2020年和2024年美国总统选举期间的网络身份认同与行为讨论
《PLOS Complex Systems》:Online identity and action discourse around the 2020 and 2024 U.S. presidential elections
【字体:
大
中
小
】
时间:2026年05月14日
来源:PLOS Complex Systems
编辑推荐:
摘要
社会心理学中的集体行动理论认为,共同的社会认同通过集体的心理状态相互作用来调节协调行为,例如对共同不满的认知、相应的纠正行为规范以及与之相关的效能信念。大规模的社交媒体数据使得这些理论能够被定量验证,但在在线环境中实现这些理论仍然具有挑战性。我们提出了一种操作化方法,将
摘要
社会心理学中的集体行动理论认为,共同的社会认同通过集体的心理状态相互作用来调节协调行为,例如对共同不满的认知、相应的纠正行为规范以及与之相关的效能信念。大规模的社交媒体数据使得这些理论能够被定量验证,但在在线环境中实现这些理论仍然具有挑战性。我们提出了一种操作化方法,将理论中的心理状态映射到话语中,并使用趋势分析、稳定性测试、向量自回归和路径分析来评估它们之间的时间依赖性。我们将这一框架应用于2020年和2024年美国总统选举前后约9000万条社交媒体帖子中关于选民欺诈的集体讨论。在2020/2021年,我们观察到了理论所预测的一个典型交互序列:对选民欺诈的不满预示着后续的相互认同,认同又预示着效能信念和行动话语。总体而言,结果支持这样一种集体心理一致性,这种一致性在2021年1月6日之前逐渐增强。相反,2024/2025年的结果并不能可靠地支持这种一致性或典型序列。相反,这些关系往往是负面的或薄弱的:不满可能会抑制效能,行动可能会减少不满,而认同则可以预测认同,但并不能一致地预测行动。这些对比表明,在数字对话中,不满、认同、效能和行动之间的耦合是依赖于具体情境的,而非普遍存在的。通过将心理学理论应用于在线话语中,这项研究不仅证实了某种选举背景下集体行动的具体理论机制,还指出了在另一种情况下这种动员一致性可能会瓦解的条件。
作者总结
我们根据大规模社交媒体数据调整了现有的社会认同形成和发展理论。在将理论与数据联系起来时,我们使用了标准的时间序列统计方法。我们将这一框架应用于2020年美国总统选举后右翼极端主义社交媒体网络上关于选民欺诈的讨论中形成的社会认同。这种社会认同可能为2021年1月6日对美国国会大厦的袭击奠定了基础。我们的研究结果支持这一假设以及典型的发展序列,即对共同不满的相互认同导致了相关共同认同的形成,进而引发了采取矫正行动的呼声。另一方面,2024年的选举中并未出现这种情况,这可能是因为那时缺乏必要的社会刺激因素。
引言
集体行动是社会和政治变革的核心驱动力,从争取民权的斗争到最近的全球抗议浪潮都是如此。在二十一世纪,动员越来越多地起源于数字空间,在那里人们实时表达不满并形成认同。例如阿拉伯之春起义[1]、占领运动[2],以及在艾兰·库尔迪去世后对难民的跨国声援[3,4],都凸显了在线沟通在促进集体意识和协调行动方面的变革力量。在线 activism 通常依赖于特定的机制和策略,在平台主导的权力关系中放大不满并引发行动。例如,气候活动家认为社交媒体平台具有商业驱动性,并通过“伪造、优化和向权力让步”[5]来适应这一环境。同样,香港反逃犯法案运动中的参与者利用数字媒体结合象征资源、对持续事件的回应以及吸引主流媒体和公众人物的注意来共同生产政治消费主义[6]。使用特定标签增加在线媒体信息的协调性有助于将政治情绪转化为线下抗议和动员的号召[7]。最近的几项研究进一步强调了动员的战略和机制维度。例如,与政权支柱建立关系对于抵抗民主倒退的运动至关重要[8],而艺术行动主义则在内部团结和外部拓展之间取得平衡[9]。在线上的情绪和认同形成也对线下动员至关重要。特别是,“黑人的命也是命”运动中的非受益者参与是由疫情引发的同情心和内疚感所驱动的[10],而对“黄背心”运动的民族志研究则指出,这种认同是通过共同的污名化和被当局排斥而形成的[11]。因此,不满的表达通常与感知到的受害者身份、道德正义感以及对机构的不信任感相关联。许多理论框架试图通过上述战略和情感机制来模拟导致集体行动的社会过程。一类框架从个人偏好的分布和行动的主观效用出发来解释社会动态[12–17]。其他理论发展则关注行为传播如何受到社交网络中信息连接模式的影响[18–23]。特别是社会认同心理学可以为理解导致集体行为的过程提供强有力的理论基础。社会认同理论(SIT)[24]和自我分类理论(SCT)[25]解释了个人如何从群体成员身份中获得自我定义和动机。虽然这些框架阐明了群体认同的重要性,但它们对于共享认同如何从沟通中产生,以及在线上的不满、认同和效能表达如何凝聚为行动则描述得不够清楚。解决这一差距的实证研究通过案例研究探讨了这些发展过程。这些实证研究表明,构成集体行动基础的共享认同是通过沟通互动积极构建和强化的。群体内互动为共识的形成和验证提供了场所,从而使主观信念成为集体认可的标准。费斯廷格的社会比较理论[26]强调了沟通在提供主观确定性方面的作用。这种确定性有助于积极构建感知到的群体现实和形成共同认知(如刻板印象)[27]。即使在没有预先存在的类别的情况下,群体互动也可以产生新的共享认同和规范[28,29]。历史案例说明了这些过程。在阿拉伯之春期间,通过社交媒体和卫星媒体的图像和报道传播形成了对政权非法性的共识,从而形成了基于共同变革要求的群体[1]。在占领运动中,网络论坛中的参与者既表达了反对不平等的不满,也同意“占领”这一规范行为,形成了史密斯及其同事所称的“认同-规范联系”(INN)[2]。艾兰·库尔迪照片的病毒式传播引发了愤怒和同情, online 讨论将情感反应转化为对难民的持久团结[3,4]。在每种情况下,沟通都产生了共识、验证和规范的清晰性,使认同成为集体行动的基础。尽管共识和验证是必要的,但它们本身并不足以引发集体行动。研究强调了效能信念的重要性:即相信集体努力可以带来变革的信念。集体行动的社会认同模型(SIMCA)[30]认为,不公正、认同和效能共同推动了动员。实证研究证实,效能信念往往在沟通中形成并得到强化,成为将不满转化为具体行动意图的转折点[31,32]。群体互动还可以塑造动员走向政治化或激进的轨迹。托马斯及其同事[33]通过实验表明,讨论可以产生常规的、合法的行动路径(政治化),或者更极端的、非法的行动方向(激进化),这取决于激进策略是否被认可为合法。这一区分与抗议和极端主义的实地研究相呼应,在这些研究中,沟通不仅巩固了共同的不满,还定义了可接受行为的界限。最近的数字追踪研究进一步强调了这些点。史密斯及其同事[34]在一篇最新出版物中指出,预测线下抗议出席率的在线帖子更多地受到验证(如点赞、转发)和与效能相关的讨论(如后勤和动员呼吁)的影响,而非意识形态内容。威舍拉特及其同事[35]记录了以阴谋论为导向的 Telegram 网络如何传播不满和计划线索,同时传播暴力信息,网络中心的角色放大了它们的动员力量。布朗、史密斯及其同事[36,37]比较了那些采取暴力行为的极端分子和那些没有采取暴力行为的极端分子,发现动员与仇恨表达本身无关,而与关于暴力行动、后勤和计划的沟通有关。这些发现共同强调了效能和验证在建立不满表达与实际行动之间的桥梁中的核心作用。认同的形成受到自上而下和自下而上的两种动态的影响。自上而下的过程包括领导信号、制度结构和标志性事件。例如,艾兰·库尔迪的形象提供了一个强大的自上而下的符号,将同情转化为团结[3]。同样,阿拉伯之春期间精英阶层的抗议呼吁也为基层诉求提供了共鸣[1]。自下而上的过程同样重要:同龄人之间的沟通验证了不满,共识化了规范,并产生了新的基于观点的群体。 Occupy 运动就是一个例子:尽管是由 Adbusters 的号召引发的,但其认同和诉求是在 online 讨论中共同创建的[2]。哈斯拉姆及其同事[38]同样展示了囚犯如何在受限的制度结构中通过互动形成了抵抗性认同。重要的是,这些动态是相互加强的。精英阶层的号召只有在基层讨论中得到认可时才能产生影响,而基层言论在被领导者和媒体放大时也会得到传播。因此,社会认同最好被理解为自上而下框架和自下而上验证之间的递归互动的产物。上述几项近期研究将 SIMCA 和 SIT 等经典心理理论操作化、测试并扩展到了观察性社交媒体数据中[1,2,34–36]。这些工作通过利用全新的信息来源,补充了对社会认同发展和集体行动的传统解释。换句话说,经典模型所基于的数据与在线数据在几个重要方面有所不同。例如,SIMCA、EMSICA 和规范一致性模型最初是根据实验室实验、调查、情景研究和实地研究的数据来定义集体心理状态的[30,31]。同样,SIT 和 SCT 模型的原始版本主要基于受控的实验室实验,并通过定性理论解释了现实世界中的群体冲突和偏见[25,39]。与经典模型数据相比,社交媒体数据不仅更为丰富,而且不太受实验控制的限制。因此,在在线数据中实现这些心理学理论的最佳方法并不明显,这就是将经典理论应用于网络信息的关键挑战。在当前研究阶段,最佳的操作化方法可能取决于所研究的数据集。尽管如此,随着这些研究的持续进行,科学界将趋于形成方法论共识。本研究提供了一种新的操作化和一个新的数据集,有助于建立经典社会认同形成理论与社交媒体数据之间的联系。我们工作的几个具体定量特征使其在这一背景下具有价值。该数据集在帖子数量、时间范围和平台数量方面都相对丰富。此外,这种操作化方法既适用于这些数据,又将上述理论的各个组成部分以简单、直观、模块化和灵活的方式结合起来。在这种操作化的背景下,我们的数据集在很大程度上支持现有的心理学理论。我们的分析还建议对这些理论进行补充和改进。我们的重点是围绕2020年美国总统选举选民欺诈事件聚集起来的更广泛的“MAGA”运动的子认同。我们测试了话语动态是否与动员前的机制一致;我们并不声称1月6日的袭击是由任何特定个人引起的。为了追踪认同的发展,我们对数百万条帖子进行了编码,以识别相关的不满表达、共享认同的言语标志、提出的规范行为表达、对这些行为效能的信念表达以及相互验证的表达。这使我们能够追踪这些概念在数字线索中的共同演变。我们的分析展示了如何通过表达不满来引发验证,如何通过表达效能来巩固共享认同,以及如何通过沟通和集体行动使得不满、规范和认同标志保持一致。我们的数据揭示了渐进式的规范一致性:验证和认同的强化产生了越来越一致的“我们是谁”以及“我们可以和应该一起做什么”的表达。通过这种方式,该研究展示了在实验室和案例研究中识别出的经典机制——共识、规范对齐、验证、效能信念和身份形成——如何在大规模的数字通信中观察到的。通过将社会心理学理论与计算社会科学相结合,我们加深了对集体行动如何在当代通信环境中出现的理解。我们专注于在线讨论的模式。我们不对任何关于选民欺诈的声明的真实性进行裁决,也不对线下事件的责任进行划分,也不评估行为的道德或合法性。“MAGA”及相关术语的引用是从表达标记中得出的操作性文本标签。我们不会将任何特定特征与自认为是“MAGA”运动支持者的人联系起来。我们的数据集中的包含是基于内容的,使用预定义的仇恨言论标准,而不是政治立场。除非另有说明,以下结果均与2020/2021年的社交媒体数据分析相关。2024/2025年数据集的分析程序非常相似;我们将在本节的最后描述两者之间的差异。
我们假设在2020年美国总统大选期间,“让美国再次伟大”(MAGA)运动中出现了一个新的子身份。这个子身份围绕着对选举欺诈的信念,并经常倡导超出制度范围的行动;这些讨论与1月6日之前的时期时间上重合,而这一事件并不一定得到更广泛的MAGA运动的支持。我们的目标是调查这个子身份的发展、其随时间的变化,以及促成其在更大运动中出现和影响的条件。为此,我们采用了类似于Smith及其合作者[2,40]的方法。具体来说,我们关注与这种身份形成相关的社交媒体帖子,并通过计算机正则表达式将其分类为几个表达类别:
- 愤怒言论——表达相关的愤怒(即投票和选举欺诈);
- 行动言论——倡导旨在纠正愤怒的行动(例如,人们集合起来抗议欺诈);
- 效能言论——表达对这种行动效能的信念(例如,这样的集会可能会改变选举结果);
- 身份言论——表达属于与这种愤怒和规范性行动相关的集体身份(例如,像MAGA这样的独特缩写);
- 验证言论——以属于上述四种类别之一的表达开始,随后跟随包含验证相关正则表达式的响应(见补充材料)。
在文章的其余部分,斜体的类别名称通常指的是类别本身或通过正则表达式识别的该类别中的帖子数量,而不是与类别相关的更抽象的概念。例如,“身份”可以指我们通过该类别的过滤器获得的帖子比例。另一方面,非斜体的“身份”一词指的是本文的一般主题——社会身份的抽象概念。我们使用的正则表达式用于识别上述表达类别(见材料和方法部分以及S1文件中的补充文本),这是我们将现有社会身份理论操作化的第一步。采取这一步骤时,我们认为这些正则表达式为每个类别选择的帖子数量反映了这些理论试图捕捉的集体心理状态。我们承认理论与我们的操作化之间的对应可能并不完全准确。例如,我们的身份正则表达式追踪的是在相关愤怒表达之前的社会身份,后来被子身份利用来动员集体行动以应对愤怒。这与完全新的社会身份因愤怒而出现的观点相反。
我们分析了“仇恨宇宙”数据库[41–43]中的约6000万条帖子(也见材料和方法部分),时间范围是从超级星期二(2020年3月3日)到国会山袭击事件报告发布的日期(2021年6月8日)。在这两个日期之间的每一天,我们确定了属于上述类别之一的帖子比例。这些时间序列显示在图1中。我们将选举前的时期称为时期1,选举和攻击之间的时期称为时期2,攻击后的时期称为时期3。我们将每个变量的平均值调整为零,标准差为一,以覆盖给定时期内的所有时间点(见材料和方法部分)。
现有的社会身份理论暗示了集体心理状态之间的动态互动。因此,我们缩放的时间序列是操作化这些理论的自然第二步,因为它们允许我们随时间追踪这些心理状态。
对于每个时期,我们执行以下分析:如上所述,我们将每个变量的平均值调整为零,方差调整为一。我们通过Augmented Dickey-Fuller(ADF)测试来确定每个变量是平稳的还是趋势平稳的。我们通过方差膨胀因子(VIF)检查变量之间的共线性。我们进行动态向量自回归(VAR)分析。VAR的定义在材料和方法部分,VAR分析的实现细节在S1文件的补充文本中。该分析包括以下步骤:为了生成所有变量的平稳版本,我们从趋势平稳变量中去除趋势,并对第1时期的非平稳或趋势非平稳变量进行差分处理。然后我们将变量的平稳版本拟合到VAR模型中。我们根据模型的信息标准和最终预测误差选择VAR模型的滞后阶数。我们识别出显著的VAR模型系数,这些系数对应于变量之间的预测性互动。为了更详细地理解这些互动,我们还计算了脉冲响应函数(IRF)。此外,我们还对时期2进行了路径分析,以测试这一时期在线社区间的长期相关性。详细信息见S1文件的补充文本。
表1显示了每个变量在每个时间段内的趋势和平稳性状态。在变量是趋势平稳的情况下,该面板指明了趋势是增加还是减少。
为了更好地可视化趋势平稳和非平稳时间序列中的长期趋势,我们通过对14天滚动窗口取平均值来平滑这些时间序列(见图2)。
在时期1,身份和验证逐渐增加,反映了共享群体身份的稳步增长和相互强化,为最终的行动奠定了基础。行动的动态显示出两个高峰,反映了特定的动员事件。我们假设第一个高峰反映了2020年5月底的几起事件,包括乔治·弗洛伊德的抗议活动以及特朗普总统关于邮寄投票会导致选举欺诈的有影响力的警告。第二个高峰可能是由于8月中旬的几起事件造成的,包括民主党和共和党的全国代表大会,以及围绕邮寄投票的争议的进一步加剧。在时期2,愤怒的下降趋势可能表明从表达不满转向采取行动。一旦选举欺诈的不满被广泛承认,焦点就转向了可采取的行动。相应的行动增加可能表明了在1月6日袭击之前的强烈动员。这强调了累积的不满如何转化为具体的动员呼吁。这种可能的因果解释与路径分析的结果一致(见下文)。
在时期3,愤怒、效能和验证的快速下降可能是由于幻灭、对后果的恐惧、增加的审查和法律后果的结合。在这一时期,身份与其他变量强烈相关。在一个以身份为因变量、其余变量为自变量的多元线性回归模型中,R2 = 0.91。这表明到这个时期,社会身份已经完全巩固,因此身份变量深深地嵌入到集体叙事中,不再独立波动。现有的社会身份理论经常认为外部因素对集体行动背后身份的发展具有决定性影响。在这里,我们将时间序列分为三个时期,以符合我们预期会对我们的焦点身份发展产生根本性影响的重大外部事件。这使我们能够通过考虑这些事件可能如何影响总体时间序列趋势来操作化这些事件的影响。此外,这些理论经常谈到社会身份的形成。我们将后一个概念操作化为我们表达类别之间相关性的增加。总体而言,时间序列趋势支持一个连贯的叙事,即在线集体身份和愤怒最初激发了行动的呼吁,随后的动员努力在1月6日达到了高潮。在这一事件之后,参与者要么退出社区,要么在他们的社区内更加狭隘和谨慎地扎根。
在这里,我们将缩放变量的平稳、非共线变体(或者简单地说,平稳变量——见材料和方法部分)输入到向量自回归(VAR)模型中,以检测显著的一天到一天的互动。图3展示了我们从拟合的VAR模型中推断出的自效应和交叉效应,这些效应是在5%的水平上显著的。这些效应是在日时间尺度上平稳变量部分(以及第1时期的差分行动)之间的显著预测性互动。
表1表明了每个变量在每个时间段内的趋势和平稳性状态。在变量是趋势平稳的情况下,该面板指明了趋势是增加还是减少。
为了更好地可视化趋势平稳和非平稳时间序列中的长期趋势,我们通过对14天滚动窗口取平均值来平滑这些时间序列(见图2)。
在时期1,身份和验证的逐渐增加反映了共享群体身份的稳步增长和相互强化,为最终的行动准备了基础。行动的动态显示出了两个高峰,反映了特定的动员事件。我们假设第一个高峰反映了2020年5月底的几起事件,包括乔治·弗洛伊德的抗议活动以及特朗普总统关于邮寄投票会导致选举欺诈的有影响力警告。第二个高峰可能是由于8月中旬的几起事件造成的,包括民主党和共和党的全国代表大会,以及围绕邮寄投票的争议的进一步加剧。在时期2,愤怒的下降趋势可能表明从表达不满转变为采取行动。一旦关于选举欺诈的不满被广泛认识到,焦点就转向了可采取的行动。相应的行动增加可能表明了在1月6日袭击之前的强烈动员。这强调了累积的不满如何转化为具体的动员呼吁。
在时期3,愤怒、效能和验证的快速下降可能是由于幻灭、对后果的恐惧、增加的审查和法律后果的结合。在这一时期,身份与其他变量强烈相关。在一个以身份为因变量、其余变量为自变量的多元线性回归模型中,R2 = 0.91。这表明社会身份已经完全巩固,因此身份变量深深地嵌入到集体叙事中,不再独立波动。现有的社会身份理论通常认为外部因素对集体行动背后身份的发展有决定性影响。在这里,我们将时间序列分为三个时期,以符合我们预期会对我们的焦点身份发展产生根本性影响的关键外部事件。这使我们能够通过考虑这些事件可能如何影响总体时间序列趋势来操作化这些事件的影响。此外,这些理论经常谈到社会身份的形成。我们将后一个概念操作化为我们表达类别之间相关性的增加。总体而言,时间序列趋势支持一个连贯的叙事,即在线集体身份和愤怒最初激发了行动的呼吁,随后的动员努力在1月6日达到高潮。在后者事件之后,参与者要么退出社区,要么在他们的社区内更加狭隘和谨慎地扎根。
在这里,我们将平稳、非共线的缩放变量变体(或者简单地说,平稳变量——见材料和方法部分)输入到向量自回归(VAR)模型中,以检测显著的一天到一天的互动。图3展示了我们从拟合的VAR模型中推断出的自效应和交叉效应,这些效应是在5%的水平上显著的。这些效应是在日时间尺度上平稳变量部分(以及第1时期的差分行动)之间的显著预测性互动。S2、S3和S4图中的脉冲响应函数显示,这些效应在3-4天的时间范围内传播。在本节的其余部分,我们提供了与先前理论一致的对图3的解释。怨愤表达能够可靠地预测得到认同(0.14),这意味着表达怨愤能够预期得到群体的肯定,从而加强其合法性。认同促进了身份的形成(0.15),因为来自同龄人的肯定巩固了集体身份。表达共同的身份极大地增强了效能感(0.32),增加了对集体行动成功的信念。效能感维持了怨愤的表达(0.11),表明更高的效能感会持续引发怨愤的表达。因此,第一阶段揭示了一个明显的发展顺序:怨愤→认同→身份→效能→再次回到怨愤,这证实了关于社会身份形成的心理理论。这种循环结构支持了群体认同和身份形成相互强化的理论,创造了稳定的动态[30,40]。我们对第二阶段跨时间滞后的解释如下:社会身份强烈塑造了人们对集体效能的信念(0.34)。效能感的表达增加了怨愤的表达(0.15),表明对群体力量的信心维持了怨愤的相关性。效能感也提升了认同(0.21),表明对集体效能的信念鼓励了成员之间的相互肯定。总之,在这个关键的集结阶段,集体身份强烈塑造了集体信心(即效能信念),进而强化了怨愤的表达和认同。这一顺序与集体行动的社会身份模型[30]紧密匹配,表明身份驱动的效能对于维持群体凝聚力和怨愤表达至关重要。行动并不受其他变量的预测影响。在第三阶段,与第一阶段类似,怨愤的表达可靠地引发了认同(0.22),这意味着即使在动员高峰之后,相互肯定仍然重要。第三阶段效能感的提高减少了立即行动的明确呼吁(-0.11),表明对群体力量的信心可能降低了行动的紧迫性——这可能表明了一个巩固阶段,在这个阶段效能信念持续存在,但没有伴随行动的呼吁。由于身份与其他变量高度共线性(即可以通过线性回归高度预测;见上文),因此在第三阶段身份没有明确体现。总体而言,第三阶段标志着社会身份的巩固:一个在各个变量中都强烈的、稳定的内在持续性,怨愤得到了持续的认同,以及随着效能提高而显著减少的立即行动的呼吁。身份完全巩固后,不再独立变化。这支持了社会身份变得深度内化并自我强化的观点,这与理论预测的长期稳定性一致[40,44]。总体而言,VAR分析结果揭示了一个预测性顺序,支持了由共享的选举舞弊信念统一的子身份的发展轨迹。这种子身份在MAGA运动中通过一个从怨愤到认同表达再到效能的强大循环出现。然后,在第二阶段,这一身份动员了其追随者,塑造了集体效能信念,并维持了怨愤和认同的表达。在这一时期,所有五个表达类别的高日自滞后系数表明了强烈的集体准备状态;例如,任何一天怨愤表达的数量强烈预测了第二天这种表达的数量。最后,在第三阶段,身份得到了巩固,身份变量完全由其他变量预测,怨愤表达继续推动认同,并且通过强烈的内在自滞后表明了一个稳定的平衡。效能感的提高现在减少了立即行动的呼吁,表明了一个事件后的稳定期。这些发现与Smith、van Zomeren及其同事[30,40]的研究结果一致。特别是,怨愤→认同→身份→效能→行动的顺序得到了明确确认,与文献中的典型发展路径一致。在这里,相互认同明确作为一个关键因素,稳定了集体身份和怨愤的表达,这与Smith及其同事[40]工作中对认同的强调一致。此外,第三阶段效能与明确行动呼吁之间的反向关系为现有理论提供了一个有趣的扩展:对集体效能的信心提高可能在大规模集体事件后减少了立即行动的需求或紧迫性,反映了向身份巩固的心理转变而非持续行动。路径分析如上所述,通过对日常时间尺度的向量自回归统计分析,揭示了第一阶段时间尺度上的预测路径:怨愤→认同→效能。这一路径与Smith及其同事[40]的理论非常吻合。在更长的时间尺度上,我们发现了第一阶段认同和效能的增加趋势,以及第三阶段怨愤、效能和认同的减少趋势。我们假设这些趋势是由外部因素引起的,例如第一阶段的选举临近和第三阶段攻击行为的消退。此外,根据我们对共线性的分析(见材料和方法),第三阶段所有五个变量都高度共线性。总体而言,我们对第一阶段和第三阶段的分析表明,在这两个阶段变量之间没有长期的预测性互动。第二阶段变量的行为明显不同。特别是,这一阶段表现出怨愤的减少趋势和行动的增加趋势。结合这一阶段是事实或所谓的怨愤实现与纠正行动发生之间的时期,这些趋势表明它们并不完全由外部因素引起,它们之间可能存在因果关系。当我们检查S1图的中间面板时,这一假设得到了额外的支持,我们注意到除了12月12日所有变量的同步高峰之外,四个变量的最高点的时间顺序——怨愤→认同→行动——与上述文献中的理论路径非常吻合。根据这一定性观察,我们进行了路径分析,类似于Smith及其同事[3]最近的研究。特别是,我们在社交媒体领域不同社区中进行了抽样,类似于Smith及其同事[3]对个别社交媒体用户的抽样。我们还在第二阶段区分了四个不相交的时间间隔。时间1是围绕11月6日怨愤高峰的间隔。时间2是围绕11月8日至11月10日认同 plateau 的间隔。时间3是围绕11月15日身份高峰的间隔。时间4是从12月17日到1月4日,这一期间行动明显高于其他变量。对于每个社区,我们确定了时间1的怨愤帖子数量、时间2的认同帖子数量、时间3的身份帖子数量以及时间4的行动帖子数量。路径分析是在各个社区中进行的一系列多元回归,其中所有在时间上先于因变量的变量都被作为自变量包括在内。换句话说,我们根据怨愤回归认同,根据认同和认同回归效能,根据效能回归其他三个变量。我们假设残差是正态分布的,这符合常见做法。为了确保我们的结果不依赖于四个时间间隔之间的确切边界,我们用五组不同的间隔运行了分析并比较了结果(见S1文件中的补充文本)。图4总结了所有结果;该图等同于Smith及其同事[3]文章中的图2。这里,不同变量之间的箭头是由分析设计预先确定的,而相应系数的显著性、符号和大小是由数据决定的。Smith及其同事[40]预测的系数是正的,并且在第二个阶段的整个时间尺度上具有很大的显著性,支持了他们的理论。除了预测的效果外,我们还发现了怨愤讨论对身份表达的直接影响,以及认同对行动呼吁的直接影响。下载:PNG较大图像TIFF原始图像图4. 2020/2021数据中第二阶段社区路径分析的结果。使用了五组不同的时间间隔边界。心理学理论预测的系数用绿色表示。N.s.:不显著(P≥0.05),一个星号:P<0.05,两个星号:P<0.01,三个星号:P<0.001。例如,认同→怨愤箭头上的文本意味着5组边界中有4组产生了显著的系数,其大小范围在0.20到0.24之间,P<0.05。被排除的社区4Chan1在每个类别中有数千到数万条帖子。https://doi.org/10.1371/journal.pcsy.0000107.g004社会身份理论基于这样的理念:集体心理状态之间的逻辑联系会随着时间的推移而相互强化。上述VAR和路径分析通过观察给定时间一个类别的表达是否能够可靠地预测稍后另一个类别的表达,将这一理念在时间序列中具体化了。根据上述结果,我们检测到的信号与现有理论大体一致,尽管结果也建议对理论进行改进和补充。2024年选举我们现在将我们的分析方法应用于2024年总统选举周围的“仇恨宇宙”数据,然后比较和对比2020年和2024年的结果。2024年选举发生在2024年11月5日(即11/05/24)。为了追踪这一事件周围的核心社会身份的发展,我们分析了2024年2月1日至2024年3月1日之间的约3000万条帖子。图5显示了这一时期不同类别帖子的频率。这里,每个表达类别的正则表达与我们的主要分析相同。由于我们数据集的技术限制(见材料和方法),我们将选举前的时期分为两个部分,因此分别对三个时期进行了分析:第一阶段a,在图5中的第一个灰色区间之前;第一阶段b,在该区间之后和选举之前;以及第二阶段,在选举之后,并包括第二个灰色区间。与我们对2020年选举数据的分析一样,我们缩放了时间序列,使得每个时期的平均值和方差都为单位值。缩放后的时间序列显示在S6图中。下载:PNG较大图像TIFF原始图像图5. 2024年总统选举期间每天帖子的比例与时间的关系。不同颜色对应不同的表达类别。选举日是2024年11月5日;标记为‘11-05’。灰色区间是2024年8月17日至9月20日和12月11日至12月14日;在这些区间内,由于4Chan社交媒体平台的不稳定性,只有部分数据可用。第一阶段a直到第一个灰色区间的开始,第一阶段b从该区间的结束开始并持续到选举结束,第二阶段从选举开始并包括第二个灰色区间。https://doi.org/10.1371/journal.pcsy.0000107.g005我们使用LMM验证了我们的正则表达过滤器在2020年和2024年捕获了非常相似类型的怨愤和行动(见S1文件中的补充文本)。显然,例如,关于选举舞弊和拜登政府合法性的怨愤以及在2024年仍然流行的暴力集体行动的呼吁。然而,正如我们在本节进一步展示的,不同表达类别之间的互动在2020年和2024年之间发生了显著变化。图6通过14天的滚动平均值展示了观察到的趋势。在第一阶段a,身份有统计学上显著的线性增长(ADF平稳性测试中P<0.05),伴随着怨愤的二次增长,尽管后者的显著性仅在P=0.1水平上。社交媒体讨论之外的一些重大事件可能是这些变量局部峰值的原因。特别是,身份在5月30日《纽约州人民诉唐纳德·J·特朗普案》判决前后出现了相当高的峰值。此外,身份和怨愤在6月27日的拜登-特朗普辩论和7月21日乔·拜登退出竞选期间都出现了高峰。其余变量在这一时期是平稳的。下载:PNG较大图像TIFF原始图像图6. (a) 第一阶段a (b) 第一阶段b (c) 第二阶段 2024/2025数据集中趋势平稳和非平稳序列的帖子比例滚动平均值。平稳性是根据增强的Dickey-Fuller(ADF)测试确定的,大部分情况下P<0.05的标准。图表中的每个点都标有计算平均值所使用的滚动窗口的中心日期。直虚线表示我们认为显著的线性回归模型;我们通过减去这些模型来获得平稳的、去趋势化的变量。曲线虚线表示在P<0.10的水平上ADF测试显著但P<0.05的水平上不显著的二次趋势;我们不对相应的变量进行去趋势处理。在灰色显示的区间内,只有部分数据可用。
在第一个周期b期间,我们观察到认同感和效能感有统计学上显著的线性增长(P<0.05),而抱怨感和认同感有二次增长,但仅在P=0.1的水平上显著。在这一时期,行动是平稳的。在第二个周期,除了效能感以外的所有变量都变得平稳。值得注意的是,在1月20日的就职日附近,效能感的累积平均值明显高于该时期的其他时间。
由于数据的技术限制,我们没有对第一个周期b进行VAR分析(见材料和方法)。第一个周期a和第二个周期的VAR分析结果见图7。下载:PNG(大图)、TIFF(原始图)。
图7。(a)第一个周期a;(b)2024年数据的第二个周期VAR分析。
从拟合模型中推断出的自效应和交叉效应,以在5%水平上显著的系数形式表示。平稳变量的名称下划线标出,去趋势化变量的名称前加上波浪号,分化变量的名称前加上点。自滞后系数在圆圈内,交叉滞后系数在直线箭头旁边。每个系数的滞后值为一天。
在第一个周期a期间,行动(自滞后系数为0.59)、认同感(0.51)和效能感(0.49)表现出强烈的持续性,表明这些类别内的日常连续性是稳定的。分化后的抱怨感具有负自效应(-0.24),表明在某一天表达的抱怨感可能在第二天减少,这可能是由于讨论焦点的变化。在第二个周期,抱怨感的水平值(0.70)相对自我持续,表明对焦点抱怨的日常讨论比第一个周期更为一致。认同感(0.58)和效能感(0.47)的自滞后系数在选举后的第二个周期与选举前的第一个周期一样高,表明选举及其结果对这些变量的日常连续性没有影响。分化后的效能感在第二个周期显示出强烈的负持续性(-0.42),表明选举后集体效能信念的波动性较大。在第一个周期a中,认同感对抱怨感的负效应(交叉滞后系数为-0.14)表明表达集体身份减少了表达抱怨的倾向——这与2020年明显不同,在2020年,这种抱怨表达是身份形成的基础。然而,认同感仍然驱动行动(0.15),在促进社会身份的规范行动中发挥有限但重要的作用。总体而言,与2020年选举前的时期不同,2024年没有从抱怨感通过认同感和效能感到行动的强烈预测路径。这表明2024年的活动主要由内在持续性驱动,而不是像2020年那样由外部抱怨驱动。在第二个周期,认同感显著增强了效能感(0.19),突显了促进相互肯定的集体身份。这一时期的行动增加略微减少了抱怨感(-0.12),可能表明一旦表达了动员的需求,抱怨感可能显得多余或不那么紧迫。表达这些抱怨感会强烈降低集体效能(-0.27),可能表明这些抱怨感不再与规范行动相关联,正如2020年和2021年的情况。进一步详细说明,总统选举后的几个时期与2020年和2024年有明显差异。虽然2024年仍然存在焦点身份和认同过程,但行动的呼吁不再明显源于效能信念或认同过程,而且这一选举周期中抱怨感与效能感之间的负相关关系表明群体凝聚力减弱。就职日附近的效能高峰表明集体乐观或感知的群体力量增加,这可能受到就职事件本身的影响。
总体而言,尽管2020年和2024年 presidential elections 的分析在集体身份过程方面有一些相似之处,但也存在许多重要差异。这些差异反映了两个选举周期之间的显著政治和心理对比。特别是在2020年和2021年,由于欺诈而失去选举的不公正感似乎触发了集体身份的有序发展,从抱怨表达通过认同形成到效能和动员。另一方面,在2024年和2025年,特朗普的选举胜利并没有产生同样清晰或强烈的抱怨感。因此,选举前的抱怨表达与对焦点身份的归属感表达呈负相关,表明心理动态根本不同,在2020年,早期的身份表达取代了抱怨的表述。在2020年,认同是身份形成和动员的关键驱动力。轨迹是明确的——认同感预测了对焦点身份的归属感和对规范行动效能的信念,从而实现了持续的动员。相比之下,在2024年,认同感在早期(第一个周期a)积极影响行动的呼吁,但总体而言,认同感和行动在连贯的叙事中整合得不够紧密。认同感持续存在,但没有催化持续的集体动员呼吁,行动的呼吁与其他身份元素的联系也不那么系统化。在2020年,效能信念始终发挥激励和维持作用,增强了抱怨和认同的表达,并直接促进了集体动员。另一方面,在2024年,效能信念表现出相当大的波动性,特别是在选举后。认同感对效能的负面影响(交叉滞后系数为-0.14)表明表达集体身份减少了表达抱怨的倾向——这与2020年形成身份的基础不同。然而,认同感仍然驱动行动(0.15),在促进社会身份的规范行动中扮演着有限但重要的角色。总体而言,与2020年选举前的时期不同,2024年没有从抱怨感通过认同感和效能感到行动的强烈预测路径。这表明2024年的活动主要由内部持续性驱动,而不是像2020年那样由外部抱怨驱动。在第二个周期,认同感显著增强了效能感(0.19),突显了促进相互肯定的集体身份。这一时期的行动增加略微减少了抱怨感(-0.12),可能表明一旦表达了动员的需求,抱怨感可能显得多余或不那么紧迫。表达这些抱怨会强烈降低集体效能(-0.27),可能表明这些抱怨不再与规范行动相关联,就像2020年和2021年的情况一样。进一步详细说明,总统选举后的几个时期与2020年和2024年有明显差异。虽然2024年仍然存在焦点身份和认同过程,但行动的呼吁不再明显源于效能信念或认同过程,而且这一选举周期中抱怨感与效能之间的负相关关系表明群体凝聚力减弱。就职日附近的效能高峰表明集体乐观或感知的群体力量增加,这可能受到就职事件本身的影响。
总之,尽管2020年和2024年 presidential elections 的分析在集体身份过程方面有一些相似之处,但也存在许多重要差异。这些差异反映了两个选举周期之间的显著政治和心理对比。特别是在2020年和2021年,由于欺诈而失去选举的不公正感似乎触发了集体身份的有序发展,系统地从抱怨表达通过认同形成到效能和动员。另一方面,在2024年和2025年,特朗普的选举胜利并没有产生同样清晰或强烈的抱怨感。因此,选举前的抱怨表达与对焦点身份的归属感表达呈负相关,表明心理动态根本不同,在2020年,早期的身份表达取代了抱怨的表述。在2020年,认同是身份形成和动员的关键驱动力。轨迹是明确的——认同感预测了对焦点身份的归属感和对规范行动效能的信念,从而实现了持续的动员。相比之下,在2024年,认同感在早期(第一个周期a)积极影响行动的呼吁,但总体上认同感和行动在连贯的叙事中的整合不够紧密。认同感持续存在,但没有催化持续的集体动员呼吁,行动的呼吁与其他身份元素的联系也不那么系统化。在2020年,表达的效能信念始终发挥激励和维持作用,增强了抱怨和认同的表达,并直接促进了集体动员。另一方面,在2024年,效能信念表现出相当大的波动性,特别是在选举后。抱怨表达对效能信念产生负面影响,表明这种表达不再与2020年讨论的纠正行动相关联。2020年和2024年过程之间的差异与集体身份的心理理论一致[30,40,44],强调了外部因素的关键作用,并强调了明确的抱怨或感知的集体不公正感对于激活强大的身份和动员动态的必要性。2024年缺乏这种明确的抱怨似乎减少了焦点身份的表达,削弱了效能动态,并减少了动员的呼吁。2024年的结果表明,尽管集体身份过程仍然保持了身份和行动等稳定的表达类别,但缺乏明确的共同抱怨和对应规范行动效能的信念的波动性显著降低了2021年发生的那种集体动员的潜力。这强调了抱怨表达和感知的不公正感是通过身份形成过程进行集体动员的基础。
本文将集体身份和集体行动理论的关键组成部分应用到大规模社交媒体话语中,然后评估我们的数据在哪些方面证实了既有的理论,在哪些方面需要改进,以及在哪些方面这些理论失效了。我们关注五个反复出现的组成部分,将其视为表达类型——抱怨(感知的不公正)、认同(群体内认同的确认和共识建立)、效能(关于集体能力的信念)和行动(对应该采取的行动的规范呼吁)——以及这些组成部分在集体交流中的动态互动。这些互动可能需要逻辑推理和情感框架:例如,共同的抱怨可以支持需要纠正行动的结论[40];同时,同样的抱怨只有在特定的情感框架内表达时才能促进身份形成[2,31]。我们定性地观察了数据中对这些框架的需求,尽管我们没有对其进行量化。为了追踪2020年和2024年美国总统选举周围的上述动态,我们结合了趋势检验、平稳性测试、向量自回归(VAR)和路径分析。这些工具使我们能够评估(i)哪些理论组成部分或表达类型在事件定义的时期保持稳定或发生急剧变化,以及(ii)一个组成部分是否在其他组成部分保持不变的情况下预测另一个组成部分的后续水平。当前的讨论部分分为三个步骤:我们首先对比不同选举周期的总体结果,然后依次解释每种表达类型,最后总结我们的结果对理论和方法论的影响。我们的分析是观察性的。VAR和路径分析描述了时间关联,而不是因果效应;它们描述了选定社区和时间窗口内的总体话语动态,对因果主张的支持远不如对照实验的证据强。此外,我们的设计无法隔离任何特定领导者或言语行为的影响。因此,我们的发现不应被解释为将动机、协调或不当行为归因于特朗普总统或其他个人。
我们将每个选举周期划分为事件定义的时期。对于2020年,我们分析了选举前时期(第一个周期)、选举后至1月6日的时期(第二个周期)以及1月6日之后的时期(第三个周期)。对于2024年,我们分析了两个选举前的子时期(第一个周期a和第二个周期b)以及一个选举后的时期(第二个周期)。我们发现这两个周期之间既有相似之处也有差异。在2020年的周期中,结果与集体行动的典型模型大体一致,其中抱怨预测认同,认同预测效能和行动[2,30,31,40]。这种典型顺序在第一个和第二个周期尤为明显;所有三个时期的综合证据表明理论组成部分之间逐步对齐,最终在1月6日之前形成了关于行动的协调话语。2024年周期的结果并不可靠地支持这一顺序。相反,这些表达类型之间往往是弱相关或负相关的。抱怨可能与较低的效能相关,行动话语可以预测抱怨的减少,而认同预测认同感,但不一致地预测效能信念或行动对话。2024年的周期呈现出更加碎片化的配置,表明焦点抱怨的动员作用是情境依赖的,当它没有得到广泛认可或与当前相关的政治结果不一致时可能会减弱。
在下面的内容中,我们将我们的结果与集体行动的既定理论联系起来,重点关注集体行动的社会身份模型(SIMCA)[30]、规范对齐模型[31]和身份-规范联系(INN)[2,40]。我们围绕我们操作的五个理论组成部分——抱怨、认同、行动和效能——组织这次讨论,并强调我们在2020/2021年和2024/2025年之间观察到的这些组成部分之间的耦合差异。
许多社会心理学理论将抱怨和不公正的感知视为集体行动的基础。SIMCA将不公正的评估视为动员的三个先决条件之一,相关理论强调感知到的社会条件与被认为公平的条件之间的差距的关键作用[30,45]。我们的2020年结果与这种抱怨感知的功能重要性一致。关于所谓选民欺诈的抱怨表达在选举前相对稳定,并在选举后立即激增。在三个时期中,VAR和回归分析显示抱怨预测了认同和表达的增加。在这里,欺诈指控在研究的社区内看起来足够合理,能够引发共识并支持相关群体叙事的建设。在2024年,抱怨成分的表现不同。抱怨表达并不一致地导致认同或认同对话,在选举后时期它可能消极预测效能,而行动话语消极预测抱怨。换句话说,抱怨有时与其它动员成分的削弱有关,而不是加强。一个合理的解释是情境性的:在2024年,共和党候选人似乎在选举前具有竞争力并且赢得了选举。这可能降低了欺诈指控的合理性,相对于2020年而言,削弱了抱怨产生认同和效能的能力。更一般地说,这些结果表明抱怨不是一种统一的驱动因素;它的动员潜力取决于它是否与感知到的现实一致。
认同对应于确认和同意,并可能通过互动导致共享规范的出现。关于归纳性身份形成的研究强调,在讨论过程中建立共识对于形成共同身份至关重要[28,29,46,47]。在我们2020年的研究结果中,验证起到了桥梁作用。验证与不满情绪和身份认同紧密相关,路径分析显示,在选举到1月6日期间,验证能够预测身份认同和行动。在这一阶段,验证似乎起到了关键作用,将不满诉求转化为共同的身份认同和协调的行动话语。到了2024年,验证的角色发生了变化。在选举前的一个子时期,验证能够预测行动,表明一致意见仍然能够激发动员。然而,在选举后的时期,验证是由身份认同而非不满情绪所预测的,这表明了预期顺序的逆转。在这种配置下,验证可能反映了已经确立的群体内部立场,而不是围绕新的突出不公正现象形成共识。这种模式强化了验证在互动模型中的核心地位,同时也表明耦合的方向可能因情境而异。
社会认同理论和自我分类理论将身份认同描述为集体行为的基础[24,25]。INN理论进一步强调了通过讨论身份认同和行动规范的共同形成[2,40]。我们2020年的研究结果支持这些互动性解释。在选举前,身份表达增加,并受到验证的影响,同时预测效能信念和行动言论。在1月6日之前的选举后时期,路径分析显示身份认同与行动言论相关联,这与身份认同作为集体行动的直接动机是一致的。在这个循环中,身份认同既是验证的产物,也是效能和行动话语的驱动因素,这与在感知到的威胁下形成纠正行动规范的共识相一致。到了2024年,身份认同仍然活跃,但其功能有所不同。在选举前的一个子时期,身份认同对不满情绪有负面影响,表明它与对不公平的感知脱节了。在选举后时期,身份认同能够预测验证,但不能预测行动。因此,身份认同的话语可以独立存在,而不一定与不满情绪和行动相对应。再次说明情境解释是合理的:如果欺诈指控的可信度较低,那么对威胁的感知可能不足以围绕核心不满情绪产生强烈的身份认同增长,也无法将身份认同转化为行动规范。
行动话语指的是应该采取的行动表达,范围从抗议呼吁到要求制度变革。规范对齐理论强调,当不满情绪、身份认同和效能在一个共同的规范框架内对齐时,行动就会产生[30,31]。在2020/2021年,选举到1月6日期间,行动话语稳步增加,路径分析显示验证和身份认同能够预测行动。在这些模式支持下,我们认为当不满情绪得到验证并与其身份认同联系起来时,行动话语会具体化。1月6日之后,我们观察到在向量自回归(VAR)分析中,效能可以预测行动的负面影响。一种解释是,由于国会大厦袭击的成功以及其观察到的后果(包括人员死亡和法律风险),人们对集体行动的可行性认知增加,从而减少了随后对类似集体行动的倡导,使话语从动员转向其他方向。在2024/2025年,行动话语与其他表达的联系减弱。在选举前的一个子时期,验证能够预测行动,但在选举后时期,行动对不满情绪有负面影响。因此,行动话语有时可能削弱或取代不满情绪的表达,这挑战了将行动视为共识终结点的简单观点,并表明行动话语可以与核心不满情绪叙事独立运作,甚至可能存在冲突。
在SIMCA及相关理论中,效能信念调节了身份认同与行动之间的关系[30,31]。我们2020/2021年的研究结果显示,效能嵌入在一个更广泛的动态系统中:身份认同预测效能,效能与不满情绪和验证相关联,而在1月6日之后,效能可以负向预测行动。这些模式表明,效能不仅仅是一个独立的信念,而是由身份认同塑造的 discourse 组件,反过来又影响了不满情绪和行动的讨论方式。1月6日之后的效能与行动之间的负相关可能反映了重大集体事件后动员支持的减少,这与上述关于此类事件可行性和成本的学习结果一致。在2024/2025年,效能更为脆弱,与其他表达的联系也减弱了。在选举后时期,不满情绪对效能有负面影响,表明不满情绪的表达可能会削弱集体行动的信念,而不是增强它们。这再次强调了情境的敏感性:只有在不满情绪得到验证并与身份认同和行动规范对齐时,它们才能激发动员。
综上所述,2020/2021年的研究结果证实了几种关于集体行动的互动性解释。在多项分析中,不满情绪预测验证,验证预测身份认同,身份认同预测效能和行动,这与SIMCA理论、规范对齐理论和INN模型[2,30,31,40]一致。在这种循环中,验证在将不满情绪转化为共同身份认同和行动规范方面起着核心作用,而效能则作为一个重要的中间变量。相比之下,2024/2025年的结果表明这种典型的序列可能失效。不一致的不满情绪→验证→身份认同→行动的耦合关系,以及若干负相关关系,表明了分裂而非共识的形成。实际含义是,动员模型可能需要将不满情绪的验证和身份认同与行动的对齐视为依赖于具体情境和事件结构的结果,而不是默认情况。特别是当核心不满情绪缺乏可信度或社会支持时,相同的 discourse 组件可能存在,但不会产生共同的行动路径。两个周期之间的对比也突出了自上而下事件和自下而上互动的相互作用。在2020/2021年,自上而下的事件(选举结果和1月6日)与不满情绪表达的急剧变化以及通过验证和身份认同话语的自下而上强化同时发生,这与精英提示和显著事件与基层共识建设相互作用的理论相符[1,38]。在2024/2025年,类似的自上而下触发因素较弱或不存在,自下而上的强化也相应减弱,导致了更加分裂的系统。
方法论上,本研究展示了如何使用稳定性测试、向量自回归(VAR)和路径分析来操作化大规模通信数据中的理论组件,并在自然主义环境中评估与理论相关的时间预测。与之前关于抗议参与度的数字追踪研究[34]类似,我们将理论结构映射到话语中,为使用观察数据进行心理学理论的测试和修正提供了可复制的框架。理论和实证研究都表明,激进化和动员可能表现出级联式动态和自我组织的临界性(SOC)[13,18,48–50]。我们的分析没有显示出任何 SOC 的迹象。特别是,在1月6日之前,我们没有看到明显的级联式前兆,而选举后的不满情绪急剧增加更符合外部冲击而非自我强化的沟通级联。尽管如此,我们在2020/2021年观察到的对齐动态可能是国会大厦袭击激化和线下动员的基础,特别是如果还存在其他过程(包括更高频率的级联、网络扩散或阈值动态)。专门的 SOC 分析将需要针对级联过程(如级联规模分布、分支式再现指标或临界转变诊断)进行测量,并需要比我们的日度聚合更细致的时间分辨率。
“仇恨宇宙”数据的定性特征,结合我们的正式分析,将我们的结果与更广泛的在线激进主义解释联系起来,同时也突出了这些解释与我们工作之间的重要差异。首先,我们的数据表明,显著事件(如选举舞弊指控或高调的法院案件)推动了多次最大的话语高峰,这与主题兴趣是参与度强预测因素的观点一致[51]。其次,用户经常将监管或事实核查视为对运动的攻击,这可能会增加帖子数量;这与更广泛的“反效果”理论相呼应,即感知到的压制会激发参与[52,53]。第三,我们观察到大量有毒的对外群体语言,这似乎会促进群体内部的参与,同时抑制跨群体对话,这与证据一致,即对外群体的互动可能更具毒性且吸引力较低[54]。第四,我们研究的网络包括新成员,他们可能会遇到易于理解的群体内部论点;这与关于盟友关系和合法性的研究相呼应,其中优势群体的盟友参与可以塑造运动的动态[55]。最后,尽管一些文献强调在成功动员中非暴力和暴力策略的结合,但我们数据集中的话语往往倾向于暴力策略,并淡化了和平替代方案[56]。总的来说,这些比较表明,围绕美国选举的右翼动员表现出独特的修辞线索和战略调整,值得进一步研究。与最近的研究一致,阴谋论导向的网络可以验证不满情绪并传播暴力计划线索[35],而向暴力的动员可以与关于效能和行动组织的讨论相关联[36,37]。我们的结果补充了这些研究,表明在2020/2021年,不满情绪的验证和身份认同与行动的对齐同时存在,而在2024/2025年,类似的组件可能存在,但不会产生相同的发展路径。
我们的结果可能取决于“仇恨宇宙”数据集的具体性质和我们所研究的集体行动情境。特别是,极端内容的筛选以及我们选择的特定平台可能会影响普遍性的估计和推断的路径。因此,任何概括都应该谨慎进行:结果主要反映了我们研究的社区和时间窗口内的话语动态,并不一定适用于整个社交媒体群体。分析方法还有其他限制。首先,这些分析是观察性的,评估的是可预测性而不是因果效应;因果假设需要通过实验或进一步的观察设计来验证。其次,常规表达过滤器的测量误差可能会产生假阳性和假阴性结果。我们估计,如果这些误报不会引入显著的偏差,它们对定性结论的影响有限,但时变误差或特定类别的误差可能会影响回归系数。验证表达中的讽刺语以及回顾性提及过去的行动与未来行动的呼吁相结合,使得这些不准确地难以检测。第三,VAR 中的统计测试引发了多重比较问题。例如,当 P < 0.05 且五个变量的一阶滞后时,有20个系数,大约有一个假阳性结果是偶然出现的;未来的工作可以采用更严格的阈值或校正程序。最后,我们对社区区分的使用仅限于部分分析,并未纳入网络结构或平台层面的扩散。我们的统计选择不应被视为固定的。我们保持方法相对简单,因为整体分析框架是新颖的,但在未来的工作中可以对统计方法进行若干改进。例如,可以通过回归规范化来处理共线性;未来的研究可以使用共整合测试和误差校正项来分析非平稳序列;贝叶斯 VAR 可以稳定回归系数估计,纳入先验知识,并提供更稳健的滞后选择。此外,未来的模型可以通过将时间序列分割成多个时期来纳入外生时间变化协变量,从而可能允许在更长的连续时间窗口内进行分析。未来的工作可以通过将我们的框架应用于其他运动和非仇恨言论,通过整合额外的数据模态(例如,图像和模因),以及使用更精细的时间采样来解析更快的动态,从而提高框架的稳健性和外部有效性。准确的自然语言处理分类器(例如,那些能够测量情感的分类器)和对平台及社区结构更丰富的表示(例如,那些包括网络联系、外生事件协变量或扩散测度的表示)可以减少测量误差,并更好地捕捉将话语与动员联系起来的机制。结论:2020/2021年的周期支持集体行动的经典互动解释,而2024/2025年的周期揭示了关键理论成分之间的情境依赖性碎片化和负面耦合。这些结果加强了强调社会身份、相互验证和效能信念的集体行动沟通模型,同时也突显了这些模型在不同政治背景下的局限性。更广泛地说,该框架为社会心理学理论和大规模话语分析之间提供了一种可复制的桥梁。
材料与方法 伦理声明:乔治华盛顿大学人类研究委员会确定我们的研究无需接受机构审查委员会(IRB)的审查。我们的数据仅包括匿名、公开可获得的社区级信息。
“仇恨宇宙”:我们的分析基于“仇恨宇宙”的数据——这是一个在多个社交媒体平台上收集的社区及其在较长时间内的帖子。我们使用与之前出版物[42,43,57,58]相同的方法构建了这个数据集,并扩展到了更多平台。2020-2021年数据集的平台包括Rumble、YouTube、Gab、4Chan、Bitchute、VKontakte、Facebook、Telegram、Instagram和Twitter。2024-2025年数据集的平台相同,只是Twitter和Instagram除外。此前,我们利用2020-2021年的数据集探讨了仇恨宇宙网络拓扑在2020年总统选举及随后的国会山袭击事件中的变化[43]。在这里,“社区”的含义因平台而异。例如,在俄罗斯控制的VKontakte平台上,社区被称为Club;在Facebook上称为Page;在Telegram上称为Channel;在Gab上称为Group。每个社区的用户数量从几个到几百万不等,与网络社区检测中使用的“社区”定义不同。为了识别仇恨社区并纳入我们的数据,主题专家(SMEs)检查了每个平台上几千个候选社区。SMEs在2020年的某个时间点查看了每个社区最近的20条帖子。如果其中至少有2条包含仇恨言论,我们就将该社区纳入“仇恨宇宙”数据集。SMEs之间的一致性非常高。在这里,“仇恨言论”指的是基于种族、宗教、肤色、性别身份、种族身份、残疾或国籍针对某个群体或类别的负面或仇恨性评论[57,59]。我们将每个被识别为仇恨社区的社区视为随时间保持不变。抽查表明,很少有此类社区会长期停止发布仇恨言论,尽管它们的内容并不总是充满仇恨。
表达类别:我们没有根据我们的实证背景或数据集来定制表达类别。相反,我们是从现有的社会身份形成理论中得出这些类别的。这确保了在我们数据集中测试这些理论是有意义的,并且不会通过循环推理产生阳性结果。例如,在SIMCA[30]和INN[2,40]中,共同的怨恨或不公正感起着重要作用。相互验证是增强集体对共同怨恨的感知并将其转化为行动规范的关键机制,在INN和规范对齐模型[31]中也是如此。共享的效能信念在规范对齐模型和SIMCA中都起到了重要的中介作用。与类别的选择不同,代表这些类别的具体正则表达式(见S1文件中的补充文本)是基于我们的实证背景的。我们根据之前对“仇恨宇宙”数据库[41-43]的经验(也见于材料与方法部分),以及通过现有出版物和其他网络来源的搜索来制定这些正则表达式。一个特定的帖子可能符合多个表达类别——例如,既包含怨恨又包含提议的行动。在这种情况下,我们将这样的帖子对这两种表达类型的贡献视为不同的。换句话说,我们假设对于任何给定的帖子,在一个类别中的表达概率与在另一个类别中的表达概率是独立的。另一方面,在设计正则表达式过滤器时,我们努力确保这些过滤器定义的类别是不同的——即,不同类别的正则表达式不会匹配相同的文本(见S1文件中的补充文本)。我们的正则表达式可能会遗漏一些属于这些类别的帖子。此外,根据一种相当保守的、基于人类的验证程序(见S1文件中的补充文本),大约30%被正则表达式检测到的帖子并不包含属于相应类别的陈述。尽管如此,我们认为我们的高时间序列大体上追踪了我们希望追踪的表达类别,尽管存在相当大的噪声。支持这一提议的一个定性证据是,五个类别的时间序列似乎在选举和袭击事件期间出现了显著变化。特别是,时间序列中的峰值大致对应于这两个事件。另一个证据是,在这些事件划分的三个时间段内,时间序列的行为明显不同。时间序列在不同类别之间也有所不同,因此一个类别中的表达可能随时间对另一个类别的表达产生非平凡的影响。
时间序列:不同表达类别之间的帖子数量差异很大。例如,表达怨恨的帖子数量通常是表达社会归属感的帖子的几倍。然而,我们希望平等对待每个类别。具体来说,我们感兴趣的是一种类型的言论按比例变化对另一种类型的言论按比例变化的反应,而不是每种类型的言论的总量。因此,我们将每个变量缩放到在给定时间段内所有时间点的平均值为一,标准差为一。结果得到的时间序列在S1图中显示,在表达类别和三个时间段之间仍然存在质量差异。在那里,我们观察到即使对于帖子数量最少的效能表达类别,传播的二项式误差也小于缩放变量的日常波动。在本文的其余部分,我们仅使用五个主要变量的缩放版本。
平稳性测试:我们通过Augmented Dickey-Fuller(ADF)测试来评估每个时间段内每个变量的平稳性。该测试基于以下单值时间序列模型:(1)其中p是滞后阶数。测试的零假设是非平稳的。备择假设是平稳的。我们通过statsmodels包中的adfuller函数实现ADF测试,默认选项autolag='AIC'。我们将回归选项设置为‘c’、‘ct’或‘ctt’;这些选项值对应于上述方程中的时间多项式的度数0、1和2。度数d=0对应于,d=1对应于,d=2对应于对、或没有任何约束。表2展示了测试的P值。下载:PNG(较大图像)、TIFF(原始图像)。
表2. 2020/2021年数据集平稳性的ADF测试显著性。https://doi.org/10.1371/journal.pcsy.0000107.t002:每当ADF测试在d=0时显著,我们称该序列是平稳的。当它在d=0时不显著但在d=1或d=2时显著时,我们称该序列是趋势平稳的。在后一种情况下,我们通过以下程序对变量进行“去趋势”处理。我们选择序列趋势平稳的最小d值。随后,我们构建一个关于时间的焦点变量的适当阶数的回归——即,如果d=1则是线性回归,如果d=2则是二次回归。我们使用statsmodels.api中的OLS命令进行回归,并使用默认选项。然后我们从变量中减去回归方程,只留下残差。这些残差构成了去趋势后的变量,在所有原本趋势平稳的变量中,这些残差在d=0时是平稳的。在没有任何产生平稳或趋势平稳时间序列的情况下,我们称该变量是非平稳的。在这种情况下,我们通过用yt替换变量来进行差异处理;后者在d=0时再次是平稳的。然后将去趋势和差异处理后的变量与未去趋势或未差异处理的变量一起用于向量自回归(VAR)模型。
相关性测量:我们通过方差膨胀因子(VIF)来评估相关性。该因子等于,其中R2是焦点变量对所有其他变量进行线性回归的决定系数。当VIF大于5时,这意味着通过其他所有变量的线性回归可以相当容易地预测焦点变量。当VIF大于10时,焦点变量非常容易从其他变量中预测。高VIF表明在动态模型(如向量自回归)中应排除焦点变量,因为该模型的目标是建立集体社会身份独立组成部分之间的时间效应。具体来说,当使用所有五个变量在某个时间点的滞后值来预测后来的一个变量时,相关性使得难以确定哪些滞后变量对模型的预测有贡献。换句话说,几个相应系数的同时变化可能不会改变预测结果。为了计算方差膨胀因子(VIF),我们使用statsmodels.stats.outliers_influence包中的variance_inflation_factor函数。原始变量的VIF值位于表3的上半部分。在该表的下半部分,已经通过去趋势或差异处理了非平稳的变量。在第3阶段,身份变量的VIF在两个面板中都特别高。相应地,在此期间,身份变量与其他变量有很强的相关性。从定量角度来看,对于原始版本的变量,在以身份变量为因变量、其他变量为自变量的多元线性回归模型中,R2=0.91。因此,身份变量的方差有超过90%可由其他变量的联合方差解释。回归系数在5%的显著性水平上都是显著的。它们的值分别为:行动0.66,验证0.36,效能0.16,怨恨-0.14。看来,在第3阶段,表达共同行动导向的身份与所有相关成分的表达相相关,有趣的是,怨恨——这个成分最初启动了身份的发展。因此,我们在第3阶段将身份变量从分析中移除。表3表明,移除身份变量后,所有用于向量自回归的变量的VIF值都低于5。
VAR和路径分析:我们对不同社会身份组成部分之间的日常影响的统计分析基于向量自回归(VAR)模型。该模型假设可以从一个变量在给定时间步的值以及之前时间的剩余变量的值来预测该变量在该时间的值。该模型的正式定义是:(2)其中Yt是时间t的k维列向量(或简称k向量)的变量Y。在我们的案例中,Y的每个组成部分都是落在上述类别之一的帖子的缩放比例。方程(2)还包含了回归截距,这些截距是常数k向量C的元素,以及t时刻的模型残差误差,这些误差包含在k向量Et中。索引i被称为滞后(lag),参数p是模型的最大滞后阶数(也称为滞后阶数)。滞后阶数决定了要预测当前时期的Y,需要回顾多远的时间。k×k矩阵包含了回归系数,这些系数决定了Y中各元素在滞后i时的预测相互作用。例如,该矩阵的对角线告诉我们,在时间t-i时给定变量的值对时间t时的同一变量的值有多大贡献,适用于任何t。VAR模型可以被视为多元线性回归的一个特例,在这种模型中,设计矩阵由变量的滞后值组成。该模型的传统形式假设误差分布是时间不变的、正态的,并且Y的不同组成部分之间的误差协方差为零。VAR模型试图根据变量过去的值来预测它们的当前和未来值。该模型假设每个变量都是平稳的——也就是说,变量的统计特性(如其均值和标准差)不随时间变化。如果至少有一个变量不满足平稳性假设,那么一个常数矩阵可能无法充分描述这些变量在所有时间点上的关系。为了拟合VAR模型,我们使用Stata命令var。为了确定每个时期的VAR模型的最优滞后阶数,我们考虑了最终预测误差(FPE)和三个信息准则与滞后的关系。这些信息准则包括赤池信息准则(AIC)、汉南-奎因信息准则(HQIC)和施瓦兹贝叶斯信息准则(SBIC)。我们通过Stata命令varsoc来计算FPE、AIC、HQIC和SBIC。S7图显示了每个时期的这些准则与滞后阶数的关系。在这里,HQIC和SBIC都清楚地表明,所有三个时期的最优滞后阶数都是p=1。AIC和FPE在第二时期与HQIC和SBIC一致;然而,在第三时期AIC和FPE的结果不明确,并且与第一时期的HQIC和SBIC的结果不符。根据[60]中的“备注和示例”部分,严格来说,FPE并不属于信息准则。同一来源指出,BIC和HQIC在理论上比AIC和FPE更有优势:选择使BIC和HQIC最小的滞后阶数可以得到真实滞后阶数的一致估计。相比之下,即使样本量无限大,最小化AIC或FPE也会以正概率高估真实滞后阶数。根据以上所有的观察和理论考虑,以及为了确保各时期统计过程的一致性,我们选择p=1,这符合HQIC和SBIC对所有三个时期的建议。进入VAR模型的变量是所有原始缩放变量的平稳版本。对于那些本身就平稳的变量,平稳版本与原始缩放变量相同。对于那些趋势平稳的变量,平稳版本是去趋势处理后剩余的平稳部分。由于第一时期的数据既不是平稳的也不是趋势平稳的,因此其平稳版本是原始变量的差分版本。在2020/2021年的第二时期路径分析中,其中一个节点4Chan的“Politically Incorrect”板块(以下简称“4Chan1”)在帖子数量分布中是一个明显的极端异常值。它的帖子数量在每个类别中都有数千到数万条,而其他社区的帖子数量则在几十到几百条之间。我们将4Chan1从路径分析中排除,因为包含它会使有效观测数量减少到一条。进入VAR和路径分析的帖子比例和计数与上述假阳性误差有关,我们保守估计这种误差约为30%。在回归分析的背景下,这种对单个点的误差——对于VAR来说是时间点,对于路径分析来说是社区点——当点数较多时,会导致回归系数的误差显著降低。例如,在第二时期的VAR分析中,每个系数是基于大约60个点的样本估计的,而预测变量(即滞后变量)的方差是...(原文此处数据缺失)。如果由于假阳性误差导致的标准差是...,那么回归斜率的误差大约是...。这个误差不超过我们认为是显著的最低系数的大小的一半;这些最低系数的大小大约是0.1。对于我们的大多数系数估计来说,由于假阳性导致的相对误差应该远低于这个保守估计的系数大小的一半。因此,如果假阳性的统计特性不会对我们的定性结论引入明显的偏差,我们认为假阳性的潜在影响最多只是使一些最低幅度系数的显著性失效。我们进一步指出,在自然语言处理工具的透明度和感知准确性之间存在一个固有的权衡,这些工具试图在新数据中实现抽象的心理概念。因此,我们相对简单的正则表达式程序提供了一种补充先进工具(如大型语言模型)的方法论。2024年选举图中两个灰色阴影区间是由于4Chan平台不稳定造成的,该平台占据了数据集的很大比例。由于这个原因,这些区间内的数据是不完整的。此外,第一个灰色阴影区间之前的数据是使用与之后区间不同的采样方法收集的。因此,我们没有在分析中包含第一个灰色阴影区间。对于第一时期b的VAR模型,数据与参数的比率相对较低——当滞后阶数p为1时仅为约7.3;对于更高的滞后阶数,这一比率更低。因此,关于最优滞后阶数存在相当大的不确定性,这一点在S8图的中间面板中很明显。此外,尽管这个图中的四个信息度量中有三个都支持较高的滞后阶数(高达p=5),但Stata对p>5的拟合结果并不可靠。因此,我们得出结论,第一时期b的数据不足以自信地拟合自回归模型。我们对2020年 election周期的分析的一个隐含假设是,在选举日之前,系统行为的规则是时间不变的。如果我们将同样的假设应用于2024年的周期,那么图5中第一个灰色阴影区间数据的缺失以及第一时期b的数据只会削弱我们从第一时期a推断出的选举前行为的统计效力,而不会改变这些结论的定性特征。支持信息参考文献