正面内容还是负面内容更具传播性?首先,我们考察内容的效价。结果表明,内容越正面,越有可能成为病毒式传播(表4,模型1)。模型2显示,无论效价如何,情感负载更多的内容更有可能进入最多邮件列表,但即使在更广泛地控制情感因素的情况下,增加正面性的回报仍然存在。从另一个角度来看,当我们将文章中正面和负面词汇的百分比分别作为独立预测因子(而不是情感和效价)时,两者都与进入最多邮件列表呈正相关。然而,正面词汇的系数明显大于负面词汇的系数。这表明,虽然比不引发情感的内容更具传播性,但正面内容比负面内容更具传播性。
我们数据集的性质在这里特别有用,因为它使我们能够区分优先传播与单纯的基准率(参见 Godes 等人 2005 年)。例如,如果观察到总体上正面口碑多于负面口碑,那么这种结果是由(1)人们遇到的情况(例如,人们可能遇到更多正面事件而非负面事件)还是(2)人们倾向于传播的内容(即正面或负面内容)驱动的就不清楚。因此,在不了解人们本可以分享什么的情况下,很难推断他们倾向于分享什么。访问完整的相关-
图1 首页位置分类
注:标有“X”的部分总是包含美联社和路透社的新闻故事、视频、博客或广告,而不是《纽约时报》记者的文章。 分析期间《纽约时报》发表的文章脓液以及所有进入最多电子邮件列表的内容,使我们能够区分这些可能性。考虑到所有发表的文章,我们的结果显示,文章越积极,就越有可能进入最多电子邮件列表。
特定情绪如何影响传播力?特定情绪与传播力之间的关系表明,情绪在传播中的作用比单纯的效价更为复杂(见表4,模型3)。虽然更具敬畏感(一种积极情绪)的内容更具传播力,而引发悲伤(一种消极情绪)的内容传播力较低,但某些消极情绪与传播力呈正相关。引发更多焦虑和愤怒的故事更有可能进入最多电子邮件列表。这表明,传播不仅仅是分享积极事物和避免分享消极事物。与我们的理论一致,引发高唤醒情绪(即敬畏、愤怒和焦虑)的内容,无论其效价如何,都更具传播力。
其他因素。当我们控制了一系列其他因素时(表4,模型4),这些结果仍然存在。更值得注意的是,具有信息量(实际有用)、有趣和令人惊讶的文章更有可能登上《纽约时报》的最常被电子邮件转发列表,但即使在我们控制了这些内容特征后,我们的主要结果仍然显著。同样, 在《纽约时报》首页更突出位置(例如,头条新闻与页面底部)展示时间更长的文章与进入“最多电子邮件转发”列表呈正相关,但即使在控制了这种“广告”类型之后,内容情感特征与病毒式传播之间的关系仍然存在。这表明,引发特定情感的故事之所以具有更高的病毒式传播性,并不仅仅是因为编辑们突出展示这类故事,从而机械地增加其传播性。
4
4
^(4) { }^{4} 较长的文章、由更著名作者撰写的文章以及由女性撰写的文章也更可能进入最多电子邮件转发列表,但我们的结果在包含这些因素时仍然稳健。
鲁棒性检验。结果在控制文章的总体主题(由《纽约时报》分类的20个领域,如科学和健康;表4,模型5)时也具有鲁棒性。这表明我们的发现并不仅仅是由某些领域倾向于引发特定情绪并且特别有可能进入最多电子邮件列表所驱动的。相反,
表4 文章内容对其进入《纽约时报》最多电子邮件列表可能性的影响 特征
积极性 (1)
Positivity
(1) | Positivity |
| :--- |
| (1) |
情感性 (2)
Emotionality
(2) | Emotionality |
| :--- |
| (2) |
特定情绪 (3)
包括控制变量 (4)
包括章节虚拟变量(5)
仅编码文章(6)
情感预测因子
积极性
.13
∗
∗
∗
(
.03
)
.13
∗
∗
∗
(
.03
)
{:[.13******],[(.03)]:} \begin{aligned} & .13 * * * \\ & (.03) \end{aligned}
.
(
.03
)
.
(
.03
)
._((.03)) ._{(.03)}
.17
∗
∗
∗
(
.03
)
.17
∗
∗
∗
(
.03
)
{:[.17******],[(.03)]:} \begin{aligned} & .17 * * * \\ & (.03) \end{aligned}
.16
∗
∗
∗
(
.04
)
.16
∗
∗
∗
(
.04
)
{:[.16^(******)],[(.04)]:} \begin{aligned} & .16^{* * *} \\ & (.04) \end{aligned}
.14
∗
∗
∗
∗
(
.04
)
.14
∗
∗
∗
∗
(
.04
)
{:[.14^(********)],[(.04)]:} \begin{aligned} & .14^{* * * *} \\ & (.04) \end{aligned}
.23
∗
∗
∗
(
.05
)
.23
∗
∗
∗
(
.05
)
{:[.23^(******)],[(.05)]:} \begin{aligned} & .23^{* * *} \\ & (.05) \end{aligned}
情感
-
.27
∗
∗
∗
(
.03
)
.27
∗
∗
∗
(
.03
)
{:[.27******],[(.03)]:} \begin{aligned} & .27 * * * \\ & (.03) \end{aligned}
.26
∗
∗
∗
(
.03
)
.26
∗
∗
∗
(
.03
)
{:[.26^(******)],[(.03)]:} \begin{aligned} & .26^{* * *} \\ & (.03) \end{aligned}
.22
∗
∗
∗
(
.04
)
.22
∗
∗
∗
(
.04
)
{:[.22^(******)],[(.04)]:} \begin{aligned} & .22^{* * *} \\ & (.04) \end{aligned}
.09
∗
(
.04
)
.09
∗
(
.04
)
{:[.09**],[(.04)]:} \begin{gathered} .09 * \\ (.04) \end{gathered}
.29
∗
∗
∗
(
.06
)
.29
∗
∗
∗
(
.06
)
{:[.29******],[(.06)]:} \begin{aligned} & .29 * * * \\ & (.06) \end{aligned}
特定情绪
敬畏
-
-
.46
∗
∗
∗
(
.05
)
.46
∗
∗
∗
(
.05
)
{:[.46^(******)],[(.05)]:} \begin{aligned} & .46^{* * *} \\ & (.05) \end{aligned}
.34
∗
∗
∗
(
.05
)
.34
∗
∗
∗
(
.05
)
{:[.34^(******)],[(.05)]:} \begin{aligned} & .34^{* * *} \\ & (.05) \end{aligned}
.30
∗
∗
∗
(
.06
)
.30
∗
∗
∗
(
.06
)
{:[.30******],[(.06)]:} \begin{aligned} & .30 * * * \\ & (.06) \end{aligned}
.36
∗
∗
∗
(
.06
)
.36
∗
∗
∗
(
.06
)
{:[.36^(******)],[(.06)]:} \begin{aligned} & .36^{* * *} \\ & (.06) \end{aligned}
愤怒
-
-
.44
∗
∗
∗
(
.06
)
.44
∗
∗
∗
(
.06
)
{:[.44^(******)],[(.06)]:} \begin{aligned} & .44^{* * *} \\ & (.06) \end{aligned}
.38
∗
∗
∗
(
.09
)
.38
∗
∗
∗
(
.09
)
{:[.38^(******)],[(.09)]:} \begin{aligned} & .38^{* * *} \\ & (.09) \end{aligned}
.29
∗
∗
(
.10
)
.29
∗
∗
(
.10
)
{:[.29****],[(.10)]:} \begin{aligned} & .29 * * \\ & (.10) \end{aligned}
.37
∗
∗
∗
(
.10
)
.37
∗
∗
∗
(
.10
)
{:[.37******],[(.10)]:} \begin{aligned} & .37 * * * \\ & (.10) \end{aligned}
焦虑
-
-
.20
∗
∗
∗
(
.05
)
.20
∗
∗
∗
(
.05
)
{:[.20^(******)],[(.05)]:} \begin{aligned} & .20^{* * *} \\ & (.05) \end{aligned}
.24
∗
∗
∗
(
.07
)
.24
∗
∗
∗
(
.07
)
{:[.24^(******)],[(.07)]:} \begin{aligned} & .24^{* * *} \\ & (.07) \end{aligned}
.21
∗
∗
∗
(
.07
)
.21
∗
∗
∗
(
.07
)
{:[.21^(******)],[(.07)]:} \begin{aligned} & .21^{* * *} \\ & (.07) \end{aligned}
.27
∗
∗
∗
(
.07
)
.27
∗
∗
∗
(
.07
)
{:[.27******],[(.07)]:} \begin{aligned} & .27 * * * \\ & (.07) \end{aligned}
悲伤
-
-
−
.19
∗
∗
∗
(
.05
)
−
.19
∗
∗
∗
(
.05
)
{:[-.19******],[(.05)]:} \begin{aligned} & -.19 * * * \\ & (.05) \end{aligned}
−
.17
∗
(
.07
)
−
.17
∗
(
.07
)
{:[-.17^(**)],[(.07)]:} \begin{gathered} -.17^{*} \\ (.07) \end{gathered}
−
.12
†
(
.07
)
−
.12
†
(
.07
)
{:[-.12^(†)],[(.07)]:} \begin{gathered} -.12^{\dagger} \\ (.07) \end{gathered}
−
.16
∗
(
.07
)
−
.16
∗
(
.07
)
{:[-.16^(**)],[(.07)]:} \begin{gathered} -.16^{*} \\ (.07) \end{gathered}
内容控件
实用性
-
-
-
.34
∗
∗
∗
(
.06
)
.34
∗
∗
∗
(
.06
)
{:[.34******],[(.06)]:} \begin{aligned} & .34 * * * \\ & (.06) \end{aligned}
.18
∗
∗
(
.07
)
.18
∗
∗
(
.07
)
{:[.18^(****)],[(.07)]:} \begin{aligned} & .18^{* *} \\ & (.07) \end{aligned}
.27
∗
∗
∗
(
.06
)
.27
∗
∗
∗
(
.06
)
{:[.27******],[(.06)]:} \begin{aligned} & .27 * * * \\ & (.06) \end{aligned}
兴趣
-
-
-
.29
∗
∗
∗
(
.06
)
.29
∗
∗
∗
(
.06
)
{:[.29^(******)],[(.06)]:} \begin{aligned} & .29^{* * *} \\ & (.06) \end{aligned}
.31
∗
∗
∗
(
.07
)
.31
∗
∗
∗
(
.07
)
{:[.31^(******)],[(.07)]:} \begin{aligned} & .31^{* * *} \\ & (.07) \end{aligned}
.27
∗
∗
∗
(
.07
)
.27
∗
∗
∗
(
.07
)
{:[.27******],[(.07)]:} \begin{aligned} & .27 * * * \\ & (.07) \end{aligned}
惊讶
-
-
-
.16
∗
∗
(
.06
)
.16
∗
∗
(
.06
)
{:[.16^(****)],[(.06)]:} \begin{aligned} & .16^{* *} \\ & (.06) \end{aligned}
.24
∗
∗
∗
(
.06
)
.24
∗
∗
∗
(
.06
)
{:[.24^(******)],[(.06)]:} \begin{aligned} & .24^{* * *} \\ & (.06) \end{aligned}
.18
∗
∗
(
.06
)
.18
∗
∗
(
.06
)
{:[.18****],[(.06)]:} \begin{aligned} & .18 * * \\ & (.06) \end{aligned}
主页位置控制变量
顶级功能
-
-
-
.13
∗
∗
∗
(
.02
)
.13
∗
∗
∗
(
.02
)
{:[.13^(******)],[(.02)]:} \begin{aligned} & .13^{* * *} \\ & (.02) \end{aligned}
.11
∗
∗
∗
(
.02
)
.11
∗
∗
∗
(
.02
)
{:[.11^(******)],[(.02)]:} \begin{aligned} & .11^{* * *} \\ & (.02) \end{aligned}
.11
∗
∗
∗
(
.03
)
.11
∗
∗
∗
(
.03
)
{:[.11******],[(.03)]:} \begin{aligned} & .11 * * * \\ & (.03) \end{aligned}
靠近顶部功能
-
-
-
.11
∗
∗
∗
(
.01
)
.11
∗
∗
∗
(
.01
)
{:[.11^(******)],[(.01)]:} \begin{aligned} & .11^{* * *} \\ & (.01) \end{aligned}
.10
∗
∗
∗
(
.01
)
.10
∗
∗
∗
(
.01
)
{:[.10^(******)],[(.01)]:} \begin{aligned} & .10^{* * *} \\ & (.01) \end{aligned}
.12
∗
∗
∗
(
.01
)
.12
∗
∗
∗
(
.01
)
{:[.12^(******)],[(.01)]:} \begin{aligned} & .12^{* * *} \\ & (.01) \end{aligned}
右侧栏
-
-
-
.14
∗
∗
∗
(
.01
)
.14
∗
∗
∗
(
.01
)
{:[.14^(******)],[(.01)]:} \begin{aligned} & .14^{* * *} \\ & (.01) \end{aligned}
.10
∗
∗
∗
(
.02
)
.10
∗
∗
∗
(
.02
)
{:[.10^(******)],[(.02)]:} \begin{aligned} & .10^{* * *} \\ & (.02) \end{aligned}
.15
∗
∗
∗
(
.02
)
.15
∗
∗
∗
(
.02
)
{:[.15^(******)],[(.02)]:} \begin{aligned} & .15^{* * *} \\ & (.02) \end{aligned}
中间功能栏
-
-
-
.06
∗
∗
∗
(
.00
)
.06
∗
∗
∗
(
.00
)
{:[.06^(******)],[(.00)]:} \begin{aligned} & .06^{* * *} \\ & (.00) \end{aligned}
.05
∗
∗
∗
(
.01
)
.05
∗
∗
∗
(
.01
)
{:[.05^(******)],[(.01)]:} \begin{aligned} & .05^{* * *} \\ & (.01) \end{aligned}
.06
∗
∗
∗
(
.01
)
.06
∗
∗
∗
(
.01
)
(.06******)/((.01)) \frac{.06 * * *}{(.01)}
项目符号子功能
-
-
-
.04
∗
∗
(
.01
)
.04
∗
∗
(
.01
)
{:[.04****],[(.01)]:} \begin{gathered} .04 * * \\ (.01) \end{gathered}
.04
∗
∗
(
.01
)
.04
∗
∗
(
.01
)
{:[.04****],[(.01)]:} \begin{gathered} .04 * * \\ (.01) \end{gathered}
.05
∗
(
.02
)
.05
∗
(
.02
)
{:[.05^(**)],[(.02)]:} \begin{aligned} & .05^{*} \\ & (.02) \end{aligned}
更多新闻
-
-
-
.01
(
.01
)
.01
(
.01
)
{:[.01],[(.01)]:} \begin{gathered} .01 \\ (.01) \end{gathered}
.06
∗
∗
∗
(
.01
)
.06
∗
∗
∗
(
.01
)
{:[.06^(******)],[(.01)]:} \begin{aligned} & .06^{* * *} \\ & (.01) \end{aligned}
−
.01
(
.02
)
−
.01
(
.02
)
{:[-.01],[(.02)]:} \begin{gathered} -.01 \\ (.02) \end{gathered}
底部列表
×
10
×
10
xx10 \times 10
-
-
-
.06
∗
∗
(
.02
)
.06
∗
∗
(
.02
)
{:[.06^(****)],[(.02)]:} \begin{aligned} & .06^{* *} \\ & (.02) \end{aligned}
.11
∗
∗
∗
(
.03
)
.11
∗
∗
∗
(
.03
)
{:[.11^(******)],[(.03)]:} \begin{aligned} & .11^{* * *} \\ & (.03) \end{aligned}
.08
∗
∗
(
.03
)
.08
∗
∗
(
.03
)
{:[.08****],[(.03)]:} \begin{aligned} & .08 * * \\ & (.03) \end{aligned}
其他控制变量
字数统计
×
10
−
3
×
10
−
3
xx10^(-3) \times 10^{-3}
-
-
-
.
52
∗
∗
∗
52
∗
∗
∗
52****** 52 * * *
.71***
.
57
∗
∗
∗
57
∗
∗
∗
57****** 57 * * *
-
-
-
(.11)
(.12)
(.18)
复杂性
-
-
-
.05
(
.04
)
.05
(
.04
)
{:[.05],[(.04)]:} \begin{aligned} & .05 \\ & (.04) \end{aligned}
.05
(
.04
)
.05
(
.04
)
{:[.05],[(.04)]:} \begin{aligned} & .05 \\ & (.04) \end{aligned}
.06
(
.07
)
.06
(
.07
)
{:[.06],[(.07)]:} \begin{gathered} .06 \\ (.07) \end{gathered}
第一作者知名度
-
-
-
.17
∗
∗
∗
(
.02
)
.17
∗
∗
∗
(
.02
)
{:[.17******],[(.02)]:} \begin{aligned} & .17 * * * \\ & (.02) \end{aligned}
.15
∗
∗
∗
(
.02
)
.15
∗
∗
∗
(
.02
)
{:[.15^(******)],[(.02)]:} \begin{aligned} & .15^{* * *} \\ & (.02) \end{aligned}
.15
∗
∗
∗
(
.03
)
.15
∗
∗
∗
(
.03
)
{:[.15******],[(.03)]:} \begin{aligned} & .15 * * * \\ & (.03) \end{aligned}
女性第一作者
-
-
-
.36
∗
∗
∗
(
.08
)
.36
∗
∗
∗
(
.08
)
{:[.36^(******)],[(.08)]:} \begin{aligned} & .36^{* * *} \\ & (.08) \end{aligned}
.33
∗
∗
∗
(
.09
)
.33
∗
∗
∗
(
.09
)
{:[.33^(******)],[(.09)]:} \begin{aligned} & .33^{* * *} \\ & (.09) \end{aligned}
.27
∗
(
.13
)
.27
∗
(
.13
)
{:[.27**],[(.13)]:} \begin{aligned} & .27 * \\ & (.13) \end{aligned}
未署名
-
-
-
.39
(
.26
)
.39
(
.26
)
{:[.39],[(.26)]:} \begin{gathered} .39 \\ (.26) \end{gathered}
−
.56
∗
(
.27
)
−
.56
∗
(
.27
)
{:[-.56^(**)],[(.27)]:} \begin{aligned} & -.56^{*} \\ & (.27) \end{aligned}
.50
(
.37
)
.50
(
.37
)
{:[.50],[(.37)]:} \begin{gathered} .50 \\ (.37) \end{gathered}
报纸位置和网页时间控制
否
否
否
是
是
是
文章部分占位符(例如,艺术、书籍)
不
不
不
不
是
否
观察
6956
6956
6956
6956
6956
2566
麦克法登的
R
2
R
2
R^(2) \mathrm{R}^{2}
. 00
. 04
. 07
. 28
. 36
. 32
对数伪似然
-3245.85
-3118.45
-3034.17
-2331.37
-2084.85
-904.76
"Positivity
(1)" "Emotionality
(2)" Specific Emotions (3) Including Controls (4) Including Section Dummies (5) Only Coded Articles (6)
Emotion Predictors
Positivity ".13******
(.03)" ._((.03)) ".17******
(.03)" ".16^(******)
(.04)" ".14^(********)
(.04)" ".23^(******)
(.05)"
Emotionality - ".27******
(.03)" ".26^(******)
(.03)" ".22^(******)
(.04)" ".09**
(.04)" ".29******
(.06)"
Specific Emotions
Awe - - ".46^(******)
(.05)" ".34^(******)
(.05)" ".30******
(.06)" ".36^(******)
(.06)"
Anger - - ".44^(******)
(.06)" ".38^(******)
(.09)" ".29****
(.10)" ".37******
(.10)"
Anxiety - - ".20^(******)
(.05)" ".24^(******)
(.07)" ".21^(******)
(.07)" ".27******
(.07)"
Sadness - - "-.19******
(.05)" "-.17^(**)
(.07)" "-.12^(†)
(.07)" "-.16^(**)
(.07)"
Content Controls
Practical utility - - - ".34******
(.06)" ".18^(****)
(.07)" ".27******
(.06)"
Interest - - - ".29^(******)
(.06)" ".31^(******)
(.07)" ".27******
(.07)"
Surprise - - - ".16^(****)
(.06)" ".24^(******)
(.06)" ".18****
(.06)"
Home Page Location Control Variables
Top feature - - - ".13^(******)
(.02)" ".11^(******)
(.02)" ".11******
(.03)"
Near top feature - - - ".11^(******)
(.01)" ".10^(******)
(.01)" ".12^(******)
(.01)"
Right column - - - ".14^(******)
(.01)" ".10^(******)
(.02)" ".15^(******)
(.02)"
Middle feature bar - - - ".06^(******)
(.00)" ".05^(******)
(.01)" (.06******)/((.01))
Bulleted subfeature - - - ".04****
(.01)" ".04****
(.01)" ".05^(**)
(.02)"
More news - - - ".01
(.01)" ".06^(******)
(.01)" "-.01
(.02)"
Bottom list xx10 - - - ".06^(****)
(.02)" ".11^(******)
(.03)" ".08****
(.03)"
Other Control Variables
Word count xx10^(-3) - - - . 52****** .71*** . 57******
- - - (.11) (.12) (.18)
Complexity - - - ".05
(.04)" ".05
(.04)" ".06
(.07)"
First author fame - - - ".17******
(.02)" ".15^(******)
(.02)" ".15******
(.03)"
Female first author - - - ".36^(******)
(.08)" ".33^(******)
(.09)" ".27**
(.13)"
Uncredited - - - ".39
(.26)" "-.56^(**)
(.27)" ".50
(.37)"
Newspaper location and web timing controls No No No Yes Yes Yes
Article section dummies (e.g., arts, books) No No No No Yes No
Observations 6956 6956 6956 6956 6956 2566
McFadden's R^(2) . 00 . 04 . 07 . 28 . 36 . 32
Log-pseudo-likelihood -3245.85 -3118.45 -3034.17 -2331.37 -2084.85 -904.76 | | Positivity <br> (1) | Emotionality <br> (2) | Specific Emotions (3) | Including Controls (4) | Including Section Dummies (5) | Only Coded Articles (6) |
| :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| Emotion Predictors | | | | | | |
| Positivity | $\begin{aligned} & .13 * * * \\ & (.03) \end{aligned}$ | $._{(.03)}$ | $\begin{aligned} & .17 * * * \\ & (.03) \end{aligned}$ | $\begin{aligned} & .16^{* * *} \\ & (.04) \end{aligned}$ | $\begin{aligned} & .14^{* * * *} \\ & (.04) \end{aligned}$ | $\begin{aligned} & .23^{* * *} \\ & (.05) \end{aligned}$ |
| Emotionality | - | $\begin{aligned} & .27 * * * \\ & (.03) \end{aligned}$ | $\begin{aligned} & .26^{* * *} \\ & (.03) \end{aligned}$ | $\begin{aligned} & .22^{* * *} \\ & (.04) \end{aligned}$ | $\begin{gathered} .09 * \\ (.04) \end{gathered}$ | $\begin{aligned} & .29 * * * \\ & (.06) \end{aligned}$ |
| Specific Emotions | | | | | | |
| Awe | - | - | $\begin{aligned} & .46^{* * *} \\ & (.05) \end{aligned}$ | $\begin{aligned} & .34^{* * *} \\ & (.05) \end{aligned}$ | $\begin{aligned} & .30 * * * \\ & (.06) \end{aligned}$ | $\begin{aligned} & .36^{* * *} \\ & (.06) \end{aligned}$ |
| Anger | - | - | $\begin{aligned} & .44^{* * *} \\ & (.06) \end{aligned}$ | $\begin{aligned} & .38^{* * *} \\ & (.09) \end{aligned}$ | $\begin{aligned} & .29 * * \\ & (.10) \end{aligned}$ | $\begin{aligned} & .37 * * * \\ & (.10) \end{aligned}$ |
| Anxiety | - | - | $\begin{aligned} & .20^{* * *} \\ & (.05) \end{aligned}$ | $\begin{aligned} & .24^{* * *} \\ & (.07) \end{aligned}$ | $\begin{aligned} & .21^{* * *} \\ & (.07) \end{aligned}$ | $\begin{aligned} & .27 * * * \\ & (.07) \end{aligned}$ |
| Sadness | - | - | $\begin{aligned} & -.19 * * * \\ & (.05) \end{aligned}$ | $\begin{gathered} -.17^{*} \\ (.07) \end{gathered}$ | $\begin{gathered} -.12^{\dagger} \\ (.07) \end{gathered}$ | $\begin{gathered} -.16^{*} \\ (.07) \end{gathered}$ |
| Content Controls | | | | | | |
| Practical utility | - | - | - | $\begin{aligned} & .34 * * * \\ & (.06) \end{aligned}$ | $\begin{aligned} & .18^{* *} \\ & (.07) \end{aligned}$ | $\begin{aligned} & .27 * * * \\ & (.06) \end{aligned}$ |
| Interest | - | - | - | $\begin{aligned} & .29^{* * *} \\ & (.06) \end{aligned}$ | $\begin{aligned} & .31^{* * *} \\ & (.07) \end{aligned}$ | $\begin{aligned} & .27 * * * \\ & (.07) \end{aligned}$ |
| Surprise | - | - | - | $\begin{aligned} & .16^{* *} \\ & (.06) \end{aligned}$ | $\begin{aligned} & .24^{* * *} \\ & (.06) \end{aligned}$ | $\begin{aligned} & .18 * * \\ & (.06) \end{aligned}$ |
| Home Page Location Control Variables | | | | | | |
| Top feature | - | - | - | $\begin{aligned} & .13^{* * *} \\ & (.02) \end{aligned}$ | $\begin{aligned} & .11^{* * *} \\ & (.02) \end{aligned}$ | $\begin{aligned} & .11 * * * \\ & (.03) \end{aligned}$ |
| Near top feature | - | - | - | $\begin{aligned} & .11^{* * *} \\ & (.01) \end{aligned}$ | $\begin{aligned} & .10^{* * *} \\ & (.01) \end{aligned}$ | $\begin{aligned} & .12^{* * *} \\ & (.01) \end{aligned}$ |
| Right column | - | - | - | $\begin{aligned} & .14^{* * *} \\ & (.01) \end{aligned}$ | $\begin{aligned} & .10^{* * *} \\ & (.02) \end{aligned}$ | $\begin{aligned} & .15^{* * *} \\ & (.02) \end{aligned}$ |
| Middle feature bar | - | - | - | $\begin{aligned} & .06^{* * *} \\ & (.00) \end{aligned}$ | $\begin{aligned} & .05^{* * *} \\ & (.01) \end{aligned}$ | $\frac{.06 * * *}{(.01)}$ |
| Bulleted subfeature | - | - | - | $\begin{gathered} .04 * * \\ (.01) \end{gathered}$ | $\begin{gathered} .04 * * \\ (.01) \end{gathered}$ | $\begin{aligned} & .05^{*} \\ & (.02) \end{aligned}$ |
| More news | - | - | - | $\begin{gathered} .01 \\ (.01) \end{gathered}$ | $\begin{aligned} & .06^{* * *} \\ & (.01) \end{aligned}$ | $\begin{gathered} -.01 \\ (.02) \end{gathered}$ |
| Bottom list $\times 10$ | - | - | - | $\begin{aligned} & .06^{* *} \\ & (.02) \end{aligned}$ | $\begin{aligned} & .11^{* * *} \\ & (.03) \end{aligned}$ | $\begin{aligned} & .08 * * \\ & (.03) \end{aligned}$ |
| Other Control Variables | | | | | | |
| Word count $\times 10^{-3}$ | - | - | - | . $52 * * *$ | .71*** | . $57 * * *$ |
| | - | - | - | (.11) | (.12) | (.18) |
| Complexity | - | - | - | $\begin{aligned} & .05 \\ & (.04) \end{aligned}$ | $\begin{aligned} & .05 \\ & (.04) \end{aligned}$ | $\begin{gathered} .06 \\ (.07) \end{gathered}$ |
| First author fame | - | - | - | $\begin{aligned} & .17 * * * \\ & (.02) \end{aligned}$ | $\begin{aligned} & .15^{* * *} \\ & (.02) \end{aligned}$ | $\begin{aligned} & .15 * * * \\ & (.03) \end{aligned}$ |
| Female first author | - | - | - | $\begin{aligned} & .36^{* * *} \\ & (.08) \end{aligned}$ | $\begin{aligned} & .33^{* * *} \\ & (.09) \end{aligned}$ | $\begin{aligned} & .27 * \\ & (.13) \end{aligned}$ |
| Uncredited | - | - | - | $\begin{gathered} .39 \\ (.26) \end{gathered}$ | $\begin{aligned} & -.56^{*} \\ & (.27) \end{aligned}$ | $\begin{gathered} .50 \\ (.37) \end{gathered}$ |
| Newspaper location and web timing controls | No | No | No | Yes | Yes | Yes |
| Article section dummies (e.g., arts, books) | No | No | No | No | Yes | No |
| Observations | 6956 | 6956 | 6956 | 6956 | 6956 | 2566 |
| McFadden's $\mathrm{R}^{2}$ | . 00 | . 04 | . 07 | . 28 | . 36 | . 32 |
| Log-pseudo-likelihood | -3245.85 | -3118.45 | -3034.17 | -2331.37 | -2084.85 | -904.76 |
这一更为保守的假设检验表明,观察到的情感与病毒式传播之间的关系不仅在各个主题之间成立,而且在同一主题内部也成立。例如,即使在观点或健康类文章中,令人敬畏的文章也更具病毒式传播力。
最后,如果我们进行一系列其他稳健性检验,包括仅分析 2566 篇手工编码的文章(见表 4,模型 6)、去除日固定效应,以及使用其他量化情感的方法(更多稳健性检验和分析使用文章排名或在最常被电子邮件列表上的时间作为替代因变量,请参阅网络附录 www.marketingpower.com/jmr_webappendix),我们的结果在幅度和显著性方面仍然没有显著变化。这些结果表明,观察到的结果并不是我们主要分析中依赖的特定回归规格的产物。
讨论
对超过三个月的《纽约时报》文章的分析揭示了哪些类型的在线内容会变得病毒式传播以及原因。在关于正面内容还是负面内容更容易被分享的辩论中,我们的结果表明,更正面的内容更具病毒式传播性。然而,重要的是,我们的发现还揭示,病毒式传播不仅仅由情感效价驱动。悲伤、愤怒和焦虑都是负面情绪,但较悲伤的内容传播性较低,而引发更多焦虑或愤怒的内容实际上更具病毒式传播性。这些发现与我们对唤醒如何塑造社交传播的假设一致。以激活或唤醒为特征的正面和负面情绪(即敬畏、焦虑和愤怒)与病毒式传播呈正相关,而以去激活为特征的情绪(即悲伤)与病毒式传播呈负相关。
更广泛地说,我们的结果表明,虽然外部注意力驱动因素(例如,被显著展示)塑造了什么内容会变得病毒式传播,但内容特征同样重要(见图2)。例如,文章引发的愤怒程度每增加一个标准差,其登上最常被电子邮件转发列表的可能性就会增加
34
%
34
%
34% 34 \% (见表4,模型4)。这种增加相当于在《纽约时报》网站上作为头条新闻多停留2.9小时,这几乎是文章在该位置平均停留时间的四倍。同样,敬畏感每增加一个标准差,登上最常被电子邮件转发列表的可能性也会增加
30
%
30
%
30% 30 \% 。
这些实地研究结果与激活驱动社会传播的观点一致。为了更直接地测试我们特定情绪发现背后的过程,我们转向实验室研究。
研究2:高唤醒情绪如何影响传播
我们的实验有三个主要目标。首先,我们想直接测试特定情绪对分享的因果影响。实地研究显示,引发激活情绪的内容更有可能病毒式传播,但通过在更受控的环境中操纵特定情绪,我们可以更清晰地考察它们如何影响传播。其次,我们想测试这些效应背后的假设机制——即内容引发的唤醒是否驱动传播。第三,虽然《纽约时报》提供了一个研究传播的广泛领域,我们
图2 文章特征中高于均值一个标准差增加时拟合概率进入列表的百分比变化
想要测试我们的发现是否可以推广到其他营销内容。
我们询问参与者他们有多大可能分享一个关于最近广告活动(研究 2a)或客户服务体验(研究 2b)的故事,并操纵所讨论的故事是否唤起了更多或更少的特定情绪(研究 2a 中的娱乐和研究
2
b
)
2
b
)
2b) 2 b) 中的愤怒)。为了测试效果的普适性,我们考察了积极(娱乐,研究 2a)和消极(愤怒,研究 2b)的高唤醒情绪如何影响传播。如果唤醒度增加分享,那么唤起更多激活情绪(娱乐或愤怒)的内容更有可能被分享。最后,我们测量了体验到的激活度,以测试它是否驱动情绪对分享的影响。
研究 2a:娱乐
参与者
(
N
=
49
)
(
N
=
49
)
(N=49) (\mathrm{N}=49) 被随机分配阅读关于 Jimmy Dean 香肠最近广告活动的高趣味或低趣味版本的故事。这两个版本改编自之前的研究(McGraw 和 Warren 2010),显示它们在引发幽默程度上的差异(预测试显示它们在引发兴趣程度上没有差异)。在低趣味条件下,Jimmy Dean 决定雇佣一位农民作为公司猪肉产品线的新代言人。在高趣味条件下,Jimmy Dean 决定雇佣一位拉比(这很有趣,因为该公司生产猪肉产品,而猪肉被认为不符合犹太教规)。阅读完该广告活动后,参与者被问及他们有多大可能 将其分享给他人
(
1
=
(
1
=
(1= (1= “一点也不可能”,和
7
=
7
=
7= 7= “非常可能”)。
参与者还使用三个七点量表评估他们的唤醒水平(“你现在感觉如何?”量表锚定在“非常被动/非常主动”、“非常平静/非常激动”和“能量非常低/能量非常高”:
α
=
α
=
alpha= \alpha= 82;我们改编了 Berger [2011]的测量方法,并取平均值形成激活指数)。
结果。正如我们所预测的,参与者表示当广告活动引发更多娱乐时,他们更有可能分享,而这是由其引发的唤醒所驱动的。首先,参与者报告称,如果他们在高娱乐
(
M
=
3.97
)
(
M
=
3.97
)
(M=3.97) (M=3.97) 状态下,相比于低娱乐状态(
M
=
2.92
;
F
(
1
,
47
)
=
10.89
,
p
<
M
=
2.92
;
F
(
1
,
47
)
=
10.89
,
p
<
M=2.92;F(1,47)=10.89,p < \mathrm{M}=2.92 ; \mathrm{F}(1,47)=10.89, p< .005),他们更有可能分享广告。其次,唤醒的结果也类似;高娱乐状态
(
M
=
3.73
)
(
M
=
3.73
)
(M=3.73) (M=3.73) 引发的唤醒比低娱乐状态
(
M
=
2.92
;
F
(
1
,
47
)
=
5.24
(
M
=
2.92
;
F
(
1
,
47
)
=
5.24
(M=2.92;F(1,47)=5.24 (\mathrm{M}=2.92 ; \mathrm{F}(1,47)=5.24 多(
p
<
.05
p
<
.05
p < .05 p<.05 )。第三,正如我们所预测的,这种唤醒的提升介导了娱乐状态对分享的影响。状态与唤醒相关(
β
high_amusement
=
.39
,
SE
=
.17
β
high_amusement
=
.39
,
SE
=
.17
beta_("high_amusement ")=.39,SE=.17 \beta_{\text {high_amusement }}=.39, \mathrm{SE}=.17 ;
t
(
47
)
=
2.29
,
p
<
.05
)
t
(
47
)
=
2.29
,
p
<
.05
)
t(47)=2.29,p < .05) \mathrm{t}(47)=2.29, p<.05) ;唤醒与分享相关(
β
activa-
β
activa-
beta_("activa- ") \beta_{\text {activa- }} tion
=
.58
,
SE
=
.11
;
t
(
47
)
=
5.06
,
p
<
.001
)
=
.58
,
SE
=
.11
;
t
(
47
)
=
5.06
,
p
<
.001
)
=.58,SE=.11;t(47)=5.06,p < .001) =.58, \mathrm{SE}=.11 ; \mathrm{t}(47)=5.06, p<.001) ;当我们将娱乐状态和唤醒都纳入预测分享的回归模型时,唤醒介导了娱乐对传播的影响(Sobel
z
=
2.02
,
p
<
.05
z
=
2.02
,
p
<
.05
z=2.02,p < .05 \mathrm{z}=2.02, p<.05 )。
研究 2b:愤怒
参与者
(
N
=
45
)
(
N
=
45
)
(N=45) (\mathrm{N}=45) 被随机分配阅读关于联合航空公司(United Airlines)负面客户服务体验(Negroni 2009)的高愤怒或低愤怒版本故事。我们预先测试了这两个版本,以确保它们引发了不同程度的愤怒,但没有引发其他特定情绪、兴趣或普遍的积极情绪。在两种条件下,故事描述了一个音乐组合乘坐联合航空公司前往内布拉斯加进行为期一周的巡演。然而,当他们即将离开时,他们注意到联合航空的行李搬运员正在不当处理他们的吉他。他们向乘务员寻求帮助,但当他们降落时,吉他已经被损坏。在高愤怒条件下,故事的标题为“联合航空砸碎吉他”,并描述了行李搬运员似乎不关心吉他,以及联合航空不愿意支付赔偿的情况。在低愤怒条件下,故事的标题为“联合航空弄凹吉他”,并描述了行李搬运员不慎掉落吉他,但联合航空愿意帮助支付赔偿的情况。 阅读故事后,参与者评估了他们分享客户服务体验的可能性以及他们的唤醒程度,使用的是研究 2a 中的量表。
结果。正如我们所预测的,参与者报告说,当客户服务体验引发更多愤怒时,他们更可能分享这一体验,而这是由其引发的唤醒程度所驱动的。首先,参与者报告说,如果他们处于高愤怒条件
(
M
=
5.71
)
(
M
=
5.71
)
(M=5.71) (M=5.71) ,相比于低愤怒条件
(
M
=
3.37
;
F
(
1
,
43
)
=
18.06
,
p
<
.001
)
(
M
=
3.37
;
F
(
1
,
43
)
=
18.06
,
p
<
.001
)
(M=3.37;F(1,43)=18.06,p < .001) (M=3.37 ; F(1,43)=18.06, p<.001) ,他们更可能分享客户服务体验。其次,唤醒程度的结果也类似;高愤怒条件(
M
=
4.48
M
=
4.48
M=4.48 M=4.48 )比低愤怒条件
(
M
=
3.00
;
F
(
1
,
43
)
=
10.44
,
p
<
.005
)
(
M
=
3.00
;
F
(
1
,
43
)
=
10.44
,
p
<
.005
)
(M=3.00;F(1,43)=10.44,p < .005) (\mathrm{M}=3.00 ; \mathrm{F}(1,43)=10.44, p<.005) 引发了更多的唤醒。第三,与研究 2a 一样,这种唤醒程度的提升中介了条件对分享的影响。回归分析显示,条件 与唤醒程度相关(
β
high_anger
=
.74
,
SE
=
.23
;
t
(
44
)
=
β
high_anger
=
.74
,
SE
=
.23
;
t
(
44
)
=
beta_("high_anger ")=.74,SE=.23;t(44)= \beta_{\text {high_anger }}=.74, \mathrm{SE}=.23 ; \mathrm{t}(44)=
3.23
,
p
<
.005
)
3.23
,
p
<
.005
)
3.23,p < .005) 3.23, p<.005) ;唤醒程度与分享相关(
β
activation
=
β
activation
=
beta_("activation ")= \beta_{\text {activation }}=
.65
,
SE
=
.17
;
t
(
44
)
=
3.85
,
p
<
.001
)
.65
,
SE
=
.17
;
t
(
44
)
=
3.85
,
p
<
.001
)
.65,SE=.17;t(44)=3.85,p < .001) .65, \mathrm{SE}=.17 ; \mathrm{t}(44)=3.85, p<.001) ;当我们将愤怒条件和唤醒程度都纳入回归分析时,唤醒程度中介了愤怒对传播的影响(Sobel z =
1.95
,
p
=
.05
1.95
,
p
=
.05
1.95,p=.05 1.95, p=.05 )。
讨论
实验结果加强了我们档案实地研究的发现,支持了我们的假设过程,并将我们的发现推广到更广泛的内容范围。首先,与我们对《纽约时报》最常被电子邮件转发的列表的分析一致,情感内容的唤起量影响了传播。人们报告说,当广告唤起更多娱乐感(研究 2a)和客户服务体验唤起更多愤怒感(研究 2b)时,他们更有可能分享。其次,结果强调了我们的假设机制:唤醒中介了情感对社会传播的影响。唤起更多愤怒或娱乐感的内容更有可能被分享,这是由其引发的激活水平驱动的。
研究3:去激活情绪如何影响传播
我们最后的实验进一步测试了唤醒的作用,通过检查去激活情绪如何影响传播。研究 2a 和 2b 表明,增加高唤醒情绪的数量会由于它所引起的激活而促进社会传播,但如果我们的理论是正确的,这些效应在低唤醒情绪中应该会逆转。例如,引发更多悲伤情绪的内容应该更不容易被分享,因为它去激活而不是激活。
请注意,这是对我们理论的一个特别强的测试,因为这一预测与对我们研究2中发现的几种替代解释相悖。可以认为,引发更多任何特定情绪都会使内容更好或更有吸引力,但这样的解释会表明,引发更多悲伤应该增加(而不是减少)传播。
方法
参与者(
N
=
47
N
=
47
N=47 \mathrm{N}=47 )被随机分配阅读一则高悲伤或低悲伤版本的新闻文章。我们预先测试了这两个版本,以确保它们引发了不同程度的悲伤,但没有引发其他特定情绪、兴趣或普遍的积极情绪。在两种条件下,文章描述了一个人因受伤而不得不在双手植入钛钉并重新学习抓握。两种条件之间的区别在于受伤的来源。在高悲伤条件下,故事直接取自我们的《纽约时报》数据集。标题为“9/11致残:努力重获完整”,详细描述了在世贸中心工作的人在9月11日袭击中受伤的情况。在低悲伤条件下,故事的标题为“努力变得更好”,详细描述了该人因在办公室楼梯上摔倒而受伤的情况。阅读这两个版本之一的故事后,参与者回答了与研究2中相同的分享和唤醒问题。
如我们所预测的,当情境引发了一种去激活(即去唤醒)的情绪时,对传播的影响是 反转的。首先,在高悲伤条件
(
M
=
2.39
)
(
M
=
2.39
)
(M=2.39) (M=2.39) 下,参与者不太可能分享故事,与低悲伤条件
(
M
=
3.80
;
F
(
1
,
46
)
=
(
M
=
3.80
;
F
(
1
,
46
)
=
(M=3.80;F(1,46)= (\mathrm{M}=3.80 ; \mathrm{F}(1,46)=
10.78
,
p
<
.005
)
10.78
,
p
<
.005
)
10.78,p < .005) 10.78, p<.005) 相比。其次,对于唤醒感的结果也类似;高悲伤条件
(
M
=
2.75
)
(
M
=
2.75
)
(M=2.75) (M=2.75) 引发的唤醒感低于低悲伤条件
(
M
=
3.89
;
F
(
1
,
46
)
=
10.29
(
M
=
3.89
;
F
(
1
,
46
)
=
10.29
(M=3.89;F(1,46)=10.29 (\mathrm{M}=3.89 ; \mathrm{F}(1,46)=10.29
p
<
.005
p
<
.005
p < .005 p<.005 )。第三,正如我们所假设的,这种唤醒感的降低介导了条件对分享的影响。条件与唤醒感相关(
β
high_sadness
=
−
.57
,
SE
=
.18
;
t
(
46
)
=
β
high_sadness
=
−
.57
,
SE
=
.18
;
t
(
46
)
=
beta_("high_sadness ")=-.57,SE=.18;t(46)= \beta_{\text {high_sadness }}=-.57, \mathrm{SE}=.18 ; \mathrm{t}(46)=
−
3.21
,
p
<
.005
)
−
3.21
,
p
<
.005
)
-3.21,p < .005) -3.21, p<.005) ;唤醒感与分享相关(
β
activation
=
β
activation
=
beta_("activation ")= \beta_{\text {activation }}=
.67
,
SE
=
.15
,
t
(
46
)
=
4.52
,
p
<
.001
)
.67
,
SE
=
.15
,
t
(
46
)
=
4.52
,
p
<
.001
)
.67,SE=.15,t(46)=4.52,p < .001) .67, \mathrm{SE}=.15, \mathrm{t}(46)=4.52, p<.001) ;当我们在预测分享的回归中同时包含悲伤条件和唤醒感时,唤醒感介导了悲伤对传播的影响(Sobel
z
=
−
2.32
,
p
<
.05
z
=
−
2.32
,
p
<
.05
z=-2.32,p < .05 \mathrm{z}=-2.32, p<.05 )。
讨论
研究3的结果进一步强调了唤醒在社会传播中的作用。与我们的实地研究结果一致,当内容引发更多低唤醒情绪时,它不太可能被分享。此外,这些效应再次由唤醒驱动。当一个故事引发更多悲伤时,它会降低唤醒,进而减少传播。特定情绪强度对传播的影响在情绪为去激活时发生逆转,这为我们的理论视角提供了更有力的证据。虽然可以认为引发更多情绪的内容更有趣或更吸引人(事实上,预测试结果表明在本实验中情况确实如此),但这些结果显示,如果引发的具体情绪特征为去激活,那么这种增加的情绪实际上可能会减少传播。
总讨论
社交媒体(例如,Facebook、Twitter)的兴起激发了人们对口碑和病毒式营销的兴趣。很明显,消费者经常分享在线内容,社会传播影响产品采用和销售,但关于消费者为何分享内容或某些内容为何变得病毒式传播的了解较少。此外,尽管扩散研究已经考察了某些人(例如,社交枢纽、有影响力的人)和社会网络结构如何可能影响社会传播,但对内容特征如何跨越社会关系传播并塑造集体结果的关注较少。
当前研究采用多方法 approach 来研究病毒式传播。通过将广泛的现场病毒式传播分析与一系列受控的实验室实验相结合,我们记录了病毒式内容的特征,同时也揭示了驱动社会传播的因素。
我们的发现对现有文献做出了多项贡献。首先,它们为人们倾向于分享正面还是负面内容的持续争论提供了信息。虽然常识认为人们更倾向于传播负面新闻而非正面新闻,但我们的结果表明,正面新闻实际上更具传播性。此外,通过检查《纽约时报》的全部内容(即所有可用的文章),我们确定正面内容更有可能被广泛分享,即使在我们控制其出现频率之后也是如此。
其次,我们的结果说明情绪与传播性之间的关系比单纯的效价更为复杂,并且唤醒度驱动了社交传播。这与 我们的理论认为,引发高唤醒情绪的在线内容更具病毒式传播性,无论这些情绪是积极的(即,敬畏)还是消极的(即,愤怒或焦虑)。然而,引发更多去激活情绪(即,悲伤)的在线内容实际上不太可能被广泛传播。在受控环境中对特定情绪进行实验性操纵,证实了激活与社会传播之间假设的因果关系。当营销内容引发更多以唤醒为特征的特定情绪(即,研究 2a 中的娱乐或研究 2b 中的愤怒)时,它更有可能被分享;但当它引发以去激活为特征的特定情绪(即,研究 3 中的悲伤)时,它不太可能被分享。此外,这些效应通过唤醒情绪进行中介,进一步强调了其对社交传播的影响。
在实验室和现场以及大量多样化内容中展示这些关系,强调了它们的普遍性。此外,尽管不是我们分析的重点,但我们的现场研究也通过展示更具实用价值、更有趣和更令人惊讶的内容更具病毒式传播性,从而为文献增添了内容。最后,自然主义的环境使我们能够衡量内容特征和外部注意力驱动因素在塑造病毒式传播中的相对重要性。例如,虽然被显著展示会增加内容被广泛分享的可能性,但我们的结果表明内容特征具有相似的重要性。
理论意义
这项研究将心理学和社会学方法联系起来,研究扩散现象。先前的研究已经对产品采纳进行了建模(Bass 1969),并考察了社交网络如何塑造扩散和销售(Van den Bulte and Wuyts 2007)。然而,宏观层面的集体结果(例如什么会变得病毒式传播)也依赖于微观层面个体关于分享什么的决策。因此,在试图理解集体结果时,考虑驱动社会传播的底层个体水平心理过程非常重要(Berger 2011; Berger and Schwartz 2011)。沿着这些思路,这项工作表明,内容所唤起的情感(和激活)有助于决定哪些文化项目在思想市场中取得成功。
我们的发现还表明,社会传播不仅仅是价值交换或自我展示(参见 Berger 和 Schwartz 2011)。与人们分享内容以娱乐他人的观点一致,令人惊讶和有趣的内容具有高度传播性。同样,与人们分享内容以告知他人或提升情绪的观点一致,实用和积极的内容更具传播性。这些效应都与人们可能分享内容以帮助他人、产生互惠或提升声誉(例如,展示他们知道有趣或有用的东西)的观点一致。然而,即使我们控制了这些效应,我们发现高度唤起的内容(例如,引发焦虑、引发愤怒的内容)更有可能登上最常被电子邮件转发的列表。这类内容在传统意义上并不明显产生直接的经济价值,甚至不一定对自我形象有正面反映。这表明,社会传播可能较少关乎动机,而更多关乎传播者的内在状态。
也值得将这些发现与关于有效广告特征的相关文献联系起来考虑。正如某些广告特征可能使它们更有效一样,某些内容特征也可能使其更可能被分享。虽然这些因素之间可能存在一些重叠(例如,创意广告更有效[Goldenberg, Mazursky, 和 Solomon 1999],并且可能被更多地分享),但也可能存在一些重要的差异。例如,虽然负面情绪可能损害品牌和产品态度(Edell 和 Burke 1987),但我们已经证明,某些负面情绪实际上可以增加社交传播。
进一步研究的方向
未来的研究可能会探讨观众规模如何调节人们分享的内容。人们经常将在线内容通过电子邮件发送给特定的一个或两个朋友,但在其他情况下,他们可能会向更广泛的受众传播内容(例如,发推文、写博客、在他们的 Facebook 墙上发布)。尽管前者(即窄播)可能涉及小众信息(例如,向喜欢划船的朋友发送一篇关于划船的文章),但广播可能需要发布具有更广泛吸引力的内容。看起来,窄播是以接收者为中心的(即接收者会喜欢什么),而广播则是以自我为中心的(即某人想关于他或她自己说什么或向他人展示什么)。因此,自我展示动机、身份信号(例如,Berger 和 Heath 2007)或归属目标可能在塑造人们与更广泛受众分享内容方面发挥更重要的作用。
尽管我们的数据不允许我们详细讨论这个问题,但我们能够调查文章特征与博客写作之间的联系。在我们的数据收集进行到一半时,我们构建了一个补充的网络爬虫,以捕捉纽约时报在过去24小时内出现在最多博客中的25篇文章列表。分析表明,类似的因素推动了病毒式传播和博客写作:更具情感、积极、有趣和引发愤怒的故事,以及较少引发悲伤的故事,更有可能登上被最多博客提及的列表。值得注意的是,实用性的影响是相反的:尽管一个实用性的故事更有可能登上被最多电子邮件转发的列表,但实用性内容被博客提及的可能性却略低。这在一定程度上可能是由于博客的评论性质。虽然电影评论、技术观点和食谱都包含有用信息,但它们已经是评论,因此博主对这些问题的个人看法可能不会增加太多价值。
进一步的研究还可以探讨情境因素如何调节这里观察到的效应。鉴于天气可以影响人们的情绪(Keller 等人,2005 年),例如,它可能会影响分享的内容类型。例如,在阴天时,人们可能更倾向于分享积极的故事,以使他人感到更快乐。环境中的其他线索也可能通过使某些话题更容易接触来塑造社会传播(Berger 和 Fitzsimons,2008 年;Berger 和 Schwartz,2011 年;Nedungadi,1990 年)。例如,当世界职业棒球大赛正在进行时,人们可能更倾向于分享体育故事,因为该话题已经被激发。
这些发现还引发了更广泛的问题,例如社会传播中有多少是由发送者驱动而非接收者驱动的,以及有多少是受动机驱动而非无动机驱动的。 被激发的。虽然直觉可能表明,很多传播是出于动机的(即,希望在其他人心目中留下好印象),并且基于接收者以及他或她会发现什么有价值,但当前的结果强调了发送者内部状态在决定是否分享某事物上的重要作用。也就是说,对这些问题的更深入理解需要进一步的研究。
营销启示
这些发现也具有重要的营销启示。考虑特定情感内容所引发的情感应有助于公司在投放广告时最大化收入,并应帮助在线内容提供商在定价内容访问时(例如,可能对更可能被分享的内容收取更高的费用)。展示或设计能引发激活情感的内容也可能是有益的,因为这类内容更可能被分享(从而增加页面浏览量)。
我们的发现还揭示了如何设计成功的病毒式营销活动和制作具有传染性的内容。虽然营销人员经常制作将产品描绘得积极向上的内容,但我们的结果表明,如果内容能唤起高唤醒情绪,则更有可能被分享。例如,使消费者感到满足或放松的广告,其传播力不如那些能逗乐他们的广告。此外,尽管一些营销人员可能会回避引发负面情绪的广告,但我们的结果表明,如果负面情绪具有激活特征,实际上可以增加传播。例如,宝马公司创作了一系列名为“雇佣”的短片,希望它们能病毒式传播,其中包括经常引发焦虑的汽车追逐和故事情节(如“伏击”和“人质”等标题)。虽然有人可能会担心负面情绪会损害品牌,但我们的结果表明,它应该会增加传播,因为焦虑会引发唤醒。(顺便提一下,“雇佣”非常成功,获得了数百万的观看量)。 按照这种推理,如果公共卫生信息被设计成引发愤怒或焦虑而不是悲伤,那么它更有可能被传播。
类似的观点也适用于管理在线消费者情绪。虽然一些消费者生成的内容(例如,评论、博客文章)是积极的,但很多是消极的,如果不小心管理,可能会累积成消费者的强烈反弹。例如,被 Motrin 广告活动冒犯的母亲们联合起来,开始发布负面的 YouTube 视频和推文(Petrecca 2008)。尽管不可能解决所有负面情绪,但我们的结果表明,某些类型的负面情绪可能更需要解决,因为它们更有可能被分享。例如,引发焦虑或愤怒的客户体验比引发悲伤的体验更有可能被分享(文本分析可以用来区分不同类型的帖子)。因此,纠正让消费者感到焦虑的体验可能比让他们感到失望的体验更重要。
总之,这项研究阐明了内容特征如何决定其是否能够病毒式传播。在试图引发口碑传播时,营销人员通常尝试针对“有影响力的人”,即意见领袖(也就是说,一小部分特殊人群,无论是通过拥有更多的社交联系还是更具说服力,理论上比其他人有更大的影响力)。尽管这种方法很普遍, 近期的研究对其价值提出了质疑(Bakshy 等人,2011 年;Watts,2007 年),并表明这种方法远非成本效益高。当前的调查研究建议,与其针对“特殊”人群,可能更有益于专注于制作具有传染性的内容。通过考虑心理过程如何塑造社交传播,可以更深入地了解集体结果,例如什么内容会变得病毒式传播。
参考文献
Allsop, Dee T.,Bryce R. Bassett,和 James A. Hoskins(2007 年),“口碑研究:原则与应用,”《广告研究杂志》,47(4),388-411。 安德森,尤金·W.(1998),《顾客满意度和口碑传播》,《服务研究杂志》,1(1),5-17。 阿施,所罗门·E.(1956),《独立性与从众性研究:一人对抗全体一致的大多数》,《心理学专论》,70 (416),1-70。 巴克希,艾坦,杰克·M. 霍夫曼,温特·A. 梅森,和邓肯·J. 瓦茨(2011),《人人都是影响者:量化推特上的影响力》,《第四届国际网络搜索与数据挖掘会议论文集》,香港,(2 月 9-12 日),65-74。 巴雷特,丽莎·费尔德曼和詹姆斯·A. 拉塞尔(1998),《当前情感结构的独立性和双极性》,《人格与社会心理学杂志》,74 (4),967-84。 贝斯,弗兰克(1969),“耐用消费品新产品增长模型,”管理科学,15(5),215-27。 伯杰,乔纳(2011),“唤醒增加信息的社交传播,”心理科学,22(7),891-93。 ——与格兰妮·M·菲茨西蒙斯(2008),“街上的狗,脚上的美洲狮:环境中的线索如何影响产品评价和选择,”市场营销研究杂志,45(二月),1-14。 与奇普·希思(2007),“消费者与其他人的分歧之处:身份信号与产品领域,”消费者研究杂志,34(2),121-34。 __和 Eric Schwartz (2011), “什么驱动即时和持续的口碑传播?”《市场营销研究杂志》, 48 (十月), 869-80。 Brooks, Alison Wood 和 Maurice E. Schweitzer (2011), “紧张的 Nelly 能谈判吗?焦虑如何导致谈判者提出低初始报价、提前退出并赚取更少利润,”《组织行为与人类决策过程》, 115 (1), 43-54。 Cashmore, Pete (2009), “YouTube: 我们为什么观看?”CNN.com, (十二月十七日), (访问于十月十四日, 2011), [可在 http://www.cnn.com/2009/TECH/12/17/cashmore.youtube/ index.html 查看]。 Chevalier, Judith A.和 Dina Mayzlin (2006), “口碑对销售的影响:在线书评,”《市场营销研究杂志》, 43 (八月), 345-54。 科恩,雅各布和帕特里夏·科恩(1983),《行为科学中的应用多元回归/相关分析》,第 2 版。新泽西州希尔斯代尔:劳伦斯·埃尔 baum 协会。 埃德尔,朱莉·A.和玛丽安·C.伯克(1987),“情感力量在理解广告效果中的作用,”《消费者研究杂志》,第 14 期(12 月),421-33。 埃克曼,P.,W.V. 弗里森,和 P. 埃尔斯沃思(1982),“观察者可以从面部行为判断哪些情感类别或维度?”载于《人类面部的情感》,P. 埃克曼编。纽约:剑桥大学出版社,39-55。 费尔,恩斯特,乔治·基尔希施泰格,和阿诺·里德尔(1998),“竞争性实验市场中的礼物交换与互惠,”《欧洲经济评论》,第42卷(第1期),1-34。 费斯汀格,利昂,亨利·W·里肯,和斯坦利·沙赫特(1956),《预言失败时》。纽约:哈珀与罗出版社。
加特纳,塞缪尔·L 和约翰·F·多维迪奥(1977),“白人种族主义的微妙性,唤醒和帮助行为,”《人格与社会心理学杂志》,35(10),691-707。 戈德斯,大卫和迪娜·梅兹林(2004),“使用在线对话研究口碑传播,”《营销科学》,23(4),545-60。 __和-_(2009),“公司创造的口碑传播:来自现场测试的证据,”《营销科学》,28(4),721-39。 _-, _ 陈宇博, Sanjiv Das, Chrysanthos Dellarocas, Bruce Pfeiffer 等. (2005), “公司对社会互动的管理,” 营销快报, 16 (3/4), 415-28. Goldenberg, Jacob, David Mazursky, 和 Sorin Solomon (1999), “创意模板:识别高质量广告的基本模式,” 营销科学, 18 (3), 333-51. ——, 韩尚满, Donald R. Lehmann, 和 韩在镕 (2009), “中心节点在采纳过程中的作用,” 营销杂志, 73 (三月), 1-13. Goodman, J. (1999), “关于客户投诉行为的基本事实及服务对底线的冲击,” (访问日期:2011 年 11 月 10 日), [可在 http://www.e-satisfy.com/ pdf/basicfacts.pdf 查阅]. 哈里斯,雅各布(2010),“《纽约时报》被推特多少次,”纽约时报开放博客,(4 月 15 日),[可在 http://open.blogs . nytimes.com/2010/04/15/how-often-is-the-times-tweeted/ 查阅]。 希思,奇普,克里斯·贝尔,艾米丽·斯特恩伯格(2001),“模因中的情感选择:城市传说的案例,”个性与社会心理学杂志,81(6),1028-41。 海尔曼,肯尼斯·M.(1997),“情感体验的神经生物学,”神经精神病学与临床神经科学杂志,9(3),439-48。 霍曼斯,乔治·C.(1958),“作为交换的社会行为,”美国社会学杂志,63(6),597-606。 卡茨,埃利胡和保罗·费利克斯·拉扎斯菲尔德(1955年),《个人影响力:大众传播中人们所扮演的角色》。伊利诺伊州格伦科:自由出版社。 凯勒,马修·C.,芭芭拉·L. 弗雷德里克森,奥斯卡·伊巴拉,斯特凡·科特,卡里姆·约翰逊,乔·米克斯等(2005 年),“温暖的心和清晰的头脑:天气对情绪和认知的偶然影响”,《心理科学》,16(9),724-31。
凯尔特纳,达切尔和乔恩·海特(2003年),“接近敬畏:一种道德、精神和审美的情感”,《认知与情感》,17(2),297-314。 和詹妮弗·S. 勒纳(2010 年),“情绪”,载于《社会心理学手册》,第 5 版,D. 吉尔伯特,S. 菲斯克和 G. 林赛编。纽约:麦格劳-希尔出版社。 Koppel, Moshe, Shlomo Argamon, 和 Anat Rachel Shimoni (2002), “自动分类书面文本的作者性别,” 文学语言计算, 17 (4), 401-412. McGraw, A. Peter 和 Caleb Warren (2010), “良性违规:让不道德行为变得有趣,” 心理科学, 21 (8), 1141-49.
McLaughlin, G. Harry (1969), “SMOG 分级:一种新的可读性公式,” 阅读杂志, 12 (8), 639-46. Milkman, Katherine L., Rene Carmona, 和 William Gleason (2007), “1990 年代《纽约客》小说中编辑影响和作者-角色相似性的统计分析,” 文学语言计算杂志, 22 (3), 305-328. 莫顿,菲奥娜·斯科特,弗洛里安·泽特尔迈尔,和乔治·席尔瓦-里斯索(2003),“消费者信息与歧视:互联网是否影响对女性和少数族裔新车定价?”《定量营销与经济学》,1(1),65-92。 内杜恩加迪,普拉卡什(1990),“回忆与消费者考虑集:在不改变品牌评价的情况下影响选择”,《消费者研究杂志》,17(3),263-76。
内格罗尼,克里斯汀(2009),“用视频,一位旅行者反击”,《纽约时报》,(10月28日)。 庞博和利莉安·李(2008),“观点挖掘与情感分析”,《信息检索基础与趋势》,2(1/2),1-135。 Pennebaker, James W., Roger J. Booth, 和 Martha E. Francis (2007), LIWC2007: 语言探究与词频统计, (访问日期:2011 年 10 月 14 日), [可在 http://www.liwc.net/ 查阅]。 Peters, Kim 和 Yoshihasa Kashima (2007), “从社交谈话到社交行动:通过情感分享塑造社会三元关系,” 《个性与社会心理学杂志》, 93 (5), 780-97。 Petrecca, Laura (2008), “愤怒的妈妈们在推特上反击 Motrin 广告,” 《今日美国》, (11 月 19 日), (访问日期:2011 年 10 月 14 日), [可在 http://www.usatoday.com/tech/products/ 2008-11-18-motrin-ads-twitter_N.htm 查阅]。
Rime, Bernard, Batja Mesquita, Pierre Philippot, 和 Stefano Boca (1991), “超越情感事件:关于情感社会分享的六项研究,” 《认知与情感》, 5 (9-11 月), 435-65。 Smith, C.A. 和 P.C. Ellsworth (1985), “情绪中的认知评估模式,” 人格与社会心理学杂志, 48 (4), 813-38. Van den Bulte, Christophe 和 Stefan Wuyts (2007), 社交网络与营销. 马萨诸塞州剑桥: 营销科学研究所. Watts, Duncan J. (2007), “挑战影响力者假设,” WOMMA 测量口碑, 3, 201-211. Wojnicki, Andrea C. 和 Dave Godes (2008), “口碑作为自我提升,” 工作论文, 多伦多大学. 附录 预测变量之间的相关性
情感性
积极性
敬畏
愤怒
焦虑
悲伤
实用性
兴趣
惊讶
Word
Count
×
10
−
3
Word
Count
×
10
−
3
{:[" Word "],[" Count "],[ xx10^(-3)]:} \begin{aligned} & \text { Word } \\ & \text { Count } \\ & \times 10^{-3} \end{aligned}
复杂性
作者 名声
Author
Fame | Author |
| :--- |
| Fame |
作者 女性
Author
Female | Author |
| :--- |
| Female |
缺失
Top
Feature
Top
Feature
{:[" Top "],[" Feature "]:} \begin{gathered} \text { Top } \\ \text { Feature } \end{gathered}
接近顶部特性
右侧栏
项目符号子功能
更多新闻
More
News | More |
| :--- |
| News |
中间功能栏
情感
1.00
积极性
.04*
1.00
敬畏
-. 02
. 02
1.00
愤怒
.04*
-.16*
-.21*
1.00
焦虑
.03*
-.18*
-.11*
.50*
1.00
悲伤
. 00
-.18*
.08*
. 42 *
.45*
1.00
实用性
.06*
.04*
-.11*
-.12*
.07*
-.05*
1.00
兴趣
.054*
.07*
.26*
-.13*
-.24*
-.19*
-.06*
1.00
惊喜
-.10*
-.04*
.24*
-. 01
. 00
.05*
-.05*
.18*
1.00
字数
×
10
−
3
×
10
−
3
xx10^(-3) \times 10^{-3}
.06*
.05*
.04*
. 02
. 00
. 00
-. 01
.06*
.02*
1.00
复杂性
.05*
-.05*
-.04*
.10*
.13*
.05*
. 01
-.11*
.04*
-.06*
1.00
作者知名度
-.09*
-.03*
.06*
. 01
.03*
. 01
-. 02
. 00
. 02
. 01
. 01
1.00
作者女性
-.07*
.06*
. 01
-.03*
. 00
. 00
.05*
-. 01
.07*
. 00
-.02*
. 00
1.00
缺失
.21*
.03*
-.06*
.03*
-. 02
. 00
. 01
. 02
-.09*
-. 01
.02*
-.71*
-.15*
1.00
主要特征
. 01
-. 02
-.03*
.06*
.06*
.05*
. 02
-.03*
-.02*
.28*
. 01
. 00
-. 02
. 01
1.00
接近主要特征
-. 01
-.06*
-. 02
.15*
.07*
.07*
-.03*
-.05*
. 01
.27*
.06*
.06*
-. 01
-.05*
.27*
1.00
右列
.16*
.05*
.04*
. 00
-. 02
-. 02
.05*
.06*
-.02*
.05*
-. 01
-.03*
-. 02
.16*
. 02
-.04*
1.00
项目符号子功能
. 00
-. 02
-.05*
.09*
.08*
.06*
.04*
-.05*
-.04*
.07*
.03*
.03*
. 01
-.04*
.12*
.12*
-.03*
1.00
更多新闻
-.08*
-.11*
-. 01
.07*
.06*
.06*
-.08*
-.04*
.07*
-. 02
.09*
.05*
-. 01
-.07*
. 01
.10*
-.06*
-.05*
1.00
中间功能栏
.11*
.10*
.06*
-.06*
-.06*
-.05*
. 00
.10*
.04*
.16*
-.06*
-.13*
. 00
.13*
. 02
-.05*
.07*
-.04*
-.08*
1.00
底部列表
.03*
.15*
.07*
-.11*
-.09*
-.06*
.06*
.09*
.04*
.29*
-.04*
-.06*
.05*
. 00
.04*
-.05*
.10*
. 00
-.09*
.13*
Emotionality Positivity Awe Anger Anxiety Sadness Practical Utility Interest Surprise " Word
Count
xx10^(-3)" Complexity "Author
Fame" "Author
Female" Missing " Top
Feature " Near Top Feature Right Column Bulleted Subfeature "More
News" Middle Feature Bar
Emotionality 1.00
Positivity .04* 1.00
Awe -. 02 . 02 1.00
Anger .04* -.16* -.21* 1.00
Anxiety .03* -.18* -.11* .50* 1.00
Sadness . 00 -.18* .08* . 42 * .45* 1.00
Practical utility .06* .04* -.11* -.12* .07* -.05* 1.00
Interest .054* .07* .26* -.13* -.24* -.19* -.06* 1.00
Surprise -.10* -.04* .24* -. 01 . 00 .05* -.05* .18* 1.00
Word count xx10^(-3) .06* .05* .04* . 02 . 00 . 00 -. 01 .06* .02* 1.00
Complexity .05* -.05* -.04* .10* .13* .05* . 01 -.11* .04* -.06* 1.00
Author fame -.09* -.03* .06* . 01 .03* . 01 -. 02 . 00 . 02 . 01 . 01 1.00
Author female -.07* .06* . 01 -.03* . 00 . 00 .05* -. 01 .07* . 00 -.02* . 00 1.00
Missing .21* .03* -.06* .03* -. 02 . 00 . 01 . 02 -.09* -. 01 .02* -.71* -.15* 1.00
Top feature . 01 -. 02 -.03* .06* .06* .05* . 02 -.03* -.02* .28* . 01 . 00 -. 02 . 01 1.00
Near top feature -. 01 -.06* -. 02 .15* .07* .07* -.03* -.05* . 01 .27* .06* .06* -. 01 -.05* .27* 1.00
Right column .16* .05* .04* . 00 -. 02 -. 02 .05* .06* -.02* .05* -. 01 -.03* -. 02 .16* . 02 -.04* 1.00
Bulleted subfeature . 00 -. 02 -.05* .09* .08* .06* .04* -.05* -.04* .07* .03* .03* . 01 -.04* .12* .12* -.03* 1.00
More news -.08* -.11* -. 01 .07* .06* .06* -.08* -.04* .07* -. 02 .09* .05* -. 01 -.07* . 01 .10* -.06* -.05* 1.00
Middle feature bar .11* .10* .06* -.06* -.06* -.05* . 00 .10* .04* .16* -.06* -.13* . 00 .13* . 02 -.05* .07* -.04* -.08* 1.00
Bottom list .03* .15* .07* -.11* -.09* -.06* .06* .09* .04* .29* -.04* -.06* .05* . 00 .04* -.05* .10* . 00 -.09* .13* | | Emotionality | Positivity | Awe | Anger | Anxiety | Sadness | Practical Utility | Interest | Surprise | $\begin{aligned} & \text { Word } \\ & \text { Count } \\ & \times 10^{-3} \end{aligned}$ | Complexity | Author <br> Fame | Author <br> Female | Missing | $\begin{gathered} \text { Top } \\ \text { Feature } \end{gathered}$ | Near Top Feature | Right Column | Bulleted Subfeature | More <br> News | Middle Feature Bar |
| :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| Emotionality | 1.00 | | | | | | | | | | | | | | | | | | | |
| Positivity | .04* | 1.00 | | | | | | | | | | | | | | | | | | |
| Awe | -. 02 | . 02 | 1.00 | | | | | | | | | | | | | | | | | |
| Anger | .04* | -.16* | -.21* | 1.00 | | | | | | | | | | | | | | | | |
| Anxiety | .03* | -.18* | -.11* | .50* | 1.00 | | | | | | | | | | | | | | | |
| Sadness | . 00 | -.18* | .08* | . 42 * | .45* | 1.00 | | | | | | | | | | | | | | |
| Practical utility | .06* | .04* | -.11* | -.12* | .07* | -.05* | 1.00 | | | | | | | | | | | | | |
| Interest | .054* | .07* | .26* | -.13* | -.24* | -.19* | -.06* | 1.00 | | | | | | | | | | | | |
| Surprise | -.10* | -.04* | .24* | -. 01 | . 00 | .05* | -.05* | .18* | 1.00 | | | | | | | | | | | |
| Word count $\times 10^{-3}$ | .06* | .05* | .04* | . 02 | . 00 | . 00 | -. 01 | .06* | .02* | 1.00 | | | | | | | | | | |
| Complexity | .05* | -.05* | -.04* | .10* | .13* | .05* | . 01 | -.11* | .04* | -.06* | 1.00 | | | | | | | | | |
| Author fame | -.09* | -.03* | .06* | . 01 | .03* | . 01 | -. 02 | . 00 | . 02 | . 01 | . 01 | 1.00 | | | | | | | | |
| Author female | -.07* | .06* | . 01 | -.03* | . 00 | . 00 | .05* | -. 01 | .07* | . 00 | -.02* | . 00 | 1.00 | | | | | | | |
| Missing | .21* | .03* | -.06* | .03* | -. 02 | . 00 | . 01 | . 02 | -.09* | -. 01 | .02* | -.71* | -.15* | 1.00 | | | | | | |
| Top feature | . 01 | -. 02 | -.03* | .06* | .06* | .05* | . 02 | -.03* | -.02* | .28* | . 01 | . 00 | -. 02 | . 01 | 1.00 | | | | | |
| Near top feature | -. 01 | -.06* | -. 02 | .15* | .07* | .07* | -.03* | -.05* | . 01 | .27* | .06* | .06* | -. 01 | -.05* | .27* | 1.00 | | | | |
| Right column | .16* | .05* | .04* | . 00 | -. 02 | -. 02 | .05* | .06* | -.02* | .05* | -. 01 | -.03* | -. 02 | .16* | . 02 | -.04* | 1.00 | | | |
| Bulleted subfeature | . 00 | -. 02 | -.05* | .09* | .08* | .06* | .04* | -.05* | -.04* | .07* | .03* | .03* | . 01 | -.04* | .12* | .12* | -.03* | 1.00 | | |
| More news | -.08* | -.11* | -. 01 | .07* | .06* | .06* | -.08* | -.04* | .07* | -. 02 | .09* | .05* | -. 01 | -.07* | . 01 | .10* | -.06* | -.05* | 1.00 | |
| Middle feature bar | .11* | .10* | .06* | -.06* | -.06* | -.05* | . 00 | .10* | .04* | .16* | -.06* | -.13* | . 00 | .13* | . 02 | -.05* | .07* | -.04* | -.08* | 1.00 |
| Bottom list | .03* | .15* | .07* | -.11* | -.09* | -.06* | .06* | .09* | .04* | .29* | -.04* | -.06* | .05* | . 00 | .04* | -.05* | .10* | . 00 | -.09* | .13* |