四 網絡分析

大數據有著關系主義特質。一部分大數據源于網絡空間和平臺，帶有明顯的關系數據性質，使研究者能夠利用這一類大數據來對復雜的社會網絡進行分析。大數據記錄了人們在現實生活或是虛擬世界中的活動軌跡，能夠在一定程度上映射現實世界中復雜的網絡關系。在此意義上，大數據也被稱為關系數據。例如，社交媒體改變了公眾、記者、機構和活動家就社會和政治問題進行交流的方式。[136]而隨著社交媒體和平臺的普及化，現實社會生活的復雜網絡留下的數字化痕跡為研究社會網絡提供了更加豐富的數據資源。此外，網絡不僅是社會生活的重要結構特征，也是政治生活的重要特點，它在本質上展現了多元的政治主體圍繞利益進行復雜互動形成的基本關系結構。

社會網絡分析方法由來已久。20世紀60年代，數學家就通過建立隨機圖理論開創了網絡分析的理論先河，而心理學家提出的“六度分離”的小世界實驗則引領了網絡科學的實證研究。[137]經過長期發展，社會網絡分析逐漸涵蓋了社會學、人類學、社會語言學、地理、經濟學以及生物學等多個領域，成為一門多學科交叉的理論和研究體系，用來探究復雜自主網絡。[138]社會網絡革命（social network revolution）、移動革命（mobile revolution）與互聯網革命（internet revolution）也被列為新時期影響人類社會的三大革命。[139]

在社會網絡分析中，節點和關系是兩大基礎概念。社會網絡理論認為，我們生活在一個由互聯實體（entities）構成的復雜世界中，其中的人與組織被稱為節點（point），節點之間的關系稱為邊（edges），復雜社會網絡就是由節點及其關系組成的。因此，在學術研究中，社會網絡分析主要探究節點及其關系。經過長期發展，社會網絡分析在理論體系和研究方法層面已經有了良好的積淀，產生了弱連接理論、結構洞理論、小世界理論、無尺度網絡理論等代表性理論，中心性分析、小團體分析、位置分析以及統計模型法等方法也在具體的研究領域得到了廣泛運用。

將大數據引入社會網絡分析，推動了社會網絡數據面向大規模流動性數據的轉型。面對實時生成且規模龐大的數據，傳統社會網絡分析方法難以進行有效分析。這種側重描述的研究傳統、偏向案例的研究設計和未能充分跟進前沿技術進展等是現階段拓展網絡研究深度的主要制約因素。[140]研究需求和現實條件之間的差距迫使研究者在算法和軟件兩個方面進行創新，以適應大數據環境。

在大數據時代，社會網絡分析在研究方法上得到了進一步擴展。隨著數據抓取能力的增強和復雜網絡分析軟件的出現，社會網絡構建將變得更為豐富細致，許多過去難以研究的問題將得到有效的分析，政治傳播和集體行動等研究將取得新的進展。[141]目前，Tableau、Gephi、Pajek、Networkx、WebGL和Googlemap等軟件能夠實現大數據的網絡分析，既能夠獲取大規模數據，也在計算速度和結果可視化方面實現進步，從復雜的關系結構中識別和挖掘出有價值的知識模式。基于大數據的社會網絡分析已經成為了解大規模社會結構和動態的主要來源。[142]

在政治學研究中，社會網絡分析也引入了大數據。政治生活在本質上就是多元主體圍繞著現實利益進行互動的過程。隨著“Web 2.0”時代的來臨，微博、臉書和推特等大型社交媒介蓬勃發展，用戶之間的互動和交流越來越頻繁，現實中的政治網絡延伸到了虛擬的網絡空間當中，圍繞著政治問題產生了海量的網絡關系數據?；诖髷祿木W絡分析側重于挖掘多元行動主體之間的關系網絡模式，用社會實體之間的關系來描述、解釋和預測網絡政治現象。

根據目前的研究動態，政治學研究中利用大數據進行網絡分析也是從節點和關系兩個角度入手，探究復雜政治網絡中的行動者及其關系邏輯，形成了關鍵節點分析和社區關系分析兩種導向。學者們積極利用社交網站等渠道產生的網絡大數據來探究政治信息、政治傳播和政治行動網絡中的關鍵行為者和重要關系，從信息交互和行為交互的雙重維度來探究政治生活復雜網絡結構及其內在機理，并對這些網絡的發展趨勢進行預測，為制定有效的干預政策提供學理支撐。

（一）關鍵節點分析

識別和分析關鍵節點，是網絡結構分析的基本方法，也是從個體層面分析社會網絡的重要視角。關鍵節點是指在復雜網絡中具有高度影響力，影響網絡結構生成和發展的重要事件和人物，能夠在用戶之間產生廣泛且深刻的影響。關鍵節點一般數量較少，但影響廣泛。在傳統社會網絡分析當中，判別關鍵節點的方法是測量節點中心度，節點中心度越大，影響力也就越大，在網絡生成和擴散中的作用也越大。在大數據時代，基于社交媒介大數據識別其關鍵節點，成為一項熱點議題，在政治學領域也有運用，特別是通過分析政治網絡結構的關鍵節點，我們可以用來判斷社交媒介上推動傳播和行為網絡得以形成和擴散的重要人物、議題和事件。

基于社交媒介大數據來識別關鍵節點的核心目的是度量節點的影響力。為實現這一目標，方法上產生了兩種導向：一種是發展傳統社會網絡分析方法，用傳統方法計算大數據的節點中心度，從而找到關鍵節點；另一種通過機器學習，特別是聚類和排序兩大算法。聚類算法是按照相似度來對節點進行歸類，從歸類出的各個子類別中選擇出最符合關鍵性特征的子類作為關鍵節點。例如，K均值聚類算法在這一過程中有著良好的計算效果。排序算法中常用的是影響等級算法（Influence Rank Algorithm），可以確定關鍵節點，評估復雜網絡中節點的重要性。

意見領袖（opinion leader）被國內外學界普遍視為政治信息網絡的關鍵節點。在利用社交媒介大數據進行政治傳播網絡分析過程中，國內外學界高度關注意見領袖在傳播網絡建構和擴散中的作用。一般來說，意見領袖會有策略地進行自我表演，實現自身角色建構與身份認同，成為社會網絡中的重要行動者，并且與意見擴散者建構了復雜多樣互動關系，形成以圈群為基礎的情感關系網絡，影響信息傳播和情感走向。[143]社交媒介大數據為進一步研究意見領袖的作用提供了更廣闊的空間。國內外學者通常依據熱點議題引發的政治傳播大數據，來評估意見領袖的影響力及其行動模式，評估其在信息網絡擴散中所發揮的關鍵作用，并以意見領袖為中心節點，建構政治信息傳播和擴散的模型。[144]

識別意見領袖主要由聚類、排序和拓撲等算法來實現。目前尚不存在一個標準算法發現不同數據源中的意見領袖，這些方法在技術層面上也各有側重。意見領袖的基本特征表現為多個具有特定屬性的中心節點（具有最高度、介數或脆弱性值的節點），其意見能夠保持不變，即不受其他行動者的影響。[145]因此，這些算法的共同點都是從復雜情感互動網絡中識別具有影響力的中心節點。例如，聚類算法能夠根據情感傾向建構用戶關系網，采用小世界網絡理論確定用戶的中心性，確定意見領袖。而社群意見領袖的挖掘方法側重于從新的節點語義特征來生成社群輿論圈，進而結合全局結構和輿情圈的局部結構來判別社群意見領袖。[146]此外，分類算法在識別意見領袖中也有所運用?；贙核分解方法獲取社交網絡中的意見領袖候選集，以縮小識別意見領袖的數據規模，然后提出包括位置相似性和鄰居相似性的用戶相似性的概念，利用K核值、入度數、平均K核變化率和用戶追隨者個數計算用戶相似性，并根據用戶相似性對候選集中的用戶計算全局影響力，根據用戶全局影響力對意見領袖候選集中的用戶進行排序，以此來識別意見領袖。[147]

國內外學者基于社交網絡大數據，確定了大數據環境中意見領袖的存在性及其基本類型。其中，斯查弗·邁克（Sch?fer Mike）等人基于德國社交媒介在線數據的聚類分析，發現意見領袖在當代的媒介環境中仍然存在，在政治傳播網絡中存在著意見領袖、追隨者、不作為者和“調解型意見領袖”這四個基本聚類。[148]而根據情感傾向性可以將意見領袖分為積極領袖、中立領袖和消極領袖這三類。[149]此外，按照意識形態屬性進行分類，也是意見領袖類型化建構的一種方式。周莉等人基于對232位微博意見領袖的探索性研究發現，當前國家主義話語體系中存在著以理性看待國際交往為特征的“理性國家主義派”、以追求國家經濟繁榮為特征的“當代新國家主義派”，及以注重意識形態建設為特征的“國家中心主義派”這三類意見領袖。[150]

國內外學者基于社交網絡大數據，確定了哪些主體在信息網絡建構和擴散的過程中成為意見領袖，即意見領袖的角色識別，主要包括新聞媒體、記者、社交機器人、黨派媒體和有影響力的個人等。通過對2012年美國總統大選期間在推特上收集的大數據集進行語義網絡分析，新聞媒體可以決定公眾對政治候選人的認同。[151]基于特朗普上任首月發布的推文及其被轉發形成的信息網絡，有學者研究發現，左翼媒體和記者以及社交機器人成為意見領袖。[152]而在2016年美國總統大選當中，推特網絡上大量的黨派賬戶被確定為影響媒介議程的意見領袖，導致負面情緒快速蔓延。[153]這一觀點也在另一項實證研究中得到了證實。根據2015年美國媒體的數據，在線黨派媒體在整個媒體議程中發揮了主導作用，兩家精英報紙《紐約時報》和《華盛頓郵報》被發現不再控制新聞議程，而更可能追隨網絡黨派媒體。[154]

西方學者也對當代激進主義思潮傳播擴散過程中的意見領袖作用進行了探究。阿爾迪揚蒂·漢德里尼（Ardiyanti Handrini）等人通過對推特上以“Free West Papua”為標簽的話語網絡數據進行分析，發現13位來自境外的用戶成為極具影響力的意見領袖，決定了這一話語網絡的趨勢。[155]此外，社交機器人的意見領袖角色，也在研究中得到了證實。社交機器人的智能化水平和類人化程度越來越高，成為隱匿于社交網絡的強參與者，成為微觀政治傳播的新主體。[156]阿克列門科·斯圖卡爾（Akhremenko Stukal）等人對委內瑞拉政治動蕩時期的推特內容進行分析，結果顯示，一些推文得到了“病毒式轉發”，社交媒體機器人在其中發揮了重要作用。[157]

國內外學界也基于社交媒介大數據，確定了意見領袖在政治傳播網絡建構和擴散過程中的重要作用，即促進政治溝通和影響信息走向。西方學者普遍認為意見領袖能夠促進政治溝通。例如，一些學者根據西班牙選舉期間的2588條推文進行了分析，發現意見領袖通常會表達他們的批評，通過使用互動和回應民眾關切的形式來鞏固和擴大其追隨者的規模，不僅能自由地表達意見，也促進了政黨和公民的對話。[158]另有研究認為，意見領袖在社會政治交流中發揮著重要作用，[159]決定了信息傳播的內容和時間。卡琳娜·拿翁（Karine Nahon）等人考察了政治競選活動中視頻博客傳播的模式，根據13173篇博客內容，將博主區分為精英、政治領袖、一般領袖和普通博主四種類型，通過多元時間序列模型發現，網絡信息傳播并不是單向度的，精英和政治領袖是信息傳播的發起者，決定著信息傳播的內容和時間。[160]

西方學者進一步基于對社交媒介大數據的研究，剖析了政治傳播網絡的擴散機理，發現意見領袖一般能夠利用社交媒介標簽擴散其傳播網絡。在2016年美國總統選舉中，特朗普使用競選口號“讓美國再次偉大”（MAGA）這一標簽與競選活動聯系起來，構成了一個有效的信息傳播網絡，逐漸吸引了大量的白人至上主義者的支持，建構了強有力的信息網絡。[161]

重大公共事件引發的輿情網絡是一種特殊的政治信息網絡，意見領袖在建構和擴散信息網絡過程中發揮著特殊作用，如“紅黃藍幼兒園虐童事件”發生后，在微博上迅速引發大量討論，用大數據和機器學習對相關微博進行情緒識別，采用社會網絡分析法從節點識別、主體差異和作用機理三個方面探究憤怒情緒傳播中的關鍵節點，結果顯示，憤怒情緒的傳播網絡呈放射狀結構，少數用戶占據優勢地位，新聞媒體及名人明星具有較高的情緒吸引力，是重要的“情緒源頭”，草根“大V”具有較高的情緒凝聚力，是關鍵的情緒樞紐。[162]

對重大公共事件輿情網絡中的意見領袖進行識別，能夠對干預輿情提供合理依據。正是因為社交網絡大數據的使用，運用社會網絡分析方法研究突發事件輿情傳播的網絡結構特征，識別關鍵節點，探究輿情傳播的網絡結構、節點位置及相互關系對信息的傳播路徑、傳播速度及傳播范圍的影響等問題，已經是大數據研究的一個實踐運用方向。例如，針對重大突發性公共事件，能夠運用Pajek軟件生成信息傳播網絡拓撲圖，基于鄰接矩陣數據進行網絡密度、可達性、聚類系數和中心性測度，依據測度結果和位置角色分析進行關鍵節點分層與識別。研究表明，突發事件網絡輿情的傳播和擴散以社會網絡結構為基礎，具有復雜性和動態性特征，網絡結構與節點位置決定著成員的影響力，中心關鍵節點的資源控制能力與信息輸入輸出效率具有顯著的正相關性，因此，可以通過改變中心度、聚類系數等手段嵌入式引導關鍵節點，減少謠言和恐慌情緒的傳播。[163]

（二）社區關系分析

社區關系分析是以社區挖掘為方法、以關系為視角的網絡結構分析體系。不同節點基于信息交互產生的聚類被視為社區（community），豐富多樣的社區構成了復雜的社會網絡。在虛擬社交網絡中，基于網絡群體、關系結構以及網絡信息等要素產生了更加多元和隱匿的社區，呈現出人際傳播與虛擬互動互相滲透的特點。[164]社交媒介的社區由用戶、議題和術語共同構成。[165]聯系緊密的節點構成具有典型意義的社區，在政治信息網絡擴散過程中發揮著關鍵作用。而同一社區內的節點連接密切，不同社區間節點連接稀疏，這是復雜網絡中普遍存在的社區結構特性。[166]社區是社交媒介網絡的基本屬性，隨著社交媒體規模的迅速擴大和海量信息的激增，需要識別大數據場景中的社區。[167]

目前，基于社交媒介大數據進行社區挖掘方法有一定程度的發展，更具動態特征，在研究政治問題時也有所運用。社區挖掘是從復雜的網絡數據中檢測并識別社區，展現復雜網絡的內在結構及其互動關系。傳統社會網絡分析中的社區發現是靜態的，通常將社交媒體用戶轉化為無權的網絡圖進行識別，[168]包括經典圖聚類方法、貝葉斯統計等數學模型方法、基于主題語義的發現方法以及基于鏈接分析的方法。在大數據時代，機器學習法或深度學習法是社區挖掘的主要方法，能夠從大規模實時交互的社會網絡數據中動態挖掘社區。具體來說，基于機器學習和深度學習算法的社區挖掘，其核心原理是對網絡節點信息進行數據降維處理，或者通過訓練網絡圖相似度矩陣得到低維特征矩陣，[169]能夠快速有效地發現復雜網絡當中隱含的社區及其演化過程，并通過動態仿真模式進行可視化分析。基于社交媒介大數據進行社區挖掘，在研究政治問題時也得到了運用，但目前尚處于起步探索階段。

大量實證研究證實了社交媒介上圍繞政治議題產生的信息網絡存在典型的社區關系結構，對這些社區進行了有效的識別。布魯澤塞·斯特凡諾（Bruzzese Stefano）等人分析了2022年1月至2022年2月期間4398條與生態系統服務有關的推文，結果顯示，存在著一個密集、同質性且規模中等的社區集群結構，主要由公民、非政府組織和政府管理部門構成，是相關信息傳遞和傳播的把關者。[170]極端政治思潮話語在傳播過程中也生成了社區結構。較為典型的是“另類右翼”基于推特吸引用戶轉發，使其仇恨化的政治語言呈現出網絡擴展趨勢，托雷格羅薩·哈維爾（Torregrosa Javier）等人根據中心度測量的方法來研究“另類右翼”用戶話語，結果顯示“另類右翼”的用戶網絡是由96個用戶創建和轉發的，形成了社區，這些用戶與極端話語存在著高度的話語相關性，在轉發和討論仇恨言論主題時，這種關系強度更加顯著。[171]

根據目前的研究動態，基于社交媒介大數據來探究政治網絡，產生了話語社區、情緒社區和行動社區三個方面的議題聚類。學界通過大量實證研究，發現針對特定政治問題形成的網絡當中，存在話語聯盟、情緒傳染以及行動主義擴散三種典型的社區關系，它們不僅成了觀察社交媒介上社區行動主要視角，也使基于社交媒介大數據的社區挖掘形成了更加細微的議題聚類。

第一，國內外學界基于社交媒介大數據的社區挖掘，將話語聯盟（discourse coalitions）視為社區的基本策略，是建立在話語相似性基礎上的社區關系。話語聯盟是社交媒介上基于社區產生的特殊現象，能夠擴展信息網絡規模和影響力。社交媒介上的用戶基于利益的相關性和相似性，在建構社區過程中，往往會采用趨同的話語修辭和宣傳策略，建構話語間聯盟，對政治和公共議題論辯采取相似的話語立場，從而產生了更加緊密的網絡關聯。因此，對話語聯盟的識別和分析能夠呈現復雜政治網絡情境中的話語相似性及其關系結構。

國內外學界利用社交媒介大數據，識別了政治議題論辯中產生的大量話語聯盟，新聞媒體、政黨、政策共識和非政府組織等都能夠成為推動話語聯盟建構的重要力量。2015年美國在線媒體的網絡議程設置模型顯示，政黨的網絡媒介在議程制定中發揮了主導作用，《紐約時報》和《華盛頓郵報》兩家精英報紙被發現不再控制新聞議程，而是追隨政黨媒體，形成了以媒體為中心的話語聯盟。[172]在2013—2018年關于氣候政策的政治論辯中，意大利政黨關于氣候政策的政治觀點出現了兩極分化，隨著時間推移，氣候政策的核心戰略上出現了以政策共識為中心的話語聯盟。[173]也有學者采取了相似方法研究了2019年5月至11月意大利民眾在推特上關于移民政策的辯論，展現了民眾在不同政黨之下的話語聯盟，形成了以政黨為中心的話語聯盟。[174]納格爾·梅勒妮（Nagel Melanie）等人通過社區挖掘方法分析了歐盟空氣污染治理政策引發的社交媒介數據，研究結果顯示，歐盟機構中的辯論主要由環保聯盟主導，形成了以非政府組織為中心的話語聯盟，而政府組織更傾向于充當話語聯盟之間的橋梁。[175]

第二，學界也利用社交大數據的社區挖掘，從情緒角度分析了社區行動的邏輯，認為建立在共情效應基礎上的情緒傳染是政治網絡中的典型社區。當代社交媒介逐漸成了情感和情緒傳染、傳播的重要場域。在媒介技術日益發達，表現手段愈發豐富、精確的情境下，情緒傳播日益在大眾傳播中凸顯，對社會的影響也越來越大。[176]社交媒體為公眾情緒的表達帶來充分的便利，致使個體情緒大規模地從私人領域走向公共領域，使網絡社會表現出情緒泛濫和情緒主導的特征。[177]而持有相同情感傾向的社交網絡用戶往往表現出較強的聚集現象，特別是人們在社交媒介上接觸他人的情感表達后導致自身的情感表達變得與他人更為相似，這種情感傳染模式在社交媒介中變得愈發常見。[178]

通過挖掘社交媒介大數據，學者們探究了社區能夠產生情緒傳染的原因。社交媒介上的用戶在表達個人情感時往往以尋求關注為重要目標，這導致社交媒介上的情緒表達具有情感宣泄和尋求關注的欲望，并帶有一定的隱私窺探和情緒附和。[179]實證研究也顯示，情緒化的推文比中性推文被轉發得更頻繁、更快。[180]此外，實證研究也發現社交媒介用戶的身份匿名特征也推動了情緒傳染。社交媒介具有易訪問性和匿名性，用戶很容易接受信息并表達自己的觀點，而沒有太多的限制，意見通過社交媒體被迅速接受并傳播給他人，于是信息和情感的傳播呈現為類似于病毒擴散的“流行病”式流動模式，具有共同興趣的人們表達和討論他們的觀點對情感存在著影響，增加了情緒擴散的可能性。[181]此外，在信息擴散中，用戶可能會在轉發過程中改變對話題的情緒。[182]

通過實證研究發現，以情緒傳染形成的社區更加普遍地存在于黑人和女性等邊緣化少數群體建構的政治網絡之中。例如，非裔美國人喬治·弗洛伊德之死在美國引發了憤怒和示威游行，通過對以“Black Lives Matter”為標簽的推文進行分析發現，這一標簽之下的推文存在著較強的情緒傳染，對種族歧視和種族主義進行批判，表達了超現實主義的政治訴求，是這一網絡快速擴張的重要原因。[183]此外，當代西方女權主義網絡也存在著情感傳染，常利用共情機制來獲得更多關注。通過分析“Why I Didn't Report”和“Me Too”標簽之下的推文，結果表明用戶在這一標簽下披露了自身悲慘經歷和創傷，將矛頭指向性別不平等，表達不滿和憤怒，使更多參與者聚集。[184]

第三，西方學者基于社交媒介大數據探究了社區在政治集體行動網絡擴展中的作用，成為研究政治集體行動的新視角，也是目前利用社交媒介大數據探究政治行動網絡的熱點領域。一般來說，社交媒介上具有凝聚力的社區對政治集體行動范圍和影響力的擴展會產生顯著影響，甚至會成為政治集體行動規模得以擴大的關鍵因素，形成線上和線下的聯動效應，即基于社區的信息擴散與現實的政治集體行動互相關聯，利用社交媒介建構社區宣傳其行動主義策略。大量的政治運動在社交媒介上創建屬于自己的空間、話題或標簽，因此，這些政治行動利用社交媒體產生的大數據為觀察大規模集體行動和社會運動及其復雜影響提供了前所未有的機會，[185]這主要表現為能夠利用這些數據，通過有效計算，更加精細地描繪集體行動的邏輯。[186]

學者們通過實證研究證實了社區與政治集體行動之間的關聯。普遍認為，政治集體行動者在社交媒介上建構了社區，將其作為網絡空間與現實空間的連接點。高度活躍的用戶傾向于在社交網絡中擁有一致的行為模式，通過轉發對有爭議問題持有相同觀點的用戶從而在虛擬空間中聚集起大量的支持者，[187]將人們在網上聯系起來的社會關系轉移到現實政治空間當中，組織和動員社會運動的強大媒介，[188]2010年委內瑞拉的抗議活動在高度連接的樞紐和多元化用戶行為背后，存在著高度凝聚的社群結構，決定了信息流動方向和動態。[189]美國“Not 1 More”這一抗議運動中存在著強大且相互聯系的核心組織者和活動家骨干與其他城市的直接行動者進行配合，將地理上較為分散的用戶注意力引向了這一運動。[190]席卷全球的“黑命亦命”運動信息網絡中也存在著八個社區，在信息和行動擴散的過程中發揮了重要的動員作用。[191]2014年墨西哥“Pase De Listala 143”抗議中精英和非精英用戶共同把關，在討論中進行合作并分配責任，擴大了這一抗議的影響力。[192]此外，一些學者對美國“占領華爾街”運動的6000萬條推文數據的分析顯示，在缺乏公認領導者、共同目標或傳統組織、問題框架和行動協調的情況下，激活、構建和維護群體網絡得益于信息內容和其他資源的生產、管理和動態集成，而發展出更高程度結構化的參與環境以及各種組織慣例，能夠使不同的生產機制相互嵌套，創造相對復雜的集體行動網絡。[193]

當代西方學者也通過大量的實證研究，進一步分析了社交媒介社區與政治集體行動網絡之間的聯動效應，從社區關系角度呈現了政治行動網絡的復雜機制。在一般意義上，這種聯動效應表現為網絡聚集的關系轉移到現實政治空間中，成為組織和動員社會運動的強大媒介。[194]大多數實證研究也表明，線上和線下行動主義是相互交織的，社交媒體帖子可以動員其他人進行線下抗議，社交媒介顯著提高了激進主義的現實可見性。[195]例如，推特上曾發起了一項活動，旨在呼吁釋放被拘留的敘利亞人士，通過對相關數據的分析，結果表明，信息傳播和溝通呈現出高度的地理同宗效應，即同一地區參與者傾向于相互分享信息，而影響力較大的用戶傾向于與影響力較小的用戶聯系，以幫助運動信息得以高效傳播，為了更好地動員潛在的集體行動參與者，這些參與用戶也利用大量策略來吸引公民、新聞媒體組織、非營利倡導組織、公眾人物和公司的注意，促進運動信息在傳播過程中區分公共和私人領域的界限，在信息傳播過程中不斷強調其集體行動目標的合理性和正當性，一群分享共同價值觀的政治活躍分子利用社交媒介標簽，建構、擴散了宏觀集體行動網絡。[196]此外，西班牙VOX政黨也在選舉前利用其官方Instagram賬戶，利用政治極化、本土主義、法律和秩序崇拜的政治隱喻，將其定位為適應青年法規的民間抵抗運動，吸引了大量的青年參與選舉和現實的政治行動。[197]

由此可見，社交媒介社區正在與政治集體行動網絡之間形成聯動效應。

---

[1] 本文系2021年度國家社科基金重大項目“美式民主的理論悖論與實踐困境研究”（項目編號：21&ZD160）的階段性成果。

[2] 佟德志，天津師范大學政治學教授、博士生導師，兼任中國政治學會副會長、中國世界民族學會副會長等職。先后入選國家重大人才支持計劃，獲青年學者、特聘教授、國家教學名師等稱號，享受國務院特殊津貼。重點研究民主理論，先后提出全面發展全過程人民民主、民主的復合結構與合力效應、治理吸納民主、民主的法治規制等命題，在國內產生積極反響。先后主持完成和在研國家社科基金重大項目2項、重點項目和一般項目多項，出版中英文專著4部，在《政治學研究》《民族研究》《中國行政管理》等CSSCI、SSCI、SCI來源期刊等發表論文150多篇，其中CSSCI來源期刊100多篇，權威期刊論文20多篇。先后獲中國高?？茖W研究優秀成果獎2次、天津市社會科學優秀成果獎8次、天津市教學成果一等獎3次。
樊浩，天津師范大學政治與行政學院博士研究生。

[3] Trevor Barnes，“Big Data，Little History”，Dialogues in Human Geography，Vol.3，No.3，2013，pp.297-302.

[4] Doug Laney，“3D Data Management：Controlling Data Volume，Velocity and Variety”，META Group Research Note，Vol.6，No.70，2001，p.1.

[5] Karin Dyrstad and Jonathon Moses，“Big Data Meets Open Political Science：An Empirical Assessment of Transparency Standards 2008-2019”，European Political Science，Vol.22，No.2，2023，pp.1-20.

[6] 《現代漢語詞典》，商務印書館2002年版，第1176頁。

[7] 呂欣、李洪俠、李鵬：《大數據與國家治理》，電子工業出版社2020年版，第14頁。

[8] 李志剛主編：《大數據：大價值、大機遇、大變革》，電子工業出版社2012年版，第28—30頁。

[9] 孟天廣、郭鳳林：《大數據政治學：新信息時代的政治現象及其探析路徑》，《國外理論動態》2015年第1期。

[10] 唐皇鳳、謝德勝：《大數據時代中國政治學的機遇與挑戰》，《社會科學文摘》2016年第2期。

[11] Ahmed Elragal and Ralf Klischewski，“Theory-driven or Process-driven Prediction？Epistemological Challenges of Big Data Analytics”，Journal of Big Data，Vol.4，No.1，2017，p.18.

[12] Rob Kitchin and Gavin McArdle，“What Makes Big Data，Big Data？Exploring the Ontological Characteristics of 26 Datasets”，Big Data & Society，Vol.3，No.1，2016，pp.1-10.

[13] Kenneth Cukier and Viktor Mayer-Schoenberger，“The Rise of Big Data：How It's Changing the Way We Think about the World”，Foreign Affairs，Vol.92，No.3，2013，p.30.

[14] Nick Could and Alison Powell，“Big Data from the Bottom Up”，Big Data & Society，Vol.1，No.2，2014，pp.1-5.

[15] Rob Kitchin，“Big Data，New Epistemologies and Paradigm Shifts”，Big Data & Society，Vol.1，No.1，2014，p.2.

[16] Burt Monroe，“The Five Vs of Big Data Political Science Introduction to the Virtual Issue on Big Data in Political Science Political Analysis”，Political Analysis，Vol.21，No.5，2013，pp.1-9.

[17] Jonathan Grossman and Ami Pedahzur，“Political Science and Big Data：Structured Data，Unstructured Data，and How to Use Them”，Political Science Quarterly，Vol.135，No.2，2020，pp.225-257.

[18] 唐皇鳳、謝德勝：《大數據時代中國政治學的機遇與挑戰》，《社會科學文摘》2016年第2期。

[19] Ray Chang and Young Kwon，“Understanding the Paradigm Shift to Computational Social Science in the Presence of Big Data”，Decision Support Systems，Vol.63，2014，pp.67-80.

[20] 孟小峰、張祎：《計算社會科學促進社會科學研究轉型》，《社會科學》2019年第7期。

[21] David Lazer，et al.，“Computational Social Science”，Science，Vol.323，No.5915，2009，pp.721-723.

[22] 凌昀、李倫：《計算社會科學研究：范式轉換與倫理問題》，《江漢論壇》2020年第9期。

[23] Zhu Leilei，“Computational Political Science Literature Survey”，http://www.personal.psu.edu/luz113，2010.

[24] 羅?。骸队嬎恪つM·實驗：計算社會科學的三大研究方法》，《學術論壇》2020年第1期。

[25] 褚爾康、楊光耀：《論政治學理性主義傳統與計算方法論沿革》，《晉中學院學報》2023年第1期。

[26] 張小勁、孟天廣：《論計算社會科學的緣起、發展與創新范式》，《理論探索》2017年第6期。

[27] 孟天廣：《政治科學視角下的大數據方法與因果推論》，《政治學研究》2018年第3期。

[28] Martin Frické，“Big Data and Its Epistemology”，Journal of the Association for Information Science and Technology，Vol.66，No.4，2015，pp.651-661.

[29] 孟天廣、郭鳳林：《大數據政治學：新信息時代的政治現象及其探析路徑》，《國外理論動態》2015年第1期。

[30] 黃欣榮：《大數據：政治學研究的科學新工具》，《馬克思主義與現實》2016年第5期。

[31] Austin Kozlowski，Matt Taddy and James Evans，“The Geometry of Culture：Analyzing the Meanings of Class Through Word Embeddings”，American Sociological Review，Vol.84，No.5，2019，pp.905-949.

[32] Gregor Wiedemann，“Opening Up to Big Data：Computer-assisted Analysis of Textual Data in Social Sciences”，Historical Social Research/Historische Sozialforschung，Vol.38，No.4，2013，pp.332-357.

[33] Hossein Hassani，et al.，“Text Mining in Big Data Analytics”，Big Data and Cognitive Computing，Vol.4，No.1，2020，p.1.

[34] 溫有奎、溫浩、喬曉東：《讓知識產生智慧——基于人工智能的文本挖掘與問答技術研究》，《情報學報》2019年第7期。

[35] Anne Gattiker，et al.，“Big Data Text-oriented Benchmark Creation for Hadoop”，IBM Journal of Research and Development，Vol.57，No.3，2013，pp.1-10.

[36] Ama? Herda?delen and Marco Marelli，“Social Media and Language Processing：How Facebook and Twitter Provide the Best Frequency Estimates for Studying Word Recognition”，Cognitive Science，Vol.41，No.4，2017，pp.976-995.

[37] Goran Glava?，Federico Nanni and Simone Paolo Ponzetto，“Computational Analysis of Political Texts：Bridging Research Efforts Across Communities”，Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics：Tutorial Abstracts，2019，pp.1-23.

[38] Felix Biessmann，et al.，“Predicting Political Party Affiliation from Text”，PolText，Vol.14，No.14，2016，p.2016.

[39] Nicolas Merz，Jirka Lewandowski，“The Manifesto Corpus：A New Resource for Research on Political Parties and Quantitative Text Analysis”，Research & Politics，Vol.3，No.2，2016，p.4.

[40] Luca Buccoliero，et al.，“Twitter and Politics：Evidence from the US Presidential Elections 2016”，Journal of Marketing Communications，Vol.26，No.1，2020，p.103.

[41] 孟天廣、郭鳳林：《大數據政治學：新信息時代的政治現象及其探析路徑》，《國外理論動態》2015年第1期。

[42] Arafat Hossain，et al.，“Text Mining and Sentiment Analysis of Newspaper Headlines”，Information，Vol.12，No.10，2021，p.414.

[43] Goh Woon Peng，Kang-Kwong Luke and Siew Ann Cheong，“Functional Shortcuts in Language Co-occurrence Networks”，PloS One，Vol.13，No.9，2018，p.1.

[44] Alix Rule，Jean-Philippe Cointet and Peter Bearman，“Lexical Shifts，Substantive Changes，and Continuity in State of the Union Discourse，1790-2014”，Proceedings of the National Academy of Sciences，Vol.112，No.35，2015，pp.10837-10844.

[45] 趙雪、馬娟娟：《基于詞共現網絡的對農微博熱點話題及用戶輿情分析——以中國鄉村之聲官方微博為例》，《新聞愛好者》2019年第11期。

[46] Drago? Obreja，“Mapping the Political Landscape on Social Media Using Bibliometrics：A Longitudinal Co-Word Analysis on Twitter and Facebook Publications Published Between 2012 and 2021”，Social Science Computer Review，Vol.40，No.3，2022，p.1.

[47] Anna Molnár and éva Jakusné Harnos，“The Postmodernity of the European Union：A Discourse Analysis of State of the Union Addresses”，The International Spectator，Vol.58，No.1，2022，pp.1-17.

[48] Rob Churchill and Lisa Singh，“The Evolution of Topic Modeling”，ACM Computing Surveys，Vol.54，No.10，2022，pp.1-35.

[49] Guan Peng and Wang Yuefen，“Identifying Optimal Topic Numbers from Sci-Tech Information with LDA Model”，Data Analysis and Knowledge Discovery，Vol.32，No.9，2016，pp.42-50.

[50] Ben Curran，et al.，“Look Who's Talking：Two-mode Networks as Representations of a Topic Model of New Zealand Parliamentary Speeches”，PloS One，Vol.13，No.6，2018，pp.1-16.

[51] Finn Müller-Hansen，et al.，“Who Cares about Coal？Analyzing 70 Years of German Parliamentary Debates on Coal with Dynamic Topic Modeling”，Energy Research & Social Science，Vol.72，2021，p.101.

[52] Jonas Kaiser，Adrian Rauchfleisch and Nikki Bourassa，“Connecting the （far-） Right Dots：A Topic Modeling and Hyperlink Analysis of （far-） Right Media Coverage During the US Elections 2016”，Digital Journalism，Vol.8，No.3，2020，pp.422-441.

[53] Karoliina Isoaho，Daria Gritsenko and Eetu M?kel?，“Topic Modeling and Text Analysis for Qualitative Policy Research”，Policy Studies Journal，Vol.49，No.1，2021，pp.300-324.

[54] Ramit Debnath and Ronita Bardhan，“India Nudges to Contain COVID-19 Pandemic：A Reactive Public Policy Analysis Using Machine-learning Based Topic Modelling”，PloS One，Vol.15，No.9，2020，pp.1-25.

[55] Francisco Olivos，Patricio Saavedra and Lucia Dammert，“Citizen Complaints as an Accountability Mechanism：Uncovering Patterns Using Topic Modeling”，Journal of Research in Crime and Delinquency，2022，p.1.

[56] 楊建梁、劉越男、祁天嬌等：《重大公共衛生事件中民眾訴求的主題挖掘與演變透視》，《圖書館論壇》2021年第4期。

[57] Jan Vosecky，et al.，“Integrating Social and Auxiliary Semantics for Multifaceted Topic Modeling in Twitter”，ACM Transactions on Internet Technology，Vol.14，No.4，2014，pp.1-24.

[58] Koh Keumseok，et al.，“Media Reports on COVID-19 Vaccinations：A Study of Topic Modeling in South Korea”，Vaccines，Vol.10，No.12，2022，p.2166.

[59] Koo Jeong-Woo，“Global Perceptions of South Korea's COVID-19 Policy Responses：Topic Modeling with Tweets”，Journal of Human Rights，Vol.21，No.3，2022，pp.334-353.

[60] Wei，Yigang，et al.，“Exploring Public Opinions on Climate Change Policy in ‘Big Data Era’—A Case Study of the European Union Emission Trading System （EU-ETS） Based on Twitter”，Energy Policy，Vol.158，2021，pp.1-12.

[61] Gonzalo de la Vega and David Blanco Herrero，“Topic Modeling and Characterization of Hate Speech Against Immigrants on Twitter Around the Emergence of a Far-right Party in Spain”，Social Sciences，Vol.9，No.11，2020，p.188.

[62] Fatih Gurcan，Nergiz Cagiltay and Kursat Cagiltay，“Mapping Human-computer Interaction Research Themes and Trends from Its Existence to Today：A Topic Modeling-based Review of Past 60 Years”，International Journal of Human-Computer Interaction，Vol.37，No.3，2021，pp.267-280.

[63] Qiao Fang and Jago Williams，“Topic Modelling and Sentiment Analysis of Global Warming Tweets：Evidence from Big Data Analysis”，Journal of Organizational and End User Computing，Vol.4，No.3，2022，pp.1-18.

[64] Palla Gergely and Tamás Vicsek，“Quantifying Social Group Evolution”，Nature，Vol.446，No.7136，2007，pp.664-667.

[65] Zhang Ke，et al.，“Can Green Credit Policy Improve Environmental Quality？Evidence from China”，Journal of Environmental Management，Vol.298，2021，p.113.

[66] Grant Philip，et al.，“Topic Modelling on Archive Documents from the 1970s：Global Policies on Refugees”，Digital Scholarship in the Humanities，Vol.36，No.4，2021，pp.886-904.

[67] Derek Greene and James Cross，“Exploring the Political Agenda of the European Parliament Using a Dynamic Topic Modeling Approach”，Political Analysis，Vol.25，No.1，2017，pp.77-94.

[68] Daniel Stokes，et al.，“State Legislators’ Divergent Social Media Response to the Opioid Epidemic from 2014 to 2019：Longitudinal Topic Modeling Analysis”，Journal of General Internal Medicine，2021，Vol.36，pp.1-10.

[69] Emiliano del Gobbo，et al.，“Emerging Topics in Brexit Debate on Twitter Around the Deadlines：A Probabilistic Topic Modelling Approach”，Social Indicators Research，Vol.156，2021，pp.669-688.

[70] Claire Seungeun and Ahnlee Jang，“Questing for Justice on Twitter：Topic Modeling of Stop Asian Hate Discourses in the Wake of Atlanta Shooting”，Crime & Delinquency，2021，p.1.

[71] Emad Abu-Shanab and Yousra Harb，“E-government Research Insights：Text Mining Analysis”，Electronic Commerce Research and Applications，Vol.38，2019，p.189.

[72] 李永忠、蔡佳：《基于LDA的國內電子政務研究主題演化及可視化分析》，《現代情報》2017年第4期。

[73] Cheryl Hall，“‘Passions and Constraint’ The Marginalization of Passion in Liberal Political Theory”，Philosophy & Social Criticism，Vol.28，No.6，2002，pp.727-748.

[74] Kathy Mills，“What are the Threats and Potentials of Big Data for Qualitative Research？”，Qualitative Research，Vol.18，No.6，2018，pp.591-603.

[75] Li Jinyan，et al.，“Hierarchical Classification in Text Mining for Sentiment Analysis of Online News”，Soft Computing，Vol.20，2016，pp.3411-3420.

[76] Yoshua Bengio，Réjean Ducharme，Pascal Vincent and Christian Jauvin，“A Neural Probabilistic Language Model”，The Journal of Machine Learning Research，Vol.194，No.3，2003，pp.1137-1155.

[77] Bo Pang，Lillian Lee，Shivakumar and Vaithyanathan，“Thumbs Up？Sentiment Classification Using Machine Learning Techniques”，Paper Presented at the Conference of Empirical Methods in Natural Language Processing，2002，p.1.

[78] Zhao Jun，Kang Liu and Liheng Xu，“Sentiment Analysis：Mining Opinions，Sentiments，and Emotions”，Computational Linguistics，Vol.42，No.3，2016，pp.595-598.

[79] Maria Pontiki，et al.，“Semeval-2016 Task 5：Aspect Based Sentiment Analysis，Pro Workshop on Semantic Evaluation”，Association for Computational Linguistics，2016，pp.19-30.

[80] Joshi Megha，et al.，“A Survey on Sentiment Analysis”，International Journal of Computer Applications，Vol.163，No.6，2017，pp.34-38.

[81] Samuel Bestvater and Burt Monroe，“Sentiment is Not Stance：Target-aware Opinion Classification for Political Text Analysis”，Political Analysis，Vol.31，No.2，2022，pp.1-22.

[82] Lars Holzman and William Pottenger，“Classification of Emotions in Internet Chat：An Application of Machine Learning Using Speech Phonemes”，Retrieved November，Vol.27，2011，p.50.

[83] Filippas Apostolos and Theodoros Lappas，“Strength in Numbers：Using Big Data to Simplify Sentiment Classification”，Big Data，Vol.5，No.3，2017，pp.256-271.

[84] 王婷、楊文忠：《文本情感分析方法研究綜述》，《計算機工程與應用》2021年第12期。

[85] Liu Dilin and Lei Lei，“The Appeal to Political Sentiment：An Analysis of Donald Trump's and Hillary Clinton's Speech Themes and Discourse Strategies in the 2016 US Presidential Election”，Discourse，Context & Media，Vol.25，2018，pp.143-152.

[86] Stefan Spettel and Dimitrios Vagianos，“Twitter Analyzer—How to Use Semantic Analysis to Retrieve an Atmospheric Image Around Political Topics in Twitter”，Big Data and Cognitive Computing，Vol.3，No.3，2019，p.38.

[87] Davis Nicholas，et al.，“The Political Consequences of Nativism：The Impact of Nativist Sentiment on Party Support”，Social Science Quarterly，Vol.100，No.2，2019，pp.466-479.

[88] Aparup Khatua and Erik Cambria，“Predicting Political Sentiments of Voters from Twitter in Multi-party Contexts”，Applied Soft Computing，Vol.97，2020，p.106.

[89] Park Se Jung，et al.，“Networked Politics on Cyworld：The Text and Sentiment of Korean Political Profiles”，Social Science Computer Review，Vol.29，No.3，2011，pp.288-299.

[90] Linh Dang-Xuan，et al.，“An Investigation of Influentials and the Role of Sentiment in Political Communication on Twitter During Election Periods”，Information，Communication & Society，Vol.16，No.5，2013，pp.795-825.

[91] Shor Eran，“Political Leaning and Coverage Sentiment：Are Conservative Newspapers More Negative Toward Women？”，Social Science Quarterly，Vol.100，No.1，2019，pp.307-319.

[92] Tobias Heidenreich，et al.，“Political Migration Discourses on Social Media：A Comparative Perspective on Visibility and Sentiment Across Political Facebook Accounts in Europe”，Journal of Ethnic and Migration Studies，Vol.46，No.7，2020，pp.1261-1280.

[93] Adams-Cohen Nicholas Joseph，“Policy Change and Public Opinion：Measuring Shifting Political Sentiment with Social Media Data”，American Politics Research，Vol.48，No.5，2020，pp.612-621.

[94] Crawford Brandon，et al.，“Examining the Relationship Between Roe v.Wade Knowledge and Sentiment Across Political Party and Abortion Identity”，Sexuality Research and Social Policy，Vol.19，No.3，2022，pp.837-848.

[95] Sv Praveen，et al.，“Twitter-Based Sentiment Analysis and Topic Modeling of Social Media Posts Using Natural Language Processing，to Understand People's Perspectives Regarding COVID-19 Booster Vaccine Shots in India：Crucial to Expanding Vaccination Coverage”，Vaccines，Vol.10，No.11，2022，p.1929.

[96] Chung，Wingyan and Daniel Zeng，“Social Media Based Public Policy Informatics：Sentiment and Network Analyses of US Immigration and Border Security”，Journal of the Association for Information Science and Technology，Vol.67，No.7，2016，pp.1588-1606.

[97] Nam Hannah and Hillary Style，“Understanding Anti-Asian Sentiment and Political Behavior in the Wake of COVID-19”，Politics，Groups，and Identities，2022，pp.1-20.

[98] Cody Emily，et al.，“Climate Change Sentiment on Twitter：An Unsolicited Public Opinion Poll”，PloS One，Vol.10，No.8，2015，p.1.

[99] Vrana Vasiliki，et al.，“EU Citizens’ Twitter Discussions of the 2022-23 Energy Crisis：A Content and Sentiment Analysis on the Verge of a Daunting Winter”，Sustainability，Vol.15，No.2，2023，p.1322.

[100] Nazan ?ztürk and Serkan Ayvaz，“Sentiment Analysis on Twitter：A Text Mining Approach to the Syrian Refugee Crisis”，Telematics and Informatics，Vol.35，No.1，2018，pp.136-147.

[101] Li Lei，et al.，“Time+ user Dual Attention Based Sentiment Prediction for Multiple Social Network Texts With Time Series”，IEEE Access，Vol.7，2019，pp.17644-17653.

[102] El Alaoui Imane，et al.，“A Novel Adaptable Approach for Sentiment Analysis on Big Social Data”，Journal of Big Data，Vol.5，No.1，2018，pp.1-18.

[103] Mark Huberty，“Can We Vote With our Tweet？On the Perennial Difficulty of Election Forecasting with Social Media”，International Journal of Forecasting，Vol.31，No.3，2015，pp.992-1007.

[104] Ceron Andrea and Stefano Iacus，“Using Sentiment Analysis to Monitor Electoral Campaigns：Method Matters—Evidence from the United States and Italy”，Social Science Computer Review，Vol.33，No.1，2015，pp.3-20.

[105] Temitayo Fagbola and Surendra Colin Thakur，“Lexicon-based Bot-aware Public Emotion Mining and Sentiment Analysis of the Nigerian 2019 Presidential Election on Twitter”，International Journal of Advanced Computer Science and Applications，Vol.10，No.10，2019.

[106] Roberto Valdeón，“Polarization in the Spanish Press：A Study of Political Sectarianism During the COVID-19 Pandemic”，Vigo International Journal of Applied Linguistics，Vol.20，2023，pp.185-208.

[107] Max Falkenberg，et al.，“Growing Polarization Around Climate Change on Social Media”，Nature Climate Change，Vol.12，No.12，2022，pp.1-8.

[108] Hou Wenju，et al.，“Leveraging Multidimensional Features for Policy Opinion Sentiment Prediction”，Information Sciences，Vol.6，No.10，2022，pp.215-234.

[109] Sukhwal Chandra and Atreyi Kankanhalli，“Determining Containment Policy Impacts on Public Sentiment During the Pandemic Using Social Media Data”，Proceedings of the National Academy of Sciences，Vol.119，No.19，2022.

[110] Ali Nawaz，et al.，“Public Perceptions of COVID-19 Vaccines：Policy Implications from US Spatiotemporal Sentiment Analytics”，Healthcare，Vol.9.No.9，2021，p.1110.

[111] Xi，Haixu，et al.，“Public Emotional Diffusion Over COVID-19 Related Tweets Posted by Major Public Health Agencies in the United States”，Data Intelligence，Vol.4，No.1，2022，pp.66-87.

[112] 楊柳、曾爽、黃宇：《融入情感分析的重大突發事件輿情熱度組合預測模型》，《情報探索》2022年第11期。

[113] 何躍、朱燦、朱婷婷：《微博熱點話題情感趨勢研究》，《情報理論與實踐》2018年第7期。

[114] James Manyika，et al.，Big Data：The Next Frontier for Innovation，Competition，and Productivity，McKinsey Global Institute，2011，p.1.

[115] 關雪峰、曾宇媚：《時空大數據背景下并行數據處理分析挖掘的進展及趨勢》，《地理科學進展》2018年第10期。

[116] Li Ma and Z.Shao，“The Application of Spatial Temporal Big Data”，Satellite Application，Vol.9，2015，pp.7-11.

[117] 劉亞林、郭秋紅：《時空大數據的智能處理與服務探討》，《計算機產品與流通》2020年第7期。

[118] 孟天廣、郭鳳林：《大數據政治學：新信息時代的政治現象及其探析路徑》，《國外理論動態》2015年第1期。

[119] Liu，D.，et al.，“Advances in Spatiotemporal Data Mining”，Journal of Computer Research and Development，Vol.50，No.2，2013，pp.225-239.

[120] Chen Keith and Ryne Rohla，“The Effect of Partisanship and Political Advertising on Close Family Ties”，Science，Vol.360，No.6392，2018，pp.1020-1024.

[121] Shelton Taylor and Matthew Zook，“Social Media and the City：Rethinking Urban Socio-spatial Inequality Using User-generated Geographic Information”，Landscape and Urban Planning，Vol.142，2015，pp.198-211.

[122] Wang Qi，et al.，“Urban Mobility and Neighborhood Isolation in America's 50 Largest Cities”，Proceedings of the National Academy of Sciences，Vol.115，No.30，2018，pp.7735-7740.

[123] Small Mario，et al.，“Banks，Alternative Institutions and the Spatial-temporal Ecology of Racial Inequality in US Cities”，Nature Human Behaviour，Vol.5，No.12，2021，pp.1622-1628.

[124] Yang Yicheng，et al.，“Risk Assessment of Crowd-gathering in Urban Open Public Spaces Supported by Spatio-temporal Big Data”，Sustainability，Vol.14，No.10，2022，p.6175.

[125] Zhou Shuli，et al.，“Risk Assessment for Precise Intervention of COVID-19 Epidemic Based on Available Big Data and Spatio-temporal Simulation Method：Empirical Evidence from Different Public Places in Guangzhou，China”，Applied Geography，Vol.143，2022，pp.1-11.

[126] Wen Yangyang，et al.，“Rural Residential Land Transition in the Beijing-Tianjin-Hebei Region：Spatial-temporal Patterns and Policy Implications”，Land Use Policy，Vol.96，2020，pp.1-15.

[127] Peng Geng，et al.，“Spatial-temporal Evolution and Regional Difference Decomposition of Urban Environmental Governance Efficiency in China，Environment”，Development and Sustainability，Vol.23，2021，pp.8974-8990.

[128] 何通：《基于莫蘭指數的貧困片區減貧成效時空差異分析》，《熱帶農業工程》2022年第1期。

[129] Hua，Y.，“The Core Problems and Key Technologies of Pan-spatial Information System”，Journal of Geomatics Science and Technology，Vol.33，No.4，2016，pp.331-335.

[130] Havas Clemens，et al.，“Spatio-Temporal Machine Learning Analysis of Social Media Data and Refugee Movement Statistics”，ISPRS International Journal of Geo-Information，Vol.10，No.8，2021，p.498.

[131] 韓增林、王雪、彭飛等：《基于恐襲數據的“一帶一路”沿線國家安全態勢及時空演變分析》，《地理科學》2019年第7期。

[132] Wang Zheye and Xinyue Ye，“Social Media Analytics for Natural Disaster Management”，International Journal of Geographical Information Science，Vol.32，No.1，2018，pp.49-72.

[133] Zhou Yuye，et al.，“Spatial-Temporal Pattern Evolution of Public Sentiment Responses to the COVID-19 Pandemic in Small Cities of China：A Case Study Based on Social Media Data Analysis”，International Journal of Environmental Research and Public Health，Vol.19，No.18，2022，p.11306.

[134] Zhou Xiaolu and Chen Xu，“Tracing the Spatial-temporal Evolution of Events Based on Social Media Data”，ISPRS International Journal of Geo-Information，Vol.6，No.3，2017，p.88.

[135] 王卷樂、張敏、韓雪華等：《COVID-19疫情防控中的中國公眾輿情時空演變特征》，《地理學報》2020年第11期。

[136] Maireder Axel，et al.，“Big Data and Political Social Networks：Introducing Audience Diversity and Communication Connector Bridging Measures in Social Network Theory”，Social Science Computer Review，Vol.35，No.1，2017，pp.126-141.

[137] Stanley Milgram，“The Small World Problem”，Psychology Today，Vol.2，No.1，1967，pp.60-67.

[138] George Hurlburt and Jeffrey Voas，“Big Data，Networked Worlds”，Computer，Vol.47，No.4，2014，pp.84-87.

[139] Lee Rainie and Barry Wellman，Networked：The New Social Operating System，London：The MIT Press，2012.

[140] 呂立遠、黃萃：《網絡分析方法在公共管理與公共政策研究中的應用》，《公共管理評論》2022年第4期。

[141] 孟天廣、郭鳳林：《大數據政治學：新信息時代的政治現象及其探析路徑》，《國外理論動態》2015年第1期。

[142] János T?r?k，et al.，“What Big Data Tells：Sampling the Social Network by Communication Channels”，Physical Review，Vol.94，No.5，2016，pp.1-11.

[143] 蔡騏、曹慧丹：《網絡傳播中意見領袖的行為機制》，《現代傳播》（中國傳媒大學學報）2014年第12期。

[144] Peng Sancheng and Dongqing Xie，“Social Influence Analysis in Social Networking Big Data：Opportunities and Challenges”，IEEE Network，Vol.31，No.1，2016，pp.11-17.

[145] Mahdi Jalili，“Effects of Leaders and Social Power on Opinion Formation in Complex Networks”，Simulation，Vol.89，No.5，2013，pp.578-588.

[146] Yang Hailu，et al.，“Detecting Local Opinion Leader in Semantic Social Networks：A Community-Based Approach”，Frontiers in Physics，2022，p.224.

[147] LI Meizi，et al.，“Opinion Leader Recognition Algorithm Based on K-core Decomposition in Social Networks”，Journal of Computer Applications，Vol.42，No.1，2022，p.26.

[148] Sch?fer Mike and Monika Taddicken，“Opinion Leadership Mediatized Opinion Leaders：New Patterns of Opinion Leadership in New Media Environments？”，International Journal of Communication，Vol.9，No.1，2015，p.22.

[149] Wu Jian，et al.，“A New Leader-Follower Public-Opinion Evolution Model for Maritime Transport Incidents：A Case from Suez Canal Blockage”，Journal of Marine Science and Engineering，Vol.10，No.12，2022，p.2006.

[150] 周莉、郭瑜鸞、胡珀：《網絡空間中國家主義話語的分野與互動——基于232位微博意見領袖的探索性研究》，《國際新聞界》2022年第7期。

[151] Guo Lei and Chris Vargo，“The Power of Message Networks：A Big-data Analysis of the Network Agenda Setting Model and Issue Ownership”，Mass Communication and Society，Vol.18，No.5，2015，pp.557-576.

[152] Alexandre Ilo，Joseph Jai-sung Yoo and Dhiraj Murthy，“Make Tweets Great Again：Who Are Opinion Leaders，and What Did They Tweet about Donald Trump？”，Social Science Computer Review，Vol.40，No.6，2022，pp.1456-1477.

[153] Joa Claire Youngnyo and Gi Woong Yun，“Who Sets Social Media Sentiment？：Sentiment Contagion in the 2016 US Presidential Election Media Tweet Network”，Journalism Practice，Vol.16，No.7，2022，pp.1449-1472.

[154] Vargo Chris and Lei Guo，“Networks，Big Data，and Intermedia Agenda Setting：An Analysis of Traditional，Partisan，and Emerging Online US News”，Journalism & Mass Communication Quarterly，Vol.94，No.4，2017，pp.1031-1055.

[155] Ardiyanti Handrini and Udi Rusadi，“Visualization on Twitter Activism Networks and Opinion Leaders：The Case of Free West Papua”，Jurnal The Messenger，Vol.14，No.1，2022，pp.36-56.

[156] 張愛軍、王三敏：《撬動微觀政治傳播的新變量：社交機器人》，《新視野》2022年第5期。

[157] Akhremenko Stukal and A.Petrov，“Network Vs Message in Protest Diffusion on Social Media：Theoretical and Data Analytics Perspectives”，Polis.Political Studies，Vol.2，No.2，2020，pp.73-91.

[158] Marcos-García，Silvia，Laura Alonso-Mu?oz and Amparo López-Meri，“Extending Influence on Social Media：The Behaviour of Political Talk-show Opinion Leaders on Twitter”，Communication & Society，Vol.33，No.2，2020，pp.277-293.

[159] Rune Karlsen，“Followers are Opinion Leaders：The Role of People in the Flow of Political Communication on and Beyond Social Networking Sites”，European Journal of Communication，Vol.30，No.3，2015，pp.301-318.

[160] Karine Nahon，et al.，“Fifteen Minutes of Fame：The Power of Blogs in the Lifecycle of Viral Political Information”，Policy & Internet，Vol.3，No.1，2011，pp.1-28.

[161] Sean Eddington，“The Communicative Constitution of Hate Organizations Online：A Semantic Network Analysis of ‘Make America Great Again’”，Social Media Society，Vol.4，No.3，2018，pp.1-12.

[162] 劉念、朱婧：《誰掀動了網絡情緒？——網絡輿情中憤怒情緒傳播的關鍵節點》，《廣州大學學報》（社會科學版）2023年第1期。

[163] 康偉：《基于SNA的突發事件網絡輿情關鍵節點識別——以“7·23動車事故”為例》，《公共管理學報》2012年第3期。

[164] 張海濤、周紅磊、張鑫蕊等：《在線社交網絡的社區發現研究進展》，《圖書情報工作》2020年第9期。

[165] Sefa ?ahin，et al.，“Triadic Co-clustering of Users，Issues and Sentiments in Political Tweets”，Expert Systems with Applications，Vol.100，No.15，2018，pp.79-94.

[166] Roger Guimera and Luís Amaral，“Functional Cartography of Complex Metabolic Networks”，Nature，Vol.433，No.7028，2005，pp.895-900.

[167] Jin Songchang，et al.，“Community Structure Mining in Big Data Social Media Networks with Map Reduce”，Cluster Computing，Vol.18，No.3，2015，pp.999-1010.

[168] Santo Fortunato，“Community Detection in Graphs”，Physics Reports，Vol.486，No.3-5，2010，pp.75-174.

[169] 張海濤、周紅磊、張鑫蕊等：《在線社交網絡的社區發現研究進展》，《圖書情報工作》2020年第10期。

[170] Bruzzese Stefano，et al.，“Ecosystem Services：A Social and Semantic Network Analysis of Public Opinion on Twitter”，International Journal of Environmental Research and Public Health，Vol.19，No.22，2022，p.15012.

[171] Torregrosa Javier，et al.，“Analyzing the Relationship Between Relevance and Extremist Discourse in an Alt-right Network on Twitter”，Social Network Analysis and Mining，Vol.10，No.1，2020，pp.1-17.

[172] Chris Vargo and Lei Guo，“Networks，Big Data，and Intermedia Agenda Setting：An Analysis of Traditional，Partisan，and Emerging Online US News”，Journalism & Mass Communication Quarterly，Vol.94，No.4，2017，pp.1031-1055.

[173] Ghinoi Stefano and Bodo Steiner，“The Political Debate on Climate Change in Italy：A Discourse Network Analysis”，Politics and Governance，Vol.8，No.2，2020，pp.215-228.

[174] Radicioni Tommaso，et al.，“Networked Partisanship and Framing：A Socio-Semantic Network Analysis of the Italian Debate on Migration”，Plos One，Vol.16，No.8，2021，pp.1-12.

[175] Nagel Melanie and Carlos Bravo-Laguna，“Analyzing Multi-level Governance Dynamics from a Discourse Network Perspective：The Debate over Air Pollution Regulation in Germany”，Environmental Sciences Europe，Vol.34，No.1，2022，pp.1-18.

[176] 趙云澤、劉珍：《情緒傳播：概念、原理及在新聞傳播學研究中的地位思考》，《編輯之友》2020年第1期。

[177] 王玨：《社交媒體時代的情緒傳播》，《新聞與寫作》2021年第8期。

[178] 楊洸：《社交媒體網絡情感傳染及線索影響機制的實證分析》，《深圳大學學報》（人文社會科學版）2020年第6期。

[179] 李春雷、陳華：《社交媒體交往中的情緒地理結構研究——基于三省六地的實地調研》，《當代傳播》2019年第6期。

[180] Stieglitz Stefan and Linh Dang-Xuan，“Emotions and Information Diffusion in Social Media—Sentiment of Microblogs and Sharing Behavior”，Journal of Management Information Systems，Vol.29，No.4，2013，pp.217-248.

[181] Choi Minnseok and Jiyoung Woo，“Epidemic Modeling of Sentiment Diffusion on Web Forums”，Advanced Science Letters，Vol.23，No.10，2017，pp.10477-10480.

[182] Naskar Debashis，et al.，“Emotion Dynamics of Public Opinions on Twitter”，ACM Transactions on Information Systems，Vol.38.No.2，2020，pp.1-24.

[183] Pradhana Ghozian Aulia and Syaifa Tania，“Hyperreality of Black Lives Matter Movement on Social Media”，Malaysian Journal of Communication，Vol.37，No.3，2021，pp.288-303.

[184] Li Manyu，et al.，“Twitter as a Tool for Social Movement：An Analysis of Feminist Activism on Social Media Communities”，Journal of Community Psychology，Vol.49，No.3，2021，pp.854-868.

[185] John Jost，et al.，“How Social Media Facilitates Political Protest：Information，Motivation，and Social Networks”，Political Psychology，Vol.39，No.1，2018，pp.85-118.

[186] Bentley Alexander and William Brock，“Mapping Collective Behavior in the Big-data Era”，Behavioral and Brain Sciences，Vol.37，No.1，2014，pp.63-76.

[187] Kim，Jun-Gil and Kyung-Soon Lee，“Predicting Political Orientation of News Articles Based on User Behavior Analysis in Social Network”，Ieice Transactions on Information and Systems，Vol.97，No.4，2014，pp.685-693.

[188] Bart Cammaerts，“The New-new Social Movements：Are Social Media Changing the Ontology of Social Movements？”，Mobilization：An International Quarterly，Vol.26，No.3，2021，pp.343-358.

[189] Morales Losada and R.M.Benito，“Users Structure and Behavior on an Online Social Network During a Political Protest”，Physica A：Statistical Mechanics and Its Applications，Vol.391，No.21，2012，pp.5244-5253.

[190] Van Sander，Walter Nicholls and Justus Uitermark，“Building Protest Online：Engagement with the Digitally Networked Not 1 More Protest Campaign on Twitter”，Social Movement Studies，Vol.17，No.4，2018，pp.408-423.

[191] Benjamin LaPoe，et al.，“Addressing Racism，Politics and the Pivotal 2018 Midterm Point：Social Network Analysis of Black Lives Matter Twitter Discourse”，Electronic News，Vol.16，No.4，2022，pp.227-248.

[192] Molina，Rocío Galarza，“Networked Gatekeeping and Networked Framing on Twitter Protests in Mexico About the Ayotzinapa Case”，RIMCIS：Revista Internacionaly Multidisciplinaren Ciencias Sociales，Vol.8，No.3，2019，pp.235-266.

[193] Alexandra Segerberg and Shawn Walker，“Organization in the Crowd：Peer Production in Large-scale Networked Protests”，Information，Communication & Society，Vol.17，No.2，2014，pp.232-260.

[194] Bart Cammaerts，“The New-new Social Movements：Are Social Media Changing the Ontology of Social Movements？”，Mobilization：An International Quarterly，Vol.26，No.3，2021，pp.343-358.

[195] Greijdanus Hedy，et al.，“The Psychology of Online Activism and Social Movements：Relations Between Online and Offline Collective Action”，Current Opinion in Psychology，Vol.35，2020，pp.49-54.

[196] Altahmazi，Thulfiqar Hussein，“Collective Pragmatic Acting in Networked Apaces：The Case of Activism in Arabic and English Twitter Discourse”，Lingua，Vol.239，2020，p.102.

[197] Vico Eva Aladro and Paula Requeijo Rey，“Vox Political Party Discourse，Strategies and Interactions on its Official Instagram Account During the A-28 Elections，Radical Right and Social Networks”，Revista Latina de Comunicacion Social，Vol.77，2020，pp.203-229.