营养信息传播者在新浪微博上的影响力及关系网络实证研究

【摘要】为了解营养信息传播者在新浪微博上的信息网络及传播特征，促进高质量营养信息的传播，收集新浪微博上7类营养信息传播者的资料，进行社会网络分析。结果显示，政府、传媒用户对营养信息传播者网络外部的用户有着较强的影响力。但在网络内部，部分学者、营养师和传媒用户是主要的传播者，并且相互联系紧密。传媒用户应通过转发，把学者、医院、营养师用户的高质量营养信息向公众大范围扩散，并促进政府用户对此类信息的二次转发。

【关键词】 微博 营养信息传播者 社会网络分析 中心度

1 引言

营养信息是介绍营养知识的信息。营养信息传播是制作、传递、分散和分享营养信息的过程[1]，是改善公众营养状况、促进公众健康的重要手段之一。随着中国居民健康需求的日益提升，营养信息越来越受到关注。继电视、书籍等传统媒介之后，微博等新兴媒体也成了营养信息传播的重要“战场”。

微博（Microblogging）是用户精短信息（不多于140个字符）供其他网友共享的即时信息平台。由于微博凝聚了“点对面”的即时传播、构建在社会关系网络上的“裂变式”传播和基于信任关系资源的内容传播这三种强有力的传播机制[2]，因此其产生了巨大的社会影响，亦迅速得到了网民的青睐。截至2012年6月底，中国网民中微博用户的比例已经过半，达到2.7亿[3]。

然而，微博在降低了信息门槛、凸显了草根性与平民化[4]的同时，也增加了信息质量的不确定性。当信息涉及到营养学、医药学等专业知识时，尤其如此。齐娜和宋立荣[5]的一项研究显示，新浪微博上转发量较大的18条医疗健康信息中，有50%是与食疗、营养主题相关的。然而，6名医学专家对这18条信息的认同率仅为25%，其中更有6条食疗、营养相关信息的认同率为0。因此，如何使得微博上的营养信息传播者良好地互动，形成合力，使高质量的营养信息迅速、广泛地传播，至关重要。笔者将从社会网络分析（social network analysis， SNA）的视角来寻找上述问题的答案。

社会网络，即个体以及个体之间关系的集合，是描述社会群体结构的一种方式。在社会网络分析的视角下，“关系”象征着资源在个体行动者之间的流动或转移；个体行动者并不是完全独立的，而是互相影响的，网络结构会给予其行动的机会或者限制[6]。

由“关注”与“粉丝（被关注）”关系联结起来的微博用户群以及由“好友”关系联结起来的社交网站用户群，便可被视为社会网络。例如，田占伟和隋[7]构建了新浪微博“名人堂”用户之间的信息传播网络，并运用复杂网络理论方法对其进行了分析。宋恩梅和左慧慧[8]选取了50名“时尚”标签下的新浪微博用户，构建了“相互关注”网络与“共同关注”网络，并比较了其差异。Feng Fu[9]等研究了校内网（现更名为“人人网”），认为其具有“小世界”、“无标度自由网络”的特性。然而，目前尚无人利用社会网络分析的方法，对营养信息传播者这一特殊群体进行研究。

2 研究对象与方法

2.1 研究对象

经过新浪微博实名认证的用户，具有较高的可信度及关注度，是微博用户中的精英群体。本研究首先根据实名认证用户的介绍，将发表营养相关信息的用户分为7类，分别是：

政府：新浪微博实名认证的前任、现任官员，政府所主导的项目。

学者：新浪微博实名认证的院士、大专院校的教师、研究机构的研究人员。

医院：新浪微博实名认证的医院营养科或营养科医师。

营养师：新浪微博实名认证的营养师。

传媒：新浪微博实名认证的媒体、媒体人，致力于科普、健康教育的人士。

其他认证：其他新浪微博实名认证的、与营养信息相关的用户，如培训机构、商业组织。

未认证：未经新浪微博实名认证的、与营养信息相关的用户。

这7类用户中，既包括掌握相对高质量信息的学者、医院、营养师，又包括以综合性信息为主的政府、传媒，还包括信息质量不确定的未认证用户，以求涵盖尽量多种类的营养信息传播者。在各类用户中，各选取截至2012年8月31日24：00时粉丝数最多的10人，共70人为研究对象。

2.2 研究方法

收集70名研究对象的粉丝数、微博数、三天微博被转发数（2012年9月1日至9月3日）以及70名研究对象之间的关注与被关注信息。70名研究对象可构建成网络N。网络N可表示成如下矩阵：

其中，xi，j=1表示营养信息会从用户i流向用户j，也即用户j关注用户i；xi，j=0则表示用户j不关注用户i；当i=j时，xi，j=0。

利用软件SPSS 17.0 进行统计学分析。利用软件Ucinet 6.0 计算网络N的密度、度数中心度、中间中心度等各参数，并进行中间人分析和凝聚子群分析。

3 研究结果与分析

3.1 影响力分析

3.1.1 影响力指标的筛选

通常认为，微博用户的粉丝数越多，信息便会被越多人看到，影响力也越大[10]。因此，早期的研究者多直接以粉丝数作为影响力的评价指标。但亦有文献指出，信息的被转发数也是重要的指标，且与粉丝数相关性很低[11]。不过，也有研究显示，微博用户的粉丝数与被评论数、被转发数均存在相关性[12]。

在本研究中，Pearson相关性检验的结果显示，70位研究对象的粉丝数与三天微博被转发数相关性不显著（r=0.193，p=0.281）。因此，本研究选取粉丝数和三天微博被转发数作为影响力的评价指标。

此外，Pearson相关性检验还发现，用户的微博数与其粉丝数（r=0.330，p=0.005）和三天微博被转发数（r=0.613，p=0.000）均存在显著相关性。这提示，增加微博信息量，可能是增加被关注度和被转发数的重要手段。

3.1.2 用户类别与影响力的关系

ANOVA分析结果显示，不同类别研究对象之间的粉丝数（p=0.000）、三天微博被转发数（p=0.000）均存在显著性差异。

在粉丝数影响力方面，政府用户显著高于传媒用户；政府、传媒两类用户显著高于其他5类；其他5类用户之间差异不显著。粉丝数前10名的用户中，包括6名政府用户、2名传媒用户、1名其他认证用户和1名未认证用户。而在最后10名中，却有2名学者用户、6名医院用户和2名营养师用户。可见，掌握相对较高质量营养信息的学者、医院、营养师用户的粉丝数并不理想。

三天微博被转发数的情况略有不同。传媒用户显著高于其他，其他6类用户之间无显著性差异。前10名中，包括6名传媒用户、2名官员用户、1名学者用户和1个营养师用户。最后10名中，则包括了6名未认证用户、3名其他认证用户和1名传媒用户。

可见，传媒用户同时拥有较强的粉丝影响力和转发影响力，在新浪微博上具有不可忽视的影响力。与此同时，政府用户受到众多用户的广为关注，可能是基于其特殊身份，但不一定认可其所信息。

3.2 营养信息传播者网络分析

3.2.1 网络特征

如果把每个研究对象视为一个“点”，两个研究对象之间的关系用线段表示，箭头指向为信息流动的方向，则网络N的可视化图像如下：

可见，有54名研究对象联结在一起。还有6名研究对象（包括2名医院用户、1名其他认证用户、1名传媒用户、2名未认证用户）孤立存在，未与其他研究对象联结。

密度（density），即网络中实际存在的连线数与最大可能连线数的比例，是衡量网络紧密程度的最常用指标[13]。在本研究的有向网络N中，密度的计算公式如下：

其中，L为实际存在的连线（关系）数893，N为点（研究对象）数70。计算结果显示，网络N的密度为0.1849。与新浪微博“名人堂”用户网络（密度0.0031）[7]相比，网络N中各点的联系更加紧密。这表明，由于存在着“营养”这个共同关注的话题，营养信息传播者的凝聚性更强。

如果把7类研究对象分别构建成7个子网络，并分别计算其密度，则有D营养师（0.7667）>D学者（0.7000）>D传媒（0.4111）>D政府（0.3222）>D医院（0.0778）>D其他认证（0.0444）=D未认证（0.0444）。可见，虽然学者、营养师用户的公众影响力弱于政府、传媒用户，但其联系较为紧密，形成了一定程度的共同体，其对比如图2、图3所示：

3.2.2 度数中心性分析

中心性是社会网络分析的重点之一，用于量化分析网络中各行动者的权力。度数中心度（degree centrality）代表每个点与多少个其他点直接相连。一个点的度数中心度越大，该点越处于中心地位。点xi的度数中心度的标准化计算公式为：

其中，d（xi）等于与点i直接相连的点数。由于本研究中，每个研究对象既可能是信息的者，也可能是信息的接收者，因此分别计算其信息中心度和信息接收中心度。计算结果显示，不同类别用户的信息中心度（p=0.000）和信息接收中心度（p=0.000）均有显著性差异。其前10名用户如表1、表2所示：

其中，Cmax是各点度数中心度的最大值。度数中心势越大，网络的权力越集中。计算结果显示，网络N的信息中心势为43%，信息接收中心势为40%，表明信息和接收的权力都比较集中，信息的集中趋势略大于接收。

3.2.3 信息中转者分析

在信息传播网络中，者固然重要，但如果通路不畅，信息最终也难以到达目标受众。因此，控制着两点间信息通路的中转者，就像桥梁一样，也有着不容忽视的权力[14]。衡量网络中各点桥梁作用的指标是中间中心度（betweenness centrality）。在有向网络中，点xi的中间中心度的标准化计算公式如下：

2名学者用户（“陈君石院士”、“马冠生”）、3名营养师用户（“营养师顾中一”、“王旭峰营养师”、“郑育龙营养师”）和1名传媒用户（“健康时报”）由于具有较高的度数中心度，收发信息较多，因此有较高的中间中心度。值得关注的是，学者用户（Heli营养）虽然度数中心度并不出众，但由于其处于重要的信息通路上（例如联结了用户“国家营养师”、“美食、营养、健康”与其他用户），因此也是重要的信息中转者。

3.2.4 中间人分析

为进一步探查信息中转者的角色，本研究进行了中间人分析。中间人是指在不同的群体中处于中间位置的人[13]。其类型主要有5种，见图4，一个圆形的范围代表一个群体，黑点分别代表协调员、顾问、守门员、人和联络员。

以研究对象的7个类别作为7个群体，通过Ucinet软件识别研究对象的中间人角色。“营养师顾中一”（营养师类）兼具5种中间人的角色，在7类用户之间的信息传递中都起到了关键作用。“陈君石院士”（学者类）在政府、学者、传媒3类用户之中起到了重要的沟通作用；“马冠生”（学者类）、“王旭峰营养师” （营养师类）、“郑育龙营养师” （营养师类）则是在学者、营养师、传媒3类用户之中起到了重要的沟通作用。“新浪健康”（传媒类）是政府用户接收信息的重要通路。“健康时报”（传媒类）是将医院用户信息向外扩散的重要通路。“张召锋-营养”（学者类）作为人，将信息从学者传递给营养师。

3.2.5 凝聚子群分析

凝聚子群是指社会网络中“彼此之间关系相对较强、直接、紧密、频繁或积极的行动者子集”[6]。子群的成员之间往往有着明确的认同感[15]。

k-丛是凝聚子群的常见类型之一。其定义是：在一个成员数为n的k-丛中，每个点的度数都不小于n-k。通过Ucinet计算得出，当n=13，k=1时，网络N有9个1-丛。有20个研究对象名列其中，其中参与凝聚子群数不少于5个的研究对象如下：

可见，上述研究对象在网络N中相互联系较为紧密。其中，2名传媒用户拥有较高的三天转发影响力；“陈君石院士”、“马冠生”、“王旭峰营养师”、“营养师顾中一”、“郑育龙营养师”则具有较高的度数中心度和中间中心度，是重要的信息者和中转站。上述12个用户可以说是网络N的“核心力量”。

4 讨论 。

营养信息传播者网络在新浪微博上呈现出“内外有别”的特征。对外，也即对整个新浪微博而言，政府用户有着最强的粉丝影响力。然而，对内，也即在营养信息传播者内部，却是几位学者、营养师用户占据着重要角色，影响着网络中的信息与传递。这意味着，在现阶段，单靠学者、医院、营养师用户，难以大范围地向公众传递营养信息。但如能借助政府用户的转发，则可能造成更大的影响力。

不过，当前政府用户对于学者、医院、营养师用户的关注普遍不足，10名政府用户对10名学者用户仅形成了13次关注，对医院和营养师用户则关注更少。这需要政府用户加强对高质量营养信息来源的关注。但鉴于政府用户身份特殊，这一点可能在短时间内难以达到。因此，当前需要传媒用户的深度合作。

传媒用户在微博信息传播网络中起到核心作用[7]，不仅具有最高的三天转发影响力，亦在网络内部的信息传递中作用突出。这意味着，传媒用户承担着三重使命：①通过采访专家等方式，自行向公众营养信息；②通过转发，把学者、医院、营养师用户的高质量营养信息向公众大范围扩散；③通过转发，把信息传递给政府用户，推动政府用户的二次转发，实现更大规模的扩散。

当然，传媒用户自身仍有需要加强之处。例如，具有较高影响力的、营养信息的传媒用户数量仍较少；除“陈君石院士”、“马冠生”、“王旭峰营养师”、“营养师顾中一”、“郑育龙营养师”等少数最知名的用户之外，其他学者、医院、营养师用户受传媒用户的关注度仍不够。

与此同时，学者、医院、营养师用户亦应进一步提升营养信息的质与量，争取公众的关注。例如，未能进入本次研究的学者用户“陈裕明-营养学教授”、“葛可佑”都可作为高质量营养信息的来源，但目前受到的关注仍较低。又例如，医院用户拥有丰富的临床经验和临床数据，本应能大量有价值的营养信息，但目前医院用户的粉丝数、微博数、转发数排名均普遍靠后，未免可惜。

此外，新浪微博上的其他认证、未认证用户也在营养信息，但部分用户的信息质量难以得到保证。例如，研究对象中的一位其他认证用户，其观点颇有可争议之处，但粉丝数却超过80万，在新浪微博上有相当的影响力。这就要求在营养信息传播者网络内部，政府、学者、医院、营养师、传媒用户亦应加强对其他认证、未认证用户的关注，若发现其含有较大争议的信息，应及时通过转发、评论等方式警示广大微博用户。

5 结论

营养信息传播者网络在新浪微博上呈现出“内外有别”的特征。政府、传媒用户对整个新浪微博有着较强的影响力。但在营养信息传播者内部，部分学者、营养师和传媒用户是主要的信息者、中转者和接收者，并且相互联系紧密，形成了凝聚子群，影响着网络的信息流动。

学者、医院、营养师用户应进一步提升营养信息的质与量；传媒用户应通过转发，把高质量营养信息向公众大范围扩散，并促进政府用户的二次转发。此外，对其他认证、未认证用户的营养信息的监督，也十分重要。

[参考文献]

[1] 赵丽云.信息传播理论在营养教育项目中的应用[J].中国食物与营养，2005（10）：40-41.

[2] 喻国明.微博影响力发生的技术关键与社会机理[J].新闻与写作，2011（10）：64-66.

[3] 中国互联网信息中心.2012年中国网民搜索行为研究报告[EB/OL].[2012-09-06].http：// /hlwfzyj/hlwxzbg/ssbg/201209/P020120904438285391543.pdf.

[4] 孙卫华，张庆永.微博客传播形态解析[J].传媒观察，2008（10）：51-52.

[5] 齐娜，宋立荣.医疗健康领域微博信息传播中的信息质量问题[J].科技导报，2012，30（17）：60-65.

[6] Wasserman S， Faust K. Social network analysis： Methods and applications[M]. Cambridge： Cambridge University Press， 1994：4-5，249.

[7] 田占伟，隋.基于复杂网络理论的微博信息传播实证分析[J].图书情报工作，2012，56（8）：42-46.

[8] 宋恩梅，左慧慧.新浪微博中的“权威”与“人气”：以社会网络分析为方法[J].图书情报知识，2012（3）：43-54.

[9] Fu Feng， Chen Xiaojie， Liu Lianghuan， et al. Social dilemmas in an online social network： The structure and

evolution of cooperation[J]. Physics Letters A， 2007，371（1-2）： 5864.

[10] 郁晓华，祝智庭.微博的社会网络及其教育应用研究[J].现代教育技术，2010，20（12）：97-101.

[11] 郭浩，陆余良，王宇，等.基于信息传播的微博用户影响力度量[J].山东大学学报（理学版），2012，47（5）： 78-83.

[12] 袁毅，杨成明.微博客用户信息交流过程中形成的不同社会网络及其关系实证研究[J].图书情报工作，2011， 55（12）：31-35.

[13] 刘军.社会网络分析导论[M].北京：社会科学文献出版社，2004：165-205.

[14] Freeman L C. Centrality in social networks： Conceptual clarification[J]. Social Networks， 1979， 1（3）：215-239.

[15] 林聚任.社会网络分析：理论、方法与应用[M]. 北京：北京师范大学出版社，2009：129.