谁能监管“巨无霸”平台？来自Facebook、X 和YouTube的证据｜Political Communication

鉴于这些深远的影响，学者们必须更好地理解塑造平台政策决策的力量。在本文中，我们研究了可能对这些过程产生影响的因素之一：媒体报道。根据2005年至2021年间收集的英文报纸数据，并利用一系列自然语言处理技术，我们对Facebook、Twitter和Youtube的媒体报道进行了大规模的内容和纵向分析。使用重复事件的生存分析方法(survival analysis)，考虑到由于异质性导致的事件时间之间的潜在相关性，我们对负面新闻报道如何影响这些平台上的政策变化进行了建模。

1.平台治理

先前的研究表明，平台的决策过程在很大程度上是对公众隐藏的。鉴于平台内部运营的黑箱性质，现有研究为影响平台政策制定的一些因素提供了重要见解。

然而，由于这些研究主要关注平台内部规则制定，忽视了平台作为企业参与者所嵌入的更广泛的制度背景，以及这种环境如何影响其战略决策。迄今为止，学术界很少关注的一个方面是媒体在对科技公司施加规范压力方面的作用。随着社交媒体在人们的生活中占据中心位置，记者和民间社会团体越来越多地承担起监督的角色，审查平台的做法，揭露平台疏忽。

一些学者将这些事件描述为公共冲击：引发公众愤怒和对平台负面影响的担忧的关键时刻，获得了广泛的媒体关注，要求其所有者采取更多措施保护用户免受这些伤害，总结为“技术冲击”。有充分的证据表明，这些事件可能会给平台带来采取纠正措施的压力。

2.媒体报道在平台治理中的作用

负面的媒体报道可能会影响平台的政策活动。其中一个原因与媒体的议程设置功能有关。议程设置理论的核心原则是，新闻报道在引起人们注意问题方面起着重要作用，特别是围绕“焦点事件”和危机。

虽然关于媒体对政策制定影响的研究主要集中在公共政策上，但一些战略管理文献表明，这些机制也可能扩展到平台治理。媒体报道可能影响公司政策活动的一种方式是将他们可能没有意识到的问题引起注意。公司倾向于维持现状——尤其是当他们表现良好的时候——只有当问题对公司领导层来说变得突出时，他们才会求助于战略变革。在议程设置的第一层面，如果记者经常突出地报道平台的内部运营和政策，那么他们的报道所提出的问题可能被公司高管视为重要的，并可能倾向于解决这些问题。在这方面，媒体报道的价值很重要。负面事件比正面或中性的新闻更有可能变得突出。

为了限定和量化Facebook、Twitter和YouTube的媒体报道是如何随着时间的推移而演变的，我们依赖于定性内容和有针对性的情感分析的结合。我们的第一个测量任务是从我们的新闻语料库中剔除任何不相关的文章，并按主题对其进行分类。由于我们的研究主要关注负面报道对平台政策活动的影响，能够区分将平台称为具有决策权的公司实体的文章很重要（例如，“Facebook推出关于健康错误信息的新政策”），而不是简单地将其称为特定事件的网站（例如，“唐纳德特朗普加入了Twitter”)。在我们的案例中，只有前两种情况是相关的。除此之外，为了验证我们的假设，我们还需要识别专门报道平台政策和战略决策的文章。

为此，我们开发了一种定性编码方案，旨在捕获语料库中存在的所有主题。遵循归纳和迭代方法，团队的三名成员独立地在50篇新闻文章的随机子样本中确定了共同主题。然后，团队成员共享并审查初始代码以进行验证，然后将其整合到更广泛的类别中。这个过程重复了三次，最终产生了八个主题类别：(1)业务，(2)政策，(3)产品和功能，(4)社会，(5)法律，(6)政府和法规，(7)员工和(8)杂项(下面的表1提供了每个主题类别的详细描述，并附有工作示例)。根据这个编码方案，所有被分配到前七个主题类别之一的文章都被认为是“相关的”，因为它们处理的是与Facebook、Twitter或YouTube公司实体相关的问题，而所有被标记为“杂项”的文章都被认为是“无关的”。

在第二步中，我们训练和测试了四个二元分类器(Logistic Regression, Random Forest, XGBoost, and BERT)，以识别和删除数据集中不相关的案例。为了构建训练集，一个由两名编码员组成的团队在编码方案上进行了广泛的训练，并给出了如何注释文章的详细说明。具体来说，编码员被要求在标注文本时关注文章的标题、副标题和导语段落，因为新闻文章往往遵循倒金字塔结构，在前几个段落中总结了关于故事的关键信息(“谁做了什么”、“何时”、“何地”、“为什么”和“如何”)。在250篇文章的随机样本上进行了两轮测试编码后，两位编码员在所有编码类别上都达到了可接受的可靠性（Cohen's kappa = 0.75），并继续标记从我们的数据集中随机抽样的另外2,000篇文章。

政策改变。我们用公司社区指导方针、隐私政策或服务条款的重大变更来测量政策改变。这不包括表面上的变化和数据抓取过程中产生的任何其他工件，例如包含广告。根据2007年1月至2021年期间的平台治理档案数据库，我们记录了平台政策的总共252项政策变化。

财务业绩。最后，我们根据Meta、Twitter和Alphabet收集的2011年第一季度至2021年第三季度的季度净收入数据来衡量一家公司的财务业绩。

为了估计负面报道对平台政策变化的影响，我们采用了PWP-Gap模型——条件循环事件模型，考虑了政策变化的顺序排序，并控制了由于异质性导致的事件时间之间的潜在相关性。当合理地假设协变量对政策变化风险的影响不是恒定的，而是在事件之间可能变化时，这种类型的模型是拟合的。我们模拟了负面报道对间隔时间内未来政策变化风险的影响，即从上一次变化以来的时间开始。

基于我们之前对文献的分析，我们进一步控制了以下协变量:(1)给定平台的常规(非负面)报道，(2)总新闻报道，以及(3)监管压力，(4)一个二元变量，表明竞争对手平台在相同的风险区间内是否实施了任何政策变化。所有连续测量都滞后1周，以说明平台无法立即对媒体报道做出反应，但需要一些时间来考虑并最终批准新的政策变化。这种选择为平台提供了足够的时间来吸收批评，同时防止负面新闻和政策反应的影响被错误地视为同时发生的。

表3中的模型1解决了我们的第一个假设(H1)，即负面报道将与政策变化呈正相关。

表3 累计负面报道对未来政策变化的影响。

继续我们的第二个假设(H2)，我们通过在模型1中添加一个交互项来评估负面报道和政策变化之间的关系是否受到财务业绩的调节。该模型的结果报告在表3的模型2中。这些结果表明，这两个变量之间的相互作用在统计上并不显著：因此，我们不能拒绝零假设，即财务业绩会调节负面报道对因变量的影响。

最后，我们的第三个假设(H3)预计，如果负面报道特别关注公司的政策和战略决策，那么负面报道对政策变化的影响会更大。我们通过将分析限制在我们之前归类为属于“政策”类别的媒体报道(见表3的模型3)来检验这一假设。我们发现，针对政策的负面报道也与更大的政策变化机率显著相关(H = 1.05, p < 0.01)，但其效应并不比一般的负面报道更强。比较同一模型中两个变量的系数表明，这些影响的大小差异并不显著(见补充附录)。因此，没有强有力的证据支持H3。