社交媒体的社会学:以Twitter/X为例|Annual Review of Sociology

文摘   2024-10-25 22:26   中国  

社交媒体的社会学:以Twitter/X为例

摘要:

本文分析2009年以来发表的1644篇文章,以Twitter/X(以下称推特)为例,归纳社会学对该平台和利用其数据进行研究的历程。本文有助于了解该领域的发展,并为未来与社交媒体相关的社会学研究提供方向。作者首先简述推特,介绍推特作为方法论(定量、定性和混合)在社会学研究中的应用。其次,通过案例,探讨推特的使用和传播与社会世界的联系。最后,作者提出推进推特相关社会学研究的未来路径。此外,作者指出推特的社会学并不局限于推特本身,也可以为理解其他类似社交媒体平台提供框架。


作者简介:

Dhiraj Murthy,得克萨斯大学奥斯汀分校社会学系。


文献来源:
Murthy, D. (2024). Sociology of Twitter/X: Trends, Challenges, and Future Research Directions. Annual Review of Sociology, 50:169-190.

译者:
王友


本文作者:Dhiraj Murthy


引言

社交媒体Twitter/X(以下称推特),已系统地介入多个学科、方法和主题领域的研究,例如,政治、选举活动、文本挖掘/分析、健康传播、主题分析、情感分析以及旅游管理研究。这种广度体现了与推特相关研究的跨学科性质。 

推特上的内容对社会产生了深远影响。比如疫情阴谋论推文在该平台上获得用户高度参与,影响现实中人群对疫情的认知。在印度,推特围绕一起吸毒案件制造道德恐慌,影响了正当法律程序。特朗普被称为“推特总统”,因为他在向幕僚宣布政策之前就在推特上发布了,也经常发布内容助推政治极化。推特促成了这些社会变化,也影响了日常交流的空间。实证研究发现,推特在地方层面的信息传播中更为有效。推特创造了新的社会和空间模式,但同时也在强化传统的本地信息传播及其相关网络。有研究发现,人们在一周中所发推文的情绪模式与自杀模式一致(例如周一自杀的比例更高)(Kmetty et al., 2017)。 

虽然大型推文数据集经常被用来回答社会问题,但迄今为止还没有对社会学中的推特进行过专门的回顾。本文旨在通过社会学视角填补这一空白,从三个研究类别(定性、定量、混合方法)回顾1)推特如何作为研究方法,2)推特的使用和传播揭示了社会世界的哪些方面。最后,本文为未来的研究方向提供一个路线图,包括将推特的社会学推广应用于其他类似推特的平台的可能性。


推特简介

推特于2006年7月推出,是一个“微博客”(向公众发布短文)平台,旨在让他人了解用户的“状态”。与博客一样,帖子默认为公开内容,使用者也往往将平台视为公共领域而非私人空间。只有一小部分用户会保护自己的推文(将其设为私人空间)。与Facebook等其他社交平台不同,推特允许个人公开广播,关注并接收来自任何用户的公开回复。直到2023年中期,任何人都可以查看公开推文,甚至无需注册。截至2023年底,用户可以查看X上的公开帖子,但必须拥有一个账户才能查看回复、视频/图片和点赞。早年,该平台从单向媒体转向双向媒体,被认为是传统媒体的颠覆者。用户可以使用@符号将对话指向特定的人,也可以使用hashtag(#)将帖子链接到特定标签下的大量推文,从而与关注者和公众进行交流。推特率先使用标签来组织讨论,其他平台也纷纷效仿。用户还可以通过搜索标签,找到与特定兴趣、话题或社区相关的推文。在推特之前,全球公共交流往往是在个人长篇博客、讨论区、聊天室中松散地组织的,而如今推特标签等提供的传播基础设施对#MeToo等社会运动起了革命性的作用。

学者们起初认为推特很可能昙花一现,但它现已成为日常生活的主要组成部分,提供了一个即时的、全球的、广受关注的广播平台。自创立以来的十五年,该平台深刻地影响了经济、政治和社会生活的方方面面。世界各地各行各业的精英都是推特用户。世界各地的用户在推特上建立有意义的社区,包括建设被边缘化群体的社群。马斯克于2022年10月接管推特,该平台被更名为“X”,更积极介入政治和商业活动,包括收集个体识别/就业数据,推广言论自由精神(如恢复以前被禁言的用户)等。例如,特朗普因支持国会袭击事件而于2021年1月被禁止使用推特,以降低“进一步煽动暴力的风险”,而马斯克于2022年11月恢复了他的账号。 

推特的全球影响力以及公开提供的大量数据,支持了市场营销、计算机科学和信息学等领域学者的研究。社会科学领域,尤其是传播学、语言学、地理学、政治学和教育学领域的学者也迅速跟进。早在十多年前,Twitter 数据就已成为许多学科中流行的社交媒体数据源。到2013年,大量研究将社会理论应用于理解公众在平台上的行为。这些研究阐述了推特如何被用来组织社会运动、建设和支持社区,以及揭示不平等现象。该平台受到社会科学家欢迎的另一个原因是其独特的数据访问权限。通过API接口,学者可以免费访问多达1%的推文数据。这一功能使研究人员能够收集人口级大数据(如标签、关键词、ID和所发布推文的情感)回答社会学问题,推特就此成为一种社会科学“显微镜”。下图见与推特相关社会学领域论文的发表趋势。



推特作为研究方法

社会学刊物中与推特相关的文章可归为三种方法论:定量(如统计和机器学习)、定性(如数码人类学方法)和混合(如焦点小组与机器学习的结合)。计算研究既有归纳式的,也有演绎式的。社会学家利用用户在推特上发布推文或参与推文时留下的数字足迹来研究数字痕迹,由于自然发生,数字足迹可能比问卷或其他传统社会数据更可靠。对推特使用模式的计算研究,比如通过元数据或内容推断用户位置的机器学习分析,可以衡量大城市的生活节奏、社会流动性和社会经济地位。多项研究(Murthy et al., 2021; Nguyen et al., 2017)利用脚本(如Tweepy软件包;https://github.com/tweepy/tweepy)持续对全球1%的推文进行随机抽样,以收集数亿甚至数十亿的样本流进行研究。还有研究收集带有特定地理参数的推文,以获得源自特定地点或城市的推文,从而研究特定地点的流行内容、情感和社会动态。 

传统统计或机器学习方法应用于大型推特数据集,以研究推文中浮现的情感或主题/话题,比如无监督机器学习驱动的聚类/主题分析和监督机器学习驱动的情感识别/编码,并/或结合时间锚和地理位置数据进行时空分析。 

许多定性研究在使用推特样本时采用基于基础理论的开放式方法,即不做理论预设,而是在沉浸推文的过程中,使用新兴编码来理解主题、对话和符号。数码人类学方法将推特视为一个田野现场,人类学者在此观察,做详细的田野笔记,并可能与受访者互动,即“在线实践的人类学调查”。例如,Chretien et al(2015)对31名医学生8个月来在推特上的活动进行追踪观察,实时刻画其与环境互动的丰富生态。 

混合方法通常使用传统调查以及机器学习和定性方法的组合。例如,在将机器学习与定性方法相结合方面,Karamshuk et al(2017)对自杀相关推文进行研究,再制定分类规则,对一些推文人工分类以作为训练集、验证集和测试集,最后利用机器学习对收集到的全部数据(N=180万)进行自动分类。Philips et al(2021)采用基于机器学习和网络分析的方法,对美国50个大城市的1.34亿条推文及地理标记进行聚类,以研究流动性和城市连通性,发现一些街区之间几乎没有联系;而在种族隔离较少和国际化程度较高的城市中,他们发现“结构连通性水平较高”。 

目前推特已关闭API免费访问,但一些机构利用历史API数据流归档、爬虫等方法建立推特存档数据集,试图维持推特数据的开放性,避免研究被较富裕机构(全球北方)的学者垄断。


推特作为社会学研究对象:推特的使用和传播与社会世界

推特的使用和推特上的传播反映了长期存在的社会不平等、隔离、仇恨、分裂和种族主义,也反映了团结、肯定性身份政治和集体行动的复合形式。推特本身作为研究对象,已被用于推进对社会运动、政治、传播和行动主义的社会学理解。 

许多关于推特的研究讨论该平台是否能建立起某种团结,以及它是否加剧社会生活的原子化和社会同质化、政治极化。涂尔干的“机械团结”(mechanical solidarity)和“有机团结”(organic solidarity)概念对于评估推特上团结的形成和维持仍然具有价值。机械团结是通过“统一的信仰和实践”产生的,例如疫情期间,被封锁的意大利人在推特上一起使用 #iorestoacasa(“我呆在家里”)标签讨论他们的共同经历,产生了一种集体的、机械的团结。有机团结是通过“合作的个人和团体的相互依存”产生的,通常以支持性社区的形式表现在推特上。例如,澳大利亚研究生助教必须参加“教师绩效评估”相关的推文,通过本人、导师、其他教师、课堂上孩子们的公开发帖、评论和点赞,显示有机团结。 

尽管推特是建立在高度个性化的基础上,但平台上也出现了集体的、相互依存的社会的典型形式。比如世界各地的黑人用户围绕黑人身份创建并维护标签,显示出高度的有机团结——“黑人推特”。即使推特的个体化程度很高,但仍存在着持久而重要的集体。然而,在某些情况下,推特上的社会互动不利于建立团结和社区。例如,俄亥俄州立大学校园枪击案相关推文反映了美国自由派和保守派之间的高度极化。很多时候,内容仍掌握在少数用户手中,反映精英和主流媒体在社交媒体仍能继承其传统影响力。 

此外,社交媒体空间会对个人施加巨大的同辈压力,迫使其顺应潮流。一些推特空间表现出高度的同质性,使同类聚集在一起。如果个人希望留在群体中,就会感受到要与立场、意识形态和实践保持一致的压力。实验研究也发现,个人会因压力公开遵从推特Feed中展示的多数意见/规范。 

推特是“探讨种族主义和性别歧视等难以当面讨论的话题”的有效空间。Inara Rodis(2021)利用5950万条推文样本和定量情感分析发现,包含隐蔽的种族和性别歧视的攻击性内容的推文被推送的可能性略高。这项研究揭示出,尽管世界上许多地方对种族和性别问题非常敏感,推特用户仍能肆无忌惮地通过侮辱和攻击提出质疑。标签特别有助于那些在其他场合可能感到不自在的人公开表达自己,从而建立集体身份和团结。 

推特式的民主是否能促进组织、激励人们走上街头开展集体运动,并最终促成社会变革?由于同质性,推特上的言论最终形成了回音室,难以向外传播。社交媒体声音的混杂可能会导致激进的声音被削弱。有时,推文可能会引发行动呼吁,但也就此打住。这可能是“点击行动主义”的副产品,这是一种低风险/低努力的参与形式,但能让用户认为自己参与过了而满足。用户在推特等平台上只通过低努力的点击(点赞和转发)与社会运动相关的内容进行互动。有定量研究发现,在相关抗议活动期间,仅有不到四分之一的推文与线下抗议活动有关。


未来研究路径

目前,社会学研究集中在了解推特社区、基于推特的社会运动,以及公众在该平台上的行为(如发布量、风格和内容)所反映的社会现实。利用推特数据进行的数字社会研究有助于理解社会关系是如何构成的。许多定量研究建立在大量推特数据和元数据的可及性上。在此基础上,本文提出未来研究的框架,适用于推特和其他类似社交媒体平台的社会学研究。

1)应重视定性和混合方法,比如在标签、社区和人群中开展更多数码人类学工作,尤其是在当下API功能收费的背景下。

2)利用历史数据集(涉及机器学习、定性方法和传统统计方法)开展纵向研究:比如研究城市流动性或城市生活节奏可以利用十年的推特数据探究发生的变化,甚至预测未来的社会变化;对暴力感兴趣的社会学家可以研究近年来美化武器的帖子;利用这些数据进行的纵向研究可能会发现美国人口普查等传统数据源无法揭示的模式或过程。

3)应使用新一代人工智能,包括ChatGPT等生成式人工智能(大语言模型),分析历史和未来数据集:比如ChatGPT在确定推文情感方面非常准确,ChatGPT和其他下一代大型语言模型(LLMs)可用于检测各种形式的错误/虚假信息,并辨别有害内容在平台(甚至整个互联网)上的存在程度;另外,由于LLM已被发现会生成有害和有偏见的内容,未来研究也可以检测平台上机器生成的内容。

4)对平台上的变化进行评估和审计,这项工作包括评估取消内容审核对平台的影响,恶意和有害言论的传播,以及特定社区、个体和群体受到影响的方式、原因,提出建议。

5)在某些国家和背景下,用户及其数据可能非常偏倚,可以对偏倚人群的类型和数据提出针对性的社会学问题:地理标记数据历来偏向于城市用户,有利于城市社会学研究;人群偏倚在国家层面也很明显,科威特、韩国、日本、巴西和印度尼西亚的人均用户数排名靠前;利用存档数据进行历史研究,以及针对拥有大量用户的城市或国家的数据提出研究问题,都为未来研究提供大量机会。

6)将推特的社会学研究经验推广到其他社交媒体平台。


编译 | 王友
审核 | 康正炎
终审 | 穷象
©Sociology理论志





前沿追踪/理论方法/专家评论
ID: SociologicalReview

点点“在看”给我一朵小黄花


Sociology理论志
搜索“理论志”,发现新学术:六万余读者关注的理论志社会学平台。目前,我们主力追踪国内外社会学、人类学和区域研究新动态。
 最新文章