社交学习如何放大在线社交网络中的道德愤怒表达

摘要

道德愤怒塑造了社会生活的基本方面，并且在在线社交网络中已广泛存在。本研究展示了社会学习过程如何随着时间推移放大在线道德愤怒表达。通过两项在Twitter上进行的预注册观察性研究（7331名用户和总共1270万条推文）和两项预注册的行为实验（N = 240），研究发现对愤怒表达的积极社交反馈增加了未来表达愤怒的可能性，符合强化学习原则。此外，用户将他们的愤怒表达符合其社交网络的表达规范，表明规范学习也指导在线愤怒表达。当规范信息易于观察时，规范学习超越了强化学习：在意识形态极端的网络中，愤怒表达更为普遍，用户在决定是否表达愤怒时对社交反馈不太敏感。研究结果突显了平台设计如何与人类学习机制互动，影响数字公共空间中的道德话语。

引言

道德愤怒是一种强烈的情绪，不仅推动对道德违规行为的惩罚和促进社会合作，还能激励集体行动以推动社会变革。然而，近年来，道德愤怒也被认为是导致政治极化、公共言论冷漠、虚假信息传播和民主侵蚀等社会问题的因素。社交媒体被认为可能通过放大道德愤怒情绪来加剧这些问题，尽管相关证据尚不充分。现有对道德愤怒的理解主要基于小团体环境中的研究，而在线环境中的行为约束与其显著不同，因此需要深入了解道德愤怒在在线社交网络中的表现方式。

道德愤怒源于对道德准则被违反的感知，人们在认为表达愤怒可以预防未来违规或促进社会正义时会表达愤怒。在社交媒体背景下，道德愤怒表达可能更受到与个人道德信念关系不大的因素的影响。我们提出，在线愤怒表达可能受到两种学习形式的影响：强化学习和规范学习。社交媒体平台的设计特征如何影响这两种学习过程也是需要研究的重要问题。

最近的研究表明，社交媒体用户在表达道德愤怒后接收到积极的社交反馈后，会更频繁地发布内容，支持强化学习的解释。然而，仅靠强化学习可能无法完全解释在线道德愤怒表达的动态。用户在大型社交网络中互动，每次登录平台时，他们可以立即获得当前网络中沟通规范的快照，这可能通过规范学习影响他们的行为。

研究1&研究2

研究工具：本研究通过训练和验证 DOC 分类器，提供了一种在社交媒体文本中自动识别道德愤怒表达的方法。DOC 利用深度学习技术，通过准确可靠地识别广泛的道德愤怒表达，为社会心理学和政治学的研究提供了有力工具。

数据与方法：

• 数据集：选取两个不同政治背景的事件（卡瓦诺听证会和联合航空事件），收集了用户的Twitter历史（共计1270万条）。
• 分析方法：利用广义估计方程（GEE）分析愤怒表达与前一天收到的社会反馈的关系，考虑了推文频率、历史、URL、媒体等因素。
• 正负预测误差：通过计算反馈与预期反馈的差异，分析愤怒表达的变化。

研究假设：

1. 强化学习假设：先前道德愤怒表达获得的积极社交反馈应能预测随后的愤怒表达。
2. 规范学习假设：(a)愤怒的表达应该在由意识形态更极端的用户组成的社交网络中更普遍。(b)在意识形态更极端的人际网络中，自我在调整愤怒表达时对同伴反馈的敏感度较低。

研究结果：

• 结果1：支持了强化学习假设，即社交反馈对在线愤怒表达具有显著影响。

  在两项研究中，我们发现每天的愤怒表达量与前一天愤怒表达收到的社交反馈数量呈正相关（研究1：b = 0.03, P < 0.001, 95% CI = [0.03, 0.03]; 研究2：b = 0.02, P < 0.001, 95% CI = [0.02, 0.03]）。具体而言，如果用户在某一天愤怒表达收到了更多的社交反馈，预计第二天他们的愤怒表达会增加2%到3%。

  研究还发现，对于那些拥有较长历史的用户，他们对最近社交反馈的响应可能较弱，这表明了时间和行为结果之间关系的学习效应。

  对政治参与度高的用户而言，社会强化对负面情绪表达有积极影响，尽管效果较小；而对政治参与度低的用户，这种影响则不显著。

• 结果2：支持了规范学习假设，在意识形态更极端的社交网络中的个体更可能表达愤怒，且对社会反馈的敏感度较低。

  网络极端化显著调节了社会反馈对愤怒表达的影响，出于在更极端社交网络中的用户对愤怒表达的影响较弱(研究1:b = - 0.02, P = 0.004, 95% CI = [- 0.03， - 0.01];研究2:b = - 0.05, P < 0.001, 95% CI =[- 0.08， - 0.02])(见图2)。同时，自我极端并没有调节社会反馈对愤怒表达的影响(研究1:b = 0.01, P = 0.167, 95% CI = [0.00, 0.03];研究2:b =−0.02,P = 0.147, 95% CI =[−0.04,0.01])。

局限性：

• 因果性限制：观察方法无法确立社会反馈或网络规范对愤怒表达的因果影响，且愤怒表达可能是因个体选择追随极端用户所致。
• 复杂因果机制：愤怒表达与选择极端社交网络的过程可能是并行且相互影响的。
• 计算限制：计算限制导致无法直接测量网络层面的愤怒表达规范，只能通过个人行为推测网络影响。

研究3

研究假设： 在社交媒体上，个体的愤怒表达受到社会反馈和网络层面愤怒表达规范的共同影响。具体来说，愤怒规范条件下，参与者更倾向于选择表达愤怒的Twitter，而中性规范条件下，参与者更倾向于选择中立的Twitter。

被试：招募了120名自由派参与者，参与模拟的Twitter环境实验。参与者被告知他们是一个新社交网络的成员，并随机分配到愤怒规范或中立规范条件。规范学习操作为在学习任务的第一次尝试中选择规范刺激的倾向(愤怒规范条件下的愤怒Twitter;中性规范条件下的中性Twitter)。强化学习操作化为一种倾向，即随着时间的推移，积极强化刺激的选择会增加(愤怒规范条件下的愤怒Twitter;中性规范条件下的中性Twitter)。

实验设计：

• 滚动阶段：参与者观看了12条涵盖有争议政治话题的Twitter。
• 学习阶段：完成了30个学习任务的试次，参与者的目标是通过转发Twitter来最大化社会反馈，反馈以Twitter上的“喜欢”形式呈现。在每次试验中，参与者在两条政治Twitter中选择一条“发布”到网络上(一条愤怒，一条中立)，随后收到反馈。平均而言，选择一条愤怒的Twitter会产生更多的社会反馈。

推文内容：Twitter涵盖了唐纳德·特朗普总统的弹劾、全民医保、美国移民政策和“灭绝叛乱”气候变化运动等四个政治话题。

社会反馈机制：

• （滚动阶段）在愤怒规范条件下，75%的Twitter包含愤怒表达，25%包含中性表达。包含愤怒表达的推文显示了从“高反馈分布”(M = 250, SD = 50)中随机抽取的点赞数量。在这种情况下，非愤怒推文被分配了从一个更低的分布(M = 25, SD = 6)中抽样的点赞数量。
• （滚动阶段）在中性规范条件下，所有Twitter都包含中性表达。随机选择75%的中立条件下的推文具有高反馈，25%的推文具有低反馈，这是由愤怒规范条件下的相同分布决定的。
• （学习阶段）每次试验中获得的社会反馈来自两个预先确定的“奖励轨迹”中的任何一个，其中使用的轨迹由参与者的转发选择决定。例如，如果参与者选择转发第n条线索中的愤怒内容，那么他们获得的反馈对应于值数组中的第n个整数。在这些数值中，80%是从滚动任务中的高奖励分配中随机抽取的。其余20%的奖励值来自低分布。这些附带奖励对所有参与者来说都是一样的，不管他们在滚动任务中被分配到什么标准条件。二八分布的分割被用来给反馈增加噪音，从而使参与者更难以快速推断潜在的奖励结构。

数据分析方法：使用广义线性混合模型（R中的“lme4”包）分析参与者在试验中对愤怒和中立推文的选择行为。考虑了规范条件、试验编号和它们的交互作用作为固定效应，以及参与者的随机截距。

研究结果：

1. 规范学习效应：在愤怒规范条件下，参与者在第一次试次中更倾向于选择愤怒表达的Twitter而非中立表达的Twitter。在中性规范条件下，参与者显著更倾向于选择中立表达的Twitter而非愤怒表达的Twitter。这表明规范学习对个体的愤怒表达偏好产生了直接影响。
2. 强化学习效应：研究进一步发现，随着时间的推移，参与者学会了更多地选择愤怒表达的Twitter，这是作为试验明智的社会反馈的结果。
3. 交互作用效应：强化学习效应与规范条件之间存在显著的负交互作用。愤怒规范条件下的强化学习效应显著小于中性规范条件下的效应，这表明在愤怒规范条件下，参与者较少依赖社会反馈来引导他们的愤怒表达。

图1 社交媒体学习任务的描述(研究3和4)。参与者首先通过滚动12条推文来查看哪些类型的表达在他们的网络中是规范的。接下来，他们参加了一个学习任务，他们的目标是最大化反馈。

研究4

被试：招募了120名自由派参与者，参与模拟的Twitter环境实验。

实验设计：与研究3类似，区别在于在学习阶段，参与者平均得到了更多的社会反馈，用于规范一致的表达，即愤怒规范条件下的参与者在选择愤怒Twitter时获得更多的正反馈，而中立规范条件下的参与者在选择中立Twitter时获得更多的正反馈。

研究结果：

1. **规范学习效应:**在第一次试验中，愤怒规范条件下的参与者更有可能选择愤怒的Twitter而不是中立的Twitter，而中立规范条件下的参与者更有可能选择中立的Twitter而不是愤怒的Twitter。
2. 强化学习的证据：社会反馈影响了参与者发布愤怒表达和中性表达。
3. 交互作用效应：愤怒规范条件下的强化学习效果比中性规范条件下的要小，强化学习效果与规范条件之间存在显著的交互作用。换句话说，与中性规范条件下的参与者相比，愤怒规范条件下的参与者较少依赖社会反馈来指导他们的愤怒表达。

讨论

这项研究通过对7331名用户的推文历史和240名参与者的行为实验进行分析，探讨了社交媒体上道德愤怒表达的动态和影响。

关键发现:

1. 社会反馈预测道德愤怒表达：社交媒体上对道德愤怒表达的积极社会反馈，显著预测了未来的愤怒表达。这表明，用户通过社交媒体平台接收到的反馈可以影响他们未来的道德情绪表达。
2. 强化学习的特殊角色：在网络环境中，社交媒体平台设计通过强化学习机制，如新闻推送算法，可以增强用户对道德愤怒的表达。即使设计初衷不是增强道德愤怒，平台的反馈机制和用户参与目标也可能间接地影响道德行为和社会运动的成功。
3. 负面预测误差的影响不一致：社交媒体平台设计使得积极反馈更为突出，而负面反馈则相对不那么显著。因此，从负面反馈中学习在网络环境中比从积极反馈中学习更为困难。
4. 网络规范与强化学习的交互作用：在意识形态极端的社交网络中，个体用户对社会反馈的敏感度较低，可能因为他们已经内化了网络层面的表达规范。这表明，社交媒体的背景和网络规范之间的相互作用特别可能影响到个体的道德愤怒表达学习。
5. 情感表达与情感体验的脱钩：社交媒体平台的设计可能将愤怒的表达与真实情感体验分离开来，暗示了“愤怒疲劳”的现象。这可能使在线愤怒表达在长期内保持强度，即使用户可能已经感受到愤怒的疲惫。
6. 意识形态极端和愤怒表达：在意识形态极端的社交媒体网络中，个体用户更倾向于表达愤怒，即使在个人意识形态倾向下，他们也可能表达更多的愤怒。这种规范学习和社会强化学习的相互作用可能会导致社交媒体上的愤怒表达增加。

研究局限性和未来方向

1. 样本和泛化性：研究样本主要来自Twitter，可能不代表整体人群或其他社交媒体平台的用户。未来研究可以扩展到更广泛的社交媒体平台和不同地理背景下的用户。
2. 因果关系和实验设计：观察性研究不能建立因果关系，因此实验设计对于理解社会反馈和愤怒表达之间的因果关系至关重要。
3. 情感表达分类方法的局限性：基于文本分类的方法可能对个体或特定社会网络的情感表达分类有限。未来的研究可以探索更复杂的语境特征来提高情感表达分类的准确性。

参考文献

Brady, W. J., McLoughlin, K., Doan, T. N., & Crockett, M. J. (2021). How social learning amplifies moral outrage expression in online social networks. Science Advances, 7(33), eabe5641. https://doi.org/10.1126/sciadv.abe5641