意見一致性、潛水動機與潛水行為初探：社群聆聽技術與調查法之比較分析 - 政大學術集成

全文

(1)國立政治大學傳播碩士學位學程碩士論文. 政治大意見一致性、潛水動機與潛水行為初探：立. ‧ 國. 學. 社群聆聽技術與調查法之比較分析. ‧. Exploring Relations among Opinion Congruency, Lurking. sit. y. Nat. Motives and Behavior:. io. n. al. er. Social Listening versus Survey Method. Ch. engchi. i n U. v. 指導老師：張郁敏博士研究生：王嘉呈撰. 中華民國一〇六年十月.

(2) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v.

(3) 致謝這份研究輾轉曲折，一個人在研究室待到深夜自我質疑的次數難計，但曾對我伸出援助的手至今鮮明入心，感謝有你們，到現在還把手伸得挺直讓我有機會對你們握手致謝。郁敏老師每週一次的咪挺讓我深刻體會什麼叫做殺不死我的必定讓我更堅強，許多次下山進入研究室之後只能失神面對追蹤修訂，但隨著潰敗感逐漸麻痺，邏輯反倒愈見清晰，回頭看看才知道老師的用心良苦，謝謝您無怨無悔的教導！. 政治大提供了無限幫助。幾個月來的拜訪和多次信件來回你們總是不厭其煩，難以想像立. 真心感謝亞洲指標數位行銷顧問公司的黎總經理、婕如、玉娟、思穎，你們. ‧. ‧ 國. 心頭。. 學. 業界竟願意如此盡心的協助一位研究生做出理想中的研究，貴公司的幫忙點滴在. 最後要感謝家人、庭歡、ㄚㄥㄥㄖ、烏克蘭遊學團、后里廢青的朋友，每一. y. Nat. al. er. io. 的理由。. sit. 次回家吃飯、抓神寶吃 GO、深夜大薯團、信心喊話、軟爛都是支持我繼續下去. n. v i n CMay Shain, your spirit carries on. rest in whatever you want. h eyou ngchi U 總之感謝⼤家，我做到了∼∼∼唷呼∼∼∼∼讚讚讚！.

(4) 中文摘要社群網站使用者不分年齡，幾乎沒有人不在這虛擬社交的浪潮上。儘管如此，社群網站的交往卻不如現實般，社群中的絕大多數的內容是由少數發言者貢獻，從來不發言的潛水者則佔了使用者基數的大部分。本研究使用沈默螺旋理論的意見一致性概念與多種潛水動機作連接，藉此探討發言者言論如何影響潛水者的動機選擇以及潛水行為表現。除此外，本研究藉由同時使用社群聆聽技術和調查法作為研究方法，試圖以主、客觀區分兩種方法. 政治大來源的先天限制做出初步探討。立. 並比較各自的益處和限制，也對社群聆聽技術只能使用發言者言論作為分析資料. ‧ 國. 學. 本研究收集到 599 份有效問卷和 285 篇社群網站文章，研究結果發現害怕被孤立、社會性散漫兩種潛水動機完全中介了意見一致性對潛水行為的效果。主、. ‧. 客觀研究方法的測量結果顯著相關，且對潛水動機之中介效果有相同預測能力。. io. sit. y. Nat. n. al. er. 關鍵詞：潛水者、潛水動機、意見一致性、沈默螺旋、社群聆聽、情緒分析. Ch. engchi. i n U. v.

(5) ABSTRACT It is hard to find one had no experience using social networks in any age ranges. However, most of social network members are lurkers who barely post or comment to express their opinion. On the other hand, little regular posters contribute most content in every virtual society. This study used the concept of opinion congruency in spiral of silence theory to link up multiple lurking motives found by past studies in order to clarify how posters’. 政治大 pros and cons between social 立listening and survey, this study adopted both research. texts influence lurking motives and behavior. Besides, for the purpose of comparing. ‧ 國. 學. methods to measure major opinion in discussion threads wherea seprated the two methods into subjective and objective ones. Also, this study would have preliminary. ‧. discuss about the fact of limited analytical source of social listening.. y. Nat. io. sit. Collected 599 valid surveys and 285 social network discuss thread text, the result. al. er. found that opinion congruency negatively influenced both lurking motives which. n. v i n C h The result alsoUfound that the subjective and positively influenced lurking behavior. engchi. objective research methods in this study were significantly related, and shared same. predictive ability on both lurking motives’ mediated effect.. Keywords: Lurker, Lurking Motives, Opinion Congruency, Spiral of Silence, Social Listening, Sentiment Analysis.

(6) 目錄目錄 ........................................................................................................................ i 表目錄 .................................................................................................................. iv 圖目錄 ................................................................................................................... v 第一章緒論 .......................................................................................................... 1. 第⼀節研究背景與動機 ....................................................................................... 1. 治政大第⼆節研究目的 .................................................................................................. 3 立 ‧ 國. 學. 第二章文獻探討 .................................................................................................. 4. ‧. 第⼀節潛水者與發言者概念型定義 .................................................................... 4. y. Nat. al. er. io. sit. 第⼆節意見一致性與潛水動機 ............................................................................ 7. n. 一、意見一致性 .................................................................................................. 7. Ch. engchi. i n U. v. 二、意見一致性低與害怕被孤立動機 ................................................................. 8 三、意見一致性高與社會性散漫動機 ................................................................. 9. 第三節調查法與社群聆聽技術 .......................................................................... 11 一、調查法 ........................................................................................................ 11 二、社群聆聽技術情緒分析法 .......................................................................... 13 三、主、客觀方法區分與比較 .......................................................................... 15 第三章研究方法 ................................................................................................ 19 i.

(7) 第⼀節研究架構 ................................................................................................ 19 第⼆節社群與議題選擇 ..................................................................................... 19 第三節調查法 .................................................................................................... 20 一、母體、抽樣方法與流程 .............................................................................. 20 二、問卷前測 .................................................................................................... 21 三、變項測量 .................................................................................................... 22 （一）. 政治大主觀社群主流意見 ............................................................................ 22 立受訪者意見 ....................................................................................... 22. （三）. 主觀社群意見一致性 ........................................................................ 22. （四）. 害怕被孤立動機 ................................................................................ 23. （五）. 社會性散漫動機................................................................................ 23. （六）. 潛水行為 ........................................................................................... 24. ‧. ‧ 國. 學. （二）. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 第四節社群聆聽情緒分析法 .............................................................................. 25 一、客觀社群主流意見分析流程 ...................................................................... 25 二、客觀社群意見一致性 ................................................................................. 28 第四章資料分析 ................................................................................................ 29. 第⼀節問卷樣本 ................................................................................................ 29 一、調查法樣本輪廓 ......................................................................................... 29 ii.

(8) 二、問卷信度分析 ............................................................................................. 29 三、主觀社群意見一致性與潛水動機假設檢定 ................................................ 30. 第⼆節社群聆聽情緒分析法 .............................................................................. 32 一、情緒分析技術前測 ..................................................................................... 32 二、社群聆聽情緒分析法樣本輪廓 .................................................................. 34 三、客觀社群意見一致性與潛水動機假設檢定 ................................................ 35. 政治大. 第五章討論與建議 ............................................................................................. 38. 立. 第⼀節研究發現 ................................................................................................ 38. ‧ 國. 學. 一、社群意見一致性、潛水動機、與潛水行為 ................................................ 38. ‧. 二、主、客觀社群主流意見 .............................................................................. 40. sit. y. Nat. er. io. 第⼆節實務建議 ................................................................................................ 40. al. n. v i n C h ...................................................................... 41 第三節研究限制與未來研究建議 engchi U 參考文獻 .............................................................................................................. 44 附錄一、問卷 ...................................................................................................... 55 附錄二、影劇板情緒詞組列表（由亞洲指標數位行銷顧問股份有限公司提供）. ............................................................................................................................. 59. iii.

(9) 表目錄表 2-1：潛水者與發言者定義 ............................................................................... 6 表 2-2：社群主流意見、受訪者意見與社群意見一致性測量 ............................. 18 表 4-1：客觀社群主流意見分析流程更動對照 ................................................... 28 表 4-2 主觀社群意見一致性中介模型 ................................................................. 32 表 4-3 主觀社群意見一致性對潛水動機的間接效果 ........................................... 32. 政治大. 表 4-4 客觀社群意見一致性中介模型 ................................................................. 37. 立. 表 4-5 客觀社群意見一致性對潛水動機的間接效果 ........................................... 37. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. iv. i n U. v.

(10) 圖目錄圖 3-1：研究架構圖 ............................................................................................ 19 圖 4-1 兩種潛水動機中介模型 ............................................................................. 30 圖 4-2 兩種潛水動機中介模型 ............................................................................. 35. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. v. i n U. v.

(11) 第一章緒論第⼀節研究背景與動機全民上網的時代已然到來，據台灣網路資訊中心調查（2016）顯示，台灣 12 歲以上曾經上網的人口比例，已逼近九成，若再加入 12 歲以下的數位原住民人口，此數字還有增加空間。資策會（2017 年 5 月 1 日）的調查更指出在台灣每個人平均擁有四個社群網站帳號，近 9 成的人們每週都會使用社群網站。皮尤調查中心報告（2016）也顯示，有將近 80%的網路使用者都在使用社群網站，行. 政治大. 銷人員幾可斷言，所有的消費者都在社群網站上了。. 立. 但從人數比例來看，社群網站上的能被行銷人員「看見」的消費者，卻是極. ‧ 國. 學. 少數。英國衛報記者曾提出 1-9-90 理論（Arthur, 2006, July 20），指出網路社群. ‧. 中會發表意見的成員僅佔 10%，多達九成的成員是指消費內容的潛水者。皮尤研. sit. y. Nat. 究中心（2016）發布的社群新聞使用報告也指出，在社群網站的所有新聞貼文中，. io. al. er. 僅有約 8%的群眾經常於欄位中進行回覆或表達意見，由此數據可知社群中的潛. n. 水者和發言者的比例差距十分懸殊。過去幾年的潛水者研究，多以探討潛水者動. Ch. engchi. i n U. v. 機為主要研究方向，但主要的研究訴求是希望透過降低其潛水動機，鼓勵潛水者浮出水面（de-lurking）發言，來使社群內容更加豐富（Nonnecke & Preece, 2001; Preece, Nonnecke & Andrew, 2004; Curien, Fauchart, Laffond & Moreau, 2006; Liao & Chou, 2012; Lai & Chen 2014）。然而在任何社群成員使用網路社群的歷程上，都將必然先閱讀發言者發言內容後，才有可能決定自己是否發言，過往的潛水者研究方向，卻未系統性的將發言者言論納入探討。另一方面，在訊息流動如此快速的年代，研究網路社群時需要一系統化、自動化的觀測技術來跟上訊息的產製速度，如社群聆聽（social listening）等社群觀. 1.

(12) 測系統便應運而生。社群聆聽指以社群網站上大量的使用者產製資料（user generated content）為目標，透過爬蟲程式（crawler）紀錄數位或網站後台資料，再配合文本探勘（text-mining）和情緒分析（sentiment analysis）等社群媒體分析（social media analytics）技術輔助（He, Wu, Yan, Akula & Shen, 2015），對結構、非結構化的資料集進行快速分析，並轉換為情緒分數或聲量折線圖等結構化資訊，賦予研究人員在短時間內解讀大量樣本資料的能力，來了解網路使用者對特定人事物的想法（Nair, 2011）。社群聆聽技術雖然較其他調查法而言，具有速度、數量等巨大優勢，但社群中發言者產製的文字、圖片或影音等媒介是進行網路社. 治政大群觀察時，唯一能使用的資料來源，這也是當今許多社群輿論監控或社群聆聽技立 ‧ 國. 學. 術時常受到的質疑之一（Powers et. al., 2012; Culotta & Cutler, 2016; Liu, Singh &. Srinivasan, 2016）。在瀏覽數、點擊數或停留時間等較表面的數位足跡資料無法. ‧. 深刻描繪網路社群成員的想法和輪廓的前提下，行銷及研究人員必須仰賴願意表. sit. y. Nat. 態的發言者來挖掘整體使用者偏好或進行各種調查（He, Zha, & Li, 2013）。然. n. al. er. io. 而發言者作為使用基數的少數，其代表性真的足夠嗎？目前業界將發言者的意見. i n U. 視為整體網路使用者的意見的作法，是適當的嗎？. Ch. engchi. v. 以網路社群的使用歷程而言，發言者言論在潛水者決定是否發言前佔有重要的位置，過去較少研究對此作討論，因此發言者言論如何影響潛水動機的選擇是本研究欲探討的問題之一。另外社群聆聽的即時反應能力自然無需質疑，但發言者意見在此技術下是否可以代表數量更大的潛水者或整體社群，實需要學術檢驗，過去卻少有文獻嘗試解決社群媒體分析無法觸及潛水者一事。若以社群聆聽技術進行研究測量能得到與調查法接近的結果，發言者對潛水者的代表性問題可望能在學術上被進一步討論，社群聆聽技術也能為更多研究輔助使用。. 2.

(13) 第⼆節研究目的首先針對發言者言論和潛水動機、行為的關係，過去的潛水者研究多致力窮盡各式各樣的潛水動機，希望透過減少潛水動機來促使潛水者浮出水面發言，健全網路虛擬社群環境。本研究認為，社群成員使用社群網站之初通常已瀏覽過發言者言論內容，此時即發展出社群成員自我意見與主流意見一致或不一致兩種可能，在兩種不同狀況下可能循不同動機潛水。意見一致性的概念來自沈默螺旋理論，過去應用在社群網站的沈默螺旋理論. 政治大意願的關係。這些研究以社群主流意見一致性與發言意願為主要測量變項，並沒立. 研究，多只考慮社群主流意見與社群成員意見不一致的狀況下與社群成員的發言. ‧ 國. 學. 有將潛水動機納入考量（Kim, Kim & Oh, 2014; Shen & Wang, 2015; Gearhart & Zhang, 2015）。本文參考 Noelle-Neumann（1974）的沈默螺旋理論，與其他學. ‧. 者的後續研究（Askay, 2015; Neubaum & Krämer, 2016），認為社群成員的意見. y. Nat. io. sit. 若和社群的主流意見不一致時，可能會因害怕被孤立的動機導致產生潛水行為。. er. 此外，根據相關研究（McDevitt, Kiousis & Wahl-Jorgensen, 2003; Chen, Zhang &. al. n. v i n Latimer, 2014），本文認為社群成員自己和社群多數意見一致性較高時，社群成 Ch engchi U 員則可能因社會性散漫動機而潛水。綜上推論，本研究第一個目的是探討潛水者. 與發言者的意見一致性，是否與其潛水動機和潛水行為有關。另外目前社群聆聽技術雖然僅能以發言者言論作為為一分析資料來源，但業界仍將分析結果視為整體社群意見的代表，對於為數龐大的潛水者而言，這樣的代表性是否足夠？又以社群聆聽技術進行潛水者研究得到的結果是否會與調查法得到的結果存在顯著差距？為嘗試探討此問題，本文第二個目的是在測量社群多數意見時，同時將使用社群媒體分析技術和調查法兩種方法，來驗證社群聆聽技術測量結果對整體社群意見的代表性。 3.

(14) 第二章文獻探討第⼀節潛水者與發言者概念型定義近年國內與潛水者相關之研究不多，其一是林奇秀、陳一帆（2011）對網路知識分享社群與社會資本理論的研究，沿用 Soroka 和 Rafaeli（2006, May）的定義，認為潛水者是網路社群中只進行觀察的消極參與者。除此之外，國內近年在潛水者概念定義上著墨最深的屬李明穎（2012）對野草莓運動的網路潛水者公民參與研究。在文中他將潛水定義為消極被動參與議題的周邊旁觀者行為，即是潛. 政治大. 水者並非不參與議題，而是用純粹觀看和閱讀的方式表現參與。. 立. 在國外，Nonnecke 和 Preece（2001）初探網路潛水行為動機時，認為太限. ‧ 國. 學. 縮的潛水定義會導致能夠符合定義的潛水者數量不符現實，因採取較寬鬆，把潛. ‧. 水者概念視為在網路群組中從未或是極少發言的成員。Curien 等人（2006）將網. sit. y. Nat. 路消費者社群中的使用者依據參與動機不同分為四類，潛水者則為從不回覆，甚. io. al. er. 至不發起提問，純粹在社群中以獲取資訊為目的參與者。Ridings, Gefen 和 Arinze. n. （2006）研究廣義的網路虛擬社群時，簡單將社群成員一分為二，定義潛水者為. Ch. engchi. i n U. v. 不發表訊息的成員，另一群則為時常以發言方式參與社群的發言者。Larsson （2011）依據留言區互動功能的使用情形，將新聞網站留言區的使用者分為五類，潛水者定義為享受觀看他人回覆，卻極少參與投票等意見表達活動的被動使用者。 Liao 和 Chou（2012）在知識分享行的虛擬社群研究中，把發言者定義為社群中積極參與討論，樂於幫助他人的使用者；潛水者相反的，為社群中較不積極加入討論，多數時間緊閱讀發言的族群。同樣是知識分享社群的研究，較近期的 Lai 和 Chen（2014）在對知識分享社群的研究裡，則是採取二分法，將潛水者定義成造訪社群網站後，卻不發言的使用者；發言者則為曾有發言紀錄的社群使用者。. 4.

(15) Amichai-Hamburger 等人（2016）在分析近年所有關於社群成員參與度低落的心理因素時，定義潛水者為社群中沈默、不貢獻，被動參與的成員，而發言者則為積極主動參與討論，普遍被認為對社群較有貢獻的一群人。綜觀國內外文獻（整理見表 2-1），發言者的概念型定義較為一致，發言者為至少曾發過一次、積極發言的成員。然而，潛水者的定義較為分歧，有些學者認為潛水者為完全不曾發言的社群成員，但有些學者認為潛水者也可能發言，只是頻次較少。為因應本研究以社群聆聽技術下的發言者對潛水者代表性為問題意識出發點，又社群聆聽機制的限制在於完全不發言的社群成員，因此本研究將潛. 治政大水者視為從未發言表達意見的社群成員，而發言者為至少曾經在社群中發過一次立文的成員。. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 5. i n U. v.

(16) 表 2-1：潛水者與發言者定義來源. 潛水者定義. 發言者定義. Nonnecke & Preese. 在網路社群中，從未或少相對潛水者而言，較常發. (2001). 有發言，卻常態性瀏覽文言的使用者。章的使用者。. Preece, Nonnecke &. 從未發言的網路社群成. 曾經貼過文的網路社群. Andrew (2004). 員。. 成員。. Curien, Fauchart, Laffond. 不回覆也不提問，純粹從依發言動機不同，分為提. & Moreau (2006). 社群中獲取資訊。. 問者、純貢獻內容者、期待互動者。. Ridings, Gefen & Arinze. 不發表訊息的網路社群. 時常以發言方式參與社. 治群的使用者政享受觀看回覆，卻極少參大在留言區中表達意見立與意見表達活動的被動者，依互動功能使用狀況. (2006). 成員。. Larsson (2011). 林奇秀、陳一帆（2011）網路社群中只進行觀察的消極參與者。. Nat. 續參與社群活動的使用. io. Lai & Chen (2014). 者。. y. 以周邊性的隱匿方式，持未說明。. sit. 李明穎（2012）. 未說明。. ‧. ‧ 國. 不同，分為四類。. 學. 使用者。. 在社群曾有至少一次發. 在瀏覽的消極使用者。. 於助人的使用者。. Amichai-Hamburger et al.. 只觀察不貢獻的網路社. 積極參與討論，貢獻較多. (2016). 群成員。. 的社群成員。. a 群使用者。言行為的使用者。 iv l C n h e n g c h i U 社群中積極參與討論熱社群網站中多數時間都. n Liao &Chou (2016). er. 造訪網頁卻不發言的社. 6.

(17) 第⼆節意見一致性與潛水動機本文第一個目的為探討潛水者感知社群意見意見一致性高或低，是否會促發不同潛水動機進而導致潛水。意見一致性概念（opinion congruency）來自沈默螺旋理論，回顧過往相關研究，可推測當潛水者感知的社群意見一致性低時，潛水者因害怕被孤立(fear of isolation)的動機而發言意願低落，進而產生潛水行為；當潛水者感知的社群意見一致性高時，潛水者則因社會性散漫(social loafing)動機而潛水。以下將彙整過去相關研究，說明這兩個動機。. 立. 一、意見一致性治政大. 一個社群裡對特定議題的多數意見僅有正向支持、負向反對或中立等三種可. ‧ 國. 學. 能， Noelle-Neumann（1974）提出沈默螺旋理論稱此多數意見的傾向狀態為意見氣候（climate of opinion），同時她也認為閱聽人能夠運用準統計官能. ‧. （quasi-statistical organ）感知意見氣候。準統計官能指閱聽人夠過觀察社群環境，. y. Nat. io. sit. 察知社群的意見分布狀況，並將自己的意見與主流意見的一致性作比較，認知自. er. 己處於主流或是弱勢意見氣候中，以及社群主流和弱勢意見強度，或者是預見未. al. n. v i n 來的意見趨勢的狀態（Noelle-Neumann, & Moy, 2000），且在意見 C h 1977; Scheufle engchi U 一致性低的狀況下，會產生沈默螺旋效果，閱聽人因為害怕被孤立的心態而發言. 意願低落。為求後續研究概念操作化的可行性，本文將主流或弱勢意見氣候兩種狀態，定義為高、低兩種社群意見一致性。若潛水者認為自己處於主流意見氣候，表示潛水者與社群中發言者對議題的態度較為相似，意見一致性高；反之，若潛水者認為自己處於弱勢意見氣候，表示潛水者與社群中發言者對議題的態度較為不同，社群意見一致性低。以下將就高、低意見一致性如何影響潛水動機進行闡述。. 7.

(18) 二、意見一致性低與害怕被孤立動機 Noelle-Neumann（1974）的沈默螺旋理論（spiral of silence）認為閱聽人在意見一致性低時，會因害怕被孤立的心態而迴避發言機會，但文章內對於被孤立的恐懼一詞的定義並不詳盡。Neuwirth, Frederick 和 Mayo（2007）對此則就做了相當深度的探討，他們在文中提到，被孤立的恐懼並非一種穩定的心理特質，而是一種短暫過渡性心理狀態，在了解自己與主流意見相悖時，就算掌握表達自我意見的機會，仍然可能因為想要避免遭受其他社群成員的社交性制裁（social sanction）或其他負面社交結果，而選擇沈默不發表意見。. 治政大然而 Noelle-Neumann（1974）的理論當時是針對無互動性的舊媒體所設，立. 近年從舊媒體到新媒體的轉移間，閱聽人在虛擬空間有了全新面貌。在網路世界. ‧ 國. 學. 裡，和現實中不熟識的人的互動機會大增，被孤立的可能性大多來自於陌生人身. ‧. 上，與線下情況相比，少了現實交往的人際壓力，匿名性（anonymity）因素也. sit. y. Nat. 為打破沈默螺旋帶來可能性。但近來許多研究都發現，沈默螺旋理論仍然適用於. n. al. er. io. 網路空間，閱聽人在線上發表意見時，依然受制於害怕被孤立的心態，網路空間. i n U. v. 甚至讓沈默螺旋現象更為明顯。網路空間資訊爆炸以及訊息缺乏社會脈絡（social. Ch. engchi. cues），讓主流意見感知變得更為困難，閱聽人到了網路空間非但沒有因為是陌生人，變得更勇於對抗不同意見，反而更害怕失言讓線上發言變得更保守（McDevitt et. al., 2003）。Yun 和 Park（2011）的研究則直指匿名性因素無法中介害怕被孤立的心理，無助於打破沈默螺旋效果。Shen & Wang（2015）的研究也支持虛擬空間中的沈默螺旋效果依舊存在的看法，他們的研究結果更認為網路世界的閱聽人比在現實世界中，更容易受到沈默螺旋效果影響而噤聲。Pang 等人（2016）的研究中，也發現若處在弱勢意見氣候的網路使用者，發言意願顯著較為低落。 8.

(19) 以上研究都顯示網路開放且自由的空間看似解放閱聽人，讓人們更能暢所欲言，但實際上並未幫助網路使用者跨越被孤立的恐懼，網路社群成員對於虛擬社群的孤立威脅預期，仍然會出現害怕的心理。閱聽人如果感知到自己與於主流意見一致性低，被孤立的可能性出現，就可能因此放棄發言機會（Askay, 2015; Neubaum & Krämer, 2016），表現潛水行為，此種現象甚至跨越不同文化皆然（Matthes et. al., 2012）。總的來說，沉默螺旋相關研究指出閱聽人透過準統計官能感知社群意見一致性高低，若閱聽眾感知低一致性則會使他們因為害怕被孤立心態，進而產生潛水行為。. 治政大與沉默螺旋理論的害怕被孤立心理相當雷同，潛水者動機研究中則指出潛水立 ‧ 國. 學. 者動機包含害怕自己的發言內容被嘲諷（Preece et. al., 2004）、不能得到社群對等的善意對待（Chiu, Hsu & Wang, 2006; Lai & Chen, 2014）與社群回應浮出水面. ‧. 的發言者（response to delurk）的方式不夠友善等（Nonnecke & Preece, 2003;. sit. y. Nat. Amichai-Hamburger et al., 2016）。將潛水動機研究與沈默螺旋理論的害怕被孤立. n. al. er. io. 心理相對應可發現，上述潛水者預期社群可能不會善待自己的發言而潛水的相關. i n U. v. 動機，與害怕社群對自己進行社會性制裁的被孤立恐懼並無二致。因此本文推論. Ch. engchi. 害怕被孤立的心態不僅是屬於沈默螺旋理論之概念，同時也屬於潛水動機的一種，會進一步導致潛水者的潛水行為。於此，本文提出假設：假設一：主觀社群意⾒⼀致性低時，會導致潛⽔者因爲害怕被孤⽴動機而產. 生潛水行為。. 三、意見一致性高與社會性散漫動機前述提及，社群成員在認知自身對議題的意見與主流意見一致性低時，使用者可能因害怕被孤立的心理機制選擇潛水。但沈默螺旋相關研究也指出，即便使用者認知到自己的意見與社群主流意見有較高一致性，他們的發表自己意見的傾 9.

(20) 向卻也不必然隨之提高（Ho, Chen, & Sim, 2013; Nekmat, & Gonzenbach, 2013; Kim, Kim & Oh, 2014）。在沈默螺旋中屬於主流意見氣候的潛水者，既然感知自己與主流意見一致，為什麼仍選擇潛水呢？本文檢視過往文獻，認為社會性散漫（social loafing）能夠合理解釋。社會性散漫被過往研究認為是潛水者主要潛水動機之一（Yeow, Johnson, & Faraj, 2006），其概念指團體成員在認知到一項工作需多人協力合作時，會有部分人出現不作為，讓其他人承擔更多責任的傾向（Latané, Williams & Harkins, 1979; Karau & Williams, 1993）。在組織相關研究中指出，此現象發生的原因包. 治政大括團體與個人兩層級因素，例如在團體中無法參與決策過程，或是認為個人無法立 ‧ 國. 學. 影響目標的最終結果（Price, Harrison & Gavin, 2006）。無論在團體或個人層級，社會性散漫現象發生的關鍵點在於每個社群成員是否覺得自己是無可取代，當人. ‧. 們認為自己在社群中不具獨特性，或對工作項目的付出難以在社群中被指認. sit. y. Nat. （identified）時，就會產生社會性散漫現象（Baumeister, Ainsworth & Vohs, 2016）。. n. al. er. io. 網路社群研究也有相似結果，有些成員會因為缺乏議題相關知識，在社群談論相. i n U. v. 關議題時覺得自己在社群中是可有可無的（Plaks & Higgins, 2000; Price et. al.,. Ch. engchi. 2006; Yeow et. al., 2006），或因為與其他社群成員的社會連結（social ties）不夠（Shiue, Chiu & Chang, 2010），轉而選擇沈默讓其他人負責發言充實內容。而過去的沈默螺旋研究也有類似推論。McDevitt 等人（2003）認為閱聽人在屬於主流意見氣候、與社群一致性較高的情況下，看見與自己有相近意見的人們正在高談闊論時，社會性散漫是他們發言意願低落的主要原因。Chen 等人（2014）也認為社群成員一但認知他人已極力為了與自身相同的看法辯護，即會發現自己於該議題討論的立場上並不特別，讓自己為該立場辯護的努力更難以被指認和歸因，也更可能出現社會性散漫動機。從社群意見一致性的角度推論，在 10.

(21) 一致性高的狀況下，個人意見或立場的獨特性即是較不一致的狀況為低，因此知道他人站在自己的立場表達意見時，即可能產生導致社群成員發言意願低落的結果，並且作為潛水動機導致潛水行為。綜上所述，本文提出第二個假設：假設二：主觀社群意見一致性高的潛水者，較容易因為社會性散漫動機而產. 生潛水行為。. 第三節調查法與社群聆聽技術一、調查法. 政治大能測知社群中的意見風向後，以自己和主流意見的一致性，作為辨認自己處在主立. 前文提及，社群意見一致性概念來自沈默螺旋理論中，閱聽人使用準統計官. ‧ 國. 學. 流或弱勢意見風向的指標（Noelle-Neumann, 1977; Glynn & Park, 1997）。從此可知社群意見一致性包含社群主流意見與受訪者意見兩個面向，並以受訪者對議題. ‧. 的意見為基準，若受訪者意見和社群主流意見相似，則一致性高，反之則低。. y. Nat. io. sit. 過往學者處理主觀社群意見一致性的測量方法細節上雖各有不同，但多是以. er. 調查法進行，同時請受訪者填答自我意見，並估計社群多數意見為何。例如部分. al. n. v i n 學者（Ho & McLeod, 2008; Ho, 2013）在測量社群主流意見時，請 CChen h e &n Sim, gchi U. 受訪者以 0-100%為尺度，估算社群對該議題的支持比例；估算結果為 0%－49%. 者，重新編碼為-1 分，若為 50%－100%者，則重新編碼為+1 分。測量受訪者意見時，先以六點李克特量表測出對議題的支持程度後，再將 1-3 分的支持程度重新編碼為-1 分，4-6 分的支持程度重新編碼為+1 分。最後將社群主流意見的分數（-1 或+1），與受訪者估算的社群支持分數（-1 或+1）相乘，可得到-1 以及+1 兩種一致性分數。若為-1 分，為低主觀社群意見一致性，若為+1 分，則為高主觀社群意見一致性。. 11.

(22) Nekmat 和 Gonzenbach（2013）的社群主流意見的測量方法為請受訪者估算所屬群體支持該議題的比例（0%-100%）。受訪者意見部分為請受訪者將填寫 10 點李克特量表共五題，表態對特定議題的支持程度。一致性測量則將全體受訪者的李克特量表分數進行平均。最後將個別受訪者的分數，減去全體受訪者的平均分數，得到 0-10 的一致性連續分數。其中 0 分為非常一致，10 分則為非常不一致。 Matthes（2015）採用的方法則較直接，其跳過受訪者意見，僅以 5 點李克特量表共三題，包括「就此議題而言，我身邊的人們與我的意見十分相似」、「就. 治政大此議題而言，我居住地的人們與我的意見十分相似」和「就此議題而言，我國多立. 數人與我的意見十分相似」等三題。受訪者評估所屬群體與自己意見的一致程度，. ‧ 國. 學. 分數越高則視為一致性越高。. ‧. 但調查法請受訪者自主估計多數意見的方法，並非總是能反應真實的社群多. sit. y. Nat. 數意見分布狀況。事實上閱聽人時常錯估真實多數意見的情勢，在主觀判斷主流. n. al. er. io. 意見氣候或是多數意見時，常會形成許多偏誤，甚至錯估社群意見（Gvirsman,. i n U. v. 2015; Yun, Park & Lee, 2016）。例如敵意媒體效果（hostile media effect）就指出. Ch. engchi. 閱聽人常常還沒閱讀過發言內容，就先依自己對媒體的立場預設，猜測整個社群的發言風向（Vallone, Ross & Lepper, 1985; Choi, Yang & Chang, 2009; Yun, Park & Lee, 2016）。又或者社群言論隨時隨地大量且快速的增加，閱聽人難以逐條發言判斷其情緒或意見傾向，要認知到真正精確的多數意見事實上有所困難。然而個人的內在主觀偏誤難以排除，雖然學者在操作化社群意見一致性時遇到不小挑戰，但仍難免使用閱聽人自我報告作為操作化定義來源，以量表或受訪者自行估算的方式來進行操作。. 12.

(23) 二、社群聆聽技術情緒分析法對於這些主觀感知的偏誤，近年在文本探勘和情緒分析等技術的輔佐下，已有能力使用程式方法來彌補。社群聆聽技術中的情緒分析技術，能藉由社群文字內容推算出社群成員的意見向度分佈（Liu & Zhang, 2012），代替閱聽人進行偵測主流意見的工作。相對於受訪者主觀且較粗略的感知，情緒分析技術能事先訂定單一情緒判斷規則，並逐條發言進行情緒判讀，避免個別社群成員對情緒判斷標準的分歧問題。對照調查法委由社群成員「主觀」粗略估計多數意見為何的做法，本文將社群聆聽情緒分析法視為一具單一判准、逐條檢視之「客觀」方法. 治政大客觀的偵測社群主流意見，在本文指不經閱聽人準統計官能運作，排除主觀立. 感知偏誤可能性所得到的社群多數意見。而目前技術上解析文本意見向度的進行. ‧ 國. 學. 過程，為先使用爬蟲程式抓取社群中的對話，再透過情緒分析技術將文本字詞拆. ‧. 解、重組與分類（classify），便可將發言內容轉化為意見發出者（opinion holder）、. sit. y. Nat. 意見指涉對象面向（aspect of entity）、意見傾向（opinion orientations/ polarities）、. n. al. er. io. 發言對象（name of entity）和發言時間等五個向度（Liu & Zhang, 2012）。其中. i n U. v. 能夠判斷發言內容意見向度的項目為意見傾向，判斷意見傾向向度（valence）的. Ch. engchi. 過程稱為情緒分類（sentiment classification），這也是情緒分析技術的主要功能之一（Pang & Lee, 2008; Liu & Zhang, 2012）。常見的情緒分類方法有兩種，分別是監督式（supervised）的機器學習法（machine learning method）和非監督式（unsupervised）的情緒字彙法（lexicon based method）（Liu & Zhang, 2012; Agarwal & Mittal, 2015; Khan, Atique & Thakare, 2015; Taboada, 2016）。機器學習法的情緒分析步驟是為先建立一個自動分類器（classifier），再使用人工分類完成目標文本的小樣本訓練資料集（training data），接著使用詞性標記（part-of-speech/ POS）、一點量表（Unigram）、兩點量表（Bigrams）、多點 13.

(24) 量表（N-grams）來對文本進行自然語言處理（nature language processing/ NLP）並抓取意見詞彙（opinion terms）。接著使用事先判斷好意見傾向的訓練資料集合成的語料庫（corpus）來訓練分類器，訓練完成之後便可照此分類機制自動對檔案層級（document-level）文本標記為正向、負向或中性意見（Pang, Lee & Vaithyanathan, 2002, July; Dave, K., Lawrence & Pennock, 2003, May; Chaovalit & Zhou, 2005, January; Paltoglou & Thelwall, 2010, July; Kharde, V., & Sonawane, 2016; Varathan, Giachanou & Crestani, 2017）。由於機器學習法是根據監督式的訓練方法來進行分類判斷，因此針對單一知識領域（domain）的情緒詞彙判讀較. 治政大為精準，但在分析文本出現跨領域的狀況時，準確率也會下降較快（Agarwal & 立 ‧ 國. 學. Mittal, 2015; Taboada, 2016）。. 另一種方法，情緒字彙法又稱為語意向性法（semantic orientation-based），. ‧. 可分為語料庫（corpus-based）法和字典法（dictionary-based）兩種執行方式。語. sit. y. Nat. 料庫法進行方式為透過統計學方法計算文本內的詞語，和語料庫中正、負向種子. n. al. er. io. 詞（seed words）共同出現的詞彙極性值（polarity value）；字典法則是使用預先. i n U. v. 設計好的外部情緒字典，如 SentiWordNet 或 NTUSD 等許多第三方情緒極性辭. Ch. engchi. 典，依照同義、反義、否定或轉折字等進行字典擴充，再將每個發言條目中使用自然語言處理後的字元（token）進行配對判斷詞彙的語意向性，進而推測整體文本的情緒正負向（Turney, 2002, July; Turney & Littman, 2003; Lin & He, 2009, November; Agarwal & Mittal, 2015; Liu, Bi & Fan, 2017）。情緒字彙法常用來判斷情緒分類的方式包括計算 PMI（pointwise mutual information）值或是 LSA（latent sematic analysis）值，兩種值的計算方式都根基於字詞的語意極性會和常伴隨出現（co-occurrence）的字詞語意相近的假設，因此透過計算待分析字詞和正負向種子詞的共同出現機率並進行比較，來得到該文本為正向或負向的判定（Agarwal 14.

(25) & Mittal, 2015）。情緒字典法雖然準確度稍不足，但跨知識領域的通用性較高，於不同語言間的分類機制轉換成本也較低（Taboada, 2016）。目前業界普遍未透露技術核心的演算法為何，但無論是機器學習法或情緒字典法，在測量社群的多數意見向度時，以語言學和資料科學為本的方法論都能夠避開閱聽人憑直覺猜測言論風向等主觀感知偏誤。又由於社群中每一個發言條目都能被記錄下來，在速度和即時性上也更勝過去學者常用的問卷和訪談法（Liu & Zhang, 2012; Singh, & Husain, 2014; Zhang & Vos, 2014; Anstead & O'Loughlin, 2015; Barker, Barker, Bormann, & Zahay, 2016）。. 治政大儘管以情緒分析法進行研究享有快速及排除主觀偏見的益處，但仍有許多疑立. 慮待研究進一步解釋。例如情緒分析法在資料擷取的過程中難以將虛假捏造. ‧ 國. 學. （nonveridical）的發言篩選出來，使得分析結果容易受到干擾（Tabaota et. al.,. ‧. 2011; Tabaota, 2016）。又如網路用語變化速度快、發言主題跨度大，無論是機. sit. y. Nat. 器學習法或情緒字典法面對網友流行語的劇烈變動都會遇到訓練及配對語料轉. n. al. er. io. 換上的困難，造成無法正確判別諷刺或雙重否定等情緒狀態的可能性上升. i n U. v. （Kouloumpis, Wilson & Moore, 2011）。最重要的是，情緒分析法是由少數發言. Ch. engchi. 者言論獨佔分析資料來源，因此時常受到樣本母體過少，分析結果難以與整體社群意見類比的質疑。. 三、主、客觀方法區分與比較本文認為，當今若要掌握網路使用者的脈動，即時性依然是第一考量，一個更快速且系統化的方法值得被善加應用。情緒分析法無法觸及潛水者的先天限制難以克服，若採此法進行研究分析是為了克服速度、數量和主觀偏誤等干擾性因素。在調查法和情緒分析法各有利弊的前提下，若情緒分析技術能夠和調查法測量多數意見的結果具有相同的潛水動機預測能力，或者若是兩者測量結果具有高 15.

(26) 度相關性，往後潛水者研究在方法選擇上則可更多元，社群聆聽技術的發言者代表性問題也能得到初步討論。為了凸顯調查法與社群聆聽情緒分析法兩種方法進行過程的不同，因此本研究嘗試以主、客觀對兩種方法做出區分。以受訪者主觀評估多數意見的調查法為主觀；以程式單一標準進行多數意見計算的情緒分析法為客觀，並針對同一議題，測量主、客觀社群意見一致性，以比較兩者是否有相關性及對後續潛水動機之影響是否具有同等預測力。主、客觀兩種方法測量過程都需要受訪者表態對議題的立場，作為一致性比較的基準，且受訪者可能包括潛水者，因此本研究之受訪者意見將統一採用調查. 治政大法進行測量。而主、客觀方法間的不同主要落在社群主流意見測量方法上，為避立免受訪者對部分爭議性議題的態度曖昧模糊，導致態度或情緒測量困難，對受訪. ‧ 國. 學. 者進行二分法的提問和測量將有助於後續分析。如表 2-2，經比較過去相關研究. ‧. 方法，由於 Ho 和 McLeod（2008）和 Ho 等人（2013）之方法是將態度李克特量. sit. y. Nat. 表重新編碼為二分法的態度分數，能夠避免受訪者勉強填答，同時兼顧態度二分. n. al. er. io. 法的原則，因此本研究將延續其方法，進行主觀社群意見一致性的測量。. i n U. v. 另外客觀的社群主流意見測量，則如前述使用程式進行估算。為配合主觀社. Ch. engchi. 群主流意見的二分法測量方式，目前業界經常使用的情緒指標，情緒正負比（positive-negative ratio）會是較恰當的客觀主流意見指標。情緒正負比由正向情緒分數與負向情緒分數的比值所得，若數值小於 1 則視為負向情緒較多；反之若大於 1 則視為正面情緒較多（Asur & Huberman, 2010, August）。本文客觀主流意見測量使用情緒正負比作為指標的好處在於能避免中立意見難以納入態度二分法計算，若正向情緒分數比數值大於 1，代表支持意見較多，並重新編碼為+1；若數值小於 1，代表反對意見較多，並重新編碼為-1。受訪者意見與社群意見一致性測量的部分，則沿用 Ho 和 McLoed（2008）與 Ho 等人（2013）之作法，將 16.

(27) 受訪者意見的分數（-1 或+1）分別與客觀的社群主流意見分數（-1 或+1）相乘，結果若為+1，則視之為高客觀社群意見一致性，若為-1 則視之為低客觀社群意見一致性。於此本研究提出三個研究問題。研究問題一：主觀社群意見一致性與客觀社群意見一致性是否顯著相關？研究問題二：客觀社群意見一致性低時，是否會導致潛⽔者因爲害怕被孤⽴. 動機⽽產⽣潛⽔⾏為？研究問題三：客觀社群意⾒⼀致性⾼時，是否會導致潛⽔者因爲社會性散漫. 治政大動機而產生潛水行為？立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 17. i n U. v.

(28) 表 2-2：社群主流意見、受訪者意見與社群意見一致性測量社群主流意見. 受訪者意見. 社群意見一致性. 資料來源. 主觀社群受訪者估算社. 受訪者對議. 支持比例重新編. Ho 和 McLeod. 意見一致群對該議題的. 題的支持程. 碼分數(-1/+1) x. （2008）、Ho 等人. 支持比例. 度（六點李克受訪者支持程度. （0%-100%）. 特）. 重新編碼分數. 0%~49% =-1. 1-3 = -1. (-1/+1). 50%~100% =. 4-6 = +1. +1 為高一致 -1 為低一致. +1 受訪者估算社. 受訪者對議. 受訪者對議題的. Nekmat 和. 群對該議題的. 題的支持程. 支持程度−全部. Gonzenbach（2013）. 支持比例. 度（十點李克受訪者對議題的. （0%-100%）. 特）. 立. 治政支持程度平均值大 (0-10). ‧ 國. 10 為低度一致 ---. 意見自身意見的一致程度（五點. y. 李克特） ---. n. al. ---. learning based）. Ch. engchi. sit. io. 意見一致（machine. Matthes（2015）. ‧. 受訪者估計群體. Nat 客觀社群機器學習法. 學. 0 為高度一致. ---. 性. （2013）. er. 性. i n U. v. Pang, Lee & Vaithyanathan （2002）、Paltoglou & Thelwall（2010, July）. ---. 情緒字彙法. ---. Turney（2002）、. （lexicon. Lin & He. based）. （2009,November）. 情緒正負比. 受訪者對議. +1 為高一致. P/N < 1 = -1. 題的支持程. -1 為低一致. P/N > 1 = +1. 度（六點李克特） 1-3 = -1 4-6 = +1 18. 本研究.

(29) 第三章研究方法第⼀節研究架構本研究試圖透過社群意見一致性如何影響潛水者害怕被孤立或社會性散漫動機，並探討這兩種動機如何影響潛水者在社群中的發言者意見與行為。另外，本研究以社群聆聽程式難以偵測性社群中的潛水者意見為問題意識出發點，將社群意見一致性的測量方法做主、客觀區分並比較，藉此比較調查法(即主觀)與社群聆聽程式(即客觀)測量結果，以驗證社群聆聽結果的代表性。綜合第二章之所述，本研究架構圖如下。. 圖 3-1：研究架構圖. 學. ‧ 國. 立. 政治大 H1. 害怕被孤立動機. sit. RQ2. n. al. er. io. RQ1. y. Nat. 一致性. ‧. 主觀社群意見. Ch. e n g cH2h i U. v ni. 潛水行為. 客觀社群意見一致性. 社會性散漫動機 RQ3. 第⼆節社群與議題選擇批踢踢電子佈告欄系統（PTT BBS）是台灣最主要的社群論壇之一。資策會的資料（2015 年 11 月 11 日）顯示，批踢踢各討論區的討論主題是消費者取得 19.

(30) 各項資訊的重要管道，也是各家行銷人員的兵家必爭之地。然而即使各大討論板並無明確的立場聲明，在議題討論上也大多能容納各家觀點，但某些板位仍時常被質疑具有特定政治屬性（翁嫆琄，2014 年 9 月 16 日；鍾泓良 2016 年 5 月 20 日）。這也代表閱聽眾未細讀發言即依媒體立場判斷主流意見氣候的狀況確實存在，主客觀之間的社群主流意見也可能因此產生差異。此外批踢踢的發言數與總社群成員人數差距也頗為懸殊，最高同時在線人數曾突破十萬人，但單一討論條目不扣除重複發言帳號，卻最多僅有六百餘則（i-Buzz 口碑研究中心，2017 年 3 月 22 日）。由此可知針對單一議題的討論狀況而言，潛水者仍然佔了大多數。. 治政大因此本文認為批踢踢作為潛水者研究的社群標的是恰當。立. 在選擇討論板時，本研究根據研究當下同時上板人數達前五十名，未禁止發. ‧ 國. 學. 放問卷的討論板作為議題樣本來源。最後擇定議題性質接近的韓劇板. ‧. （KoreaDrama）和電影板（Movie）兩個熱門板中，各挑選一議題為研究標的。. sit. y. Nat. 另外由於網路話題熱度變化快速，為避免研究執行時受訪者對議題之相關知識與. n. al. er. io. 記憶隨時間消減，本文將對電影板 7 月 15 日至 7 月 23 日間、韓劇板自 7 月 28. i n U. v. 日至 7 月 30 日間，挑選研究開始前三日內之高討論熱度話題，討論熱度判准為. Ch. engchi. 議題文章回文次數超過 90 則者。因此韓劇板（KoreaDrama）議題為「秘密森林」影集，電影板（Movie）議題為「蜘蛛人：返校日」電影。. 第三節調查法一、母體、抽樣方法與流程網路調查法而言，本文設定之兩個討論板各自的社群成員為主要研究母體。為求受訪者被接觸的機會均等，本文在徵詢管理者同意後，於該討論板發表問卷貼文，並在文內附上問卷連結，供受訪者自批踢踢問卷貼文版面，連線至. 20.

(31) SurveyMonkey 問卷網填答，並在問卷連結設置同一連線位址（IP）不可重複填答的系統規則，防止同一受訪者重複填答的情況發生。本研究以立意抽樣的方式開放批踢踢社群成員填答。立意抽樣標準為：最近三天曾到過本研究鎖定的兩個熱門討論板，且對本研究鎖定的高討論熱度話題具備基本知識，能夠針對該議題表態意見者。為了確認受訪者是否符合資格，問卷開始將設置篩選題「請問您最近三天是否閱讀過電影板的「蜘蛛人：返校日」相關討論串和回文？」和「請問您最近三天是否閱讀過韓劇板的「秘密森林」相關討論串和回文？」，若此題回答為否者，. 治政大則停止作答。回答為是者，則接續填答問卷，完成後續填寫基本資料，以及五項立. 量表包括：受訪者意見、主觀社群主流意見、害怕被孤立動機、社會性散漫動機、. ‧ 國. 學. 與潛水行為。填答完畢後即可獲得抽取五百元超商禮卷之資格，並於問卷調查結. ‧. 束後，通知中獎人與寄發獎項，預計超商禮卷將發送二十份。. y. sit. Nat. 二、問卷前測. n. al. er. io. 為避免問卷題項語意不清或翻譯用詞不夠精準造成問卷失效（Babbie, 2013），. i n U. v. 本研究使用立意抽樣，對 20 位為二個討論板之一的成員，並對相關議題具備基. Ch. engchi. 本知識者，進行問卷前測。前測過程主要以訪談法請受試者指出以下問題： 1.. 問卷中是否有難以理解的描述？. 2.. 題項中是否有讓你覺得奇怪或難以理解的遣詞？. 3.. 問卷中是否有讓你覺得語義重複的題項？. 4.. 題項順序是否有需要調整之處？. 5.. 是否有你覺得選項中未囊括或難以回答的情況？. 6.. 對本問卷的其他建議。. 21.

(32) 從前測結果得知，問卷調整了部分詞彙和句法使用來讓題項更利於受試者理解。修改後的變項測量方式將於變項測量部分詳細說明。. 三、變項測量本文調查法問卷共包括六個變項（見附錄一），以下將逐一就測量方法說明（一）主觀社群主流意見. 主觀社群主流意見測量指特定討論板的社群多數成員，對一特定議題是否支持或偏好。測量上亦採 Ho 和 McLeod（2008）與 Ho 等人（2013）使用之方法，請該社群之成員估算所屬討論板對特定議題感到支持之比例。問題為：「請問您. 治政大最近三天認為電影/韓劇板鄉民，喜歡「蜘蛛人：返校日」/「秘密森林」的比例立 ‧ 國. 學. 為何（0%-100%）？」估算結果為 0%-49%者，重新編碼為代表不支持的-1。若結果為 50%-100%者，重新編碼為代表支持的+1。. ‧. （二）受訪者意見. sit. y. Nat. 本文受訪者意見指特定討論板社群成員，對一特定議題是否支持或偏好。測. n. al. er. io. 量採 Ho 和 McLeod（2008）與 Ho 等人（2013）使用之方法，以六點李克特量表. i n U. v. 共一題進行測量，答項從 1 至 6 代表對該議題非常不支持到非常支持。問題為：. Ch. engchi. 「請問您對最近三天認為電影/韓劇板熱烈討論的「蜘蛛人：返校日」/「秘密森林」這部電影/影集感到…」。受訪者意見填答 1-3 分者，將被重新編碼為代表不支持的-1。填答 4-6 分者，則重新編碼為代表支持的+1。（三）主觀社群意見一致性. 主觀社群意見一致性指受訪者意見與主觀社群主流意見的一致性高低。測量方法延續 Ho 和 McLeod（2008）與 Ho 等人（2013）使用之方法，將重新編碼後的受訪者意見結果（-1 或+1）乘上重新編碼後的主觀社群主流意見（-1 或+1），. 22.

(33) 得到一個-1 或+1 的結果。若為-1 則視為低一致性，若為+1 則視為高一致性。最後將低一致性-1 重新編碼為 0，高一致性+1 重新編碼為 1。（四）害怕被孤立動機. 害怕被孤立心理指受訪者對於自己在討論板上針對議題公開發文或回文，導致被其他成員排擠一事的害怕程度（Noelle-Neumann, 1974）。測量方法主要根據 Scheufele 等人（2001）所發展之量表進行。雖然近期許多學者採用 Hayes 等人（2011）發展的量表，以改善閱聽人先天害羞程度（shyness）影響潛水行為表現的干擾程度（Gearhart & Zhang, 2015 ;Neubaum & Krämer, 2016）。但 Hayes. 治政大等人（2011）的量表板本是將害怕被孤立視為一人格特質（trait-based），但本立 ‧ 國. 學. 文害怕被孤立之概念是一心理狀態（state-based），與 Scheufele 等人（2001）板本問卷概念較接近，故改編後者量表共七題，題項為：看到最近三天電影/韓劇. ‧. 板，對「蜘蛛人：返校日」/「秘密森林」的討論，我覺得…「我會擔心因為自. sit. y. Nat. 己和其他鄉民的立場不同而被排擠」、「我不會擔心其他鄉民忽視我的意見（反. n. al. er. io. 向題）」、「如果講出自己的想法就會被其他鄉民排擠，我會避免講出自己的想. i n U. v. 法」、「我很享受在板上不跟著爭論此事的感覺」、「我認為在板上就此事和鄉. Ch. engchi. 民進行討論有助增加我的相關知識（反向題）」、「我很享受和其他鄉民良性的討論這件事（反向題）」「我會盡量避開其他鄉民對此事的爭論」。此部分使用七點量表，1 為非常不同意，7 為非常同意，本文將問卷反向題重新編碼後，所有填答結果加總，再取平均值成為害怕被孤立動機指標。（五）社會性散漫動機. 社會性散漫心理指受訪者讓其他討論板成員承擔更多發文或回文責任的傾向程度（Latané, Williams & Harkins, 1979; Karau & Williams, 1993）。測量方法改編自 George（1992）發展之十題量表。由於原量表測量情境在於請受訪者評 23.

(34) 估某企業員工之分工狀況，而批踢踢社群成員與企業員工不同，在板上就議題發表意見並非義務，因此本文量表刪除「和同事負擔不同程度的職責」、「未善盡他/她那部份的職責」、「處理內務工作能推託即推託」、「將自己應該完成的工作留待他人完成」三項，成為七題量表，題項依序如下：看到最近三天電影/ 韓劇板，對「蜘蛛人：返校日」/「秘密森林」的討論，我覺得…「板上其他鄉民隨時都在線上，也能對此發文/回文，我可以少發表一些意見」、「板上其他鄉民已經對此發文/回文了，所以我可以不用花時間寫出自己的意見」、「我不需要和板上其他鄉民一樣用心發表己見」、「如果板上其他鄉民能夠發文/回文，. 治政大我可以少貢獻一點內容」、「如果板上其他鄉民能夠發/回文，我不太會就此事立. 發表意見」、「板上隨時有其他鄉民能發/回文，我不必太認真發表意見」、「板. ‧ 國. 學. 上隨時有其他鄉民能發文/回文，我不必和他們一樣」。此部分使用七點量表，1. ‧. 非常不同意，7 為非常同意，並將問卷填答結果加總，再取平均值成為社會性散. y. sit. n. al. er. io. （六）潛水行為. Nat. 漫動機指標。. i n U. v. 潛水行為則根據前文之定義，指在所屬討論板上，從未針對該議題發文或回. Ch. engchi. 文的行為（Lai & Chen, 2014）。據此定義，潛水行為之題項為「請問您對最近三天曾對「蜘蛛人：返校日」/「秘密森林」這部電影/影集發言過幾次？」。若回答為 0 次，則視為潛水者，重新編碼為代表潛水行為程度最高的 6。若回答為 1 次、2 次、3 次、4 次或 5 次以上，則為發言者，依序重新編碼至代表潛水行為程度最低的 1。. 24.

(35) 第四節社群聆聽情緒分析法一、客觀社群主流意見分析流程客觀社群主流意見指透過程式分析特定討論板內的發言文本，判斷社群內多數成員對一特定議題是否支持或偏好。為能與業界實際運用之情緒分析技術接軌，客觀社群主流意見分析流程與亞洲指標數位行銷顧問股份有限公司合作，使用其社群聆聽情緒分析技術，對本文選擇的議題進行文本情緒分析，並以情緒正負比（Asur & Huberman, 2010, August）之重新編碼結果作為本文客觀社群主流意見. 政治大如表 4-1 原流程，對方公司提供之情緒分析技術流程為：首先對欲分析之目立. 之指標。. ‧ 國. 學. 標議題設定「議題詞組」，收納所有社群成員可能用來稱呼該議題之相關詞彙，例如「蜘蛛人：返校日」電影之議題詞組可能包括「蜘蛛人」、「返校」等稱呼. ‧. 方式。建立議題詞組後，再根據議題詞組內所有詞彙對所有社群媒體內所有發言. y. Nat. io. sit. 內容進行配對，當中配對成功，發言內容包含議題詞的主文和回文，將被爬取回. er. 資料庫作為文本情緒分析標的。取回待分析文本後，接著再以情緒字典法進行情. al. n. v i n 緒分析。流程為使用公司內部原有之情緒字典詞組，其詞組內含大量事先被定義 Ch engchi U 正、負向情緒的情緒詞，來對待分析文本進行情緒詞配對。若發現一則文本中僅. 包含情緒字典詞組中的正面詞彙，則判斷該則發言內容為正向；若發言內容僅包含詞組中的負面詞彙，則視該則發言為負向；若發言中同時包括正和負面詞彙，則視該標的為中性；其他如未包含議題詞組的發言內容則視為無關發言。最後將正向發言內容的總則數，除以負向發言的總則數，作為該議題之情緒正負比，若情緒正負比大於 1 代表社群成員對該議題之發言情緒為正向，若小於 1 則代表社群成員對該議題之發言情緒為負向，並依此情緒正負比值結果作為客觀社群主流意見指標。 25.

(36) 在與對方公司商討後，本文依據使用情境對分析流程作出兩項調整。首先文本篩選標準。就一般批踢踢使用經驗而言，使用者進入討論板後將先閱讀文章標題清單來選擇何篇文章要進一步閱讀，這意味其在進入該篇文章後，不難認知該文章內絕大多數內容皆與該篇文章標題提到的議題有關，即使在發言內容未包含議題詞的狀況下，仍有可能清楚分辨其發言是針對該議題討論串。若是以「一則發言內容」是否包括議題詞來作為篩選分析文本的標準，將會錯失不少適合的分析標的，例如「這集超好看！」此類適合做情緒分析的發言標的將會被原篩選流程排除。因此，本文改以「文章標題」是否包括議題詞組為標準來篩選分析文本，. 治政大最後將文章標題包含議題詞的討論串所有主、回文都爬取，作為分析標的文本。立第二項調整是情緒分析法的計算模型調整。原先使用的方法為，使用公司內. ‧ 國. 學. 部之情緒詞組以「一則發言」為單位對文本進行配對，並以正負相抵的方式判斷. ‧. 該則發言情緒為正、負或是中性，待全部發言內容之情緒判斷完畢後，再各加總. sit. y. Nat. 正面發言和負面發言的則數，兩者相除後作為情緒正負比。然而原處理流程在單. n. al. er. io. 則發言內正負相抵視為中性的做法，較容易扁平化文本語氣強弱作為正負情緒判. i n U. v. 準的功能（Liu & Zhang, 2012），例如在電影板出現之回文發言內容為：「laoinwin:. Ch. engchi. 不過對我來說只是小敗筆瑕不掩瑜」，人工判斷上給予正面評斷，但以前述正負相抵方法會依據「敗筆」為負面情緒詞，「瑕不掩瑜」為正面情緒詞的結果給予中性判斷。然本文情緒正負比作為重要的分析指標，此流程與需求較不相符。依此考量，本文情緒正負比的計算方式改使用過去情緒分析研究常使用的詞袋模型（bag-of-words）方式進行本文的情緒分析流程，希望在相同技術基礎上將詞彙的語氣強弱因素以計算數量的方式保留下來，並避免形成發言內容中性判定過多的結果。. 26.

(37) 轉以詞袋模型進行分析後，情緒分析流程為：在文章主文和回文爬取完成後，以 R 語言透過 jieba 斷詞程式碼對所有爬取回的主、回文文字內容統一進行 n-gram 斷詞，並同時計算該斷詞結果的出現次數。為篩除通用性過低的情緒字詞造成後續情緒判定困難，本文去除出現為兩次以下之詞彙，僅保留出現三次以上的較常用詞彙斷詞結果。接著以內容分析法對篩後的詞彙進行情緒向度判斷，在此過程將去除無法判斷情緒向度的詞彙，以避免中性詞彙的干擾後，建立出目標文本的正、負向情緒詞組清單。然而由於本文採 n-gram 斷詞方式切割文本，會出現情緒詞因為附加否定詞、. 治政大加強詞而出現的相同詞彙重複計算的問題，因此本文情緒詞組內的所有正、負情立. 緒詞都必須再次比對，篩選出重複在不同情緒詞組中出現的情緒詞彙，進一步檢. ‧ 國. 學. 查清單內是否包括情緒詞因否定詞和加強詞用法而被重複計算的問題。例如：「這. ‧. 麼差」被判斷為負向情緒詞，「哪有這麼差」被判斷為正向情緒詞，是否定詞「哪. sit. y. Nat. 有」與負向情緒詞「這麼差」的合用。這種情況若未事先處理，在「這部電影哪. n. al. er. io. 有這麼差啊？」一句發言中，將形成正向情緒詞和負向情緒詞各出現 1 次的結果，. i n U. v. 事實上應只計為負面情緒詞出現 1 次，而造成情緒分析結果偏誤。因此在二次比. Ch. engchi. 對後，「這麼差」的出現次數計算方式，將改為「這麼差-哪有這麼差」，以避免否定詞和加強詞被重複誤計的狀況，使情緒正負比計算結果能更貼近實際情形。情緒詞重複計算的問題處理完畢後，即建立完成情緒詞組，並據此對所有爬取回的議題文本進行配對，計算文本內的正、負詞彙的各自出現次數。其中正向情緒詞出現總次數作為 P 值，負向情緒詞出現總次數作為 N 值，P 值除以 N 值的情緒正負比結果作為客觀社群主流意見指標。情緒正負比結果大於 1 者代表支. 27.

(38) 持該議題的意見較多，並重新編碼為+1；若數值小於 1，代表反對該議題的意見較多，並重新編碼為-1，作為客觀社群主流意見指標。. 表 4-1：客觀社群主流意見分析流程更動對照原流程. 新流程. 「發言內容」含議題詞之特「文章標題」含議題詞之. 文本篩選標準情緒分析法. 定主、回文. 所有主、回文. 情緒字典法. 情緒字典法. （在發言內容中正負相抵）（詞袋模型）. 情緒分析單位議題情緒判斷（客觀社群主流意見）. 一則議題相關發言文字. 所有議題相關發言文字. 情緒正負比. 情緒正負比. 治（正面辭彙出現次數/負政則數）大面詞彙出現次數）立（正面發言則數/負面發言. ‧ 國. 學. 二、客觀社群意見一致性. ‧. 客觀社群意見一致性指受訪者意見與課觀社群主流意見的一致性高低。測量. sit. y. Nat. 方法與主觀社群意見一致性相近，沿用 Ho 和 McLeod（2008）與 Ho 等人（2013）. n. al. er. io. 之方法，將重新編碼後的受訪者意見結果（-1 或+1）乘上重新編碼後的客觀社. i n U. v. 群主流意見（-1 或+1），得到一個-1 或+1 的結果。若為-1 則視為低一致性，若. Ch. engchi. 為+1 則視為高一致性。最後將低一致性-1 重新編碼為 0，高一致性+1 重新編碼為 1，進行後續統計處理。. 28.

(39) 第四章資料分析第⼀節問卷樣本一、調查法樣本輪廓網路問卷發放時間為電影板自 2017 年 7 月 15 日至 7 月 23 日止，韓劇板自 7 月 28 日至 7 月 30 日止，實際有效樣本數為電影板 161 份，韓劇板 438 份，全體共 599 份。電影板樣本男女性比例各半，男性共 81 人，女性共 80 人。韓劇板樣本則以女性為主（387 人，88.4%）。全體樣本男性共 132 人佔 22%，女性共. 政治大. 467 人佔 78%。電影板年齡範圍自 18 歲到 61 歲，樣本主要集中在 22 到 36 歲，. 立. 約佔 85.1%。韓劇板年齡範圍自 15 歲到 56 歲，樣本主要集中在 18 到 36 歲，約. ‧ 國. 學. 佔 85.2%。所有有效樣本中，年齡範圍自 15 歲到 61 歲，樣本主要集中在 18 到. ‧. 36 歲，約佔 86.7%。. sit. y. Nat. 兩個討論板從未針對議題發言的潛水者為 393 人，佔 65.6%。曾經有發言經. io. al. er. 驗的社群成員為 206 人共 34.4%，當中只發言過一次的社群成員為 92 人，佔 15.4%。. n. 整體而言潛水者仍佔全體社群成員的多數，廣義上（發言 0 次、1 次）的潛水者. Ch. engchi. i n U. v. 更佔去整體使用者八成之多（Nonnecke & Preece, 2001）。. 二、問卷信度分析害怕被孤立動機量表部分，整體 Cronbach’s alpha 係數為 0.55。根據吳統雄（1990）對信度可信度參考範圍提出之見解，Cronbach’s alpha 係數若達 0.5 至 0.7 間，信度視為很可信，本文害怕被孤立動機量表通過信度標準。檢視各題項經刪除後的 Cronbach’s alpha 係數，並無法顯著提升信度水準，因此各題項完整保留，將各題分數加總平均後作為害怕被孤立動機指標，計算結果平均值為 3.399，標準差為 0.886。. 29.

(40) 社會性散漫動機量表部分，整體量表 Cronbach’s alpha 係數為 0.894，表示具有良好的信度。本研究將各題分數加總平均後作為社會性散漫動機指標，計算結果平均值為 4.26，標準差為 0.234。. 三、主觀社群意見一致性與潛水動機假設檢定. 圖 4-1 兩種潛水動機中介模型 H1. 立. 治政害怕被孤立動機大. ‧ 國. 學. al. sit. io. 社會性散漫動機. er. Nat. H2. 潛水行為. y. ‧. 主觀社群意見一致性. n. v i n Ch 本研究假設一認為主觀社群意見一致性低時會導致潛水者因為害怕被孤立 e n g c h i ，U 動機而產生潛水行為。為檢視此假設，本文採用 Hayes（2013）提出之 SPSS PROCESS 巨集中第 4 個模型（Model 4），透過 bootstraping 法對兩個中介變項在 95%信心水準下進行 5000 次抽樣迴歸分析。結果如表 4-2 模型一所示，主觀社群意見一致性負向且顯著影響害怕被孤立動機（B = -.19，p < .01），表示主觀社群意見一致性低的人會更容易有害怕被孤立動機。表 4-2 模型三結果表示害怕被孤立動機顯著且正向影響潛水行為（B = .234，p < .01），顯示害怕被孤立動機越高，潛水行為越可能發生。表 4-2 模型三結果也顯示主觀社群意見一致性與潛水行為兩者沒有顯著關係（B = -.059，p > .01）。表 4-3 之間接效果結果顯示 30.

(41) 95%信賴區間為[-0.103, -0.01]，由於 0 並未包含在信賴區間中，此結果顯示害怕被孤立動機顯著且完全中介了主觀社群意見一致性對潛水行為的效果，假設一得到支持。本文假設二認為主觀社群意見一致性低時，會導致潛水者因為社會性散漫動機而產生潛水行為。結果如表 4-2 模型二所示，主觀社群意見一致性負向且顯著影響社會性散漫動機（B= -.272，p < .05），表示主觀社群意見一致性低的人會更可能有較高的社會性散漫動機。表 4-2 模型三結果表示社會性散漫動機顯著且正向影響潛水行為（B = .199，p < .00），表示社會性散漫動機越高社群成員越. 治政大可能表現潛水行為。表 4-2 模型三結果也顯示主觀社群意見一致性與潛水行為兩立 ‧ 國. 學. 者沒有顯著關係（B = -.059，p > .05）。表 4-3 之間接效果結果顯示 95%信賴區間為[-0.125, -0.012]，由於 0 並未包含在信賴區間中，所以此結果顯示社會性散. ‧. 漫動機顯著且完全中介了主觀社群意見一致性對潛水行為的效果。然而此部分假. n. al. Ch. engchi. 31. er. io. 機，與結果相反，因此此檢定結果沒有支持假設二。. sit. y. Nat. 設檢定雖然顯著，但前文假設為主觀社群意見一致性應會正向影響社會性散漫動. i n U. v.

(42) 表 4-2 主觀社群意見一致性中介模型（n=599） B. SE. t-value. p-value. -2.653. 0.008. -2.476. 0.014. 2.960. 0.003. 治 3.843 政 0.052 0.131 大-0.451. 0.000. 模型一：中介模型（依變項：害怕被孤立動機）主觀社群意見一致性. -0.190. 0.072. 模型二：：中介模型（依變項：社會性散漫動機）主觀社群意見一致性. -0.272. 0.110. 模型三：依變項模型（依變項：潛水行為）害怕被孤立動機. 0.234. 社會性散漫動機. 0.199. 主觀社群意見一致性. -0.059. 立. 0.079. 0.652. ‧ 國. 學. 表 4-3 主觀社群意見一致性對潛水動機的間接效果（n=599）. 0.023. -0.054. 0.028. [-0.103, -0.010]. y. -0.045. Boot 95% CI. [-0.125, -0.012]. io. sit. Nat. 社會性散漫動機. Boot SE. ‧. 害怕被孤立動機. Effect. er. 中介. al. n. v i n C h社群聆聽情緒分析法第⼆節 engchi U 一、情緒分析技術前測. 為確認以業界技術判讀客觀社群主流意見之效度，以棒球板、韓劇板、電影板三個熱門討論版作為標的討論版，並且擇定三個版中回文超過 50 則的主文各一則進行客觀社群主流意見前測，包括棒球板 2017 年 5 月 31 日由 Wojnarowski 發文之「[新聞] 吃了悶虧. 廖正井：棒協從來不爭」、韓劇板 2017 年 5 月 31. 日由 trousersnake 發文之「[心得] 隧道似乎沒想像中好看」、電影板 2017 年 5. 32.

(43) 月 31 日由 a80568911 發文之「[普無雷] 神力女超人過譽了但已足以讓 DC 翻身」。前測進行方式為使用經本研究情境調整過的新流程，對三篇擇定文章之主、回文進行分析各得到一情緒正負比結果。接著使用內容分析法將三篇文章之所有主、回文進行編碼，類目包括：正向發言編為 1，負向發言編為 2、中性發言編為 3 等三類，並據結果得到內容分析法之情緒正負比結果。情緒分析流程首先使用 python 以爬蟲程式抓下三篇文章之主、回文後，透過 jieba 斷詞程式進行斷詞並排除詞頻僅兩次以下之斷詞結果，並進行重複字詞. 治政大處理後，建立三篇文章之情緒詞組，棒球板文章得到棒球板詞組共 87 組，韓劇立. 板和電影板因都屬戲劇類型，議題性質接近於是合併建立為影劇板詞組，兩篇文. ‧ 國. 學. 章共得到影劇板詞組共 173 組。以兩份詞組分別以情緒字彙法的辭袋模型分析目. ‧. 標三篇文章的所有主、回文，得到三篇文章之情緒正負比分別為，棒球板 2/127. sit. y. Nat. 即 0.016，重新編碼為-1 代表不支持；韓劇板 180/144 即 1.25，重新編碼為+1 代. n. al. er. io. 表支持；電影板 233/236 即 0.987，重新編碼為-1 代表不支持。. i n U. v. 接著使用內容分析法逐一判讀目標三篇文章之主文和每一回文條目的發言. Ch. engchi. 言論正負向。本文抽取三個討論板各 10%之發言內容進行編碼者信度測試，分別是棒球板 33 則、韓劇板 26 則、電影板 60 則發言，並在兩位編碼者信度達到 0.85 後，完成其餘發言內容編碼。得到三篇文章之情緒正負比分別為，棒球板 2/222 即 0.009，重新編碼為-1 代表不支持；韓劇板 74/38 即 1.947，重新編碼為+1 代表支持；電影板 96/98 即 0.98，重新編碼為-1 代表不支持。將兩者結果進行比對，可發現三篇文章正負比數值接相差無多，重新編碼後的情緒正負比結果也相同，據此判斷本文使用的社群聆聽情緒分析流程為可信。. 33.