结构化和内容呈现

时间：2022-05-19 百科知识版权反馈

【摘要】：结构化和内容呈现_世界传媒产业评论胡婉婷／译摘要：本文对瑞士政党在推特上的存在提出了探索性的解释。至于推特圈的结构问题，此代表性显示出用户被分化为少数主要的网络活动者和多数外围活动者。依据推特传播的内容来看，左翼政党和中间小党派比右翼党派在传播风格上更丰富。推特分析有效性的支持者认为推特上反映的结果甚至能挑战传统民意调查的准确性。

胡婉婷／译

摘要：本文对瑞士政党在推特上的存在提出了探索性的解释。最近，推特等社交媒体受到社会科学领域学者们极大的关注。然而，这些数据源的有效性还备受争议。因此，本文尝试探讨瑞士政党推特上政治传播的效用。这个议题目前在瑞士的社会科学领域还未被很好地研究。更确切地说，本文首先将描述性地概述与瑞士政党有关的推特账户的地理分布、网络结构和基本态势。然后对其社交网络应用以及文本进行分析。依据推特上瑞士党派政治的代表性我们可以得知，瑞士党派的推特在左翼政党和城市地区存在着系统偏差。至于推特圈的结构问题，此代表性显示出用户被分化为少数主要的网络活动者和多数外围活动者。此外，有清晰的迹象表明，同一政党的用户间存在政治上的同质性。依据推特传播的内容来看，左翼政党和中间小党派比右翼党派在传播风格上更丰富。

本文试图探寻在推特上瑞士政党的分布和活动。推特是自2006年伴随着不断增长的用户社区发展起来的社交媒体，在瑞士有相当大的用户群。有关报告显示，瑞士自2013年12月起（Latzer等，2013），有一半的成年人（49.5%）使用一到两个社交网站。虽然他们中只有18％是推特用户，但其普及程度是从2011年的仅占11％激增至2013年的18％之多的。因此，尽管事实上许多推特用户的活跃评级很低，即他们发送（或转发）推特消息、关注其他用户或收藏推特消息的频率较低，但是推特用户的迅速增长促使我们近距离探寻这一特殊社交媒体在瑞士党派政治中是如何呈现的。此外，正如Wallsten在2010年美国竞选运动中展示的那样，部落客和政治活动者们在设置政治议程中占据着极具影响力的地位。因此，大约三分之一的联邦议会成员和一个联邦委员都有推特账号，也就不足为奇了。不时的，他们发布的推特消息也会传达到公众那里。正如2013年3月社会民主党代表Jacqueline Badran在全国委员会上的例子。她由于在禁烟的俱乐部里吸烟而被驱逐出俱乐部，于是她就在推特上侮辱此俱乐部的门童。这之后，引发了主流媒体强烈抗议甚至导致有呼声要求她辞职。

本研究的目的有三重。最基本的目标是，提供有关推特上瑞士政党存在和活动的系统数据。现在有许多关于社交媒体对政治和社会作用利弊的争议。然而尽管推特账号主要是公共性的，而且在推特中获取的信息有拓展性，但是以系统化且可靠的方式，为了诸如瑞士政党传播这样具体的目标去收集数据，却是不可思议的困难任务。本研究通过经由主要推特账号的朋友圈或粉丝关系拓展采集到的样本，完成这个任务。依照此策略收集到的957个推特账号，（几乎）触及了瑞士政党网络的边界。

更深层的目标是，本研究将揭示瑞士政党在推特上进行政治传播的代表性。推特上瑞士政党传播的任何有益语境都需要意识到推特的基本特征，比如网络层次结构或在推特上的政治传播与“线下”政治传播的区别。因此，本文的部分内容将会涉及对小派系（诸如单一政党或语言社区）的规模和密度的研究。这些小派系的数据将被用来和瑞士的传统政治和社会结构的数据作比较。最重要的是，比较的结果将解答我们是否能在瑞士党派推特圈的影响和政治表现中，发现和瑞士常规政党制度相似的失衡状态。

除了这些有实质性的发现以外，本研究有助于讨论推特数据如何能被用于政治科学的研究。为此目标，关于推特代表性和结构的发现被用来对政治传播的简单测量结果（比如粉丝量、信息发布和对特殊功能的使用）进行后期分层。以此方式，本文也可以帮助未来研究推特的学者提供一些方法建议。

正如“互联网以引入无数新渠道的形式极大地改变了传播景观”（McCombs, 2005），许多社会科学家开始探索这些政治传播新渠道是如何与传统政治活动相联系的（Wallsten, 2010; Barberá, 2013）。推特这样的微博服务第一次被大规模用作竞选工具是在2008年美国总统竞选期间，在此次竞选的余波中，爆发了一场关于在政治运动中把推特数据引入分析的优势和风险的激烈争论。

第一部分研究文献给出了信任推特分析有效性的理由。Tumasjan等人（2010）应用描述性统计，发现德国政党网络被提及量的信息可以惊人准确地反映2009年德国大选的结果。推特分析有效性的支持者认为推特上反映的结果甚至能挑战传统民意调查的准确性。在应用不同方法论去预测英国（Lampos, 2012）、荷兰（Sang and Bos, 2012），新加坡（Skoric et al., 2012）和美国（Barberá 2013）的竞选结果中可以找到类似的评估。此外，O'Connor等人（2010）表示，一份简单的推特情感分析非常准确地反映了奥巴马在其总统任期前两年的社会评价。学者Curini, Iacus和Porro（2014）也认为，在西欧的政治背景下也可借助推特考量公众舆论取向。

支持用推特作为数据源的人们强调其广泛应用性以及可用数据量的丰富性。“此社交网络（推特）的一个显著特点就是，不仅普通市民可以使用，而且政府官员、政党和候选人均可使用。”（Barberá, 2013）这个特性在推断公众态度和政治运动性质方面具有潜在意义。推特允许数百万的公共账号无限制下载并实时传递讯息，因而提供了信息传播的无限可能。此外，因为推特平台已经在全世界大多数国家的媒介市场中形成实力，对推特数据中源于公众舆论和政治运动的信息研究方法也有广阔的应用前景。

第二部分的研究文献建议要警惕对推特在回答社会科学研究方面太过于乐观的评估。首先，Gayo-Avello（2012）用几个美国参议院席位之争的令人失望的证据来强调自己的观点，这些证据表明，从使用类似上述研究方法获得的推特数据中做出的选举结果预测还不如侥幸的结果（Barberá，2013）。其他批评者认为，至少有一些研究帮他们优化了自己的研究设计。例如，如Tumasjan等人（2010）认为要限制政党样本的范围，不能因海盗党在推特中被提及的次数最高，就预测此党能赢取2009年德国的普选（Jungherr, Jurgens和Schoen, 2012）。除了方法上的缺陷，这些批评还清楚地说明了推特在政治预测的结果上被夸大的两种选择性偏差来源。第一种是，个人特质可能阻碍推特数据的整体代表性：“一般说来，网络用户多是年轻人，他们对政治更感兴趣，而且比一般大众有更高的社会经济知识背景。这一特点需要我们对外部效度有所考虑。”（Barberá, 2013）此外，不仅是推特用户和一般民众间社会结构差异需要，他们意识形态上的差异也需要考虑到（Krueger, 2006）。与起源于20世纪的政治运动相一致，西欧和美国的左翼政党就偏爱用参与的方式做决策（Kriesi et al., 2012）。因此相比原模式，左翼政党更被期待能够使用推特等社交工具。第二种是，通常用来生产数据的分析单元（不论是推特账户或是信息传递）之间的相互依赖，构成更深一层的偏差来源。社交媒体网络被假设为是高度同质化的。也就是说，社交网络上用户之间的关系是随着意识形态和（或者）他们的社会结构系统化聚合的（Lawrence, Sides and Farrell, 2010; McPherson, Smith-Lovin and Cook, 2001）。其潜在原理应该和选择性接触机制有关。用户更倾向于关注那些分享了和他们信仰一致信息的用户。同时他们也表现出比较不关注那些与其观点相悖的用户（Sunstein, 2001）。最后，这样的偏差可能会导致观察变量的分布不具代表性。

认为推特是有效数据源的学者们也没有忽视这些选择性偏差。他们试图通过用传统政治学的数据来外部验证他们的结果，以及应用复杂精确的计算方法（Pennacchiotti和Popescu, 2011），或通过推特数据中如性别、种族这样有潜在选择性偏差的要素预估，来增强预测结果的信度（Barberá, 2013）。相对而言，本文给出了在许多传播活动中追溯政治传播的基本方法。更准确地讲，本文认为取决于用户自称的从属于某一瑞士政党的关系而慎重选择的推特账号，有助于建立一个显然能代表推特党派政治的网络。因此，选择性偏差可以通过后期分层这种相对可靠的方式得到评估和修正。这种方法与Jungherr, Jurgens和Schoen（2012）提出的方法类似，他们声称实现推特数据有效预测的唯一方式就是去辨别拟投票选民，以及在所有拟投票选民样本中收集到无偏差的用户样本。

瑞士成为探寻推特是否在研究政治传播和公众舆论方面具有可行性的一个有价值的案例，有以下几个原因。首先，归因于瑞士政治体制独特的共识倾向性（多由于瑞士高度的联邦系统和直接的民主机构系统）（Lijphart, 1999）。瑞士在公开辩论方面的准入限制非常低（Höglinger, 2008），因此与大多数其他国家相比，大量多样的活动者能够参与政治传播。如果在推特和传统政治活动中存在某种系统关联，那么瑞士似乎最有可能成为可以更详细地研究这种关联性质的案例。同时，瑞士推特圈的规模是相对清晰的。因此，比起较大的国家，我们更容易通过瑞士案例得到全面和可对比的推特账号样本。最后，与大多数其他国家一样，对瑞士的媒介景观来讲，社交媒体也是一个即将到来的新奇迹。而且，这个奇迹需要从政治学的角度来深入研究。世界互联网项目的综合报告显示，瑞士从2013年12月起（Latzer et al., 2013），一半的瑞士成年人（49.5％）使用一到两种社交网络，尽管他们中只有18％是推特用户，但值得注意的是，这个流行的微博平台的普及程度在2011年还只是11％。因此，推特上政治传播的语境化现象对瑞士的政治观察员和政策制定者也具有实用价值。

数据收集过程的第一步就是识别推特上瑞士政党的网络边界。虽然这一设想在理论上看来很简单，我们只需要把瑞士政党成员所有的推特账号涵盖起来进行分析就好了。但是，实践经验告诉我们事情并非看起来这么简单。大量的账户及其非常无序的描述，使得识别网络边界成为本研究的一个最大挑战。

我们首先以定位的方法判定哪些推特账户和瑞士政党政治账户匹配（Marin和Wellman, 2011）。更精确地讲，根据推特账户在瑞士政治系统中的重要程度，我们把账户初始的核心群手动编译起来。这个列表包括全国议会两院（全国委员会和州立委员会）以及联邦委员会和瑞士8个最重要党派的官方国家账号。因为无法从中收集数据，两个公共不需要的账号则被剔除。最终的核心列表由89个推特账户（见附录表9：1个联邦委员12个州立委员会，8个政党账号和68个国家议员）组成。对勾勒政治景观而言，这个列表远不具备代表性。比如7个联邦委员中只有一个即Alain Berset有公共的推特账号。然而，正是由于这种自我选择，即哪些政客参与了政治推特圈以及这种自我选择可能如何影响推特上政治传播的代表性这一点，是本研究其中一个主要目的所在。

依据瑞士政党系统中账号地位而确定的核心列表，确保了接下来瑞士政党政治网络中其他的账户从最核心的账户开始半自动的扩散开来。这意味着，依据此列表，一个基于与核心用户相关的参照链延伸由此被列入研究。更确切地说，通过两轮大规模使用新一代推送接口的推特数据，相关好友和粉丝的推特账户，便被收集起来然后依据它们的相关程度进行编码。表1呈现了这两轮已完成拓展的概述。

表1　建立瑞士政党网络：两轮扩展的关键数据

已被认定为某一核心账户的相关好友和粉丝，需要满足两个要求才能纳入此相关账户列表。事实上大部分用户在其注册时便已透露了他们的地理位置信息。在谷歌地图、必应地图、MapQuest的定位服务帮助下，地理位置便被纳入系统当中并加以识别。这意味着，同样位置的不同表达都属于同一个地理坐标，例如，苏黎世曾被表示为“Zürich”，“Zuerich”，“Zurich”，“ZRH”，所以只有当其被标准化为“Zurich”之后，地理位置编码才被检索。

第二，和表1中显示的条目匹配的简单关键词被用来描述和命名瑞士推特账户。这些关键词包含了所有政党的名称、政党的缩写和释义以及所有瑞士三种官方语言（意大利语、法语和德语）的瑞士政党的官方职位头衔。而且，涉及政治事件的关键词也进行了相关检索以免遗漏。因为这种匹配已经很大程度上过滤了一定数量的账户，也就没有必要经历类似机器学习分类法这种自动化步骤。接下来，所有关键词都根据其相关性进行手动检测，这一步使得额外的819个账户收录到样本中来。

这两个需求都依赖用户的自我声明，这自然会引起“用户不代表更多人口”的问题。“不能代表更多人口”就是指样本中的用户不能被定义为有投票权的所有瑞士公民。然而，本研究的目标并非去研究一些基本人口。更准确地说，反映尽可能多的隶属于瑞士政党的用户样本只是一个设想。最后，从理论角度看来，推特用户能否显示位置和政治面貌也是至关重要的。如果不能，他们可能就不是把这些账号用于政治运动，而是用作私人或者商业目的。

当然需要提醒的是，目前为止并非所有推特用户都暴露了他们的账户位置和账户说明。因此依靠推特用户的自我声明会遗失一些数据。但这却是系统地拓展网络样本的唯一方法，当然其间也不能懈怠对网络拓展进行定义识别。除了自我标识坐标、在输入字段填写的名称和标签，我们无法获得推特用户更多其他的信息。而且简单地依赖于诸如官方议会服务或维基百科这种外部数据检索，对如此庞大的账户数量是不可行的。虽然推特用户的样本包括在手动编译的核心列表中的最重要的政党账户，但此样本仍旧代表了系统的拓展。然而，目前尚不清楚第二轮拓展是否接近网络边界。但是由于推特用户总量约是500000，已经对其中约10％的账户进行了滚雪球抽样。此外，从第一轮到第二轮拓展中附加相关账户数据的急剧减少，这一事实表明在进一步的拓展中不会开发太多新的党派账户。如图1所示，第一个瑞士党派活动者的推特账号建立在2001年2月，微博服务引入的11个月之后。此外，平滑的趋势线显示出一个清晰的模式：推特上瑞士政党网络到2010年春季为止增势平稳；此后直到2011年年底为止，增长的步伐大大加快。因此，在2010年前，推特似乎只是政治运动最边缘的传播工具而已。然而事实上，图上2011年年末的峰值似乎明显地与2011年12月的联邦大选有关。在竞选期间，许多政客为了动员额外的支持而建立起各自的账户。总之，将社交媒体作为一个重要的竞选工具，瑞士的步伐稍落后于美国，美国的评论家把2008年奥巴马在总统选举中所获得的胜利视为第一个“社交媒体选举”的胜利（Wallsten, 2010）。

图1　政党推特账户设置的历时性发展：上升和下降的平滑趋势线

采用了这957个相关推特账户的样本，网络数据（好友圈和粉丝关系）以及推特消息可以用推特API下载。为了去分析这些数据集，我们应用了描述性统计、指数随机图模型、情感分析和无人监督的文本分类研究方向。利用统计学框架R的几个数据库，我们进行了所有的数据采集、行为编码、网络分析、文本分析和数据可视化。

此演示结果是以样本中957个政党账号的地域和历时性的分布的描述性概述开始的，图2整体上显示瑞士政党推特账号数量的地理分布，圆点大小代表推特账号的积累数量。更确切地说，一些账户不仅仅把“瑞士”或者一个具体的城市标注为他们的位置。因此，我们根据他们的地理位置在瑞士地图上去标注出来。从标注了整体布局的图2（a）可以明显看出，到目前为止，城市中心在推特圈中最重要。瑞士最大的城市是最多账号建立的地方。然而，推特账户的分布并不是与人口规模的分布完全一致。尤其是巴塞尔、洛桑布和温特图尔拥有的账户数量就少于预期。图2中呈现的更详细的分析确认了这一结论。推特账号会依据相应社区的人口规模而记录其地理坐标。这样一来，将推特账户的分布和人口数据相比较，便能评估推特圈的代表性。如上所述，城市中心的用户在此样本中便有了充分的代表性。一些小型社区的用户也在所有推特用户中占较高比例，但来自中等规模社区的用户占比最少。总而言之，城市中心是最具代表性的，同时乡村地区也不逊色。相比之下，样本中只有27.5％来自于区域中心或乡村区域，这些区域的人们很少在推特上发声。因此，在所有因素中，地域是导致推特传播偏差的主要因素，如同表2指示的那样。

图2　推特账户的地理分布

表2　瑞士推特统治依据位置信息的代表性（括号内是百分比和绝对值）

Notes:a All permanent residents in Switzerland in percentages, Source: Federal Statistical Office;b LSI＝Least squares index: , where v is the quantity to be compared with (usually vote shares) and s the quantity whose representativeness should be measured (usually parliamentary mandates).

图2（b）描述了样本中的推特用户活动及其粉丝群之间的关系。活动是指来自于信息数量、好友和信息收藏数量的积累指数。这个指数在研究用户在何种程度上运用推特进行沟通交流方面提供了一个很好的参照。相比之下，粉丝数量可以被视为推特用户声望的指示器。也就是说，该数量指明了有多少用户出于兴趣关注你并因此接收到你发布的消息。虽然因为有不同的分等定级，这两个指标不能直接比较。但相关数据依然提供了这样一种信息：就传播行为而言，推特用户投资多少，获得回报有多少。特别有趣的是瑞士首都伯尔尼及其北部城市苏黎世之间的比较，它们分别是瑞士最大的城市和经济中心，虽然来自苏黎世的用户通常显得尤为活跃，但是来自伯尔尼的账户却显然有更多的人想要关注。同样的，在阿劳、温特图尔和日内瓦的推特用户似乎能以相对较低的活动产生更多的粉丝。

在图2（c）显示了瑞士政党体系三个主要模块的账户位置：左翼政党（社会民主党，瑞士劳动党和绿党）、中右翼政党（绿色自由党，自由民主党，瑞士基督教民主人民党，福音人民党和保守民主党）以及右翼政党（社会人民党和瑞士人民党）。这一概述为推特上支持左派分子的期望提供了明确的证据。在大一些的城市中，左翼政党比中间政党在推特上注册了更多的用户账号。只有一些区域中心如弗里堡、卢塞恩和库尔布在推特上也由中间党派控制。虽然在上一次联邦选举中，左翼政党获取了27.9％的投票份额，这其中38.2%来自推特账户（见表3）。更令人印象深刻的是粉丝在大选中的贡献。左翼政党几乎获得了粉丝份额的绝大多数（47.2％）。而在政治运动中未能在推特上显示其代表性的是右翼政党。然而根据指示，瑞士最大党派——人民党在推特上的存在与其选举支持者相比低了7.6％—13.6％。这是因为他们的支持者通常比较年长，而且可能在使用社交媒体方面没有那么大的热忱。Lega dei Ticinese是个例外，其在提挈诺（瑞士最南部地区）的推特中拥有相当大的存在感。

表3　依据政党关系的瑞士推特统治代表性（栏中为百分比）

Notes:a LSI= Least squares index: , where v is the quantity to be compared with (usually vote shares) and s the quantity whose representativeness should be measured (usually parliamentary mandates). See Table 11 in the Appendix for the absolute numbers of followers, accounty and activities.

最终，依据语言［见图2（d）］的推特账户分布是在意料之中的。这些账户都一致地创建在各自的语言区域中，唯一有较多语言的城市是伯尔尼，这显然基于这样的事实：首都是来自各地区代表的所在地，也是用三种官方语言交流的国家党派最高秘书处的所在地。仔细看看表4中的代表性特征，我们能发现，社会人口和推特数据的不匹配没有社区规模和推特数据的不匹配程度那么大。说意大利语的和以英语为主要语言的公民在推特政党政治中呈现出不太明显的代表性。相比之下，说法语的少数民族虽然在人口数量上比例小，但却在推特账户中占了比较高的份额。这两个差异相互平衡，以至于人口中说德语的居民在推特上体验了几乎相同的描述性表征。

表4　依据语言的瑞士推特统治代表性（栏中为百分比，括号中为绝对值）

Notes:a Share of declarations of main language by all permanent residents in Switzerland over the age of 15 in percentages. Source: Federal Statistical Office;bLSI＝Least squares index: , where v is the quantity to be compared with (usually vote shares) and s the quantity whose representativeness should be measured (usually parliamentary mandates).

上一部分提供了瑞士政治推特账户样本如何与社会政治环境相比较的结果。在这部分，重点转向对这些推特账户建立起的网络内部机制的研究。推特用户中存在着许多可能的关系。比如，推特用户间可以相互交流（使用前缀@）也可以转发别人的消息或者关注他们。这样的关系不如用政治传播的内容来解释更恰当，所以我们将在下一部分加以讨论。因为本部分我们更关心的是瑞士政治推特圈的结构。以下的分析依赖于另外两个直接的关系：每个推特账户都可以被关注（即在推特被其他用户追随）或者账户自身关注其他账户（即此用户有了新的朋友）。更准确地说，这个网络定义产生了一个由被关注和关注（或者两种关系并存）连接形成的两个顶点（即推特用户）的定向曲线图。在后一种情况下，这一关系是相互的，因此相关的数据翻倍。图3给出了瑞士推特政党网络的一手数据，此图表的产生依据了很多假设。首先，采用Fruchterman Reingold算法设置二维空间的顶点，这样才会尽可能地减少交叉边缘。第二，特征向量和中介中心性相关性中的残差用来说明账户的重要性（圆点越大账户越处于中心地位）。附录图5记录了该分析，我们也能从中找到最重要的用户名称。第三，通过对斯哥林格拉斯社区的演绎分析得出四个派系，这四个派系的顶点颜色不一样，并且每个派系都指向特定的政党和语言群体。

Notes:a Vertex sizes correspond to the residuals from the correlation between eigenvector and betweenness centrality;b Colors indicate the following 4 spinglass communities which can be interpreted by either party or language affiliations: yellow= BDP and CVP; orange＝GLP, FDP, SVP; blue= French speaking accounts; red＝GPS and SP.

图3　好友和粉丝的推特网络：基于账户间直接关系的Fruchterman Reingold算法分布和小派系

首先我们来看此图的总体结构，它醒目的是有很少的账户处于图的中央，所以此图就呈现出较高的集中性。大部分瑞士党派的推特用户关注的账户很少，或只和极少的账户保持友好关系。整个网络的网络密度（表5的列表证实了这一发现）：可能存在的关系中只有6％真实存在。然而，接近此图的中心，有一些高度集成的活动者，最引人瞩目的是Alain Berset（社会民主党联邦委员，最大的黑点）和Christian Levrat（社会民主党的民主党总统，最大的灰点）。Alain Berset的账户特别有趣，他位于唯一一个包含了所有党派的小派系中。黑色的小派系成员的共同特点是说法语。事实上，除了Alain Berset的语言背景——他是一个社会民主党的成员，这反映在Alain Berset和灰色小组的亲密性上：除了Alain Berset，附录中图5显示来自日内瓦湖区的社会民主党委员Jean Christophe Schwaab是更重要的关键人物，瑞士人民党的主席ToniBrunner，来自伯尔尼的自由民主党的委员Christian Wasserfallen和来自苏黎世的瑞士人民党委员Nathalie Rickli，他们是派系的核心，而这些派系主要由构成中心权利（绿色自由党、自由民主党和瑞士人民党）的账户组成。灰色派系的核心是来自阿尔高州的社会民主党委员C'edric Wermuth和其党魁Christian Levrat。

表5　瑞士推特统治的关系结构化（依据政党、语言和社区规模的密度情况图）

Notes:a Number of edges over maximal possible number of edges.

令我们吃惊的是，我们发现在核心活动者中，那些被贴上抢眼明星标签的政客通常都跟随着极度有影响力的人（一个联邦委员和两个党的党魁）。C'edric Wermuth, Natalie Rickli, Jean Christophe Schwaab和ChristianWasserfallen比一般的国家政客年轻得多，却早已被视作非常成功的政治家。因此，这暗示了另一个预期的偏见，即推特传播是偏向年轻人的。似乎可信的是，年轻的政治家更依赖社交网络传播，因为他们能预料到社交网络的受众相对年轻，而这部分受众因此更易接受他们的竞选活动。

迄今为止提出的描述性分析没告诉我们单一要素之间相比较的重要性。为了更好地评估不同因素的意义，表6所示的随机指数图模型揭示了协变量的影响——即一直讨论的特定活动者变量对两个活动者建立关系可能性的影响。由于大部分变量归属于特定的范畴，所以其影响效果只能在相关范畴中进行解读，这些相关范畴是指经常被选为最常用的那个（比如，在所有党派中选择社会民主党，在所有语言中选择德语，在所有社区中选择居民数量超过30000的社区）。另外，这个模型把握了瑞士政党政治传播网络的整体相关性（也就是边界），统计了推特上的粉丝量和活动（即好友和推特信息）。而且由于此模型正好在100个模拟实验的预测范围之内，所以附录图6通过呈现此模型预测关系的对数，提供了关于吻合度的评估。

表6　瑞士政党政治网络结构的协变量：对数差异比、标准误差、节点之间建立关系可能性的指数随机图模型的显著性水准

Notes: Significance codes: * * *＝0.001; * *＝0.01; *＝0.05. Edge weights applied.

至于政党的一致性而言，绿党成员似乎比社会民主党的成员在解释某种关系方面的作用更大（可能性是0.53）。因为绿党的组织层次结构更专业化更严密。瑞士人民党大幅落后于这两个左翼党派（可能性是0.43）。瑞士政党体系中的新成员——公民民主党和绿色自由党表现则完全不同，相较于其选举实力，他们在推特上体现的代表性有些过度。虽然公民民主党的成员似乎建立了一个略显矛盾的团体（可能性是0.45），但绿色自由党的成员相对而言在网络中就比较分散（可能性是0.37）。

就语言方面来说，法语和德语这两种主要语言的区别只是无足轻重的。相比之下，意大利语的用户建立关系的可能性比较小（可能性是0.40）。少数英语账户则是相反的情况，他们彼此间建立联系的概率是0.75。就社区规模而言，用社区规模解释这种关系更重要。住在近郊的推特用户（少于3000居民的社区概率是0.46）农村区域（少于2000居民概率是0.44）比起城市居民更难以建立起关系。

在更加清晰地理解了推特上瑞士政党网络结构化和代表性之后，我们现在转而研究推特上瑞士政党的传播内容。推特允许每个用户无限制下载最近的3200条推特信息。事实上，957个用户中只有3个在启用推特账户期间发布了超过3200条信息。换句话说，限制条件是如此慷慨，为搜集几乎全部的瑞士政党信息提供了可能性。图4综述了政党成员的推特使用强度。政党分为左翼政党、中间政党和右翼政党。注意：y轴的比例尺是不同的，因此这种趋势不能直接被比较。

我们已经看到了推特用户组织的发展情况：直到2011年年底，以政治传播为目的，推特还只是无人问津的工具。然而，绿党和社会民主党这两个主要的左翼政党，在2011年的全国大选中就已经大量地使用了微博服务，其他主要政党在2012年之后才跟上步伐。似乎在主流政党中，推特的先锋者，社会民主党因其推特数量每个月都已经稳定在5000条信息，所以在2013年年末达到了活动的顶峰。其他主要的政党也仍在推特上继续增加他们的存在感，特别是最大的党派，瑞士人民党。同时值得注意的还有，在2013年初始，几乎所有的政党都有了一个分化，据Blassing（2014）详细的分析显示，大规模移民普遍自发的投票意识不仅引起了激烈的争论，也提升了平日推特活动的水平。

图4　政党推特的历时发展：每个月更推的绝对值和平滑趋势图

总之，四大党派（人民党、社会民主党、自由民主党和基督教民主人民党）的附属账户现在每个月发布超过3000条信息。对于左翼政党来讲，2011年是他们接受微博的年份，而对于右翼党派来讲，他们正式开始的年份可能是在2013年。以下的分析我们将会关注推特上如何进行政治传播，不仅从风格方面分析，在问题结构方面也会纳入研究。

其次，推特用户的传播风格也应该纳入研究。推特为其用户的组织对话提供了丰富的可能性，一些结构会话与人际关系创建和集体主义发展直接相关（Deann, 2010）。表7直接反映了政党社会互动方面的情况，即他们转发其他用户信息的强度，他们用@符号将特定消息直接发给另一个推特用户的频率，以及他们回复其他用户信息的共性。所有数字可以指示各自政党发送的推特信息数量的相关比例。换句话说，这些数字显示了这些政党相较于其发送的推特信息，使用这些社交互动功能的频率。而且，最后一列显示了这三个指标的积累索引。绝对值可以在附录表12中找到。

表7　政党的交互性：每个推特被转发，被@和被回复的比率

Notes: a Columns indicate the ratio between the indicators and all Tweets by a specific party. See Table 12.

表7表明了两个左翼政党（社会民主党和绿党）以及小的中间党派（绿色自由党、公民民主党和福音人民党）明显比其他党派更有会话交流的风格。这种差别主要源于这些政党转发推特信息和对@符号运用的频率更高。至少对左翼政党而言，我们能推测出这种差异源于在政治上深思熟虑的偏向。较小的中间党派的会话风格可能源自其共识建造者的自我认知，这种共识建造者有别于政治格局中的两极化者。

本文对瑞士政党推特圈进行了探讨，从附属政党的瑞士推特用户的综合样本入手，分析了瑞士“推特统治”的多个方面。首先，提出一个识别与政党相关推特账户综合样本的新方法。对自我描述、用户名和位置条目、预设账号初始设置的编码和文本挖掘，能够拓展到大多数附属于某个政党的瑞士推特用户网络。可以看到，经过两轮拓展我们就有可能触及这个网络的边界。

基本看来，瑞士政党在推特上的存在甚至没有代表“线下”的政治生活。政治传播有严重的偏见，这尤其表现在政治联盟（结盟）方面，在社会结构方面也是如此。更准确地说，左翼政党和市中心的账户在此微博平台体现出的代表性有过之而无不及。反之，这也意味着，只要这种偏见不被纠正，关于右翼政党和（或）近郊的政治研究将很可能低估他们的调查结果。

至于瑞士党派推特网络结构，我们发现，瑞士的推特统治被分裂成一群推特信息消极消费群和一个从属于政治领袖及有前途的年轻新生力量的高度活跃用户群。而且，有清晰的迹象显示政治的趋同性，因为在网络分析中发现许多活动者群聚在党派周边。只有通用语是法语的用户，地区起源才有某种超越党派政治的组织潜能。

最后，来自社会民主党的Alain Berset和Christian Levrat被认为是最中心的活动者。关于传播内容的分析显示出，从2011年起对左翼政党而言，推特就是一个重要的媒介。与之相比，右翼党派只是在去年结束的时期才开始更强势地参与进微博中来。

就传播风格而言，我们可以看到两个左翼政党（社会民主党和绿党）以及小的中心党派（绿色自由党，公民民主党和福音人民党）更强势地通过推特参与进社会互动中。更准确地说，这些党派经常使用转发功能和@符号。

［1］Barberá P. (2013). Birds of the Same Feather Tweet Together. Bayesian Ideal Point Estimation Using Twitter Data. unpubl. Ms.: New York University.

［2］Blassnig S. (2014). Die # MEI auf Twitter: Aufschrei statt Dis- kussion? Universität Zürich, http://pwipdm.uzh.ch/wordpress/?p＝945.

［3］Curini L., S. M. Iacus and G. Porro. (2014). "Every tweet counts? How sentiment analysis of social media can improve our knowledge of citizens' political preferences with an application to Italy and France", New Media & Society 16 (2): 340—358.

［4］Dann S. (2010). "Twitter content classification", First Monday 15 (12).

［5］Gayo-Avello D. (2012). I Wanted to Predict Elections with Twit- ter and all I got was this Lousy Paper. A Balanced Survey on Election Pre- diction using Twitter Data. Arxiv preprint arXiv: 1204. 6441.

［6］Höglinger D. (2008). "Verschafft die direkte Demokratie den Benachteiligten mehr Gehör? Der Einfluss institutioneller Rahmenbedingungen auf die mediale Präsenz politischer Akteure", Swiss Political Science Review 14 (2): 207—243.

［7］Jungherr A., P. Jurgens and H. Schoen (2012). "Why the pirate party won the german election of 2009 or the trouble with predictions: A response to 'predicting elections with twitter: What 140 characters reveal about political sentiment'", Social Science Computer Review 30 (2): 229—234.

［8］Kriesi H., E. Grande, M. Dolezal, M. Helbling, S. Hutter, D. Hoeglinger and B. Wueest (2012). Political Conflict in Western Europe. Cambridge, MA: Cambridge University Press.

［9］Krueger B. (2006). "A Comparison of Conventional and Internet Political Mobilization", American Politics Research 34: 759—776.

［10］Lampos V. (2012). On voting intentions inference from Twitter content: a case study on the UK 2010 General Election. Arxiv preprint arXiv: 1204.0423.

［11］Latzer M., N. Just, S. Metreveli and F. Saurwein (2013). Internet- Anwendungenund deren Nutzung in der Schweiz 2013. Themenbericht aus dem World Internet Project —— Switzerland 2013. Universität Zürich and Bundesamt für Kommunikation.

［12］Lawrence E., J. Sides and H. Farrell (2010). "Self-Segregation or Deliberation? Blog Readership, Participation, and Polarization in American Politics", Perspectives on Politics 8: 141—157.

［13］Lijphart A. (1999). Patterns of democracy: government forms and performance in thirty-six countries. New Haven, CO: Yale University Press.

［14］McCombs M. (2005). "A Look at Agenda-setting: past, present and future", Journalism Studies 6 (4): 543—557.

［15］M. McPherson, L. Smith-Lovin and J. Cook (2001). "Birds of a feather: Homophily in social networks", Annual Review of Sociology 27: 415—444.

［16］O'Connor B., R. Balasubramanyan, B. Routledge and N. Smith (2010). "From tweets to polls: Linking text sentiment to public opinion time series", Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media. pp. 122—129.

［17］Pennacchiotti M. and A. Popescu (2011). “A machine learning approach to twitter user classification”, Fifth International AAAI Confer- ence on Weblogs and Social Media. p. 281.

［18］Sang E. and J. Bos (2012). "Predicting the 2011 Dutch Senate Election Results with Twitter", Proceedings of SASN 2012, the EACL 2012 Workshop on Semantic Analysis in Social Networks. Avignon, France: p. 53.

［19］Skoric M., N. Poor, P. Achananuparp, E. Lim and J. Jiang (2012). "Tweets and Votes: A Study of the 2011 Singapore General Election", 45th Hawaii International Conference on System Sciences. Maui, HI: pp. 2583—2591.

［20］Sunstein C. (2001). Republic. com. Princeton, NJ: Princeton University Press.

［21］Tumasjan A., T. Sprenger, P. Sandner and I. Welpe (2010). "Predicting elections with twitter: What 140 characters reveal about political sentiment", Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media. pp. 178—185.

［22］Wallsten K. (2010). "Yes We Can: How Online Viewership, Blog Discussion, Campaign Statements, and Mainstream Media Coverage Produced a Viral Video Phenomenon", Journal of Information Technology & Politics 7: 163—181.

表8　核心的瑞士政治推特用户

表9　政党识别的关键字地名录

表10　扩展轮收集到的相关政党账户

表11　政党的账户数、粉丝数和累计活动指数

Notes: a LSI=Least squares index: , where v is the quantity to be compared with (usually vote shares) and s the quantity whose representativeness should be measured (usually parliamentary mandates).