关键词：
Altmetrics
科学计量学
社交媒体
计算传播学
复杂网络
摘要：
近年来,社交媒体已成为分享科学研究成果的重要渠道,学术界越来越意识到,社交媒体在提升科学研究影响力、加快知识传播以及促进公众理解科学方面的独特价值,也因此诞生了科学计量学领域内一个新的研究方向——Altmetrics。它主要通过跟踪和分析科学论文在社交媒体、博客、新闻媒体等非传统渠道上的传播情况,来衡量科学论文的社会影响力。
随着社交媒体在科学传播中扮演越来越重要的角色,哪些因素影响科学论文在社交媒体上的传播效果正受到越来越多的关注。探明这些因素可以帮助研究人员、学术期刊和科研机构更高效地推广研究成果,从而提升其在领域内的曝光度和影响力。然而,目前的研究工作更多关注于科学论文的文献计量特征,缺乏对科学论文社交媒体传播过程的深层次理解。针对这一问题,本文收集了一个大规模的Twitter平台上的科学论文传播数据集,基于5W传播理论和复杂网络理论,运用计算传播学方法,从用户属性、信息属性和网络结构三个方面,对影响科学论文社交媒体传播效果的因素进行了多维度、系统性的分析。
首先,本文基于传播学中拉斯韦尔5W传播理论与复杂网络理论,构建了科学论文的社交媒体传播过程模式和影响因素模型。根据所构建的理论模型,科学论文的社交媒体传播过程是由六个基本要素构成:传播者、讯息、渠道、受众、社交网络中的社会关系和传播效果。这一传播过程通常表现出级联传播现象:初始用户的传播行为会对后续的用户产生影响,并引发一系列连锁反应,从而实现信息的广泛传播。影响科学论文在社交媒体上传播效果的因素包含三个类别:用户属性、信息属性和网络结构特征。用户属性特征包括社会影响力、偏好性和群体多样性特征。信息属性特征包括科学论文的内容和推文内容特征。网络结构特征包括科学论文的出度、结构异质性和传播模式特征。
其次,本文通过级联传播的视角分析了具有不同用户属性、信息属性和网络结构特征的科学论文在传播效果上的差异。具体来说,在级联传播视角下,科学论文的社交媒体传播效果是一个多轮积累的过程,不仅依赖于用户的首次分享,还取决于后续用户的不断推动。通过比较具有不同属性特征的科学论文在每轮传播中的效果差异,本文发现了科学论文在社交媒体传播中的“级联马太效应”:科学论文在首轮传播中的效果差异会扩展至后续的级联传播过程;那些在首轮传播中就获得大量用户分享的科学论文,在后续的级联传播中更容易触及更大范围的受众,并吸引更多的用户去阅读和浏览。随着级联层数的增长,科学论文的传播效果呈现明显的衰退趋势。
最后,受到这一传播现象的启发,本文构建了基于可解释机器学习算法的影响因素分析框架,对用户属性、信息属性以及网络结构这三类属性特征的贡献程度以及它们之间的作用关系进行了历时性的分析。研究发现,每种属性特征对科学论文的社交媒体传播效果均有持续性的影响,而且这种影响会延伸至整个传播过程。但随着传播的不断深入,这些属性特征对科学论文传播效果的贡献程度发生了明显的变化。对于早期的传播效果,用户的社会影响力特征是主要贡献要素。对于中后期的传播效果,科学论文的传播模式特征发挥关键的作用。通过理清用户属性、信息属性和网络结构特征之间的作用关系,进一步发现用户和信息属性特征对科学论文传播效果的影响会反映在科学论文的传播网络结构上,从而改变其传播路径,形成多样化的传播模式,并产生差异化的传播效果。
本文的研究工作为理解和分析科学论文在社交媒体上的传播过程提供了新的视角,拓展了Altmetrics研究的理论框架和方法论。通过引入计算传播学方法,本文揭示了驱动科学论文传播的关键因素及其作用模式,为制定更加有效的传播策略提供了实证依据。本文的研究发现不仅得到了计算传播学领域已有研究的支持,还回应了信息传播领域中的一些关键问题,为其他领域解决类似科学问题提供有益参考。此外,本文为构建更为全面的科研影响力评价体系指明了新的方向,通过融合计算传播学与Altmetrics方法,能够有效捕捉科学论文在社交媒体上的传播动态,揭示出传统Altmetrics评价指标难以覆盖的动态社会影响力维度。
欢迎来到三峡大学图书馆！
详细信息
