当期荐读 2023年第3期 | EID事件情境下情绪对信息分享行为的动态影响——人格特质的调节作用
图源 | Internet
许莉薇1 韩明星2 裘江南3
东北财经大学管理科学与工程学院
东北林业大学计算机与控制工程学院
大连理工大学经济管理学院
摘 要
本文研究聚焦重大突发公共卫生事件中的典型案例，整合情绪反馈理论、人-环境交互假说和危机管理的四阶段生命周期模型构建概念模型，采用向量自回归模型与脉冲响应函数分析EID网络舆情不同生命周期中网民人格特质对情绪与信息分享行为的动态调节作用机制。结果表明，人格特质对情绪与信息分享行为影响的动态调节影响存在差异，在萌芽期、爆发期和缓和期，高神经质对恐惧情绪与信息分享行为影响有显著的正向短期调节作用；在爆发期和缓和期，高外向性对恐惧情绪与信息分享行为影响有显著的正向短期调节作用；高开放性和高宜人性人格特质在网络舆情四个阶段也存在不同程度的调节作用，进而放大信息分享行为。
关键词
新发传染病网络舆情 情绪 人格特质 信息分享行为 动态影响
01
引言
新发传染病(Emerging Infectious Disease, EID)如禽流感病毒(H7N9)、新型冠状病毒(COVID-19)等，具有发病突然、易于传播、原因复杂、危害严重、难以预测和不易控制等特点。Web2.0时代，社交媒体平台凭借其双向、互动、海量、即时分享等技术特性，发展为人们分享与获取信息的重要渠道，也是当下网络舆情生成、发酵最活跃的阵地，网络舆情已经成为EID事件的晴雨表和放大器，最直接、快速地反映着网民的心理与行为状况。网民情绪作为网络舆情的载体，是度量网络舆情发展及强度变化的重要指标。EID网络舆情文本中的情绪相互感染，直接决定着网民的信息分享行为选择。随着EID网络舆情文本中的负面情绪扩散，如果没有及时疏导，很可能引发大规模恐慌[1],引发线下的次生事件或者网民的心理危机。而研究EID网络舆情文本中的情绪对信息分享行为的影响规律，能够帮助政府理解公众对EID事件的特定情绪反应以及EID网络舆情传播的内在机制，进而制定引导策略舒缓网民的心理压力。由此可见，有必要分析EID情境下网民如何在社交媒体平台上以文本形式描述对EID事件的情绪态度以及网民如何分享EID事件的相关情绪内容。
然而，过去的研究大多从静态视角分析积极和消极情绪对信息分享行为的影响关系，缺乏从情绪的动态演化视角、结合EID事件情境下细粒度情绪的相关研究。此外，过去的研究大多以网民具有同质性为前提，缺乏从数据挖掘的视角分析网民的异质性，及其如何影响情绪与信息分享行为的影响关系研究。EID网络舆情不同阶段会触发网民不同的情绪体验，异质性网民面对不同类型情绪刺激时会产生差异化的信息分享行为；同时，信息分享行为的产生为后续网民的情绪体验提供依据。情绪和异质性网民信息分享行为间的影响并不是一个简单的单向过程，二者相互影响螺旋式发展，不断促进网络舆情信息的扩散。人格特质理论指出，人格能够表征个体的独特面，定义了人们的本质差异[2],对人们的行为有决定性作用。人格特质在具体的EID信息环境刺激作用下对人们的信息分享行为产生间接影响。因此，本文以人格特质理论中稳健性强、全面而简约[3]的大五人格特质分类作为EID情境下网民的异质性识别研究基础，结合情绪反馈理论、人-环境交互假说和危机管理的四阶段生命周期模型，从信息人特征的异质性与信息特征的情绪维度出发，研究EID网络舆情不同阶段人格特质对情绪与网民信息分享行为动态影响的调节作用，揭示网民的情绪动态演化机制，从网民的异质性与情绪的动态反馈视角丰富EID情境下信息分享行为的相关研究，帮助理解异质性网民信息分享行为差异的内在机制，为EID情境下针对异质性网民的网络舆情引导研究提供依据。
本文首先进行文献综述与理论基础介绍；然后，提出网络舆情文本中的情绪变量的计算方法；接着，研究网民的情绪时间序列生成方法，在此基础上，根据时间序列基于情绪反馈理论、人-环境交互假说和危机管理的四阶段生命周期模型提出人格特质对情绪与信息分享行为影响的动态调节作用分析模型；最后，利用EID网络舆情数据，基于构建动态调节作用分析模型，采用脉冲响应函数分析研究EID网络舆情不同阶段中网民异质性对情绪与网民信息分享行为的动态调节影响。
02
相关研究与理论基础
2.1 相关研究
社交媒体平台已成为人们获取并分享信息的主要媒介，深刻影响并改变了信息传播的过程。信息分享行为是信息行为研究的一个重要领域[4]，作为一种社会交换行为，其影响因素是多方面的。但由于当前针对EID情境下信息分享行为的研究相对较少，本部分将研究领域扩展到网民信息行为的相关研究。面对不同的危机事件，群体成员会产生不同的情绪体验，从而驱动其不同的信息行为。一般的研究主要从调查访谈和社交媒体数据展开；同时，个人特征作为影响网民信息行为的主要因素，也受到了广泛关注，如表1所示。
表1 情绪和个体特征对信息行为的影响研究
2.2 理论基础
2.2.1 情绪反馈理论
EID情境下网民的情绪会随着网络舆情的发展而动态演化，这一演化过程符合情绪反馈理论中的解释。情绪反馈理论[25](Emotion Feedback Theory)指出，情绪对行为的影响是一个连续过程，即前一时间的情绪影响当前时间的行为(关系R1),当前时间的行为对后一时间的情绪又会产生影响(关系R2),如此往复，情绪与行为之间构成随时间变化的相互影响关系，如图1所示。因此，本文基于情绪反馈理论，分析EID情境下网民的情绪动态反馈过程。
图1 情绪反馈理论
EID网络舆情不同阶段文本中的情绪对当前时间信息分享行为产生影响，当前时间网民产生的信息分享行为对下一时间的情绪又有一定的影响作用。网民的情绪会影响他们对信息分享行为的选择，这是由于网民的情绪会影响他们对事情的参与、处理方式以及使用信息的过程。网民的情绪通过认知评价和生理冲动来改变人们对信息的需求状态，进而驱动信息分享行为变化。而信息分享行为会导致人们产生特定的情绪经历，人们作出某种决定以及产生信息分享行为是因为他们有特定的情绪收益。网民情绪状态能够为他们的信息分享行为提供反馈，人们通过经历的某种情绪反馈来调节下一步对信息分享行为的认知。网民的情绪为将来的行为提供了情感暗示，人们都是根据他们的需求来产生相应的行为，如果需求得到了满足，则产生积极情绪体验，反之则产生消极情绪体验。
当前情绪和行为的研究，一方面关注情绪对信息行为的影响，如Stieglitz等[8]分析情绪对转发行为的影响发现，消极情绪内容相较于积极情绪内容更容易传播；另一方面研究以线下数据为基础，探究了情绪和行为间的相互影响关系，如Skinner等[26]研究了老师的情绪如何影响学生的行为，以及学生的行为又是怎样对老师的情绪起到反馈作用，情绪和行为间存在动态影响作用。而现有研究缺乏以社交媒体数据为基础展开的情绪对信息分享行为间的动态影响关系分析，并且忽视了网民的异质性。
EID情境下，相比积极情绪的信息，消极情绪的信息更能触发公众更复杂的认知分析，会耗费更多的认知资源，如果获取的信息不够让人满意，人们会对信息的有效性产生质疑，这就导致了人们对积极情绪的信息出现一定程度的抵抗[27]。人们在先天倾向和后天经验基础上存在一种普遍性偏差，由于EID属于负面事件，会给公众带来较强的消极情绪体验，相应地，公众会赋予消极情绪更大的权重，在决策过程中遵循“坏比好重要”的心理原则，从而使得EID情境下的网民更加偏向于扩散消极情绪的信息。但是由于EID网络舆情具有阶段性特征，异质性网民在面对消极情绪信息时，会产生不同的信息分享行为。因此，本文将情绪反馈理论引入EID情境下，研究EID网络舆情不同阶段中的人格特质对情绪与信息分享行为影响的动态调节作用，帮助政府理解EID情境下信息分享行为差异的内在机制。
2.2.2 人-环境交互假说
EID情境下信息分享行为取决于自身的人格特质与网络舆情要素的共同作用，而不是网民人格特质或者网络舆情要素的直接作用。本文将人-环境交互模型作为分析网络舆情要素对异质性网民信息分享行为影响研究的基础，以解释网民的异质性作为调节变量分析网络舆情要素对信息分享行为的原因。
人-环境交互模型[28]认为个体的行为是由信息环境刺激与人格特质共同决定，单从信息环境刺激或者个人特质方面进行研究都有其局限性。也就是说，人们的行为是人格特质和个体当下所处环境交互作用的结果，是人和信息环境刺激的持续互动中共同触发的。人和信息环境刺激之间具有深层的内在联系[29]，包括人们偏向于选择能够给自身带来影响的信息情境，以及特定人格特质的网民，先受到和人格特质契合的信息环境刺激影响，才会表现出特定的行为。EID情境下信息分享行为的产生由网民自身的人格特质与网络舆情要素交互的结果决定。因此，将人-环境交互模型与情绪反馈理论结合，能够为EID情境下信息分享行为研究提供新思路。
03
变量计算与模型构建
3.1 变量计算
3.1.1 情绪
本文情绪分类的标准参照Ekman[30]提出的基本情绪。Ekman的情绪分类包括快乐、恐惧、愤怒、悲哀、厌恶、惊讶，与大连理工大学中文情感词汇本体库[31]本体库的主要区别在于积极情绪的维度。Ekman的情绪分类中“快乐”是一种积极情绪，中文情感词汇本体库中“乐”和“好”两个维度是积极情绪。由于“乐”和“好”两种情绪具有较强的相关性，并且在词义上有一定重叠，本文将中文情感词汇本体库中“乐”和“好”的加和作为Ekman情绪分类中的“快乐”,也就是说本文中的情绪研究主要包括六种，即快乐、恐惧、愤怒、悲哀、厌恶、惊讶。
采用Java程序以及NLPIR的程序接口计算情绪强度。以中文情感词汇本体库为基础，将网络用语、不规范用语、专业名词加入网络舆情文本的情绪计算，扩充中文情感词汇本体库。考虑到社交媒体文本中除了基本的情绪词之外，还包括表情符号和一些流行的网络用语以及不规范用语，参照郭贤伟等[32]的研究，从社交媒体平台获取网络用语与不规范用语、网上收集新发传染病相关的专业名词，通过三名研究生从中筛选保留使用频率较高的、带有情绪色彩、与中文情感词汇本体库不重复的词汇，并按照中文情感词汇本体库的情绪进行标注分类。
网络舆情文本n的内容可以被表示为词序列{w1,w2,...,wq},根据扩充后的中文情感词汇本体库，计算网络舆情文本n的第j种情绪，公式如下：
其中，j={1,2,3,4,5,6},这六个值分别对应快乐、恐惧、愤怒、悲哀、厌恶、惊讶。 可以通过图2的情绪计算方法获得，c表示情绪词在词典中的强度。该流程的主要思路是基于单条网络舆情文本进行情绪词的匹配，将每条网络舆情文本中对应维度上的情绪词的情感强度进行汇总，即为单条网络舆情文本在某种情绪上的强度。
图2 情绪计算流程
3.1.2 信息分享行为
微博、Twitter等社交媒体平台上网民的信息行为主要包括信息分享行为[33]、评论行为[34]、点赞行为[34]。其中，评论行为代表与别人的交流以及沟通，点赞行为多数表现出对信息内容的态度。信息分享行为包括转发别人的信息和根据自身的认知产生并发布信息的行为，是一种重要的信息行为，该行为能够实现信息在网络上的快速传播以及扩散[33],并且通过对信息分享行为的衡量能够知道信息的传播程度，为了解事件的发展态势提供基础。Xu等[35]、Oh等[33]、Wang等[36]的研究表明，发布量和转发量已成为信息被分享的重要衡量指标，用户可以通过信息的发布和转发，实现特定信息的分享以及各种情绪和观点的表达和传递。为此，本文选取信息发布和转发作为分享行为的衡量基础，计算如下：
式(2)中，postingn、repostingn分别表示获取的所有网络舆情文本数据中第n条文本被网民发布和转发的次数；sharingBehaviorn表示第n条网络舆情文本被分享的次数。
3.1.3 网络舆情阶段
EID网络舆情阶段是用来表示网络舆情不同生命周期的一种描述，基于健康机构公布信息的划分方法是一种常用的EID网络舆情阶段划分方法[37]。该方法的优点是能够同时考虑感染病例与公众的关注程度。世界卫生组织(World Health Organization, WHO)对EID事件的报告能够为公众提供大量准确的EID信息，进而满足公众的信息需求，经常被用作减轻公众对信息不确定性以及消极情绪的官方健康机构，也就是说WHO对EID信息公布的频繁程度一方面代表事件的严重程度，另一方面也能够看出公众对事件的关注程度。因此，本文参照Tang等[37]基于健康机构发布信息的方法，根据危机管理的四阶段生命周期模型[38],以及WHO网站报道频繁程度和网络舆情的实际报道情况划分网络舆情阶段。计算如下：
式(3)中，k表示第n个舆情文本产生时间所对应的舆情阶段，属于类变量，有四个取值，1、2、3、4分别对应萌芽期、爆发期、缓和期与善后期。
3.1.4 人格特质
人格特质作为一种网民长期在思想和行为上表现出来的独特模式，能够描述人们的本质差异，是一种普遍的类似行为的倾向系统[39]。考虑到网民人格特质的多样性，每个网民不仅仅具有单一维度的人格特质，而是多种人格特质的混合体，大五人格特质从多个独立的维度来描述网民的人格特质，能够更加全面地分析网民的异质性，为EID情境下网民的异质性研究提供依据。大五人格特质并不意味着人格差异可以被缩小到五个维度，而是这五个维度在最广泛的抽象水平上表现人格，并且每个维度概括了具体的人格特征。大五人格特质包括神经质、外向性、开放性、宜人性和严谨性。依据先前研究[40]总结，高神经网民有更多非理性观念，难以控制冲动，脆弱性和敏感性强，并且应对突发状况的能力较差。高外向性网民则自信、活跃、健谈、天性快乐、乐观、充满活力，喜欢社会活动，喜欢与人交往，喜欢刺激与兴奋。高开放性网民的情感丰富、好奇心重、喜欢质疑权威，而且随时都乐于接受新的伦理、社会和政治观念。高宜人性网民性格温和，对他人富有同情心并乐于帮助他人，并且对他人有较强的信任。高严谨性网民目标明确，动机强烈，积极地自我控制，做事深思熟虑并且富有责任性。本文受Celli等[41]采用随机森林算法识别人格特质研究的启发，同时考虑到随机森林算法适用于分类和回归问题，可以处理具有大量特征的数据集，通过评估每个特征的重要性，帮助进行特征选择。在每个决策树的构建过程中引入了随机性，可以有效减少过拟合的风险，避免单棵树的过拟合问题。本文采用随机森林算法构建EID情境下网民的人格特质识别模型。首先，根据获取的网民历史期的发布内容，参照Adamo-poulos等[2]的研究，采用CLIWC词典中的维度(101维)表示网民人格特质的特征，为人格特质识别模型的构建提供训练、测试与验证样本的特征。然后，收集问卷对训练集与验证集样本进行标注。最后，构建EID情境下网民的人格特质识别模型，通过验证集对模型的识别精度进行分析。识别流程详见图3。
图3 网民的异质性识别流程
3.2 变量的时间序列计算
为了分析情绪对异质性网民信息分享行为的动态影响，需要构造情绪时间序列，进而基于能够描述现象随时间发展变化特征的数据来分析情绪对异质性网民信息分享行为的动态影响。
情绪时间序列是网络舆情文本中的情绪在给定间隔的时间窗口内的累加数值，按照时间的先后顺序排列而成的数列。假设时间窗口j内总共有n条网络舆情文本，以快乐和恐惧情绪为例，在时间窗口j内快乐和恐惧变量的时间序列的数值用Happinessj和Fearj表示，计算公式为：
假设网络舆情数据总共有t个时间窗口，基于公式(4)和(5)计算不同时间窗口情绪变量对应的时间序列的数值后，构建情绪时间序列Hat,Sat,Ant,Fet,Dit,Sut如下：
Angerj,Sadnessj,Disgustj,Surprisej分别代表愤怒、悲哀、厌恶、惊讶变量的时间序列在时间窗口j内对应的数值，计算过程类似于公式(4)和(5)。
其他变量的时间序列计算与情绪时间序列计算思路类似，此处不再赘述。
3.3 网民人格特质对情绪与信息分享行为影响的动态调节作用分析模型
通过情绪反馈理论与EID网络舆情的背景分析发现，情绪与信息分享行为存在相互影响关系。VAR模型能够通过时间序列间的分析避免一般回归方法由于信息分享行为对情绪存在反馈影响而存在估计偏差的问题。另外，Armfield[42]认为，由于个体自身经历、知识等方面存在的差异，可能会造成对事件或者信息的认知和解释不完全一致。因此，人格特质对情绪与信息分享行为影响的调节作用也存在差异。为了揭示EID情境下信息分享行为的动态影响机制，本文基于VAR构建人格特质对情绪与信息分享行为影响的动态调节作用分析模型。
本文针对EID网络舆情不同阶段分析人格特质对情绪与信息分享行为影响的动态调节作用，以萌芽期和神经质人格特质为调节变量，参照Xiao等[43]与Song等[44]的VAR模型调节变量分析，得出人格特质对情绪与信息分享行为影响的动态调节作用分析模型，如式(12)所示：
其中Hat1、Fet1、Sat1、Ant1、Dit1、Sut1是情绪时间序列。萌芽期与神经质人格特质作为调节变量时，Hat1×Net1、Fet1×Net1、Sat1×Net1、Ant1×Net1、Dit1×Net1、Sut1×Net1表示情绪与神经质人格特质的联合作用。参照裘江南等[45]的研究，选择FMt1、CMt1、MNt1作为控制变量，分别代表给定时间窗口内的粉丝数均值、关注数均值与微博数均值。
EID网络舆情萌芽期、爆发期、缓和期、善后期与其他人格特质作为调节变量的情绪对异质性网民信息分享行为影响的动态调节作用分析模型与式(12)类似，故此处省略。
04
实验结果
4.1 数据与实验过程描述
本文依据数据选择的典型性原理[46],选择EID事件情境下的典型案例禽流感H7N9事件的网络舆情全生命周期数据进行研究，同时，考虑到微博作为政府应对网络舆情防控的重要平台[47],通过微博平台获取数据。首先，基于 Signorini 等[48]的研究，本文设置新浪微博平台搜索时间间隔为1小时，利用关键词搜索 2013 年 2 月 19日至 2013 年 6 月 15 日之间关于禽流感 H7N9 事件的网民分享内容。根据关键词“禽流感”“H7N9”“疫情”“症状”等，通过网络爬虫抓取数据，共计获取了565470条关于EID 事件的分享内容；接着，对数据进行去重处理，获取不重复用户数 378779 个；再采用复合周抽样，按照时间界限对数据进行抽样，从每小时的参与 EID 网络舆情网民中随机抽取 60 个网民，将广告用户、僵尸用户删除，共计获取了 10682 个有效网民；最后，获取10682个抽样网民分享的18789条关于EID事件的信息，以及抽样网民的31016214条微博内容，抽样网民的数据特征有网民ID、用户名、信息分享内容、信息分享时间、信息转发数、独立网页网址、粉丝数、关注数、微博数、微博内容、微博内容发布时间等。过程如图4所示。
图4 数据获取过程
根据3.1.3节对网络舆情阶段划分的定义，通过EID网络舆情在社交媒体平台上报道的第一条内容判断EID事件的开始时间，从这个时间点意味着网络舆情进入了萌芽期，即2013年2月19日为萌芽期的开始；随着事件的发展，WHO网站的第一条信息报道代表网民、相关部门开始频繁关注，标志着网络舆情进入爆发期，为2013年3月31日；随后，网络舆情在WHO网站频繁报道直至频繁程度开始下降的时候(根据WHO报道间隔的频率判断，当报道频率大于1天则认为报道频繁程度下降),意味着网络舆情进入了缓和期，为2013年4月24日；WHO网站不再报道EID事件的相关信息，意味着网民的关注度逐渐下降，EID网络舆情进入善后期，为2013年5月30日。
在情绪计算过程中，首先，采用中科院分词系统NLPIR(准确率95%以上)对EID网络舆情文本数据进行预处理，包括分词和去停用词，其中停用词通过停用词表进行处理。然后，对预处理后的数据进行分析。参照Deng等[49]对情绪识别结果的精度验证方法，本文通过三名研究生投票的方式对随机抽取的1000条信息分享文本情绪极性以及细粒度情绪进行标注，判断本文情绪分析方法的细粒度情绪识别的平均精度为85.6%。此处需要说明的是，由于获取的微博用户信息分享内容与微博内容中的表情符号以文字形式存储，因此在数据分析过程中直接对文本内容进行分析。
人格特质识别模型构建过程中，采用McCrae&Costa提出的五因素模型问卷获取模型的训练集和验证集。该问卷通过线上方式，采用问卷星发放，将问卷的链接和二维码在微信、QQ、微博等社交媒体平台进行共享，回收了 305 份问卷。在问卷的处理过程中，为了保证问卷的有效性，剔除了未填写、填写错误微博用户名的问卷，以及类似问题前后出入较大的问卷，最终获得了有效问卷 300 份。对有效样本的人口统计学特征描述，性别方面，男性占比44%,女性占比56%;职业方面，全日制学生占比 87%;教育背景，本科生占比75%,硕士研究生占比21%,博士研究生占比4%;年龄方面，20—35岁占比99%,这也符合对微博总体用户特征的分析。在微博使用年限中，超过95%的用户使用微博至少2年，使用5年以上的用户也超过了二分之一，在一定程度上体现了微博使用的广泛程度。对获得问卷数据的信度和效度进行分析，信度采用Cronbach的α系数和CR值来衡量，一般认为α系数大于0.7、CR值大于0.7时，问卷具有较好的信度。对问卷数据的分析发现，神经质、外向性、开放性、宜人性、严谨性的α系数都大于0.7并且CR值也都大于0.7。当各个题项的因子载荷大于0.6、收敛效度的指标大于0.5时，说明问卷具有有效性。通过问卷的分析发现，问卷中各题项的因子载荷大约0.6,并且所有因子的AVE值均大于0.5,综上说明问卷数据的整体信度与效度都比较高。本文将300份有效问卷采用十折交叉验证法对EID情境下网民的人格特质识别模型精度进行验证。选择均方根误差(RMSE)作为识别精度测量的方法，五种人格特质识别的平均RMSE为0.12。同时，本文还采用决策树、支持向量机、朴素贝叶斯方法进行了对比，得到识别模型的平均RMSE分别为0.18、0.16、0.19,表明了选择随机森林方法进行人格特质识别的可行性。大五人格特质中神经质、外向性、开放性、宜人性、严谨性代表不同网民在人格特质的五个维度上得分(根据训练数据集问卷中的得分训练模型，对待测样本的人格特质打分)是不同的，在某个人格特质维度上得分高于别的维度时，则归为某类人格特质比较显著。通过上述变量计算，数据分析具体流程如图5所示。
图5 数据预处理与数据分析流程
对获取数据进行统计性描述，如表2所示，表中情绪、信息分享行为等变量的峰度大于3,偏度大于0,均不符合正态分布。因此，本文选择取对数处理。根据Wang等[50]的研究，本文基于AIC、HQC、FPE(三个准则的描述详见Lütkepohl[51]研究)三个准则判断最优滞后阶发现，萌芽期、爆发期、缓和期与善后期的动态影响分析模型的最优滞后阶数均为1。
表2 情绪时间序列描述性统计分析
4.2 实验结果
图6 网民人格特质对情绪与信息分享行为的动态调节作用
图7 控制变量对信息分享行为的动态影响作用
图6中以萌芽期为例，人格特质对快乐、愤怒、惊讶情绪与信息分享行为影响的动态调节作用都不显著。高神经质对恐惧情绪与信息分享行为的影响有正向短期调节作用，在时间窗口0,恐惧增加1单位，高神经质网民信息分享行为在时间窗口1增加0.21单位。高开放性对恐惧情绪与信息分享行为影响的短期调节作用为0.14,对高宜人性的短期调节作用为0.15。高神经质、高开放性和高宜人性对悲哀、厌恶情绪与信息分享行为的影响有正向短期调节作用，但是影响程度不同。高神经质、高开放性、高宜人性对悲哀情绪与信息分享行为影响的正向短期调节作用分别为0.18、0.11、0.14。对比发现，高神经质、高开放性和高宜人性网民对网络舆情的扩散是非常迅速的，他们会在看到相关恐惧情绪内容的微博时产生即刻的信息分享行为。图7结果表明，网络舆情的四个阶段粉丝数对信息分享行为存在短期正向影响。
进一步，为了分析网民人格特质对情绪与网民信息分享行为影响的短期调节作用具体发生在哪个时间点，同时检验以小时为时间窗口的研究结论鲁棒性，以分钟为时间窗口单位，得到萌芽期、爆发期、缓和期与善后期的脉冲响应函数分析结果如图8—11所示。
图8 情绪与粉丝数对信息分享行为的影响作用
图8中，在时间窗口0,恐惧情绪增加1单位，高神经质网民信息分享行为在时间窗口1增加0.15单位，并且影响会持续到时间窗口9,直至时间窗口10趋于0。高开放性对恐惧情绪与信息分享行为影响的调节影响小于高神经质0.01单位，影响持续到了时间窗口10。高宜人性对恐惧情绪与信息分享行为影响的调节作用主要在时间窗口1到10,并且恐惧情绪在时间窗口0产生1单位的变化而引起高宜人性网民在时间窗口1产生0.13单位的变化。上述结果说明，人格特质对恐惧情绪与信息分享行为影响的短期调节作用仍然具有一定的持续性。时间窗口0的悲哀情绪对时间窗口1的高神经质网民信息分享行为影响大小为0.08,对高开放性和高宜人性网民信息分享行为分别持续到了时间窗口2和1。高神经质、高开放性、高宜人性对厌恶情绪与信息分享行为影响的短期调节作用具有一定的持续性。对比发现，高神经质对恐惧情绪与信息分享行为影响的调节作用在时间窗口1(第1分钟)最显著，随着时间窗口推移，高神经质网民对恐惧情绪的反应最显著，但是持续性差于高开放性和高宜人性网民，说明高神经质网民对恐惧情绪的容忍性很低，看到相关内容会立刻产生信息分享，高开放性和高宜人性网民在面对恐惧时也会产生即刻的信息分享行为。高神经质、高开放性和高宜人性对悲哀情绪与信息分享行为影响的短期调节作用主要集中在第1分钟，也就是说这些网民在面对悲哀情绪内容时会立刻产生信息分享行为。高神经质、高开放性和高宜人性对厌恶情绪与信息分享行为影响的短期调节作用在第1分钟最显著。
图9 爆发期的情绪、粉丝数与微博数对信息分享行为的影响作用
图9表明，快乐情绪在时间窗口0增加1单位，高神经质网民信息分享行为在时间窗口1增加0.04单位，同时高外向性和高宜人性网民信息分享行为在时间窗口1分别增加0.12和0.06单位。恐惧情绪在时间窗口0产生1单位变化，高神经质网民信息分享行为在时间窗口1增加0.18单位，高开放性网民信息分享行为增加0.04单位，高宜人性网民信息分享行为增加0.12单位。上述结论说明高神经质、高外向性和高宜人性对快乐、恐惧情绪与信息分享行为存在正面短期调节作用，从第2分钟开始就趋于0。即在爆发期，这些网民面对带有快乐和恐惧情绪内容时会在1分钟内产生信息分享行为。
图10中，缓和期，高神经质、高开放性和高宜人性对恐惧情绪与信息分享行为影响有正向短期调节作用，分别为0.05、0.06、0.05,高外向性的负向短期调节作用为0.06。人格特质对快乐和厌恶情绪与信息分享行为影响的短期调节作用主要集中在第1分钟。
图10 缓和期的情绪与人格特质对信息分享行为的影响作用
图11 善后期的情绪与粉丝数对信息分享行为的影响作用
图11显示，以分钟为时间窗口的结果中，高宜人性对快乐情绪与信息分享行为影响的短期调节作用主要体现在时间窗口1,即前1分钟含有快乐情绪的内容对后一分钟高宜人性网民信息分享行为的影响程度为0.03。恐惧情绪在时间窗口0增加1单位，引起高开放性网民在时间窗口1的信息分享行为增加0.07单位，同时还会引起高宜人性网民在时间窗口1和2的信息分享行为分别增加0.06和0.05。善后期，高开放性和高宜人性对恐惧情绪与信息分享行为影响有正向短期调节作用，说明这两类网民对于EID事件的持续跟踪力。比较出乎意料的是，在这一阶段，高神经质对恐惧情绪对信息分享行为影响不存在显著调节作用。
4.3 讨论
(1)萌芽期，人格特质对恐惧情绪与信息分享行为的正向短期调节作用较强。其中，高神经质对恐惧情绪与信息分享行为的正向短期调节作用大于高开放性和高宜人性。
不同于先前Baumeister等[25]发现积极情绪对行为有持续影响作用，消极情绪对行为有即刻影响，本文发现细粒度情绪对信息分享行为的影响也因网络舆情不同阶段而存在差异，在萌芽期人格特质对恐惧情绪与信息分享行为的调节作用强于厌恶和悲哀情绪。究其原因，生命安全是人们最低层次的需求，EID事件一旦发生，公众感到生命安全遭到威胁，本能地产生恐惧情绪。同时，官方媒体报道EID事件的信息，多数集中于对感染案例的报道，造成了公众大规模的恐惧情绪体验。另外，通过对比细化情绪的占比发现，EID网络舆情数据中恐惧情绪在消极情绪中占比最高，是公众在EID情境下最为显著的一种情绪表达，说明EID情境下恐惧是一种主导的网民情绪体验。网络舆情萌芽期，网络上各种言论突发，能够迅速引起网民的好奇与关注，这一阶段异质性网民的信息分享行为受到情绪不同程度的影响。与先前研究结论部分一致，Rusting等[53]发现高神经质网民更容易受到消极情绪的影响，导致更多消极情绪内容的传播。但是，在萌芽期，并不是所有的消极情绪对高神经质网民信息分享行为都有显著影响。本文发现，高神经质网民受到恐惧情绪的短期影响最大，是因为EID事件一旦发生，便立刻激发高神经质网民对情绪内容的反应，尤其是高生理冲动的恐惧情绪内容。作为EID网络舆情中公众由于本能反应产生的恐惧情绪，会迅速引起高神经质网民的关注，通过分享行为来缓解恐惧给自身带来的不安全感。高宜人性的网民具有乐于助人的特点，使得高宜人性网民更容易产生信息分享行为来分享代表自己感受的内容。尤其是在EID网络舆情初期，接触到恐慌相关的消极信息时，高宜人性网民更有可能分享这些内容来帮助周围的网民提高警惕。高开放性网民与他人交流信息时，则多表现出开放的态度[54]，他们喜欢在社交媒体平台上分享各种信息进行信息交流[55]。对于带有消极情绪的信息，高开放性网民在EID网络舆情初期可能会产生信息分享是因为可以与他人交流EID事件带来的负面感受和观点。
(2)爆发期，高神经质对恐惧情绪与信息分享行为的正向短期调节作用大于高开放性和高宜人性。另外，高宜人性对快乐情绪与信息分享行为同时存在正向短期和长期调节作用，高神经质和高外向性对情绪与信息分享行为仅存在正向短期调节作用。
杨鑫辉[56]发现，群体的情绪反应程度随群体中个体的数目呈几何级增长。同时社会心理学认为，个人在群体中的情绪反应要比其作为个体时强烈得多。在EID网络舆情爆发期，个体因外界因素影响，产生恐惧心理。此时群体成员之间的暗示、感染和模仿程度非常强烈，他人的行为形成感染性的社会刺激，使个体受到周围网民影响的倾向增加。因此，在爆发期，公众会受到恐惧情绪的正向短期影响，并通过信息分享降低自身的不安全感，导致了负面网络舆情大规模爆发。Yin等[57]与本文的发现不同，他们发现在食品安全情境下，高神经质网民对消极情绪的分享并不存在显著影响。这是由于相较于普通危机情境，高神经质网民偏向于高估EID事件给自身可能带来的伤害，进而加重他们对情绪的敏感程度。在EID网络舆情爆发期，大量恐惧情绪的出现，激发了高神经质网民更加强烈的自我保护欲[57]，他们希望通过信息分享行为来释放这些恐惧情绪，使自己有更积极的情绪体验。同时，政府开始关注网民的情绪，并分享一些关于如何防范的措施，通过公布康复案例来不断缓解网民的不安情绪，导致在这个阶段，高神经质网民对恐惧情绪的迅速反应。而高宜人性网民则由于其乐于助人的特质、高开放性网民面对持续发酵网络舆情的开放性态度，使得这两类网民面对恐惧情绪内容表现出了持续跟踪的行为。Weismueller等[58]发现，在社交媒体平台上积极情绪对信息分享行为的影响强于消极情绪。EID网络舆情爆发期除了各种消极内容之外，还有积极正能量的分析，本文发现，高神经质、高外向性、高宜人性对快乐情绪的快速反应，可能是由高神经质网民很容易产生情绪波动的特点以及高宜人性网民的利他主义所决定。根据情绪修复理论以及这两类人格特质网民的特征推测，高神经质与高宜人性网民通过快乐情绪的分享来修复EID网络舆情萌芽期的恐惧等负面情绪。高神经质网民面对消极事件也善于表现出积极的态度，使得这类人群面对EID网络舆情爆发期的积极情绪表现出了较为强烈的信息分享行为，同时，通过分享带有快乐情绪的内容来感染自己和周围人[59]。
(3)缓和期，高宜人性对快乐情绪与信息分享行为的正向短期调节作用大于其他人格特质。同时，高外向性对恐惧情绪与信息分享行为的影响还存在负向短期调节作用。
EID网络舆情缓和期，危机仍然在持续，但是增长的幅度小于爆发期，并随后出现下降的趋势，此时的网络舆情趋势更容易受到特定事件的影响而出现网络舆情的二次高涨，在此期间公众希望了解更多危机相关的知识，以平衡与危机相关的消极情绪。本文发现，这一阶段的恐惧情绪仍然受到异质性网民的广泛关注，但是人格特质对恐惧与信息分享行为的调节作用相较于萌芽期和爆发期呈现出下降趋势。一方面，由于网民对EID事件了解逐渐深入，获取了更多相关知识，导致网民恐惧情绪体验减少；另一方面，由于网民产生认知疲惫，对EID事件的关注度降低，进而减少恐惧的传播。本文发现，高宜人性网民在这一阶段更容易受到快乐情绪的影响，这是由于EID网络舆情进入了缓和期，网民整体情绪逐渐趋于平稳，高宜人性网民通过扩散正能量维护社会和谐。与黄敏儿等[60]对异质性网民与消极情绪内容分享研究的结论部分一致，他们发现高外向性网民更善于减弱消极情绪，重视积极情绪，对积极情绪会产生较多的宣泄。本文发现了高外向性网民对网络舆情中快乐情绪的扩散以及对恐惧情绪分享行为的抑制作用。这是由于随着公众对EID事件关注度的减弱以及对事件了解程度的增强，高外向性网民开始变得活跃，同时由于其自身对于积极内容的偏向性以及低免疫力，使得他们在面对快乐情绪内容时会产生即刻信息分享行为，这也是出于他们对自身善社交和积极乐观形象的维护[61]。因此，在缓和期，当高外向性网民面对恐惧情绪时，不但不会对其转发，反而会通过自身的加工产生积极情绪内容，中和恐惧情绪。
(4)善后期，高宜人性对快乐、恐惧情绪与信息分享行为影响的正向短期调节作用最显著；高严谨性对快乐情绪与信息分享行为影响有正向长期调节作用。
EID网络舆情善后期，公众对事件本身的关注度降低，而被社交媒体平台上别的热点事件转移了注意力，该事件相关的信息逐渐“冷却”,事件的影响力逐渐降低。在此期间，公众对信息的敏感性降低并稳定下来。与先前Fredrickson等[62]和Aspinwall[55]发现积极情绪的内容使公众加深认知，消极情绪的内容使公众产生信息分享行为的研究不同，本文关注EID网络舆情善后期的特点发现，网民以快乐情绪内容传播为主，这一阶段，政府通过对事件的经验总结树立良好形象，提供有效建议，为再次遇到类似事件做准备。高宜人性网民对快乐和恐惧情绪内容的反应取决于他们的人格特质，包括友好、乐于助人、协作精神强、易于产生信任等[61]。高宜人性网民在微博等社交媒体平台上喜欢分享他们的感受，以帮助他人了解事态。因此，在善后期，高宜人性网民仍然会产生信息分享行为。当高严谨性网民在面对含有情绪的内容时，他们会进行多方面的考虑来判断可能产生的消极回报，之后再采取相应的行为来增加信息的披露程度。高严谨性网民面对含有大量快乐情绪快乐的内容不会轻易作出判断，而是通过对事件不断地认知加工再产生信息分享行为[57]。他们处理事情认真的态度使得他们对事件会有一个比较持续的关注。因此，在善后期持续了他们滞后的信息分享行为习惯。
05
总结
本文从EID情境下网民的异质性以及网络舆情文本中的情绪动态反馈视角，分析了人格特质对情绪与信息分享行为影响的动态调节丛，发现了EID网络舆情不同阶段异质性网民信息分享行为受到情绪动态影响的差异。主要结论如表3所示。
表3 本文主要结论总结
5.1 理论贡献与实践启示
本文的理论贡献首先是通过构建与分析人格特质对情绪与信息分享行为影响的动态调节VAR模型，从异质性网民的情绪动态反馈视角揭示了信息分享行为产生差异的内在机制，拓展了情绪反馈理论在EID情境的应用。另外，在考虑了网民的异质性与情绪动态演化特征后，揭示了EID情境下异质性网民情绪反馈的差异，界定了EID情境下情绪反馈理论的使用边界。同时EID网络舆情不同阶段的同一种情绪对信息分享行为同时存在正向和负向影响作用，为当前网络舆情中情绪研究的不一致性结论提供了解释。因此，EID情境下情绪和信息分享行为的进一步研究需要考虑参与网民的异质性以及网络舆情中情绪的动态特征，能够帮助研究结论的发现，避免反馈偏差带来的影响，揭示情绪和信息分享行为在网络舆情不同时间窗口的动态影响机制。
其次，本研究从情境以及变量视角扩展了社会心理学的人-环境交互假说。一方面，证实了人-环境交互假说，并将其应用到EID情境下，对人-环境交互假说的研究情境进行了扩展。另一方面，不同于先前研究指出的行为是个体与环境的函数，强调了环境和个体的重要性[63]63],但是忽视了时间特征。本研究结合时间序列数据分析与情绪在网络舆情不同阶段的动态演化特征，探究并发现具有不同人格特质调节作用下信息分享行为不仅取决于情绪刺激等相关情境，还取决于情绪刺激的经历时间。因此，在干预政策的敏感性分析中，可以进一步验证这种演化的联合效应，以帮助相关部门制定有效的策略，避免恐惧情绪的扩散，平息公众的反应。
另外，本研究通过数据挖掘从EID网络舆情文本数据中获取网民的细粒度情绪等特征，采用EID网络舆情中的细粒度情绪和异质性网民信息分享行为等时间序列数据，在考虑了动态影响模型反馈偏差下，依据情绪反馈等理论、基于VAR构建了人格特质对情绪与信息分享行为的影响动态调节分析模型，分析了EID网络舆情不同阶段的人格特质对快乐、恐惧、愤怒、悲哀、厌恶、惊讶情绪与信息分享行为影响的短期与长期调节作用，发现了恐惧和快乐情绪在网络舆情不同阶段对异质性网民信息分享行为的主导影响作用，从异质性网民的情绪动态反馈视角揭示了信息分享行为存在差异的内在机制，丰富了EID情境下信息分享行为的理论研究。
从实践启示视角来说，本研究发现能够为政府进行公众健康管理提供早期预警信号，脉冲响应函数分析的结果能够帮助理解异质性网民的特定行为反应。EID网络舆情具有发生不确定与演化动态性等特点，决定了政府需要根据异质性网民在网络舆情不同阶段的特定反应，对其进行有针对性的引导以及快速的正面反馈。EID 事件要经历一个完整的生命周期，政府制定的引导策略也是一个要贯穿于 EID 网络舆情萌芽期、爆发期、缓和期与善后期的动态过程，需根据生命周期变化适时地作出有针对性的应对，并且针对网络舆情不同阶段异质性网民提供个性化引导策略，促进有效风险沟通。同时，EID网络舆情引导策略具有快速反应的要求，政府在第一时间重点关注核心利益相关者，能够节省危机决策时间，赢得主动性，解决核心利益相关者对信息更加膨胀的需求，同时防止出现公众临境感增强导致的负面信息大规模扩散现象。从时间角度来考虑，政府制定EID网络舆情的个性化引导策略时，舆情不同阶段占主导(占比最高)地位的异质性网民群体是政府制定引导策略需要重点关注的核心利益相关者。因此，政府相关部门应当重点关注网络舆情中占主导地位的网民群体，尤其是更容易受到情绪的影响产生信息分享行为的高神经质、高开放性和高宜人性网民。根据脉冲响应函数中异质性网民信息分享行为的动态反应过程，针对不同人格特质网民占主导的情况，采取个性化的引导策略。比如，当EID网络舆情爆发期的高神经质网民占主导时，政府可以根据高神经网民对情绪的敏感性特点进行引导，包括积极回应民众的质疑，宣传政府采取的救治措施等，减少占主导地位的高神经质网民由于不确定性导致的进一步恐慌蔓延的现象，引导内容采用带有救治、关心、安抚、鼓励等情绪的正面信息，帮助迅速平息负面舆情的同时，提高公众对EID事件的风险感知。本研究还发现了恐惧情绪的关键作用，恐惧的形成很大程度上可能是由于不确定感和缺乏相关知识，因此，政府有必要及时宣布EID事件的原因和相关的防控政策等，采取精神健康干预、家庭教育和沟通等措施适时疏导公众的恐惧情绪。
5.2 研究局限性
虽然本文取得了一些研究成果，但是随着社交媒体的不断变化以及网民言论自由的需求不断增加，对EID情境下异质性网民信息分享行为与引导研究提出了新的挑战。下一步的研究可以从以下两个方面继续拓展：
(1)在变量计算过程中，情绪通过词典匹配的方式进行计算，虽然情绪分析的精度能够满足实验的要求，但是进一步研究可以充分考虑EID事件情境下公众表达情绪的特点，扩充现有基础词典，提升情绪分析的精度。
(2)对信息分享行为的研究采用微博平台数据，未来研究可以对多社交媒体平台上信息分享行为的差异进行研究对比。另外，进一步研究可以分析COVID-19、自然灾害、恐怖袭击、社会动荡和勒索软件袭击等情境下信息分享行为的作用机制，验证本研究的鲁棒性。
参考文献
[1] 方鹏，史康，朱霞，等.新型冠状病毒肺炎疫情中民众心态特点分析[J].传染病信息，2020,33(1):30-35.
[2] Adamopoulos P,Ghose A,Todri V.The impact of user personality traits on word of mouth:Text-mining social media platforms[J].Information Systems Research,2018,29(3):612-640.
[3] Devaraj S,Easley R F,Crant J M.Research note—How does personality matter?Relating the five-factor model to technology acceptance and use[J].Information Systems Research,2008,19(1):93-105.
[4] 李枫林，周莎莎.虚拟社区信息分享行为研究[J].图书情报工作，2011,55(20):48-51.
[5] Sagioglou C,Greitemeyer T.Facebook’s emotional consequences:Why Facebook causes a decrease in mood and why people still use it[J].Computers in Human Behavior,2014,35:359-363.
[6] 丁松云，王勇，柯青.情绪刺激对微博信息分享意愿的影响实证研究[J].现代情报，2019,39(3):35-45.
[7] 金晓玲，房园，周中允.探究微博用户原创信息分享行为——基于冲动行为视角[J].情报学报，2016,35(7):739-748.
[8] Stieglitz S,Dang-Xuan L.Emotions and information diffusion in social media—Sentiment of microblogs and sharing behavior[J].Journal of Management Information Systems.2013,29(4):217-248.
[9] Hoang T,Cohen W W,Lim E,et al.Politics,sharing and emotion in microblogs[C]//Proceedings of the 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining,Niagara Falls,ON,Canada.Piscataway:IEEE,2013:282-289.
[10] de los Santos T M,Nabi R L.Emotionally charged:Exploring the role of emotion in online news information seeking and processing[J].Journal of Broadcasting & Electronic Media,2019,63(1):39-58.
[11] Vermeulen A,Vandebosch H,Heirman W.#Smiling,#venting,or both?Adolescents’social sharing of emotions on social media[J].Computers in Human Behavior,2018,84:211-219.
[12] Khobzi H,Lau R Y K,Cheung T C H.The outcome of online social interactions on Facebook pages[J].Internet Research,2019,29(1):2-23.
[13] Tellis G J,MacInnis D J,Tirunillai S,et al.What drives virality (sharing) of online digital content?The critical role of information,emotion,and brand prominence[J].Journal of Marketing,2019,83(4):1-20.
[14] Ye Z,Hashim N H,Baghirov F,et al.Gender differences in Instagram hashtag use[J].Journal of Hospitality Marketing & Management,2018,27(4):386-404.
[15] Wang C,Zhou Z,Jin X,et al.The influence of affective cues on positive emotion in predicting instant information sharing on microblogs:Gender as a moderator[J].Information Processing & Management,2017,53(3):721-734.
[16] Anshari M,Alas Y,Hardaker G,et al.Smartphone habit and behavior in Brunei:Personalization,gender,and generation Gap[J].Computers in Human Behavior,2016,64:719-727.
[17] Al-Samarraie H,Eldenfria A,Dawoud H.The impact of personality traits on users’information-seeking behavior[J].Information Processing & Management,2017,53(1):237-247.
[18] Hughes D J,Rowe M,Batey M,et al.A tale of two sites:Twitter vs.Facebook and the personality predictors of social media usage[J].Computers in Human Behavior,2012,28(2):561-569.
[19] Kim K,Sin S J,Tsai T.Individual differences in social media use for information seeking[J].Journal of Academic Librarianship,2014,40(2):171-178.
[20] Scherr S,Brunet A.Differential influences of depression and personality traits on the use of Facebook[J].Social Media+Society,2017,3(1):2056305117698495.
[21] Hossain M A,Dwivedi Y K,Chan C,et al.Sharing Political content in online social media:A planned and unplanned behaviour approach[J].Information Systems Frontiers,2018,20(3):485-501.
[22] Dupré D,McKeown G,Andelic N,et al.Willingness to share emotion information on social media:Influence of personality and social context[C]//IEEE 5th International Conference on Data Science and Advanced Analytics,Turin,Italy.Piscataway:IEEE,2018:665-672.
[23] Davenport S W,Bergman S M,Bergman J Z,et al.Twitter versus Facebook:Exploring the role of narcissism in the motives and usage of different social media platforms[J].Computers in Human Behavior,2014,32:212-220.
[24] Alhabash S,Chiang Y,Huang K.MAM & U&G in Taiwan:Differences in the uses and gratifications of Facebook as a function of motivational reactivity[J].Computers in Human Behavior,2014,35:423-430.
[25] Baumeister R F,Vohs K D,DeWall C N,et al.How emotion shapes behavior:Feedback,anticipation,and reflection,rather than direct causation[J].Personality and Social Psychology Review,2007,11(2):167-203.
[26] Skinner E,Furrer C,Marchand G,et al.Engagement and disaffection in the classroom:Part of a larger motivational dynamic?[J].Journal of Educational Psychology,2008,100(4):765-781.
[27] Ditto P H.Passion,reason,and necessity:A Quantity-of-processing view of motivated reasoning[M]//Bayne T,Fernández J.Delusion and Self-deception:Affective and Motivational Influences on Belief Formation.London:Psychology Press,2009:23-53.
[28] Trevino L K.Ethical decision making in organizations:A person-situation interactionist model[J].Acacdemy of Management Review.1986,11(3):601-617.
[29] 刘玉新，陈晨，朱楠，等.何以近朱者赤、近墨者黑?特质激活理论的缘起、现状和未来[J].心理科学进展，2020,28(1):161-177.
[30] Ekman P.An argument for basic emotions[J].Cognition & Emotion,1992,6(3/4):169-200.
[31] 徐琳宏，林鸿飞，赵晶.情感语料库的构建和分析[J].中文信息学报，2008,22(1):116-122.
[32] 郭贤伟，赖华，余正涛，等.融合情绪知识的案件微博评论情绪分类[J].计算机学报，2021,44(3):564-578.
[33] Oh S,Syn S Y.Motivations for sharing information and social support in social media:A comparative analysis of Facebook,Twitter,Delicious,YouTube,and Flickr[J].Journal of the Association for Information Science and Technology,2015,66(10):2045-2060.
[34] 周懿瑾，魏佳纯.“点赞” 还是 “评论”?社交媒体使用行为对个人社会资本的影响——基于微信朋友圈使用行为的探索性研究[J].新闻大学，2016(1):68-75,149.
[35] Xu L,Qiu J,Gu W,et al.The dynamic effects of perceptions of dread risk and unknown risk on SNS sharing behavior during emerging infectious disease events:Do crisis stages matter?[J].Journal of the Association for Information Systems,2020,21(3):545-573.
[36] Wang C,Jin X,Zhou Z,et al.Effect of perceived media capability on status updates in microblogs[J].Electronic Commerce Research and Applications,2015,14(3):181-191.
[37] Tang L,Bie B,Zhi D.Tweeting about measles during stages of an outbreak:A semantic network approach to the framing of an emerging infectious disease[J].American Journal of Infection Control,2018,46(12):1375-1380.
[38] Fink S.Crisis management:Planning for the inevitable[M].New York:American Management Association,1986.
[39] Allport G W.Pattern and growth in personality[M].New York:Holt,Rinehart and Winston,1961.
[40] 尹奎，赵景，周静等.“大五”人格剖面：以个体为中心的研究路径[J].心理科学进展，2021,29(10):1866-1877.
[41] Celli F,Ghosh A,Alam F,et al.In the mood for sharing contents:Emotions,personality and interaction styles in the diffusion of news[J].Information Processing & Management,2016,52(1):93-98.
[42] Armfield J.M.Cognitive vulnerability:A model of the etiology of fear[J].Clinical Psychology Review,2006,26(6):746-768.
[43] Xiao S,Yue Q.Investors' inertia behavior and their repeated decision-making in online reward-based crowdfunding market[J].Decision Support Systems,2018,111:101-112.
[44] Song P,Xue L,Rai A,et al.The ecosystem of software platform:A study of asymmetric cross-side network effects and platform governance[J].MIS Quarterly,2018,42(1):121-142.
[45] 裘江南，葛一迪.社交媒体情绪对信息行为的影响：基于两类灾害事件的比较研究[J].管理科学，2020,33(1):3-15.
[46] Kluwe R H.Single case studies and models of complex problem solving[M]//Frensch P A,Funke J.Complex Problem Solving.London:Psychology Press,1995.
[47] Qiu J,Xu L,Wang J,et al.Mutual influences between message volume and emotion intensity on emerging infectious diseases:An investigation with microblog data[J].Information & Management,2020,57(4):103217.
[48] Signorini A,Segre A M,Polgreen P M.The use of Twitter to track levels of disease activity and public concern in the U.S.during the influenza A H1N1 pandemic[J].PLoS One,2011,6(5):e19467.
[49] Deng S,Huang Z J,Sinha A P,et al.The interaction between microblog sentiment and stock returns:An empirical examination[J].MIS Quarterly,2018,42(3):895-918.
[50] Wang L,Yan L L,Zhou T,et al.Understanding physicians' online-offline behavior dynamics:An empirical study[J].Information Systems Research,2020,31(2):537-555.
[51] Lütkepohl H.Introduction to multiple time series analysis[M].Berlin:Springer Science & Business Media,2013.
[52] Zhou G,Song P.Third-party APPs (TPAs) and software platform performance:The moderating role of competitive entry[J].Information & Management,2018,55(7):901-911.
[53] Rusting C L,Larsen R J.Extraversion,neuroticism,and susceptibility to positive and negative affect:A test of two theoretical models[J].Personality and Individual Differences,1997,22(5):607-612.
[54] Chen J V,Widjaja A E,Yen D C.Need for affiliation,need for popularity,self- esteem,and the moderating effect of big five personality traits affecting individuals' self- disclosure on Facebook[J].International Journal of Human-Computer Interaction,2015,31(11):815-831.
[55] Aspinwall L G.Rethinking the role of positive affect in self-regulation[J].Motivation and Emotion,1998,22.https://doi.org/10.1023/A:1023080224401.
[56] 杨鑫辉.西方心理学名著提要[M].南昌：江西人民出版社，1998.
[57] Yin C,Zhang X,Liu L.Reposting negative information on microblogs:Do personality traits matter?[J].Information Processing & Management,2020,57(1):102106.
[58] Weismueller J,Harrigan P,Coussement K,et al.What makes people share political content on social media?The role of emotion,authority and ideology[J].Computers in Human Behavior,2022,129:107150.
[59] 陈艾琳.大五人格特质与风险偏好之间的关系研究[D].杭州：浙江大学，2018.
[60] 黄敏儿，郭德俊.外倾和神经质对情绪的影响[J].心理科学，2003(6):1047-1051.
[61] Hu Y,Kim H J.Positive and negative eWOM motivations and hotel customers' eWOM behavior:Does personality matter?[J].International Journal of Hospitality Management,2018,75:27-37.
[62] Fredrickson B L,Joiner T.Positive emotions trigger upward spirals toward emotional well-being[J].Psychological Science,2002,13(2):172-175.
[63] Sherman R A,Rauthmann J F,Brown N A,et al.The independent effects of personality and situations on real-time expressions of behavior and emotion[J].Journal of Personality and Social Psychology,2015,109(5):872-888.
作者简介
许莉薇，博士，副教授，研究方向为危机管理，大数据分析，机器学习等；
韩明星,硕士生，研究方向为深度学习，Email:mingxinghan@nefu.edu.cn；
裘江南，博士，教授，研究方向为大数据分析与应急管理。
* 原文载于《信息资源管理学报》2023年第3期，欢迎个人转发，公众号转载请联系后台。
* 引用格式
许莉薇,韩明星,裘江南.EID事件情境下情绪对信息分享行为的动态影响——人格特质的调节作用[J].信息资源管理学报,2023,13(3):79-99.
往期 · 推荐
当期目录 · 专刊 | 2023年第3期 “面向信息管理与信息系统的研究方法应用与实践”
当期荐读 2023年第3期 | 国内基于二手数据计量经济模型的信息管理与信息系统研究综述：研究方法、前沿热点与理论运用
当期荐读 2023年第3期 | 平台经济反垄断对社区团购用户不持续使用意愿的影响：基于感知价格和期望不一致的视角
▲点击访问信息资源管理学报小程序
制版编辑 | 王伊杨
审核 | 于阿媛
长按识别二维码关注我们
信息资源管理学报
微信号
xxzyglxb
分享、在看与点赞
只要你点，我们就是朋友😊