不疯传，无正义：印度尼西亚媒体立场与公众情绪的多模型注释研究

《Information》：No Viral, No Justice: A Multi-Model Annotation Study of Media Stance and Public Sentiment in Indonesia

　　

数字革命已将大众传媒的面貌从单向渠道转变为动态塑造公众舆论的互动空间。在印度尼西亚，这种动态日益重要，因为媒体在涉及官员的丑闻激增背景下监督执法工作。本文研究了YouTube如何塑造公众对执法信任危机的感知。与以往的定性研究不同，研究人员采用了基于数据科学和社会计算的定量方法。利用大语言模型（large language models, LLMs）中的零样本提示工程（zero-shot prompt engineering）技术，分析了编辑立场与受众回应之间的关系。本文运用媒体立场检测（media stance detection）识别编辑立场，通过情感分析（sentiment analysis）剖析观点极性，使用命名实体识别（named entity recognition, NER）绘制这些情感的目标对象，并采用伪标注（pseudo-labeling）技术处理道德维度。研究结果揭示了一个有趣的模式：尽管模型将立场归类为中性，但相反地，模型捕获到以负面情绪为主的情感，且数字话语中强烈集中于个体行动者与道德框架。

数字革命使大众媒体从单向的信息渠道转变为动态互动空间。在印度尼西亚，执法机构因涉及官员的丑闻而面临严重信任危机，社交媒体上出现“No Viral No Justice”（不疯传，无正义）运动，民众借助YouTube等平台要求问责。已有研究多从法律和社会学视角出发，难以在大尺度上刻画媒体编辑立场与公众情绪之间的关系。自然语言处理（natural language processing, NLP）领域虽已使用情感分析等手段，但情感极性背后的语义指向仍不清晰。为此，本文提出三个研究问题（RQ1-RQ3），探究媒体立场是否与公众情感极性、实体目标以及道德责任分配存在关联，并试图以数据科学和社会计算的方法填补这一经验空白。

研究人员收集了Ferdy Sambo、Mario Dandy、Vina Cirebon和Kopi Sianida四个标志性案件的YouTube视频元数据及用户评论，通过关键词筛选、去重和媒体归属过滤，最终保留1351个视频和489,790条有效评论，形成层级结构数据集：媒体立场在视频描述层（N=1351）分类，而情感、实体及道德责任均在评论层（N=489,790）分析。借助大语言模型（large language models, LLMs）的零样本提示工程（zero-shot prompt engineering）能力，研究者将媒体立场、公众情感、命名实体和道德责任纳入统一计算框架。统计分析采用卡方检验（chi-square test）判定媒体立场与各因变量的关联，并通过人工标注100个样本，以Cohen's Kappa系数和宏F₁-score评估模型性能。

该研究采用的主要技术方法包括：（1）使用gpt-5模型结合零样本提示，对视频描述进行媒体立场分类（pro/neutral/anti）；（2）使用微调的印尼BERT情感分类器（Indonesia-BERT-Sentiment-Classification）对评论进行情感极性分析（积极/中性/消极）；（3）使用gpt-4.1-mini模型通过零样本提示从评论中抽取人物、组织、地点等实体；（4）使用gpt-4o-mini模型以零样本伪标注（pseudo-labeling）方式输出道德（积极/中性/消极）和责任（个人/机构/集体/无）标签。数据来自YouTube Data API，涉及四个案件；评估采用人工标注100个样本，通过宏F₁-score和Cohen's Kappa比较模型与人类标注的一致性；统计关联使用卡方检验。

### 4.1 媒体立场检测（Media Stance Detection）
通过gpt-5零样本提示对视频描述进行分类，结果显示中性立场在所有案件中占比超过86%，说明主流媒体整体保持事实性报道。小提琴图（violin plot）进一步揭示案件间差异：Ferdy Sambo案中立立场最稳定，Kopi Sianida案出现较宽的反向立场尾部，Vina Cirebon案立场分布存在长尾异常。模型评估宏F₁-score为0.72，Cohen's Kappa为0.58。

### 4.2 情感分析（Sentiment Analysis on Media Stance）
使用印尼BERT模型对评论进行情感分类，结合桑基图和时序图分析，负面情绪在每个案件中占比均超过68%，正面情绪在17%–21%之间。卡方检验显示媒体立场与公众情感显著关联（χ²=1532.747, df=4, p<0.0001），其中中性立场与负面情感组合占比最高（51.8%）。模型宏F₁-score为0.56，Cohen's Kappa为0.35。

### 4.3 实体提取（Entity Extraction on Media Stance）
通过gpt-4.1-mini零样本NER共提取426,432个实体，人物实体占据主导。交互图显示，中性媒体立场下的负面情感主要指向人物实体，而组织实体明显较少。卡方检验显著（χ²=1197.150, p<0.0001），表明媒体立场与实体类型存在关联。模型宏F₁-score为0.56，Cohen's Kappa为0.36。

### 4.4 道德责任伪标注（Morality-Responsibility Labeling on Media Stance）
gpt-4o-mini模型的伪标注结果显示，负面道德评价占49%–60%，责任归属中“无”标签占比最高（0.4–0.5），机构责任非常低。雷达图显示Vina Cirebon案具有更多的正面道德评价，可能源于公众对受害者的同情。卡方检验表明媒体立场与道德归属（χ²=2190.846, p<0.0001）及责任归属（χ²=369.040, p<0.0001）均显著相关。模型在道德维度的宏F₁-score为0.63，责任维度为0.55；Cohen's Kappa分别为0.46和0.48。

讨论部分指出，媒体高度中立的报道与公众强烈的负面情绪、个体化叙事和道德判断并存，形成一种结构性鸿沟。这一现象可用“混合媒体系统”（Hybrid Media System）框架理解：传统媒体与数字平台相互渗透，公众在接收事实信息的同时，通过评论重新赋予情绪和道德意义。同时，话语集中于个人层面而非机构制度，符合“情境性框架”（episodic framing），但不能据此断定公众忽视制度问题，因为统计模式可能受模型分类倾向影响。作者强调，媒体立场与公众回应之间的显著关联不等于因果推论；计算标签与人工注释的一致性仅为中等水平，应视为“模型辅助的测量”而非绝对真值。未来研究需要建立包含印尼语俚语、讽刺、语码转换和多语现象的基准语料，并引入定性三角验证。

### 结论翻译
本文通过综合媒体立场、公众情感、命名实体和道德责任归属，考察了印尼公众在数字空间中对执法问题的回应。研究发现确认了媒体报道与公众反应之间存在结构性差距：模型分类的媒体立场高度中性，而公共话语压倒性地负面，且集中于个体行动者而非机构责任。经验证据显示，公众叙事高度聚焦于个人行为者，而机构问责未被充分讨论。然而，由于数据集规模巨大，模型性能指标显示其与人类标注者仅有中等程度的一致性，这主要源于零样本技术和社会媒体文本的非正式性（如俚语和讽刺）。这些输出应被视为伪标签而非绝对真值。尽管如此，对于宏观社会学分析而言，这种性能已经足够：在庞大规模语料上，微观层面的分类噪声在统计上被平滑，能够可靠地捕捉总体结构趋势和广泛话语模式。本文的发现强调了定量与定性研究相结合以生成真值的重要性，以便使研究贴合社会情境，并减轻因NLP在捕捉讽刺、多义词、反讽、互文、语码转换和多语现象方面的局限而产生的机器算法偏差。