《传播创新研究》是由武汉大学媒体发展研究中心（教育部人文社会科学重点研究基地）主办的学术集刊，以中国传播问题为出发点，“在场”地感知中国传播的难点、疑点与热点，创新重建交流与社会连接的传播行动，发掘比较视角下的传播智慧，进而激活传播创新的实践与理论发展，纾解人类交流的困境与无奈。本辑由传播与社会、乡村传播、国际传播、智能传播、经济传播和博物馆传播专题研究六个部分组成，从不同角度分析了传播创新研究现状。
本次推送《职场辱虐的情绪影响和行为反应探究——基于抖音、微博、B站等社交媒体的传播研究》，作者黄俊、罗强胜、曹晨、颜利、周露。
职场辱虐的情绪影响和行为反应探究——基于抖音、微博、B站等社交媒体的传播研究
黄俊、罗强胜、曹晨、颜利、周露
摘 要：本文基于社交媒体上关于职场辱虐的评论数据进行文本分析，探究复杂社会事件在社交媒体中的内容传播和舆论控制途径。本文通过情感分析、TF-IDF、词云图、共现语义矩阵及网络可视化、LDA主题模型对遭受职场辱虐个体的情绪影响和行为反应传播机制进行探究，研究发现：在职场辱虐事件的在线评论中，群体的负面情感倾向占据主导，消极情绪促使员工产生情绪耗竭和自我保护行为，导致员工将情绪宣泄转移至社交媒体载体；群体的共情行为将促进社交媒体共情传播渠道的搭建及行为的规范；在多元的舆论场景中，个体消极情感宣泄会推动事件发酵升级，同时个体情绪宣泄会基于自我保护动机而展开。在跨平台研究中，平台的用户画像和运作模式会影响群体参与动机，用户参与抖音、微博话题讨论的需求主要是心理治愈型动机，抖音表现出预防型规避，用户参与B站话题讨论的需求主要是基于知识获取型动机，表现出主动型对抗。
关键词：职场辱虐；社交媒体；网络舆情；风险控制
一、引言
近年来，由于短视频具有内容贴近生活、制作群体多样化、信息传播精准、及时互动等特点，以短视频为主的抖音、微博、Bilibili（以下简称“B站”）等社交媒体平台的用户激增。这些平台逐渐成为新媒体传播的重要阵地，直接推动现实生活中的个体行为、社会现象在社交媒体中被快速传播，譬如职场辱虐引发上班族群体的共鸣或不满的短视频在社交媒体平台被广泛传播。究其原因可能在于互联网架构与运行的底层逻辑提高了事件的复杂度，虚拟、开放、无界、快速传播等特点，加之自媒体的蓬勃发展使人人都可能成为新闻的制造者或传播者，导致现实社会事件经过网络传播后，事件的发生、发展等更为扑朔迷离。比如“网红罗小猫直播时被网友起哄喝下百草枯”、“富士康工厂的连环跳”及“前火箭少女Yamy（郭颖）在微博上公开遭受PUA (Pick-up Artist）”等事件引发了社会的广泛关注，并对个体、社交媒体的舆论引导产生了严重的负面影响。但是，无论是业界还是学界，对于造成该现状的原因及机制的探究尚不明确，尤其是对职场辱虐如何影响个体的工作投入和行为选择并未探究明确。所以加强社交媒体中对职场辱虐、职场PUA等消极事件的传播研究，一方面有助于构建企业与员工之间的和谐组织社会关系，另一方面可以为应对消极事件在社交媒体中所引发的负面传播效应提供应对方案，从而加强传播和谐的社会价值观。
现有关于职场辱虐的定量研究，主要是使用诸如层次回归分析、随机系数建模（RCM)、多项式回归分析、描述性统计和问卷调查等横截面研究方法，但这些横截面研究方法主要存在以下不足：其一，Tepper等人所定义的职场辱虐是指一种持续性的敌对行为，所以在同一时间或较短的时间间隔所采集的数据可能会导致因果推断的效力被削弱；其二，职场辱虐作为典型的负面领导方式，采用自我汇报式的问卷调查，被调查者可能会有所顾虑而不愿表露最真实的想法，因而影响了数据的真实性；其三，虽然开放式问题能比较真实地反映员工的诉求，但考虑到这类问题收集困难且处理难度较大，所以现有研究往往采用封闭式问题，被调查者随意选择的可能性较大。另外，现有文献关于自媒体事件传播的研究主要是对事件进行归纳或演绎，具体表现为对事件发生的前后逻辑、原因、社会影响等进行研究并试图给出对策。但是，现有研究对社交媒体网络中庞大的数据资源挖掘不足，往往可能会忽视个体言论交织下存在的真正诉求和事件危机，所以对社交媒体的传播研究，应该运用大数据研究方法发现个体的本质需求，关注事件受害者与传播者所面临的真正问题，避免被看似客观、笼统的内容所折射的表象蒙蔽。
基于以上研究，本文对社交媒体传播的职场辱虐事件所引发的社会个体反馈进行大数据收集，在社交媒体上的参与者，其情绪及行为表达较少受时间、空间、问题回避等因素的影响，在网络上的表述较能真实反映职场被辱虐员工的情绪反应和心理需求，同时突破了量表的内容限制，可以深入地挖掘职场辱虐的具体内容。本文使用Python语言编写脚本，采集抖音、微博、B站等社交媒体上关于职场辱虐事件的评论，利用情感分析、TF-IDF(Term Frequency-Inverse Document Frequency）、词云图、共现语义矩阵及网络可视化、LDA (Latent Dirichlet Allocation）主题模型来研究个体对职场辱虐事件的情绪反应，并透过不同社会个体正负情感倾向特征，挖掘职场辱虐事件在社交媒体传播中个体的情绪和行为反应。
二、文献综述
（一）在线评论及评论行为
新媒体环境下，基于自媒体门槛低、交互性强的特点，自媒体产业链得到了迅速发展，诸如“抖音”“快手”“今日头条”“B站”等平台的短视频产业蓬勃发展。同时，随着电子商务与Web 2.0社会网络化网站的飞速发展，互联网用户创作的网络口碑（Online Word-of-Mouth），如社区、论坛、微博、博客、社交网络等形式已经成为目标群体的重要参考源。在线评论（Online Review）作为一种重要的网络口碑表现形式，能有效反映潜在或实际消费者在电子商务平台或网站上评论关于产品或服务的观点。Mudambi和Schuff对评论的有用性进行了深入研究，指出评论的有用性表现为“消费者在购买决策中对在线评论信息的采纳程度及对其感知价值的衡量”。目前，有关在线评论有用性的研究主要聚焦于评论信息特征、评论文本本身所具有的情感特征以及评论者的特征。与此同时，随着社交媒体的不断发展，在线评论的应用范围逐步从商品或服务的正负面观点表达扩展到对自媒体内容的情绪反应以及认知反应。因而，在线评论目前作为一种较为成熟的“意见领袖”与受众的互动模式，在自媒体平台、社交媒体平台运用得越来越广泛。
现有文献对评论数据的研究主要聚焦于有用性，例如从信息诊断视角探究评论的情感倾向，或者是内涵对评论有用性的影响因素，或者是基于品牌声誉感和差异的在线评论，借助评论数据构建计量模型，研究评论特征和产品属性有用性的影响因素。所以就行为影响和价值应用两个方面而言，目前对在线评论的研究较为广泛，但是大多数文献局限于评论本身，未来在线评论的研究应当聚焦于在线评论的多样性、动态性、融合性，并且结合在线评论的情感特征、用户特征、话题或产品特征等加以综合分析。
综上所述，在线评论作为一种集内容和情感特征于一体的复合信息源，文本挖掘价值较高，但大多数文献对在线评论的研究主要是基于B2C、B2B电商平台用户对商品评论信息的挖掘而展开的，并且现有实证研究主要聚焦于在线评论信息的有效性、情感值分布、文本特征，而对社交媒体及自媒体平台的社会热点话题、热点视频的评论等实证研究较少。
（二）职场辱虐与共情传播
Tepper最早提出职场辱虐的概念，即“主管对下属持续表现出的言语或非言语的敌意行为，但不包含身体接触”。其具体表现包括但不限于以下行为：辱骂、羞辱、责怪下属以摆脱自己的尴尬处境，或者经常提起下属过去犯的错误和遭遇的失败，并且对下属漠不关心，怒视、轻视、贬低和批评下属的想法或者意见，在众人面前侮辱下属等。国内外大量文献基于受害者视角对职场辱虐进行了研究，研究结果表明：职场辱虐会对员工的工作态度、工作绩效、工作行为、身体健康、家庭生活等产生重要影响。
在员工的工作态度方面，实施职场辱虐的主管总是重复员工过去的失误或贬低员工，导致日常工作中产生不愉快经历的员工更容易产生较低的工作满意度；Lin等人通过研究员工权力距离取向的调节作用发现，辱虐会导致员工总体工作满意度下降和心理健康状况不佳。员工工作满意度下降会导致其工作态度转变，从而产生离职倾向，进一步影响员工的求职行为。譬如职场辱虐会影响员工的工作绩效，主管的辱虐与下属的工作绩效呈负相关，归因于遭受辱虐的员工对公司持消极态度并拒绝做出贡献，职场辱虐会损害个体的心理健康及情绪的稳定性。
此外，主管实施辱虐会诱发下属在工作场所的一系列偏差行为。Velez和Neves等人通过对4个组织和170个主管下属的配对样本发现，员工工作自主性较低时会产生生产偏差，甚至是攻击行为以及反生产行为。在道德行为上，上级主管的辱虐会显著正向影响员工的欺骗行为。职场辱虐对下属的心理健康具有负面影响，Hobfoll根据资源保存理论指出，资源的潜在损失和实际损失激活了压力过程，员工的健康也被损害，从而员工的心理痛苦和消极情绪得以强化，并显著增加员工的心智游移的频率，最终链式影响组织安全绩效。职场辱虐会显著增加员工工作家庭冲突，感受到高强度的工作家庭冲突的下属可能会对其家人产生厌恶和反感情绪，并进一步导致员工的家庭生活满意度下降。综上所述，职场辱虐对个体行为和情感的影响是多方面的，同时由于个体对辱虐事件的承受能力和个体需求存在差异，比如承受能力较强的个体或者对晋升、个人长远发展比较看重的人，他们在面临辱虐事件时会存在不同的看法。
在辱虐事件中，个体的遭遇也会引发旁观者的共鸣，产生对受害者的共情（Empathy）。所谓共情是指一个人能够理解另外一个人的独特经历、遭遇，并对此做出反应，进而产生利他行为，这种行为在实际生活中有助于群体和谐、互助人际关系的搭建，在社交媒体这一虚拟环境中，放大共情行为由此推动共情传播，有助于增强受众的相互理解，让受害者与受众产生“认知共情”和“情绪共情”，降低负面社会事件的舆情风险。
三、研究设计与数据处理
社交媒体上的评论数据，除了具有内容丰富、直观、可信度较高等特点，在一定程度上也反映出用户群体的关注度和所表达的内容，但关键在于难以判断是否存在其他会影响用户关注的因素，同时由于文本数据数量较多、特征词分散、情感值丰富，因此需要深入挖掘和分析评论文本。本文将自媒体话题、视频评论等作为文本数据研究对象，基于文本挖掘研究方法，对所搜集的文本评论进行情感分析模型训练，再进行文本情感评分并且根据正负情感倾向值对文本进行归类、关键词提取、词云图分析、LDA主题聚类以及语义网络搭建，探究不同情感倾向值下各个群体对职场辱虐的情绪反应、行为倾向及其原因。具体流程如图1所示。
图1 文本数据分析流程
（一）数据采集与预处理
本文选取抖音、微博、B站作为文本数据采集来源，将“职场PUA”“初入职场被虐成渣”“职场排斥”“职场凌辱”“职场冷暴力”“职场辱虐”等关键词作为本次数据采集的检索词。基于Python语言编写爬虫代码，获取B站评论数量较多的视频以及热门微博的URL，并将所获取的URL进行保存和筛选，再通过requests包发起请求，对微博原文和B站视频评论数据进行采集。抖音评论数据获取则利用uiautomator2库控制模拟器滑动抖音App页面，再利用mitmdump获取文本评论并保存到Mongo DB数据库。最终采集了正文以及在线评论共计209691条。由于原始文本包含较多无效信息，比如广告，重复项或者无意义表情，“@”、“##”、“%”等无效文本符号，本文基于re正则表达式对原始文本进行了数据清洗，得到实验文本数据集164289条，再根据清洗后的文本数据构建分词字典，并且借助停用词（比如哈工大停用词表、四川大学机器智能实验室停用词库、百度停用词表等），同时使用自定义用户词典，以提高分词的准确率。最后通过对现有用户词典进行加载，以jieba分词为基础，对实验数据集进行分词和停用词过滤。
（二）文本情感分类
情感分析（Sentiment Analysis）主要是利用自然语言处理（Natural Language Processing,NLP）、文本分析、机器学习、计算语言学（Computational Linguistics）等方法对带有情感色彩的文本进行分析、处理、推理和归纳。目前，情感分析主要是基于情感词典、机器学习和深度学习的方法，国外学者对机器学习方法（支持向量机、朴素贝叶斯、逻辑回归、随机森林等）的研究较多，而国内更加倾向于情感词典的研究，即通过识别文本中具有情感色彩的词汇，借助情感倾向值来计算所分析文本的情感。其中，沈超等人根据情感词典，利用汽车之家论坛上的汽车评论数据对文章研究模型进行了验证。虽然基于情感词典与规则的方法相对能取得较好的分类结果且易于理解，但在网络用语以及非结构化语言表达较多的文本中，尤其是针对在线评论这一类文本存在一定局限性。随着深度学习（Deep Learning）研究范式的不断完善，基于深度学习的文本分类开始成为国内外的研究热点，目前使用较多的深度学习算法有卷积神经网络（CNN）、长短期记忆网络（LSTM）、循环神经网络（RNN）、注意力机制（AM）、BERT (Bidirectional Encoder Representations from Transformers）预训练模型等，这一类算法提高了情感分类的效果。刘逸等人以旅游评论数据为基础，通过问卷调查和原始赋分两套数据，对7个情感计算模型进行交叉检验得出机器学习算法和深度学习算法均可以实现较好的分类效果。但由于深度学习算法的分类仍然存在不确定性，该算法应当结合多个模型综合运用。
结合国内外对情感分析的大量研究与应用，本次模型学习的方式主要采用有监督的情感分析技术，即通过对文本训练集进行模型训练构建出情感分析模型，再利用文本测试集进行模型的性能评估（见图2）。同时为使得本次情感分类模型更加精确，本文综合运用机器学习（Naïve Bayes、SVM、XGBOOST）和深度学习（LSTM、BERT）两种方法进行实验，最终选取综合评分较高的算法作为本次情感分类的基础模型。
图2 有监督的情感分析流程
针对模型的训练与选取，首先人工抽取具有明显情感特征倾向的文本评论，并对其进行情感标注（正向为1，负向为0），按照20∶1的原则放入训练集（20000条）和测试集（1000条），然后对模型进行训练，结果如表1所示。然后结合情感分析常用的指标：准确率、召回率和F值（F-measure）对实验结果进行评估。实验结果表明，5种模型的准确率比较接近，但是在召回率和均衡平均数（F1-score）上存在一定差异。而BERT模型的AUC值、准确率、召回率均高于其他模型，表明该模型的性能最佳。所以采取综合得分较高的BERT模型，并设置参数Epoches为10，步长为10，进行模型迭代，最终选取得分较高的模型用于本次情感分类。
表1 模型训练结果
（三）TF-IDF关键词提取
TF-IDF算法的本质是基于频率的统计原理去识别文本或语料库中重要的文本特征词。在文本数据集中，文本数据集的长短对特征词频数的统计有着显著影响，因此需要借助词频（Term Frequency,TF）进行标准化处理，同时借助逆文档频率（Inverse Document Frequency,IDF）区分文本特征词的差异性，TF-IDF (TF与IDF的乘积），即文本特征词的重要程度与所在文本中出现的频率成正比，与在所有文本中出现的总频率成反比。因此，TF-IDF可以过滤通用词，只保留研究文档中重要的特征词。
（四）LDA模型文本主题提取
LDA的基本思想是每一个文本都可以表示成一系列主题的混合分布，记为P(z），同时每个主题都是特征词表中所有词汇集合的概率分布，记为P(w|z），其计算方式如公式（1）所示。
在基于LDA主题模型对实验数据集进行主题聚类生成文本主题之前，需要确定主题挖掘的数量。一方面，如果主题数量挖掘较少，则不能揭示文本的具体细节；另一方面，如果文本主题数量设置过多，则易导致主题稀疏。对于主题数量的选择目前主要通过困惑度（Perplexity）和一致性得分（Coherence Score）进行衡量。困惑度计算方式如公式（2）和（3）所示。主题数量的选择主要基于困惑度，困惑度越小，主题数量越多，话题与模型的拟合度更优。但随着文本训练数据量的增多，文本数据会存在过拟合，仅依靠困惑度确定主题数量将存在较大误差。而采取一致性得分选取主题数量，其解释性更优，在语义上更连贯，一致性得分计算方式如公式（4）所示。
四、数据分析
（一）基于在线评论的情感倾向分析
根据训练出的BERT模型，利用Python语言遍历每一条评论，对164289条关于职场辱虐的群体在线评论进行情感得分计算。本文将情感倾向设置为两个立场，即正向和负向，部分在线评论的情感倾向值如表2所示。由此可以看出，BERT模型对文本评论效果较好，对于网络用语如“社畜”“PUA”等均有较高的识别度。同时，在线评论所携带的职场辱虐的信息比较丰富，如“加班是职场里的加分项吗”“领导直接告诉我们一定要招聘一个男性”“我有点内疚一直不搭理她，职场冷暴力”“我可真讨厌别人打着看我可怜或者关心我的名义天天挑刺……”等，揭示了职场辱虐中“强制加班”“性别歧视”“主管对下属讥讽”“职场冷暴力”等常见现象。本文通过对每条在线评论的情感倾向值进行统计，得出了各个情感倾向值所占的比重（见表3和图3），情感倾向值以0.5分代表中性情感，0.5分以下代表负向情感，0.5分以上代表正向情感。
表2 部分在线评论的情感倾向值
单位：分
表3 情感倾向值描述性统计
图3 群体情感倾向值分布
在所分析的在线评论中，正负向情感评论数分别占18%、82%，总体在线评论文本中负向情感评论数明显大于正向情感评论数，由此可见职场辱虐占据主导。根据情感事件理论（Affective Event Theory,AET），个体行为是其情绪驱动的结果，在主管与下属消极互动的过程中，基于下属的行为，诸如业绩较差、偏离组织规范、工作中的错误，主管会通过领导行为塑造各种情感事件，引起下属的情绪反应。持续的消极情绪反应，使员工感知到被威胁、虐待和压迫感，进而引发员工的情绪耗竭（Emotional Exhaustion）。此时，情绪低落和精力丧失的员工亟待发泄自己的情绪以维持正常的情感与工作需要，但一方面在本土文化背景下，融洽、和谐的人际关系对于人们的社会交往和互动至关重要，另一方面根据保护动机理论（Protection Motivation Theory），外界刺激会促使个体开启自我保护机制，进而产生保护行为，那么主管的破坏性领导行为所实施的刺激会激发员工产生自我保护机制，这一消极情绪所引发的组织偏差行为一般不会直接作用于组织中的直接主管、同事等，而是将情绪反应的对象转移至不易使自身受损害的载体上，社交媒体的评论便成为群体遭受职场辱虐后消极情绪的宣泄渠道。群体负向情感分布显著高于正向情感分布，负向情感分布中情感倾向值为0.4分～0.5分的评论数量居多，且趋向于中性情感，这主要源于社交媒体中群体在虚拟的环境中由于共同的遭遇与情绪反应易于建立和谐、互助的人际关系，触发较强的共情能力进而诱发受众产生共鸣和理解的行为反应。一般而言，当群体了解到意见领袖有关职场辱虐的视频、博文时，除宣泄负向的情绪之外，还会对这一事件进行理性的思考，分享自身的遭遇或安慰、鼓励意见领袖等。
（二）基于语义网络的特征关联分析
本文基于TF—IDF算法提取了正负情感倾向值文本的关键词，得到了职场辱虐群体情绪的影响因素和关注内容，但无法挖掘各个因素之间的联系。而语义网络分析可以清晰地发现和挖掘各个关键词之间的关联度，此外，还可以通过语义网络中心节点分析文本评论的特征。因此，需要对文本的语义网络展开进一步分析。根据所提取的关键词，借助Python语言对处理后的实验文本数据进行共现语义网络生成，并借助Gephi可视化软件绘制共现语义网络。“职场”“老板”“领导”“女性”“社会”“老师”“公司”等词语出现的频率较高，“职场”和“遭遇”的共现频次达到了924次，“职场”和“老板”的共现频次达到了465次（见表4）。此外，“职场”是正向评论文本网络的中心词，其他特征词均是围绕“职场”展开，其余重要的核心词还有“公司”“老板”“生活”“员工”“领导”等，这一特征与共现矩阵的关键词特征比较契合（见图4）。与“职场”相联系的词语有“摸鱼”“资本家”“霸凌”“套路”，与“生活”相联系的词语有“父母”“爱情”“朋友”，表明对职场辱虐持正向情感的群体倾向于把“职场”和“老板”联系起来，并认为上司对员工实施的辱虐行为会导致员工消极怠工（摸鱼）。同时，这一类群体的重要特征是关注家庭生活，选择将工作与家庭生活分离，而不是把家庭生活与公司、职场联系起来。综上，用户群体对职场辱虐持正向情感倾向的影响因素有家庭、朋友、职场、领导、遭遇、经历等。
表4 正向关键词共现矩阵
单位：次
图4 正向评论文本网络
“职场PUA”“领导”“老板”“冷暴力”“女性”“同事”“男性”等词汇出现的频率较高，“职场PUA”和“领导”之间的共现频次达到了1424次，“职场PUA”和“老板”“事情”“同事”之间的共现频次分别为955次、752次、794次（见表5）。此外，“职场PUA”是负向评论文本网络的中心词且权重最大，其余特征词分别是“公司”“领导”“冷暴力”“感觉”等，这一特征与共现矩阵的关键词特征比较契合（见图5）。与“职场PUA”相联系的词语有“年轻人”“利益”“洗脑”“新人”“利用”“霸凌”“老师”“老板”“领导”等，表明职场PUA更多表现为领导或老板为了某种利益，以洗脑、利用等方式对下属实施辱虐，且年轻人和职场新人由于职场经验欠缺，更容易遭受到职场辱虐。而在“老师”这一群体中也出现了相似的现象，这可能是源于近年来老师与学院的行政主管之间关系的转变（例如“非升即走”等引起的事件）。此外，基于语义网络职场PUA的方式还有冷暴力和性别歧视，冷暴力会导致被辱虐一方感情、家庭生活出现危机，对被辱虐一方造成精神打击。性别歧视主要表现为男性对女性的歧视，这仍然会对被歧视一方的家庭、心理、社会融合造成极大影响。综上，用户群体对职场辱虐持负向情感倾向的影响因素有冷暴力、性别歧视、职场PUA、领导、同事、霸凌等。
表5 负向关键词共现矩阵
单位：次
图5 负向评论文本网络
（三）基于词云图的跨平台关注点分析
为进一步探究不同社交媒体平台中的职场辱虐在群体关注点上的差异，本文基于抖音、微博、B站所提取的数据，进行跨平台研究。首先借助TF-IDF算法对三个平台的数据进行高频关键词抽取，以此绘制词云图。抖音的用户在内容呈现上除了有“HR”“公司”这些与职场相关的术语之外，还有诸如“泣不成声”“泪奔”“微笑”“赞赞”等情绪化表达（见图6），总体上关键词含义较为单调，内容覆盖面广而不深，与职场辱虐事件相关度低，主要是由于抖音和快手等平台娱乐泛化、商业性质浓厚，用户更多是以娱乐的心态看待社会性事件，缺乏对社会事件的深度思考。反观微博，它不仅是社交沟通渠道，还是很多重大突发事件的发布地，尤其是其热搜板块，聚合了大量热点内容，“职场PUA”“冷暴力”“恶心”“拒绝”等情感鲜明的特征词较为突出（见图7），其原因在于这类话题往往具有较高的热度，舆论效应明显，曝光度较高，从而用户的参与度和关注度也较高。对于B站而言，其用户需求可以概括为四大类，即内容需要、体验需要、社会文化需要、创作需求，在用户年龄画像上主要以9岁到40岁，00后和90后较多。针对职场辱虐这一社会性事件，B站在内容呈现上与抖音、微博有较大区别，主要聚焦于职场辱虐产生的前因后果。首先，“男性”“女性”“女权”等关键词说明了职场中性别歧视是产生辱虐的原因之一，强调职场中男女平等；其次，“加班”“老板”“歧视”“产假”等关键词是诱发职场辱虐的因素之一；最后，“加油”“大哭”“辞职”解释了经历职场辱虐事件后的结果，同时展现了旁观者对该遭遇的同情（见图8）。针对这一社会事件，B站的用户内容呈现深度要高于抖音和微博。综上，通过对三个平台用户对同一社会事件的横向比较可以发现，抖音泛娱乐化程度最高，内容广而不深，微博内容情感特征明显，根植于社会热度，B站内容聚焦，对社会事件的认知和理性思考较前两者深。
图6 抖音平台用户关注词云
图7 微博平台用户关注词云
图8 B站用户关注词云
（四）不同平台LDA模型主题特征挖掘
以不同的用户评论数据集为例，首选采用jieba分词，将三个平台文本全文分解成单词，然后利用gensim＿models向量化工具进行文本向量化，再调用Latent Dirichlet Allocation函数进行主题分类。具体而言，设置主题数（Num Topics）为20个和主题词数为30个进行迭代训练，以确定文本评论的主题挖掘数量。困惑度在文本量较大时容易出现过拟合现象，所以借助一致性得分进行主题数量选择的评估。随着主题数量不断增加，一致性得分呈现波动式移动。当一致性得分为最大值时，话题与模型的拟合度最优。最终通过对模型的反复比较确定主题数量K值，即抖音8个、微博10个、B站9个。借助py LDAvis库进行可视化，可视化结果分别如图9、图10和图11所示。在这些图中，每一个圆圈代表一个主题，不同圆圈的大小代表主题数量所包含的评论的数量，由于该图的调整没有绝对最优值，通过反复验证，当λ等于0.6时，主题中的关键词位置排序较优。
图9 抖音LDA模型主题特征
注：Intertopic Distance Map (via multidimensional scaling）为不同主题间的距离；Marginal Topic Distribution为边缘主题分布；Slide to Adjust Relevance Metric指通过对主题词位置的排序；Top-30Most Relevant Terms for Topic为与主题相关的关键词；Overall Term Frequency指的是该关键词的总词频；Estimated Term Frequency within the Selected Topic指该关键词在所选主题中的词频。图10和图11相同，此后不赘述。
为综合分析不同平台主题特征差异，本文将py LDAvis所呈现的主题词进一步凝练，集中展示不同平台内容呈现上的差异，对于圆圈有重合的区域归纳为一个主题。
首先，三个平台在情绪内容表达上存在相似之处，可以归纳为受辱虐后的心理创伤、心理情绪得不到有效宣泄的情绪崩溃，以及个体力量的弱小不足以改变现状的无奈和绝望；在情绪所传达出的情感值上，微博高于抖音，抖音高于B站。其次，针对这一负面社会事件，三个平台在维护自身权益上给出了不同的应对方式，抖音的应对方式是“远离”“摸鱼”等预防型规避；微博和B站属于主动型对抗，比如微博所呈现的“录音”“法律”，B站中所提出的“反抗”“证据”“合作”“举报”等主动型对抗职场遭遇到的不公平对待，所以在应对方式上B站和微博较抖音更全面和细致。再次，针对个体在职场中所遭受的不公平对待从而引发旁观者的情绪共鸣，B站的共情更丰富，比如“拥抱”“加油”“支持”“奋斗”“分享”等关键词表达出了第三方对受害者的关心和情绪疏导。最后，在B站中，“男女平等”“性别歧视”“996”“产假”等关键词是其所特有的（见表6）。综上所述，针对职场辱虐这一负面事件，群体在抖音和微博侧重情绪化表达，在B站集中于探究事件缘由和应对方式，属于方案解决型，微博属于热点聚焦型，抖音属于生活娱乐型。针对这一事件，由此可以大致推断出群体参与动机，即参与抖音、微博的动机为记录个人遭遇，引发他人关注和共情，参与B站的动机则为追根溯源，试图寻找解决办法，这与B站优质UP主和知识型、科普型视频是密不可分的。
图10 微博LDA模型主题特征
图11 B站LDA模型主题特征
表6 不同平台LDA模型主题特征挖掘
五、讨论
（一）研究结论与建议
基于社交媒体中不同社会个体对各种职场辱虐事件的观点的在线评论数据，本文根据社会个体的情感倾向，对在线评论数据进行了情感分析、语义网络构建、主题聚类，最终得出了如下结论：第一，根据在线评论数据分析发现，社会群体在社交媒体中对于职场辱虐事件的负面情感倾向居主流，职场辱虐的程度与群体的消极情绪反应呈正相关；第二，持续的消极情绪会促使社会群体产生情绪耗竭和自我保护行为，促使群体将情绪发泄渠道转移至社交媒体；第三，和谐、互助的人际关系易于产生较强的共情行为，从而诱发社会群体产生共鸣以及理解的行为反应，其中，行为反应既涵盖消极的情绪宣泄，也包括对于事件的理性思考，以及对遭受职场辱虐一方施以人际公民行为，共情传播有助于降低负面事件的舆情风险；第四，在职场辱虐事件中持正负情感倾向的用户对职场辱虐的抵制点和关注点不同，持正向情感倾向的群体强调对职场PUA的抵制，他们更倾向于表现出人际关怀，持负向情感倾向的群体则强调对职场性别歧视的抵制，他们关注遭受职场PUA后的个体的情绪表达、家庭冲击、精神打击；第五，通过对三个平台所呈现内容的比较可以发现，抖音泛娱乐化程度较高，内容广而不深，微博关键词情感丰富，易引发用户关注和讨论，B站中的用户对社会事件具有良好的认知和理性的思考；第六，三个平台中群体在应对方式上存在差异，抖音中的用户属于预防型规避，微博和B站中的用户属于主动型对抗；第七，不同平台用户参与话题的动机有显著差异，参与抖音和微博的个体动机主要在于记录生活、引发共情，以获取心理治愈，B站中的用户参与动机主要是寻找原因和解决办法。总体上，B站可以归纳为知识获取型动机，抖音和微博则属于受创伤后的心理治愈型动机。
基于以上研究结论，在社交媒体信息内容传播风险管理过程中，可以采取以下策略进行社交媒体网络舆论的引导。
第一，进一步健全社交媒体传播的法律法规。社交媒体中庞大的用户群体，使舆情和风险的控制变得愈加艰难，同时由于其传播效应呈现爆发式增长。负面的网络舆论经社交媒体的转发，将会直接引发网络风险，若不加以控制，则会引发社会信任危机。国家关于网络舆论的治理也取得了一定成效，但是对于网络舆情的治理是一项长期的工作，应进一步细化与社交媒体相关的法律法规，促使社交媒体运营者和使用者均处于法律的监管范围，从而使其行为受到良好的约束。个体倾向于在社交媒体上宣泄情感可能是由于网络上用户信息的隐蔽性，其言论波及自身利益的可能性较低。因此，可以通过用户信息关联遏制严重负面信息的传播，一方面运用大数据关联用户的自身信息，另一方面实现个体现实社交群体的广播机制，提高个体发表不当评论的机会成本。
第二，加强新媒体与传统媒体的融合，充分发挥各自所长。新媒体和传统媒体都有各自的优势，可借助大数据、机器审核对意见领袖所发表的内容进行审核以及风险评估，辨别事件真伪，审慎推送内容，有效把不当言论和风险控制在信息传播之前，间接促使个体增强自身言论的合理控制。但风险在传播之后发生，控制的权威性将显著降低，比如通过禁言和屏蔽的方式显然会进一步削弱控制者的公信力。而传统媒体的发布者由于多为国家机构，可信度较高、公信力较强，可以在风险传播过程中通过澄清事实、倡议等手段，起到良好的舆情风险控制作用。所以应促进新媒体与传统媒体在舆情的不同发展阶段相互配合。
第三，提高网民舆情素养，搭建共情传播沟通桥梁。网民的个体素养将会直接影响其认知和行为，社交媒体平台应通过平台普及舆情和网络风险知识，提高大众甄别舆情的能力，形成理性的价值判断。社交媒体上职场辱虐事件的情感共鸣促使个体关注对事件本身的理性探讨，并通过评论表达自身观点，以获得用户认同，推动事件的合理有序解决。鉴于此，对于社交媒体舆论传播的治理可以放大共情行为，激发群体的理性思考，过滤负面评论，从而塑造群体思考、心理治愈与良性治理的社交生态。
第四，追溯群体参与动机，加强受众互动交流。不同群体参与话题讨论的动机驱动和个体需要是存在差异的，所以对于心理治愈型动机，应当搭建相对和谐、友好的社交环境，避免不当言论对受害者的二次伤害，对于知识获取型动机，应当提供优质内容推送或搭建讨论平台满足这类群体寻找原因和解决办法的心理需要。
（二）研究局限与未来展望
在文本的挖掘与分析中，网络评论中含有各种干扰符号、广告或者虚假评论等信息，本文虽然剔除了大量无效评论，但文本数据清洗尚未达到完美状态。考虑到网络文本数据新词多、结构灵活等特点，本文所构建的自定义用户词典和停用词还不够完备。此外，在情感模型的构建中，本文通过人工标注正负情感倾向评论构建测试集和训练集，虽然精度较高，但也存在效率较低和部分训练集文本欠缺的问题。所以未来的研究可以更加关注数据本身的质量和文本挖掘词典的构建，寻找更加精确和完善的情感分析模型训练集构建办法，从而进一步提升情感分类模型的效果。本文的情感分类模型主要基于正负向情感进行构建，但情感这一特征还具有多维度、复杂的特征，未来的研究可以针对文本的具体情感，比如高兴、恐惧、幸灾乐祸、同情等进行分类研究。本文仅对职场员工被辱虐后会产生什么样的情绪影响和行为反应进行实证研究，下一步建议更加深入地研究社交媒体中消极社会事件发生后，事件与用户的良性互动和对用户的引导情况。
备注：全文引用及参考文献从略
本文系教育部人文社科规划基金项目“职场辱虐管理的情绪影响与行为反应研究：基于第三方员工的视角”（项目编号：21YJA630035）的研究成果。
引用参考
黄俊,罗强胜,曹晨,等.职场辱虐的情绪影响和行为反应探究——基于抖音、微博、B站等社交媒体的传播研究[J].传播创新研究,2022,(02):143-167+250.
作者简介
黄俊，西南大学经济管理学院教授，研究方向为人力资源管理与大数据应用。
罗强胜，西南大学经济管理学院硕士研究生，研究方向为组织行为学。
曹晨，河北经贸大学数学与统计学院硕士研究生，研究方向为大数据应用。
颜利，西南大学经济管理学院硕士研究生，研究方向为组织行为学。
周露，西南大学经济管理学院硕士研究生，研究方向为人力资源管理。
