Page 237 - 《社会》2017年第4期
P. 237
社会· 2017 · 4
率,网络成员的个体背景对社交网络的政治性使用影响并不大,因此,
线上公共参与行为可能更多受到在线网络结构的作用。基于这个重要
的在线环境,我们将继续探究在线网络中群体极化又受到了哪些网络
机制的塑造。
表 3 : 犛犖犛 政治性使用的影响因素(加权最小二乘回归, 犖=1047 )
犛犖犛 使用频率 政治性使用频率 政治性使用的重要性
(模型 1 ) (模型 2 ) (模型 3 )
犅 犛.犈 犅 犛.犈 犅 犛.犈
犛犖犛 使用频率 ——— ——— 0.068 ( 0.018 ) 0.061 ( 0.018 )
“朋友” 犛犖犛 政治性使用频率 ——— ——— 0.355 ( 0.040 ) 0.148 ( 0.029 )
政治性使用频率 ——— ——— ——— ——— 0.539 ( 0.035 )
政治倾向(中立或无倾向 =0 )
有明确政治倾向 0.075 ( 0.104 ) 0.234 ( 0.057 ) 0.078 ( 0.052 )
党派(共和党 =0 )
民主党 0.123 ( 0.121 ) 0.071 ( 0.069 ) 0.079 ( 0.061 )
其他 -0.038 ( 0.152 ) -0.071 ( 0.079 ) -0.216 ( 0.069 )
人口学特征
性别 -0.149 ( 0.103 ) 0.220 ( 0.059 ) -0.057 ( 0.053 )
年龄 -0.024 ( 0.003 ) 0.002 ( 0.002 ) -0.006 ( 0.002 )
教育年限 -0.006 ( 0.022 ) 0.007 ( 0.012 ) -0.010 ( 0.011 )
收入水平 0.045 ( 0.025 ) -0.004 ( 0.014 ) -0.040 ( 0.013 )
婚姻状况(无伴侣 =0 ) -0.145 ( 0.115 ) 0.037 ( 0.064 ) -0.081 ( 0.059 )
族群(白人 =0 )
非洲裔 -0.352 ( 0.176 ) 0.212 ( 0.111 ) 0.114 ( 0.093 )
亚裔 0.076 ( 0.276 ) 0.015 ( 0.161 ) 0.215 ( 0.123 )
混合 0.237 ( 0.257 ) 0.268 ( 0.217 ) 0.124 ( 0.179 )
原住民/印第安人 -0.114 ( 0.421 ) 0.555 ( 0.214 ) 0.281 ( 0.178 )
其他 0.317 ( 0.290 ) -0.480 ( 0.183 ) 0.079 ( 0.194 )
常数项 5.361 ( 0.355 ) -0.637 ( 0.209 ) -0.123 ( 0.195 )
犉 值 6.97 12.70 47.10
调整的 犚 2 6.12% 21.10% 45.21%
注:系数为非标准化回归系数,括号内为稳健标准误; 狆 <0.01 , 狆 <
0.05 , 狆 < 0.1 。
(三)社交网络中政治极化的形成
根据本文的研究假设,我们设定了一个如图 1 所示的在线社交网
络中的群体极化路径。模型采用了路径回归分析的方法。由于在线交
往机制之间可能存在相互作用的联系,因此,我们建立了一个机制间都
存在联系的初始模型。图 1 展示了模型的初步分析结果。根据路径回
归分析的结果,首先,本文提出的群体极化的两个外显变量———群体性
和积极性———都有较好的测度,二者相结合显示了群体极化潜变量的
· 2 3 0 ·