基于上下文语义的网络议程设置研究——以红黄蓝事件为例

王晗啸，南京师范大学新闻与传播学院博士研究生。

李成名，南京师范大学文学院硕士研究生。

于德山(通讯作者)，南京师范大学新闻与传播学院教授。

巴志超，南京理工大学经济管理学院讲师。

本文系国家社会科学基金重点项目“新媒体视觉文化传播研究”（项目编号：16AXW008）的阶段性研究成果，受“南京师范大学2018年优秀博士论文选题计划”资助。

一

前言

自1968年麦克斯维尔·麦库姆斯和唐纳德·肖开展教堂山研究以来，议程设置理论已悄然走过了五十年。尽管多年来媒介系统在持续发生着变革，议程设置理论作为传播学的经典理论之一，依然具有旺盛的生命力。

根据麦库姆斯和郭蕾的划分，议程设置研究可被分为三个层次：第一个层次是客体议程设置，该层次主要考察大众媒介通过设置议程对公众议程产生的影响。教堂山研究发现，对于那些摇摆不定的选民，其心中议题的重要性与媒体在新闻议题中的显要性呈高度相关，这一结论是对当时占据主流学术观点——“有限效果论”的颠覆（McCombs & Shaw，1972）。此后，研究者发现大众媒介不仅能决定公众“想什么”，还能影响公众“怎么想”。媒介通过建构议程，对某个客体的一些具体属性进行选择和强调亦会对公众产生影响，这一层次被称之为属性议程设置（McCombs，LIamas，Lopez-Escobar & Rey，1997）。进入到互联网时代尤其是web2.0时期，以用户为主导进行内容生成的社交媒体开始崛起，社交媒体在改变人们信息获取方式的同时也削弱了传统媒体的影响，因此有不少学者质疑，在互联网时代传统媒体的议程设置是否已经失效。在这样一个新形势下，麦库姆斯和郭蕾于2011年提出了议程设置的第三个层次——网络议程设置模型，以此作为对议程设置理论质疑的回应（Guo & McCombs，2011a；Guo & McCombs，2011b）。

相较于之前的两个层次，网络议程设置在研究方法上有较大创新，该方法是对内容分析、共现分析以及社会网络分析的综合运用。但这种基于共现分析的研究方法，只考虑到了词与词之间显性的、直接的关系，却未能表征它们之间隐性的、间接的语义强度。本文引入词向量模型word2vec，提出了一种测度网络议程设置中隐性关系的方法，来揭示媒体与公众的议程网络以及二者间的相似程度。

二

文献梳理

（一）研究假设及其方法

传统的议程设置研究认为，公众对信息的认知是线性和分层的。当人们思考一个客体时，心里会产生一张包含了一系列问题和属性的排序列表，因此传统议程设置在对不同客体和属性的研究上是孤立和分离的。网络议程设置受认知心理学中联想记忆模型与认知网络模型的影响，认为公众的认知呈网络状，不同的信息类似于一个个节点交织在一起形成了认知网络。其核心假设是，媒体网络中客体和属性的显要性影响了公众网络中客体和属性的重要性。网络议程设置更加关注媒体议程和公众议程中不同客体和属性间的网络关系，并认为媒体报道中的不同客体和属性会影响公众的认知网络（如图1所示）（Guo，2015a：6）。

现有的网络议程设置研究方法主要是对内容分析、共现分析以及社会网络分析的综合运用。

（1）内容分析法。由于单一使用共词分析不能很好地体现议程网络中的客体和属性，因而研究者往往借助内容分析，先对媒体报道和公众调查中的关键词进行编码，归纳到某一要素（element）中。在这里，要素既可以指代客体，也可以指代属性（Guo，2015b：21）；

（2）共现分析。将媒体报道或公众调查中共同出现的要素计为一次共现，然后根据要素间的共现频次进行累加，分别构建媒体议程与公众议程的要素共现矩阵，两个要素共同出现的频次越多，则这两个要素间的关系越紧密；

（3）社会网络分析。社会网络分析以可视化的形式揭示媒体和公众议程，通过点度中心度等中心性指标衡量不同要素在议程网络中的重要程度。研究证明，一些在媒体报道中出现频次较高的要素，并不一定会出现在网络的中心位置（Guo，2012）。

从以上介绍可以看出，网络议程设置可以同时展现客体和属性这两个方面及其内部要素间的关系。相较于之前的两个层次，更加贴近回答沃特·李普曼所说的“我们脑海中的图景”。

但是，上述研究方法未能表征要素间的隐性关系。显性关系与隐性关系的主要区别在于，前者是指主体有意识的对不同要素进行匹配，而后者则是主体无意识做出的选择（Greenwald & Banaji，1995）。2018年7月于美国科罗拉多大学波尔得分校召开的议程设置研究五十年大会上，网络议程设置中显、隐性的测度与视觉议程设置、议程多样性等被与会者列为议程设置研究的新方向（Vargo，2018）。

克雷格·卡罗尔（Craig E. Carroll）（2015：38）在对网络议程结构的介绍中，提到了一种潜在连接关系——双重关系。如图2所示，该类关系的特征 是网络只有三个节点与两条连边，其中节点A与节点B相连，节点B与节点C相连。卡罗尔看到了双重关系网中A与C之间存在潜在连边的可能，并以三段论推理为例，认为大前提与结论之间并无直接关系，但可通过小前提，将大前提和结论建立起联系。双重关系对于网络议程设置研究的启示是，当前基于共现分析的网络议程 设置研究主要依靠的是要素间的显性关系，但受上下文语境的影响，那些没有共现的要素，彼此间也存在语义上的强度，人们可能对这部分要素建立联系。

（二）案例特征

网络议程设置理论在最近几年才被提出，尚处于不断发展和完善阶段。总结国外的相关实证研究可以发现具有以下特征：在案例背景方面，除了传统议程设置研究中的政治选举（Vargo，Guo，McCombs & Shaw，2014；Kiousis，Ragas，Kim，Schweickart，Neil & Kochhar，2016），还延伸到了国际传播（Guo，Mays & Wang，2019）、科学传播（Wang & Guo，2018）、环境保护（Schultz，Kleinnijenhuis，Oegema，Utz & VanAtteveldt，2012）等，研究主题更趋多样化。

观察国内议程设置研究的开展状况，可以说自二十世纪八十年代议程设置理论传入国内始，运用该理论展开的研究就以定性研究居多，定量研究较少，这与西方议程设置理论研究存在明显的差异（Luo，2013）。部分在美高校的中国学者关注网络议程设置视角下的中国问题研究。例如，程杨与陈静雯（2015）以中国香港问题为切入点，围绕国民教育改革等问题，分析香港媒体报道与市民观点的相关程度。王倩（2016）根据新浪微博的用户特征，对中国官方媒体、商业媒体、意见领袖三者间的议程设置能力进行比较，并将意见领袖划分为媒体从业者、名人、学者以及商业精英这四类人群。研究发现无论在危机事件还是非危机事件中，微博社区议程设置能力最强的是商业精英类人群，这与西方社交平台以媒体组织或媒体人占据议程主导地位的现状存在较大区别。

以上研究中的公众调查多来自于推特或微博。对于这类短文本社交平台，由于存在字数限制，其单条信息较少出现要素共现，因此需要改变分析单元，将单个用户在同一天内发布的全部信息作为单元合并处理，再做共现分析。此外，根据作者过往使用关键词采集微博文本的经历，语料中常常会夹杂大量由营销帐号发布的无效信息，他们发布的信息虽然含有热门事件的关键词，但往往与该事件本身无关，这样做只是为了蹭事件热度提高帐号曝光率，而这些信息噪音在一定程度上会影响最终的分析结果。

三

研究方法与步骤

本文采用基于上下文语义的词向量模型word2vec对百度新闻和知乎平台上的语料进行语义建模，分析流程见图3。对不同主体抽取等量的关键词，根据模型训练所得的词向量，构建关键词语义矩阵，再进一步分析比较不同主体的议程网络及其相似程度。

（一）Word2vec模型

Word2vec模型是由托马斯·米科洛夫在谷歌带领的研究团队所提出，该模型属于浅层神经网络语言模型，将词汇转化为词向量，通过向量空间的相似度来衡量文本的相似度（Mikolov，Sutskever，Chen，Corrado & Dean，2013）。与LSI（潜在语义索引）、LDA（潜在狄利克雷分布）等基于文本中词共现的模型不同，word2vec是根据上下文语义关系进行建模。如图4所示的两个短句：“麦库姆斯是议程设置理论的提出者”“肖是议程设置理论的提出者”，根据词共现就会将肖与议程设置理论相联系，而基于上下文语义则会将麦库姆斯和肖相关联。

Word2vec为获取词向量的建模方法有两种，一种是skip-gram模型，该模型是使用一个词语作为输入来预测它上下文出现的概率；另一种是CBOW模型，该模型与skip-gram模型相反，使用上下文作为输入来预测当前词语出现的概率。

本研究采用词频-逆文档频词算法（tf-idf），针对不同主体的语料抽取相同数量的关键词，然后利用建模所得的词向量计算关键词之间的余弦距离，以衡量关键词间隐性语义强度。根据关键词间的余弦距离构建关键词语义矩阵，语义矩阵中的值越大，代表这两个关键词相似度越高。如果某个关键词和其他关键词的相似度都很高，则说明该关键词在相关主体的议程中居于较为重要的位置。

（二）议程网络分析

现有的网络议程设置研究，对媒体及公众议程网络的揭示主要还是先通过内容分析，将关键词编码为元素，再做元素间的共现分析。该方法存在一定的主观性且分析效率较低，难以处理较大规模的语料。本研究采用无监督分类算法，使用社会网络分析工具Ucinet的块模型（concor）对关键词语义矩阵进行聚类分析，将聚类结果下的不同社团（community）进行概括，以此得出不同主体的议程，并通过可视化的形式对议程网络进行呈现。

（三）议程网络相似度

在对议程相似度的计算上，本研究采用的是一种研究作者兴趣相似度的做法(巴志超，李纲，朱世伟，2016)。首先通过上文中训练所得的模型获得与某个关键词余弦相似度最高的若干词汇，分别求出这些词与该关键词的余弦距离，充当其词向量，据此构建议程矩阵。矩阵中的行表示关键词的词向量，列表示该主体抽取的关键词。在计算不同主体议程相似度时，只需计算两个议程矩阵之间的语义关系。采用Jensen-Shannon距离来计算不同主体议程的相似性，它是一种被用于测量两个概率分布之间相似程度的方法（Endres & Schindelin，2003）。

（四）语料选择与分类

在语料的选择上，本文选择知乎作为社交媒体的语料来源。原本作为公共事务讨论地的微博，伴随其泛娱乐化、生活化趋势的加剧，以及营销帐号对其舆论的把持，不少关心公共事务类话题的微博用户转战知乎讨论（王晗啸，于德山，2018）。相较于微博，知乎作为网络问答社区，其各条问题下的单条回复更长，专业化程度更高，用户更愿意通过理性分析而非直接给出论断来表达自身观点（茹西子，胡泳，2016）。

针对新闻与社交媒体语料，本文根据其信息发布源做了进一步的划分，其中新闻语料来源被分为党媒、都市类媒体以及商业媒体，社交媒体语料来源则被分为意见领袖与公众。

四

案例分析

（一）案例选取

本文选取的新闻事件是发生于2017年11月的“红黄蓝幼儿园虐童案”。2017年11月22日晚，北京市朝阳区管庄红黄蓝幼儿园国际小二班十余名家长反映，孩子被老师用针扎，喂成分不明的白色药片，并提供了孩子身上多个针眼的照片（澎湃新闻，2017）。有家长向记者表示，老师不许孩子向家里说幼儿园发生的事，说有“长长的望远镜”知道你是否报告家长（凤凰网，2017）。由于该幼儿园学费达到每月5500元，属于高端幼儿园，因而此事引发了国内中产阶级的普遍愤怒与忧虑，许多人开始认为即便幼儿园收费高也难以信任（BBC中文网，2017）。此事件在经过《新京报》等媒体曝光后，各家媒体争相报道，人民网、新华网等权威媒体也对该事件跟进。在微博、微信、知乎等社交媒体平台，该事件也引发网民的广泛讨论。

选择“红黄蓝事件”在于该案例符合议程设置研究的两大发生条件，即事件要与公众存在关联性与不确定性。“红黄蓝事件”之所以受到广泛关注，在于涉事主体是儿童，虐童事件严重危害到儿童的身心健康，而儿童安全问题又牵动着全社会每一个家庭的神经，相关事件的曝出会让家长与自己家中的孩子相联系，因而该起事件与公众的导向需求呈高度关联。此外，由于视频记录的缺失，导致在幼儿园教师是否性侵儿童这一问题上没有直接有力的证据，警方的通告并不能完全说服民众，引发全社会的广泛争论甚至是谣言传播，在这一点上，该案例符合了不确定性这一条件。

（二）语料搜集与预处理

本研究中的媒体语料来自于百度新闻平台，语料搜集时段为2017年11月22日至2017年12月31日，以事件被曝光为起始，以涉案嫌疑人被批捕为结束。在对文本去重后，共得到434篇新闻报道，其中来自于党媒的报道共计79篇，占总数的18.2%；都市类媒体以北京当地媒体为主，如《新京报》《北京晨报》《北京青年报》等，共计77篇报道，占总数的17.8%；来自商业媒体的报道共计278篇，占总数的64%。

公众语料来自于知乎中的提问“如何看待红黄蓝幼儿园发生的虐童事件?”。考虑到公众对媒体信息的接收、加工及反应需要一个过程，因而语料搜集时段设定为2017年11月23日至2018年1月30日，共采集到来自于16230名用户的22413条回答（知乎，2017）。与知乎中其他围绕该事件的提问不同，这一提问并没有将讨论局限于某一点，如“硬盘修复”“股票涨幅”，因此该问题下的回答在内容上更为开放、多元，可以反映网民不同角度的看法。在对意见领袖的选取上，从“粉丝数”“点赞数”“感谢数”“收藏数”这四个维度综合考量，将该话题下这四个维度排名均为前1%的用户视为意见领袖，包括了青年作家“朱炫”、暴走漫画创始人“王尼玛”在内总计108人，并将其余用户均归为普通公众。

在对语料的预处理上，使用中文分词工具“结巴分词”（jieba0.39），向自定义词典添加该事件中的人名、机构名等词汇并设置停用词，采用精确模式对文本进行分词。在第一轮分词后，发现仍有不准确的词汇拆分，以及个别知乎用户对涉事关键词的错误拼写，如“红黄蓝”写成“红蓝黄”，故再次完善自定义词典，进行第二轮分词。

（三）“红黄蓝事件”议程网络分析

本文使用TF-IDF算法抽取关键词，保留“名词”“人名”“机构团体”“其他专有名词”“习用语”“形容词”“动词”“副动词”以及“动名词”这几个词性的词语，分别对党媒、都市类媒体、商业媒体的百度新闻语料以及知乎中意见领袖与公众的回答文本抽取100个关键词。需要注意的是，通常对语义网中关键词的处理方式是只保留名词和形容词，但考虑到后续的聚类问题，动词可以体现一定的信息量，因而本研究对动词做了保留。Gensim是一款开源的第三方Python工具包，调用Gensim中的word2vec模型对语料进行词向量训练。模型具体参数设置为：选择CBOW模型，特征向量的维数为50，窗口大小为5，计算词向量的最低词频为1，其余为默认选项。在获得模型后，计算所得关键词间的余弦距离，并构建关键词语义矩阵。

以党媒报道关键词中涉及的几类人群为例，对其关键词显、隐性关系强度进行比较。图5是关键词显性语义关系，可以看出共现矩阵中要素值相差悬殊，如果观察整个关键词共现矩阵，要素中存在大量的零值；图6是关键词隐性语义关系，“家长”与“记者”之间的语义强度要明显高于其他主体，可见在这一事件中，家长是被采访和报道的重要对象，而这些信息在共现矩阵中是无法体现的。

研究者将语义矩阵导入Ucinet，以内置的Netdraw作为议程网络可视化工具。为突出关键词之间的语义强度，对关键词相似度大于等于0.6的连线进行呈现，节点大小与字体大小根据节点的点度中心度设置，点度中心度越高，节点与字体越大。

图7为党媒对“红黄蓝事件”报道的议程网络。网络中心位置由两部分词语组成：一部分是“教育部”“公安机关”“依法”“调查取证”等词，体现了党媒的报道以相关政府部门对红黄蓝幼儿园的查处及情况通报为主；另一部分是“证券”“招股”“股东”等词，表明党媒对红黄蓝公司的股价波动做了报道。

对语义矩阵进行块模型分析可以得到关键词聚类结果，然后再根据这些关键词对议程进行人工概括。表1为党媒对“红黄蓝事件”报道的模块化聚类及议程概括，可以看出党媒在对该事件的报道上，除了报道公安机关通报与红黄蓝公司股价波动以外，对于“儿童是否被性侵”这一争议性话题并未回避，将涉事幼儿园家长的描述做了如实的转引，“药片”“虐待”等多处细节均在其中。

图8为都市类媒体对该事件新闻报道的议程网络。在网络中心位置的是“公安机关”“人民检察院”“朝阳区教委”“事件调查”等词语，这与党媒的议程网络基本一致。

表2为都市类媒体对该事件报道的聚类及议程概括，其报道议程与党媒基本相似，但在侧重点上存在差异：除了关注虐童事件本身外，都市类媒体还重点对教委责成红黄蓝幼儿园开展全国性排查、整顿做了报道，这一议程的设定旨在稳定公众尤其是幼儿园家长的恐慌情绪；社团4出现了“编造”“老虎团”“猥亵”等词，说明在报道相关部门查处涉事幼儿园及事件通报上，都市类媒体更加强调在该起事件中所发生的虚假信息传播。

图9为商业媒体对该事件新闻报道的议程网络。居于网络中心位置的是“运营商”“公司制”“并购”“加盟商”等，这些词均与红黄蓝公司运营模式有关。而政府部门的查处及通报在商业媒体的议程网络中并不居于显要位置，这与另外两类媒体存在较大区别。

表3为商业媒体对该事件报道的聚类及议程概括。商业媒体的报道重点主要是红黄蓝教育的公司现状及近年来的发展情况。商业媒体试图通过报道红黄蓝教育的高端亲子幼儿园定位及近年来通过资本收购实现的迅速扩张，与本次虐童事件形成鲜明对比，以揭示红黄蓝教育在快速扩张背后所存在的管理漏洞与问题。

图10为意见领袖在知乎上的评论的议程网络。意见领袖的议程网络相比媒体报道，关键词相对分散，切入点各有不同，观点更加多元化。居于网络中心位置的有“受害者”“伤害”等明显具有感情色彩的词汇，表达了意见领袖对这一事件的基本立场。

表4为意见领袖对该事件评论的聚类及议程概括，与媒体议程以新闻事实为主不同，意见领袖更加关注事件背后因果关系的梳理以及相关对策建议的提供。社团1围绕的主题是视频监控。视频监控是教师是否存在性侵儿童的直接证据，由于官方通报中说视频监控损坏，因此意见领袖们围绕这一疑点展开争论。社团2体现的是红黄蓝事件引发中产阶级焦虑。据报道，北京管庄红黄蓝幼儿园作为私立幼儿园，其学费相对较高，国际班达到每月5500元，即使是普通班也要每月3300元，家长将孩子送到这类幼儿园无非是想让孩子获得更优质的教育。虐童事件曝光后，作为底线的儿童安全问题都得不到保障，意见领袖认为这将引发中产阶级人群的普遍焦虑。社团3反映的是幼师待遇不高导致幼师整体素质偏低，意见领袖认为这是虐童事件发生的间接原因之一。他们认为，用低价购买社会服务的日子已经一去不复返，由于幼师的整体工资待遇不高，无法吸纳高素质、高学历人才加入这一行业，转而只能接收一些学历相对较低的群体，而这类人群的专业水平及个人素质可能得不到有效保障。社团4则是意见领袖期望通过媒体对相关事件的报道加强对整个幼儿教育行业的舆论监督。

图11为公众在知乎上的评论议程网络。在公众议程网络的中心位置，一面是“背锅”“阴谋”，另一面是“辟谣”“反转”，可见公众的观点存在一定程度的分化。

表5为公众对该事件评论的聚类及议程概括。社团1与社团2讨论的重点都是红黄蓝幼儿园的监控设备，公众认为视频记录是证明幼儿园老师是否存在性侵行为的最有利证据。社团3讨论的是政府公信力问题，虽然红黄蓝事件是企业行为，但政府的后续应对措施，诸如公告、辟谣等并不能让公众信服，公众认为这损害了政府的公信力。社团4是对虐童电影的讨论。在公众评论中，有不少网民举例韩国的《熔炉》《素媛》等儿童性侵题材电影，旨在说明儿童性侵现象的背后往往可能存在权力与资本的勾连。

（四）“红黄蓝事件”议程网络相似度比较

本研究采用JS距离计算不同主体议程矩阵的相似性，得到表6，表格中的值越小，表示主体间的相似程度越高。从表中可以看出，在对公众的议程设置上，意见领袖议程与公众议程最为相似，可见相比于媒体，意见领袖对公众的影响更大。意见领袖所聚焦的视频监控问题以及建议借由此事件加强幼儿园监管，均与公众观点一致。并且，相较于公众，意见领袖更加注重分析事件发生的原因，谈及了中产阶级焦虑问题与幼师行业待遇水平问题，这些议程都是该事件背后所折射出的社会深层次问题；在媒体对公众的议程设置中，党媒、都市类媒体与公众的议程相似度均高于商业媒体，并且在媒体间的横向比较上，党媒与都市类媒体的议程相似度也要明显高于商业媒体。从上文可知，党媒与都市类媒体的新闻报道均以相关部门的通报为主，通报中涉及对“视频”“硬盘”等疑问的回答，且两类媒体均对家长所描述的儿童被虐待细节做了如实转引，这些问题从公众的议程来看，亦是公众所关注的重点。而商业媒体由于不具有采访权，因而他们将对该事件报道的重点从虐童事件本身转移到红黄蓝教育机构，通过深度报道来梳理该公司的定位及发展历程，揭示公司近些年快速扩张背后所存在的一系列管理问题。这些议程属于事件背后的间接问题，而公众更加关注于事件本身，因此商业媒体的议程相似度与公众议程相似度最低，在三类媒体中对公众所产生的影响最小。

五

结语

本文使用词向量模型word2vec，对百度新闻与知乎语料进行建模，计算不同主体议程中关键词的隐性关系。与之前学者根据“思维导图”及“精细加工”来测度公众隐性认知的做法不同，该研究基于浅层神经网络与深度学习，可以有效解决现有网络议程设置研究中要素值相差悬殊以及多零值的问题，从而测度非共现词之间的隐性语义强度。并且，这种分析方法可以让今后基于算法的网络议程设置研究具有可比性，能够验证方法的优劣，从而不断优化网络议程设置的测度方式。

研究以“红黄蓝事件”为例，根据媒体及用户类型进行分类，分别揭示党媒、都市类媒体、商业媒体、意见领袖以及公众的议程，计算不同主体间的相似程度。研究发现，在本事件中，意见领袖对公众所产生的影响要大于媒体，且就议程来看，意见领袖更加注意梳理事件背后的因果关系及相关对策建议的提供；在媒体之间，党媒、都市类媒体的报道议程基本一致，而商业媒体在媒体中对公众产生的影响最小，这似乎与人们日常的经验及使用习惯相悖，作者认为这一结论与红黄蓝事件的属性有关，由于现行的媒介体制限制商业媒体的采访权，从而导致商业媒体无法直接报道公众想要了解、关心的话题。

本文对于议程设置本土化研究的启示是：在案例的选取及研究方法上，应将危机类事件与非危机类事件相区分。受媒介体制的影响，当遇到危机类事件，国内的议程设置研究可能不能简单照搬相关性或相似度分析，将分析结果视为媒体或意见领袖最终对公众的影响；在研究重心上，要重视对议程的阐释，采用量化分析与质化分析相结合的方式，对不同主体的议程进行横向比较。研究案例中的商业媒体报道，虽然没有直接报道虐童事件本身，但通过对公司背景及发展历程的介绍来“起底”红黄蓝，商业媒体对公众所产生的影响是无法在与其他主体的相似度计算中体现的。

本研究还存在诸多不足，具体体现在：1.本研究并未计算以词共现为特征的显性关系强度。作者认为，媒体报道以及公众认知是一个显性关系与隐性关系共同作用的结果，今后的研究不应将二者区分，而应综合进行考量。2.本研究在议程网络的呈现上不如现有的网络议程设置研究方法。现有研究方法采用内容分析对词汇编码成要素，以要素为分析单元呈现在语义网上，每个要素所处网络结构的位置相对清晰。而本研究是以关键词为单元，在语义网的解读性上要弱于现有研究方法。3.知乎用户的代表性问题。本文选取的公众语料源于知乎，由于其单条文本更长，专业化程度更高，营销号等信息噪音更少，在模型的训练结果上，效果要明显好于微博。但是，在一份三百二十万知乎用户的报告中显示，知乎用户主要居住在一线城市及主要二线城市，人员构成以学生、产品经理、程序员、教师、律师为主，那么该类群体观点是否能够代表普通网民乃至大众也存在一定的疑问（简书，2017）。4.本研究忽视反向议程设置的可能。当今的信息流向已不同于传统的广播、电视、报纸时代以大众传播的形式传递给公众，而经常是先在社交媒体上爆发，再由媒体报道，这样谁设置了谁的议程就不能确定。今后的研究可以根据信息发布时间，对媒体、意见领袖议程以及公众议程做时间序列分析，进行议程设置的因果推断。

本文系简写版，参考文献从略，原文刊载于《国际新闻界》2020年第4期。

封面图片来自网络

本期执编：小童