徐 翔

（同濟(jì)大學(xué) 藝術(shù)與傳媒學(xué)院，上海 201804）

社交媒體時代的強(qiáng)勢崛起，產(chǎn)生了微博、Twitter、Facebook等典型新媒介平臺和“用戶生成內(nèi)容”（User Generated Content，UGC）網(wǎng)絡(luò)應(yīng)用。社交媒體的使用和傳播，是生成和促進(jìn)用戶在表達(dá)內(nèi)容上的多樣性、“部落化”？還是減少內(nèi)容異質(zhì)性與多樣性，增強(qiáng)用戶同質(zhì)性和趨近性? 這個問題，在多種媒介理論和經(jīng)驗視點(diǎn)的碰撞下，存在著持續(xù)而且復(fù)雜的論爭。

一方面，就互聯(lián)網(wǎng)及社交網(wǎng)絡(luò)平臺特性而言，有學(xué)者認(rèn)為，互聯(lián)網(wǎng)能夠促進(jìn)多元意見的表達(dá)，提升公共討論[1]。Lee 等[2]進(jìn)行的一次全美概率抽樣調(diào)查結(jié)果表明，在Facebook、Twitter和其他社交網(wǎng)站上，人們的交往網(wǎng)絡(luò)更為多元化，回聲室效應(yīng)并不顯著；在社交媒體中，獲取新聞、發(fā)布新聞等與新聞、信息相關(guān)的活動能夠促進(jìn)社交網(wǎng)絡(luò)的異質(zhì)性。Barberá 研究得出：總體而言，社交媒體用戶接收的觀點(diǎn)是多元化的，并且隨時間推移，那些嵌入在多樣化網(wǎng)絡(luò)中的美國用戶會逐漸關(guān)注較少意識形態(tài)同質(zhì)性的群體[3]。Brundidge 提出，人們在線上互動依據(jù)的是不經(jīng)意原則(inadvertency)，最終會導(dǎo)致多元化個人網(wǎng)絡(luò)的形成[4]。另一方面，對立的觀點(diǎn)和分析，則反對社交媒體過度理想化的“公共領(lǐng)域”和異質(zhì)性。有研究者認(rèn)為，互聯(lián)網(wǎng)只是便利了選擇性接觸和近似觀點(diǎn)的強(qiáng)化[5-7]。Freelon 等根據(jù)有關(guān)敘利亞的轉(zhuǎn)發(fā)帖子衡量社交網(wǎng)絡(luò)同質(zhì)性是增加還是減少，發(fā)現(xiàn)研究的9個組整體上呈現(xiàn)出高度同質(zhì)化和碎片化特征，并且8個組都直接形成同質(zhì)化分組[8]。Leskovec 分析具有時態(tài)信息的四個大型社交網(wǎng)絡(luò)，證實同質(zhì)性的存在[9]。

本研究的主要觀點(diǎn)是：（1）微博帖子或許存在著“碎片化”的異質(zhì)性，但是如果將某個用戶所有發(fā)帖從“碎片”組裝還原為該用戶的“內(nèi)容整體”，那么用戶會表現(xiàn)出越來越減少獨(dú)特性、越來越趨同化的現(xiàn)象。（2）對于微博媒介的使用是用戶“越使用、越趨同”的重要驅(qū)動機(jī)制。（3）微博中的媒介使用對用戶產(chǎn)生的多種趨同化作用具有內(nèi)在統(tǒng)一性。

一、文獻(xiàn)綜述與問題分析

微博與社交媒體的用戶內(nèi)容同質(zhì)化，可以回溯媒介文化、媒介技術(shù)的文化考察及其理論資源。20世紀(jì)中葉，法蘭克福學(xué)派對于大眾傳媒、現(xiàn)代意義上“文化工業(yè)”的批判中，提出著名的“文化工業(yè)”概念，指出在規(guī)模化、商業(yè)化的文化生產(chǎn)和流通中，文化逐漸同一化、非個性化[10]107-152?！拔幕I(yè)”的批判理論視角中，蘊(yùn)含著文化內(nèi)容及其生產(chǎn)、消費(fèi)、趣味中的一系列同質(zhì)化、同一化，乃至主體性被同質(zhì)化文化內(nèi)容所侵蝕之憂思。馬爾庫塞提出“單向度的人”[11]提出“單向度的人”，從另一個角度反思技術(shù)影響下的去異質(zhì)化。對此，今天面對社交媒體需思考的是，在表層“碎片化”帖子信息和“肉眼可見”的個體差異中，“提煉”所謂的多樣化、去中心性以及“人人時代”[12]的媒介賦權(quán)，有可能忽視豐富內(nèi)容流動之下潛藏著的深層趨同性與同一化。對于微博用戶的分析，理論上需要回應(yīng)的基本問題包括：（1）作為媒介文化的重要領(lǐng)域，微博媒介場中的用戶內(nèi)容趨同化，是否的確存在?（2）如果趨同化是存在的，那么用戶的趨同程度是均等化的還是有著內(nèi)在差異?何種條件下生成趨同程度的差異？（3）批判理論之所以遭受到強(qiáng)力攻擊，尤其是來自堅持意義多樣性、受眾主動性的一些經(jīng)驗研究攻擊，其重要原因之一是在自身關(guān)于“文化工業(yè)”的同一性框架中，對于多樣性、異質(zhì)性過于簡單粗暴地“視而不見”，而未能將后者很好地融合到理論整體中。因此待重視的問題是：即使微博用戶“趨同”是可驗證的，但用戶實際上“肉眼可見”廣泛顯現(xiàn)的內(nèi)容差異性和多樣性需要很好地兼容于趨同性架構(gòu)，而不應(yīng)只是把兩者強(qiáng)行并置為“既A且B”的生硬統(tǒng)一。

由于社交網(wǎng)絡(luò)中用戶的共同興趣偏好、內(nèi)容偏向、選擇性接觸和傳播，導(dǎo)致“用戶社群”或“用戶網(wǎng)絡(luò)連接”中形成和表現(xiàn)出同質(zhì)化，它是用戶趨同的原因中被關(guān)注的主要方面之一。Himelboim等[13]通過社會網(wǎng)絡(luò)分析和聚類的方法分析了在Twitter上全球變暖、赤字問題、移民改革等10個爭議性話題發(fā)表看法的500位用戶，發(fā)現(xiàn)從集群內(nèi)角度看，其觀點(diǎn)、立場同質(zhì)化明顯。朱慶華、袁園及孫霄凌[14]以新浪微博為研究對象，隨機(jī)選取 500 個微博達(dá)人樣本，篩選出他們關(guān)注的其中 32 位明星微博，結(jié)合社會網(wǎng)絡(luò)分析方法和聚類分析，充分顯示出微博社區(qū)的社會關(guān)系中具有很強(qiáng)的中心集中趨勢，大多數(shù)微博用戶存在著某些共同微博使用目的和關(guān)注習(xí)慣。陳福平和許丹紅點(diǎn)[15]使用皮尤“互聯(lián)網(wǎng)與美國生活項目”2012年發(fā)布的調(diào)查數(shù)據(jù)研究指出，在社交網(wǎng)絡(luò)的技術(shù)、媒介和社會網(wǎng)絡(luò)三重特性的相互作用下，使用者會選擇觀點(diǎn)的隔離并轉(zhuǎn)而鏈接同質(zhì)群體，這一構(gòu)建過程最終導(dǎo)致網(wǎng)絡(luò)群體極化產(chǎn)生；在政治觀點(diǎn)表達(dá)更為活躍的社交網(wǎng)絡(luò)中，人們認(rèn)知到相異觀點(diǎn)幾率反而下降；社交網(wǎng)絡(luò)的使用頻率越高，使用者越傾向?qū)ο喈愑^點(diǎn)保持沉默，越傾向隔離相異觀點(diǎn)。王曉光[16]通過對微博用戶社會網(wǎng)絡(luò)分析后指出：普通微博用戶在線上更容易陷入特定主題交流社區(qū)，關(guān)注對象通常集中在特定的核心微博上。Lawrence[17]發(fā)現(xiàn)微博鏈接中意識形態(tài)隔離，跨黨派產(chǎn)生實質(zhì)交流的機(jī)會很少。總體來看，用戶傾向于和具有共同內(nèi)容和興趣的用戶、群體形成選擇性的連接，帶來觀念和內(nèi)容隔離甚至形成“回音室”，這些都是微博用戶同質(zhì)化形成的關(guān)鍵組成部分之一。

從表層而言，在這些網(wǎng)絡(luò)“回音室”、觀念隔離、選擇性接觸等同質(zhì)化效應(yīng)中，驗證了用戶會產(chǎn)生相似意見與態(tài)度。但用戶在部分意見、態(tài)度、帖子內(nèi)容的相似化，并不等于用戶整體內(nèi)容的相似化。還隱含著的重大問題是：用戶因共同觀點(diǎn)、內(nèi)容偏向而形成的連接與聚合，在現(xiàn)有研究中大部分是局部或微觀的，也即研究個體和個體的微觀之間或有限規(guī)模社群內(nèi)的相似化。這對于另一個重要問題則關(guān)注度不夠：社交網(wǎng)絡(luò)全局范圍內(nèi)的趨同化，或是批判理論意義上的“宏觀”同一化。其中隱含著的理論緊張是：局部個體、群體的網(wǎng)絡(luò)“回音室”“觀念隔離”，在加強(qiáng)局部化趨同的同時，它是使整體陷入一個個微小趨同局部、“巴爾干化”，還是可能伴隨和催動整體趨同化？

微博和社交媒體用戶的內(nèi)容生產(chǎn)過程中，一些內(nèi)容、主題帶有偏向，會引起用戶朝特定類型內(nèi)容偏倚與分布，從而限制用戶“自由”生成內(nèi)容的異質(zhì)性。盡管“人人都有麥克風(fēng)”，社交媒體、自媒體賦予了“用戶生成內(nèi)容”很大自主和“草根”性，但是內(nèi)容生產(chǎn)中蘊(yùn)含著趨同化的內(nèi)在動力，被研究者所注意。被卷入到平臺規(guī)則體系中的用戶內(nèi)容生產(chǎn)中，以召回率(Recall Rate)為目標(biāo)的內(nèi)容推薦算法帶來了內(nèi)容選題、類型和風(fēng)格的系統(tǒng)化傾向，直接影響到內(nèi)容生產(chǎn)者的旨趣；內(nèi)容召回和用戶留存的前提在于內(nèi)容的高效產(chǎn)出，這促使內(nèi)容生產(chǎn)活動變得愈加職業(yè)化和標(biāo)準(zhǔn)化[18]。有學(xué)者強(qiáng)調(diào)，“合法性危機(jī)”是造成傳媒機(jī)構(gòu)和組織出現(xiàn)“同質(zhì)化”現(xiàn)象的根本原因，這一危機(jī)導(dǎo)致“強(qiáng)迫機(jī)制”“模仿機(jī)制”和“社會規(guī)范機(jī)制”相互作用，最終使得傳媒出現(xiàn)相當(dāng)程度的同質(zhì)化[19]。張志安等[20]24-30的研究則顯示，微博輿論場中，營銷類、娛樂類用戶成為微博意見領(lǐng)袖群體的主流。這也意味著，大量用戶朝向“娛樂至死”“營銷致死”的類型偏倚會減少微博中的用戶內(nèi)容豐富性，加強(qiáng)在少數(shù)類型上的集中化和相似化。就微博信息、資訊的主題類別而言，有研究支持，不同主題類別微博被轉(zhuǎn)發(fā)的概率存在顯著差異，平均轉(zhuǎn)發(fā)數(shù)相差可達(dá)10倍，各類主題在微博信息擴(kuò)散效果和用戶擴(kuò)散能力方面都表現(xiàn)出強(qiáng)弱分化的特征[21]，從而使得用戶的內(nèi)容生產(chǎn)、傳達(dá)表現(xiàn)出在特定主題上的偏倚。這些建基于用戶內(nèi)容生產(chǎn)和內(nèi)容擴(kuò)散過程中的研究，關(guān)系到用戶內(nèi)容在邏輯上的趨同可能性和應(yīng)然性。在此基礎(chǔ)上，仍有待進(jìn)一步探及的問題包括：用戶的內(nèi)容生產(chǎn)過程和微博使用過程，如何以及以怎樣的程度影響著用戶內(nèi)容同質(zhì)性？

在線用戶之間社會關(guān)系和社會網(wǎng)絡(luò)是影響和加強(qiáng)用戶同質(zhì)化信息傳播的重要因素之一。用戶自主構(gòu)建的個性化信息獲取網(wǎng)絡(luò)首先與其社交關(guān)系網(wǎng)絡(luò)相關(guān)，當(dāng)人們以社交關(guān)系構(gòu)建起自己的信息網(wǎng)絡(luò)時，也就建立了一道無形的墻，將一些信息阻擋在外面[22]。用戶社會關(guān)系和信息的同質(zhì)性選擇、同質(zhì)性擴(kuò)散之間存在著相關(guān)性。Colleoni等[23]對Twitter使用者的考察發(fā)現(xiàn)，具有共和黨和民主黨傾向的人群互動中的“普遍同質(zhì)性”(某個用戶的關(guān)注同黨派人的連接數(shù)除以他的全部關(guān)注數(shù)量，數(shù)值在區(qū)間[0，1])都超過了0.8。Conover等[24]使用聚類方法分析超過25萬條Twitter消息的轉(zhuǎn)發(fā)網(wǎng)絡(luò)和評論網(wǎng)絡(luò)，其中出現(xiàn)了隔離結(jié)構(gòu)，高度模塊化的社群圖被分隔為簇狀，這種簇狀連接被認(rèn)為是同質(zhì)化甚至群體極化。在這些因素的影響下，用戶接觸、連接異質(zhì)信息的用戶存在一定的用戶間壁壘。信息更多的在同質(zhì)用戶圈層中流動而難以“出圈”，不同圈層間的態(tài)度、立場的分歧甚至對立可能會增加[25]。這類研究確證了網(wǎng)絡(luò)“強(qiáng)關(guān)系”“弱關(guān)系”中可能存在的信息同質(zhì)化。但與此不同的是：微博空間不只是由用戶的社會連接關(guān)系構(gòu)成的在線社會，也可能是由某些具有共同在線特征、微博話語特征的“用戶階層”“用戶層級”構(gòu)成的在線社會。例如，具有相近的粉絲量或帖子影響力的“大V”“頂部用戶”用戶層級，亦或具有相近微博使用度的“淺度用戶”“重度用戶”層級，這些具有不同的媒介化等級和“能量”的用戶可能并無共同的好友關(guān)系或群體紐帶，但是它們可能具有共同的信息趨同特征。微博使用端的用戶作為“媒介的延伸”，其媒介使用本身、使用過程中“媒介化”程度和結(jié)果需要加以細(xì)致考量，而不是在過度重視社會學(xué)、人口學(xué)、網(wǎng)絡(luò)行為學(xué)等外在因素中忽略“回到媒介”的本體論向度。用戶在微博的媒介使用中如何形成、表征其內(nèi)容趨同化，是現(xiàn)有研究中尚挖掘不充分的。

有研究指出，微博中的內(nèi)容存在對特定主題如娛樂、營銷的偏向[20]24-30。但是這種朝向特定內(nèi)容域的偏倚并不能推導(dǎo)出用戶必須趨同。在任何一個社會文化系統(tǒng)中，無論該系統(tǒng)如何偏重于某些局部主題，都和系統(tǒng)中主體之間的差異性、波動性并不矛盾。另一方面，在顯而易見的帖子豐富性、個體主題和興趣差異化背景下，微博用戶是否以及如何體現(xiàn)其趨同邏輯？綜合現(xiàn)有研究，并關(guān)注微博、社交媒體現(xiàn)實，以下相關(guān)聯(lián)問題值得繼續(xù)思考：

A.關(guān)于社交媒體用戶連接、用戶行為、傳播行為的研究，尤其是其中的大量實證研究，雖然不斷觸及用戶的觀念、內(nèi)容、態(tài)度和立場的同質(zhì)化，但是這些研究范式基本的指向都是用戶是否以及如何形成局部、微觀、個體尺度的同質(zhì)化。例如具有強(qiáng)關(guān)系或弱關(guān)系的個體之間的相似性，群體內(nèi)部的“回音室”和群體意見極化、“巴爾干化”，關(guān)注和被關(guān)注、轉(zhuǎn)發(fā)和被轉(zhuǎn)發(fā)過程中的信息同質(zhì)性。與之不同的是，宏觀媒介場和全體用戶群，是否以及如何表現(xiàn)出趨同化？

B.和A相關(guān)，微博用戶如果在宏觀尺度表現(xiàn)出內(nèi)容趨同化，由于“肉眼可見”的內(nèi)容差異，那么這種整體上的趨同化必然是不均等、不均衡的，它不同于批判學(xué)派意義上“抽象”的標(biāo)準(zhǔn)化和籠統(tǒng)的同一性。與此相關(guān)的是，不同用戶的趨同，是否以及在怎樣的條件下體現(xiàn)著強(qiáng)弱、程度的差異？相比較于社會經(jīng)濟(jì)地位、亞文化和社會群體背景、人口學(xué)特征等更為顯見的變量，微博使用程度看似更為間接，也往往被前者所轉(zhuǎn)移注意力。但如果趨同是在微博使用中發(fā)生的，那么對微博的使用度就是最為直接關(guān)聯(lián)的變量之一，關(guān)系到用戶“越使用，越趨同”的問題。

C.對于由多行動者(agent)構(gòu)成的系統(tǒng)而言，其趨同策略包括平滑擴(kuò)散趨同(Flat Diffusion Convergence)和非平滑擴(kuò)散趨同。前者中每個行動者的地位是平等的，由于沒有優(yōu)先的策略值[26]；而非平滑的擴(kuò)散趨同中，存在著具有優(yōu)越性的趨同策略，使得系統(tǒng)最后的趨同結(jié)果會聚集于這些高地位的agent的策略值[27]。對微博用戶組成的系統(tǒng)而言，是否存在朝向這些更高優(yōu)先性的趨同方向和趨同標(biāo)的？例如，微博系統(tǒng)中具有更高使用度的用戶。

D.除了高優(yōu)先性的趨同方向差異，還存在著全局?jǐn)U散趨同和鄰域擴(kuò)散趨同。其一，在鄰域擴(kuò)散趨同中，每個agent逐步根據(jù)其領(lǐng)域的agent策略平均值來進(jìn)行自我調(diào)整，從而最后實現(xiàn)整個系統(tǒng)的趨同[28]。其二，在其他一些情況下，行動者不僅只是感知到鄰域的影響，還會受到其他非鄰居的作用，形成全局?jǐn)U散趨同(Global Diffusion Convergence)[29]。當(dāng)前研究主要集中于各種形式、條件的鄰域趨同，而對全局趨同則關(guān)注不足。因此對于微博用戶，還需關(guān)注兩方面：他們是否以及如何體現(xiàn)和全局用戶趨于一致的全局趨同化？是否以及如何體現(xiàn)和相近用戶的“鄰域”趨同化?

E.由A、C、D可推知的是，如果用戶隨著其微博使用度的提升，而和某些或全局用戶變得趨于相似，那么最接近“標(biāo)的”甚至約等于“標(biāo)的”的（無論該“標(biāo)的”是什么樣，在此并不重要）用戶，也就是最高使用度的那批用戶。從而，帶來用戶和“最高使用度”的“頂部用戶”趨同的態(tài)勢。這不是獨(dú)立的假設(shè)，而是基于C和D的推斷。

F.微博用戶在C、D、E中所涉及的多種趨同路徑，是統(tǒng)一、同步的，還是矛盾、對立的？亦或獨(dú)立、無關(guān)聯(lián)的？例如，趨向于全局用戶的同化和趨向于鄰近用戶的同化，兩者是矛盾的或至少是獨(dú)立并行的效果嗎？而全局趨同、鄰域趨同和趨向優(yōu)勢用戶的趨同，又是何種關(guān)系？一方面，基于A、C、D尤其是E可以推斷，趨于和“最高使用度”頂部“標(biāo)的用戶”的趨同是和其他某些趨同性具有同步性的。但這種同步性廣泛到什么程度，能否強(qiáng)烈到能使看似“風(fēng)馬牛不相及”的全局趨同性和鄰域趨同性之間同步，甚至使全部的趨同化程度表現(xiàn)出同步性，理論尚難以推斷，還有待實證的繼續(xù)研究。

基于上述可資借鑒的成果和對于微博中實際問題的分析和推斷，提出相互關(guān)聯(lián)的核心觀點(diǎn)。在此首先要予以說明的是，全文分析和研究中，把微博用戶按照相同或相近的使用度進(jìn)行社會“分層”，采取了數(shù)據(jù)挖掘中常用的等頻“分箱化”預(yù)處理，例如社會區(qū)分下的“用戶層級”。這種分箱化或分層的預(yù)處理，可以減少個體的過大隨機(jī)“噪音”，更為清晰地分析自變量條件下的趨同化演變規(guī)律。如果不是要精確地根據(jù)某些條件去預(yù)測個體，而只是試圖考察在這些條件下的用戶的變化態(tài)勢和機(jī)制，那么對用戶的“分層”研究就可以達(dá)成后者的目的。而且，通過具有相同特征的用戶分層捕捉某種、某類個體的共同特征，可增強(qiáng)計算與結(jié)果關(guān)聯(lián)的穩(wěn)定性，同時有利于加強(qiáng)對微博用戶階層和群體特征的社會考察而非個體考察。尤其對于“意見階層”內(nèi)部高同質(zhì)化關(guān)系的分析，更需要把用戶群作為分層后的整體來考察。這些是本文研究以用戶“社會層級”為單位而不是以“個體”為對象的多方面原因。

首先，整體研究的基本觀點(diǎn)為，用戶的微博使用程度存在著和其內(nèi)容趨同化程度之間的正相關(guān)。其中，把微博用戶作為一個個“帖子內(nèi)容單元體”，也即由該用戶所生產(chǎn)、發(fā)布的所有帖子內(nèi)容構(gòu)成的一個基本單元。這個問題可以轉(zhuǎn)換到用戶“分層”的社會學(xué)群體視域，也即，使用度越高的用戶層級，則該層級人群的平均趨同化程度就越高。在此基礎(chǔ)上，進(jìn)一步分析。

（Q1）用戶內(nèi)容趨同化。用戶在微博使用中，消減自身的獨(dú)特內(nèi)容，變得和某些用戶“模板”或“社會層級”越來越相似，從而發(fā)生趨同化：Q1.1.受到全局媒介場的作用，和全體用戶越來越相似與同質(zhì)化(可稱為全局趨同化)；Q1.2.趨向和最高使用度的“典范”用戶層級越來越相似 (可稱為頂部趨同化)；Q1.3.朝向具有和自身相同或相近的媒介使用度的“鄰近”用戶的趨同化(可稱為近鄰趨同化)；Q1.4.趨向和自身使用度相同的本層級用戶的趨同化(層內(nèi)趨同化)。對這些可能的路徑進(jìn)行綜合考察，這四種趨同化的指向與內(nèi)涵如圖1所示。

圖1 基于媒介使用度的用戶分層及其趨同化路徑

對于全體用戶中任一使用度水平的用戶層級m，面臨著幾種不同的削弱自身內(nèi)容的個性、趨同于他人的路徑：（1）層級m內(nèi)的用戶的彼此間的平均相似度（層內(nèi)趨同化）；（2）用戶層級m與使用度最為接近的近鄰層級（m?1）和（m?1）發(fā)生趨似（近鄰趨同化）；（3）m可能朝向使用度最頂層的用戶層級MAX發(fā)生趨似（頂部趨同化）；（4）m和全體用戶發(fā)生的趨似（全局趨同化）。至于這四個層面是全部成立還是部分成立，亦或全部不成立，則留待后文的實證檢驗。

（Q2）用戶內(nèi)容趨同化的四種路徑的一致性。Q1.1（全局趨同化）、Q1.2（頂部趨同化）、Q1.3（近鄰趨同化）、Q1.4（層內(nèi)趨同化）這四種不同標(biāo)的的趨同路徑，不是矛盾的、相互掣肘的，也不是互不相關(guān)的，而是一致的、同步的。全文的邏輯結(jié)構(gòu)和內(nèi)在關(guān)系如圖2所示。

圖2 整體邏輯結(jié)構(gòu)

二、研究設(shè)計

（一）概念與指標(biāo)界定

Weng[30]在分析Twitter用戶同質(zhì)性時，將同質(zhì)化定義為共享相似內(nèi)容并因此表現(xiàn)出相似興趣的趨勢。在群體行為的“趨同”現(xiàn)象中，每個行動者都具有一定行為策略值；行動者在初步階段可以任意選擇自己的策略值，但是隨著時間的發(fā)展他們最后會選擇同一種策略值[31]。本文將微博用戶內(nèi)容“趨同化”定義為：用戶在微博媒介使用程度較低時，其發(fā)布的內(nèi)容較為獨(dú)特化和異質(zhì)化；而隨著對微博使用度的不斷加深，用戶會減少內(nèi)容的獨(dú)特性和個性化差異，增加與他人的相似性。

1.全局相似度層面，也即用戶和全體用戶、“蕓蕓眾生”的平均相似度越來越高，“泯然眾人矣”而越來越磨滅自己的內(nèi)容個性與獨(dú)特性。

2.趨頂相似度層面，也即用戶和某種使用度最高的用戶群體（可理解為社會聚光燈下、遠(yuǎn)在普通人之上的那部分“典范”人群），其平均相似度越來越高。例如，注冊時長越久的用戶，他們會和注冊時長最長的那部分用戶越來越相似。

3.近鄰相似度層面，也即用戶和具有相近使用度的用戶，其平均相似度越來越高。用戶不僅在趨似于“蕓蕓眾生”和典范性的“頂部用戶”，也在趨似于媒介使用度方面和自己最為“鄰近”的用戶和社會層級。

4.層內(nèi)相似度層面，也即用戶所處的具有相同使用度的層級內(nèi)部，其平均相似度會越來越高。例如，如果用戶劃分為“最低使用度”和“最高使用度”的不同的“階層”，則“最低使用度”的階層內(nèi)部會比較松散，大家彼此各不相同的程度很高；但是“最高使用度”的階層內(nèi)部的各人則彼此更為相似，相互趨近的“密度”和“黏稠度”比“低使用度”階層高。本段所述的層內(nèi)相似度，既是一個相對獨(dú)立的猜測，同時也是來自第1個和第3個假設(shè)的自然延伸：如果用戶隨著微博媒介的使用，而在內(nèi)容生產(chǎn)上受到各種“消磨個性”“泯然眾人矣”的作用，他們進(jìn)行內(nèi)容生產(chǎn)的“自我彈性”越來越小。這樣能預(yù)期的是，初級、低級使用度的層級雖然是“大流”“主流”的用戶層級，但是該層級反而是更為異質(zhì)化的，而不是缺乏差別和個性的“群氓”。而與一般的直覺不同的是，高使用度的用戶、各垂直領(lǐng)域的精英用戶等中、高“社會層級”內(nèi)部反而是越來越高度同質(zhì)化。這一點(diǎn)也是本文對用戶樣本采取“分層”研究而不是個體研究的重要原因之一。

樣本選取自新浪微博。作為中國互聯(lián)網(wǎng)2.0時代的代表性社交媒體和自媒體平臺，新浪微博發(fā)展至今，活躍用戶數(shù)量超4億，用戶覆蓋范圍廣。對于新浪微博使用程度的衡量，從以下方面進(jìn)行。

1.最基本的層面，是對微博的媒介接觸和“浸泡”、卷入，這里采取用戶的微博賬戶注冊天數(shù)來反映。

2.最基本的媒介接觸并不意味著對媒介的使用活性，因此進(jìn)一步考察其使用的活性，這里采用微博用戶的賬戶經(jīng)驗值、微博用戶關(guān)注他人數(shù)量來衡量。其中，各微博賬戶的經(jīng)驗值來自新浪微博的公開數(shù)據(jù)，直觀地反映了用戶在新浪微博的使用活躍性和經(jīng)驗，獲得經(jīng)驗值的方式主要為：發(fā)微博，連續(xù)登錄賬號。而用戶關(guān)注他人，反映了用戶在新浪微博使用中的主動性，積極尋求和其他用戶的信息傳播、關(guān)注和建立一定社會連接。用戶關(guān)注他人數(shù)存在大量低關(guān)注數(shù)的“長尾”，取常用的對數(shù)函數(shù)轉(zhuǎn)換法，也即:xnew=log2(x+1)。

3.有媒介接觸、媒介使用活性，并不就意味著擁有使用的效果，那么這種使用即使很持續(xù)、很活躍，但也可能只是一種低效的、低顯示度的使用。因此，進(jìn)一步考察新浪微博用戶的使用效果和影響，一是采用該用戶所有發(fā)帖的平均熱度，也即某用戶各帖子的被點(diǎn)贊數(shù)、被轉(zhuǎn)發(fā)數(shù)及被評論數(shù)，分別由對數(shù)函數(shù)轉(zhuǎn)換后在[0，1]區(qū)間歸一化，并等權(quán)求均值，作為該用戶的帖子平均熱度值，即:xnew=[minmaxlog2(x1+1)+minmaxlog2(x2+1) +minmaxlog2(x3+1)]/3，其中x1、x2、x3分別指用戶的帖子平均轉(zhuǎn)發(fā)數(shù)、平均評論數(shù)及平均點(diǎn)贊數(shù)，minmax（）將數(shù)據(jù)在[0，1]區(qū)間予以最小最大歸一化。二是采用用戶的粉絲數(shù)作為直觀指標(biāo)之一，漲粉、粉絲量是微博用戶影響力和網(wǎng)絡(luò)話語地位的一個簡單而有高區(qū)分度的指標(biāo)，該指標(biāo)和關(guān)注他人數(shù)一樣符合大量長尾的冪律分布，也取對數(shù)函數(shù)轉(zhuǎn)換得到，即:xnew=log2(x+1)。微博的使用度指標(biāo)從三大方面、五個子指標(biāo)構(gòu)成，如表1所示。

表1 微博使用度指標(biāo)

用戶使用程度的上述指標(biāo)量綱不一致，而且分布不一致，各個指標(biāo)的隨機(jī)波動也很大。為了簡化研究，采用常用的“分箱化”策略，對用戶在每一種使用度指標(biāo)下，劃分為等頻(等人數(shù))的由低到高的30個“社會層級”。

（二）數(shù)據(jù)獲取和預(yù)處理

運(yùn)用開源網(wǎng)頁文本抓取工具“八爪魚”，以及自行用python和selenium編寫的動態(tài)網(wǎng)頁抓取程序，抓取新浪微博用戶資料及其發(fā)帖。從新浪微博首頁 47 個內(nèi)容版塊（分別是:社會、國際、科技、科普、數(shù)碼、財經(jīng)、股市、明星、綜藝、電視劇、電影、音樂、汽車、體育、運(yùn)動健身、健康、瘦身、養(yǎng)生、軍事、歷史、美女模特、美圖、情感、搞笑、辟謠、正能量、政務(wù)、游戲、旅游、育兒、校園、美食、房產(chǎn)、家居、星座、讀書、三農(nóng)、設(shè)計、藝術(shù)、時尚、美妝、動漫、宗教、萌寵、法律、視頻、上海）中，持續(xù)一個月每天抓取2次帖子，從這些樣帖整理得到 10 037 個發(fā)布者。本研究出于規(guī)模和成本所限，未采用大規(guī)模隨機(jī)漫步等抽樣方法，但采樣時間持續(xù)了一個月，并非某個短時間內(nèi)的抽取; 而且結(jié)合了新浪微博自身的內(nèi)容分發(fā)系統(tǒng)，廣泛而大致均衡地分布在 47 個大內(nèi)容類型版塊，因而也體現(xiàn)出較大覆蓋面和良好程度的代表性。2018年10—12月期間，采集這些發(fā)布者用戶的URL信息，并在此基礎(chǔ)上進(jìn)一步采集 10 037 個用戶的用戶名、性別、所在地、粉絲數(shù)、關(guān)注數(shù)、發(fā)布微博數(shù)、注冊時間、等級及會員信息等多種信息；根據(jù)用戶URL地址，對用戶發(fā)帖進(jìn)行抓取，得到去重后的微博數(shù)量 34 892 987 條。由于帖子過少可能難以充分反映出用戶內(nèi)容特征，所有只保留樣本帖在 3 000 條以上的用戶，剩下 7 825個用戶用于最終分析，并且每個用戶一律隨機(jī)抽取其中 3 000 條帖子，以增強(qiáng)口徑的統(tǒng)一與橫向可比較性。用 python 編程語言對文本進(jìn)行繁體字簡化，采用在學(xué)界和業(yè)界較為常用的 jieba 模塊完成中文分詞。

（三）基于潛在語義分析(LSA)的文本表示與用戶內(nèi)容向量化

潛在語義分析(Latent Semantic Analysis，LSA)是一種文本降維和分布式語義表示方法[32]。一般的向量空間模型(Vector Space Model，VSM)高維、稀疏的文本表示方法不同的是，LSA利用在文本數(shù)據(jù)挖掘中廣泛應(yīng)用的奇異值分解(Singular Value Decomposition，SVD)技術(shù)，將文檔的高維詞頻表示投影到低維的潛在語義空間中，通常可以把數(shù)萬、數(shù)十萬以上的高維、稀疏表示降到數(shù)千、數(shù)百的低維表示，而且這種低維向量反映著詞匯在語義上的內(nèi)在聯(lián)系。其中，對于文檔-詞項的矩陣X進(jìn)行奇異值分解可得：X=TΣDT。LSA通過奇異值分解，保留前k個最大奇異值，通過降維后的k個潛在語義主題以代替、表示原有全部詞項的信息；也即，通過TkΣkDkT來近似地表示原文檔-詞項構(gòu)成的矩陣X。

本研究對每個微博用戶，其所有樣本帖{x1，x2，x3，…，xn}拼接為一個長文檔，每個用戶之間是有其區(qū)分度的。7 825 個用戶共得到 7 825 個長文檔，并通過向量空間模型將其轉(zhuǎn)換為一個詞頻矩陣X，其中剔除出現(xiàn)頻次少于30的詞，降低噪音的干擾，也保留更為主要和有價值的信息。并對這個矩陣X通過LSA算法降為7 825×500 的矩陣。LSA 降維工具采用 sklearn 中的 TruncatedSVD 模塊。選擇降到 500維，是通過實驗顯示500 維處于一個誤差的“拐點(diǎn)”，再增加維數(shù)對于保留原始信息已大幅放緩（如圖3所示）；而且降到 500 維時已達(dá)到 0.90 的解釋方差比（explained_variance_ratio_，降維后各維數(shù)的方差值占總方差值的比例，最大值為1），對于原始信息已有足夠充分的保留和反映，如表2所示。

圖3 潛在語義分析（LSA）降到不同維數(shù)時的解釋比變化情況

表2 LSA降到不同維數(shù)時的解釋比

（四）用戶內(nèi)容相似度計算

對用戶的內(nèi)容相似度計算，選擇在文本挖掘、語句相似度計算及自然語言處理中比歐氏距離更常用、也具有高度穩(wěn)健性的余弦相似度。將用戶的諸條帖子拼接為一條文檔，并通過LSA的降維、轉(zhuǎn)換后，將這個文檔轉(zhuǎn)為一個低維度向量。

任意兩個用戶m和n之間的內(nèi)容相似度表示為R（m，n）。其中R（m，n）的計算方法為:將這兩個用戶m、n分別轉(zhuǎn)換得到兩個向量A、B之后，余弦相似度也即兩個向量A、B之間夾角的余弦cos(θ)

該值范圍在[-1，1]，值越大表明這兩個用戶之間內(nèi)容越相似。

在上述R（m，n）的基礎(chǔ)上，任意一組用戶G1（包含n1個用戶）和另一組用戶G2（包含n2個用戶）的內(nèi)容相似度表示為

式（2）是在式（1）的基礎(chǔ)上，采用衡量兩組對象間的平均距離、平均相似度所常用的“類平均法”(或稱“簇平均法”，Average Group Linkage)而得到。其中G1或G2都可以有且僅有一個用戶，這種情況下也即：式（1）中所計算的個體與個體之間的兩兩相似度成為式（2）中n1和n2分別都為1時的特例。本研究中，由于用戶分層后的層內(nèi)人數(shù)通常不為1個，所以文中被直接應(yīng)用的還是式（2）。

H（G1，G2）的值越大，表明兩組用戶之間兩兩的趨近、類同乃至重復(fù)程度越高；若兩組用戶的異質(zhì)化內(nèi)容越大，則平均相似度就會越低，也即H（G1，G2）的值越小。

將全體用戶樣本按照使用程度的高度分層后，任意一個用戶層級Gi的不同的“趨同化”程度，計算方法如下：

1.全局趨同化程度。Gi與全體用戶G的平均相似度為

2.趨頂趨同化程度。Gi與頂部層級用戶Gmax的平均相似度為

3.近鄰趨同化程度。Gi與高一層級的用戶Gi+1的、低一層級的用戶Gi-1，其相似度的平均值為

4.層內(nèi)趨同化程度。Gi內(nèi)部的本層級用戶之間的平均相似度為

（五）可操作化的假設(shè)

根據(jù)前文提出的問題以及研究設(shè)計、整體研究路線，將問題(Q1，Q2，Q3)轉(zhuǎn)換為如下可操作化的假設(shè):

設(shè)新浪微博的用戶樣本集合（N=7 825）為G，G中的每個用戶Ui將其全部樣帖聚合為一條文本Ti，通過文檔-詞項矩陣、潛在語義分析（LSA）方法，得到每個用戶內(nèi)容經(jīng)降維、提取主要信息后的文本特征向量Vi。按照用戶對于微博媒介使用度(媒介接觸/使用活性/使用效果中的一個子指標(biāo))的高低程度，將全體用戶G等頻劃分為m個具有相同或相近使用度的不同用戶層級{G1，G2，G3，…，Gm}。并結(jié)合式（2）及其推演得到式（3）～式（6），計算各個用戶層級與其他用戶層級或全體用戶的平均相似度，轉(zhuǎn)換后的假設(shè)如表3所示。

表3 研究假設(shè)及其操作化的表述

將表3 中 H1、H2 的計算過程，在五種使用度子指標(biāo)下分別計算一遍，即可以分析H1、H2 在這不同使用度指標(biāo)下是否都成立。

三、實證分析

（一）微博媒介使用度與四種相似度的相關(guān)系數(shù)分析

將 7 825 個用戶，按照其使用度等級的高低不同，將等使用度或相近使用度的用戶劃分到一個“用戶層級”中，等頻切分為30層。對假設(shè)H1.1、H1.2、H1.3、H1.4分別在5種媒介使用度指標(biāo)下檢驗：對每一層的用戶，取其使用度的平均值作為該層用戶的使用度“質(zhì)心”，再計算質(zhì)心和該層用戶的趨同化相似度之間的皮爾遜相關(guān)系數(shù)。例如，計算“微博用戶經(jīng)驗值”是否和用戶的全局相似度有相關(guān)性，是對30層用戶每層得到其經(jīng)驗值的均值作為該層質(zhì)心，得到數(shù)組A=[a1，a2，a3，…，a30];30層用戶每層同樣能計算得到該層和全體用戶的“全局相似度”，得到順序相對應(yīng)的數(shù)組B=[b1，b2，b3，…，b30]，然后對A、B求皮爾遜相關(guān)系數(shù)，結(jié)果為0.906（表中第2列第3行）。其他的變量也都依次類推。得到相關(guān)系數(shù)，如表4所示。

表4 用戶的微博使用度和趨同化程度的皮爾遜相關(guān)系數(shù)表

在新浪微博中注冊時長越久、“浸泡”越久的“老”用戶，他們和以下4種用戶的相似度、趨同度就越高：（1）和全局用戶相似；（2）和注冊時長最久的最頂一層用戶相似；（3）和相鄰正負(fù)一個層級的用戶相似；（4）和具有相同或相近注冊時長的本層用戶相似。根據(jù)皮爾遜相關(guān)系數(shù)，注冊時長指標(biāo)和全局相似度的正相關(guān)系數(shù)高達(dá)0.925，已經(jīng)幾乎是直線增長。和其他幾種相似度的正相關(guān)系數(shù)也都達(dá)到了0.714以上不等。

隨著用戶使用微博的經(jīng)驗值日益提升，它們是不是也會表現(xiàn)出相應(yīng)的四種相似度增加呢？皮爾遜相關(guān)系數(shù)分析顯示，用戶經(jīng)驗值和4種相似度全部呈正相關(guān)，相關(guān)系數(shù)最低也達(dá)到了0.877（層內(nèi)相似度），其他三種相似度全部高達(dá)0.9以上，P值全部都小于0.001。這在社會科學(xué)研究中是比較突出的正相關(guān)。

新浪微博用戶越是主動關(guān)注他人、顯現(xiàn)出在社交媒體中的互動性和活性，是否就越是表現(xiàn)出更高的“趨同”度呢？結(jié)果是肯定的且是非常鮮明的。關(guān)注他人數(shù)和4種相似度，皮爾遜相關(guān)系數(shù)全部顯著，而且均在0.915以上。

發(fā)帖平均熱度越高的用戶層級，他們的趨頂相似度、近鄰相似度、層內(nèi)相似度就都顯著地越高，而全局相似度的增加不明顯。

粉絲數(shù)越高的用戶層，盡管在全局相似度方面的增加不顯著，但是在剩下的幾個指標(biāo)中全部顯著，甚至和趨頂相似度的皮爾遜相關(guān)系數(shù)高達(dá)0.959。

之所以發(fā)帖熱度、粉絲數(shù)與全局相似度的相關(guān)系數(shù)不夠顯著，推測是由于過于“隨大流”、與全局用戶過于相似的用戶，難以得到很高的粉絲量和帖子傳播效果。但是即使這兩個微觀條件下不符合，也必須看到：其一，這兩個指標(biāo)下的其他三種趨同化依然是顯著的，部分甚至是很高的相關(guān)；其二，至少這兩個不顯著相關(guān)系數(shù)未表現(xiàn)為負(fù)的相關(guān)系數(shù)，也即用戶不會因為要達(dá)到高粉絲量、高帖子傳播效果而保持一種“特立獨(dú)行”的反趨同化。

總體而言，用戶的使用度變量（5種）和趨同化程度變量(4種)之間具有正相關(guān)性，5×4=20組的相關(guān)系數(shù)分析中有18組（90%）的皮爾遜相關(guān)系數(shù)顯著，而且這些顯著的相關(guān)系數(shù)平均值達(dá)到+0.78，有9組相關(guān)系數(shù)達(dá)到了+0.9以上的高度正相關(guān)。

（二）不同的趨同化程度是否具有一致性

根據(jù)上文的分析，在根據(jù)5種微博使用度指標(biāo)的切分中，用戶在絕大多數(shù)情況下，隨著微博使用程度的提升而表現(xiàn)出對總體用戶、頂部用戶、近鄰用戶和本層級用戶的趨同程度增加。相關(guān)聯(lián)的問題是：用戶的4種“趨同化”作用，是各自獨(dú)立、互不相關(guān)的；亦或相互制約和掣肘的；還是統(tǒng)一、同步的作用？

為了考察4種不同的“趨同化”路徑和方向之間是否具有內(nèi)部一致性，采用Cronbach’s α 系數(shù)進(jìn)行考察。盡管學(xué)術(shù)界對于Cronbach’s α 系數(shù)能否很好地反映量表的內(nèi)部一致性還存在一些不同看法，但是該方法在當(dāng)前仍是普遍使用的簡單有效方法之一。Cronbach’s α 值如果達(dá)到0.6以上是通常可接受的結(jié)果，達(dá)到0.8或0.9以上是很理想的值。

在5種分層指標(biāo)下，分別對用戶等頻分層為30個“用戶層級”，每個層級分別都能計算出4種趨同化的程度，也即能得到30行×4列的數(shù)據(jù)表。對這4列變量計算Cronbach’s α系數(shù)，最終結(jié)果如表5所示。

表5 趨同化程度之間的一致性分析

無論按照哪種“使用度”作為依據(jù)，不同等級用戶所朝向的全局趨同化、頂部趨同化、鄰近趨同化、層內(nèi)趨同化這四種“趨同化”的路徑是一致、同步的，不存在“此消彼長”或“互不相干”等情況。5種使用度指標(biāo)下，即使按照“帖子平均熱度”這個最不理想的情況，4種趨同化程度的 Cronbach’sα系數(shù)也達(dá)到了0.807，而在注冊時長、微博經(jīng)驗值、關(guān)注他人數(shù)這三種指標(biāo)下，Cronbach’sα系數(shù)甚至到0.967乃至0.974的高值。不同的趨同化路徑與方向盡管“殊途”，但卻顯現(xiàn)出“同向”和“同步”。

四、結(jié)語

社交媒體的使用本身作為一個直接變量，會不會帶來用戶在內(nèi)容生產(chǎn)、表達(dá)上的趨同化？又是帶來怎樣的趨同化？總體來看，假設(shè)H1中，除了媒介使用效果的兩個指標(biāo)(帖子平均熱度、粉絲量)條件下用戶沒有表現(xiàn)出顯著的“全局趨同化”，在剩下其他的情況下，5種使用度和4種趨同度之間的相關(guān)系數(shù)全部顯著，而且絕大多數(shù)相關(guān)系數(shù)值是0.8乃至0.9以上的高值。用戶的內(nèi)容生產(chǎn)在微博中“越使用、越趨同”的現(xiàn)象，是存在并且是顯著的。這種“趨同化”，并非簡單地意指個體之間發(fā)生內(nèi)容同質(zhì)化傳遞，亦或只是某個群體范圍內(nèi)的“回音室”效應(yīng)、信息的“選擇性接觸”。它包括具有統(tǒng)計顯著性的路徑與方向：和全體用戶越來越相似，和最高使用度的“頂部用戶”越來越相似，和使用度相近的鄰近“社會層級”越來越相似，同使用度“社會層級”內(nèi)的用戶彼此之間越來越相似。

實證數(shù)據(jù)表明，這幾種不同的趨同化，同時都是成立的。在微博中上述4種趨同化路徑的基礎(chǔ)上，本研究首次明確指出，這4種看似差異很大的趨同化向度，不是“此消彼長”“南轅北轍”等負(fù)相關(guān)或不相關(guān)關(guān)系，而是在實證分析中，表現(xiàn)出高度統(tǒng)一的同步性和一致性。與此相關(guān)的假設(shè)H2得到了很理想的證實和支持。在5種使用度指標(biāo)下，其 Cronbach’sα系數(shù)無一例外都處于高位值，分別在0.807～0.974之間，大大高于通常的0.6以上的可接受閾值范圍。4種趨同化程度兩兩之間相關(guān)系數(shù)全部顯著。這也打消了容易產(chǎn)生的一些疑慮：一種是擔(dān)心這幾種趨同路向可能只是部分成立、甚至可能全部不成立，但是事實顯示，用戶比預(yù)想的更容易消解內(nèi)容上的“特立獨(dú)行”色彩，并且“迷失自我個性”的方式豐富而有效；二是認(rèn)為這些趨同化的方向和標(biāo)的由于存在著明顯差異，所以擔(dān)心會帶來趨同作用效果的割裂和“相沖相克”，但是事實顯示看似區(qū)別很大的趨同化“殊途”卻是同步的。微博系統(tǒng)在用戶的媒介使用中，如同一個“媒介工業(yè)”或“媒介機(jī)器流水線”，生產(chǎn)著符合?？乱饬x上的話語“規(guī)訓(xùn)”的單元體。

當(dāng)前關(guān)于中觀、微觀的好友信息同質(zhì)性、網(wǎng)絡(luò)“回音室”“巴爾干化”、群體意見極化等的研究中，全局相似度問題得到的重視不足。但是它卻指向全局意義上的“微博機(jī)器”或“社交媒體文化工業(yè)”塑造“標(biāo)準(zhǔn)化”、重復(fù)化的“人”的可能性以及現(xiàn)實性。阿爾都塞曾提出著名的“意識形態(tài)國家機(jī)器”（Ideological State Apparatuses，ISAs）[33]320-375的概念，意指傳媒、文化等方面對于國家、社會系統(tǒng)的維系和對于“主體性”（subjectivity）的再生產(chǎn)。媒介中或許不僅發(fā)生著波茲曼所謂的“童年的消逝”[34]162-301，也可能發(fā)生著“成年的消逝”和用戶“主體性”的標(biāo)準(zhǔn)化再生產(chǎn)。

趨頂相似度同樣也是一個重視不夠的維度：在微博中的注意力主要集中在高粉絲量、發(fā)文高熱度的“頭部用戶”，例如粉絲過百萬、千萬或被評論、點(diǎn)贊達(dá)“100 000+”的用戶。但是除了這些高度吸引聚光燈的“頭部用戶”，微博中還存在大量雖然未必有高粉絲量、高轉(zhuǎn)發(fā)量，但是卻具有高使用度、高使用活性的“頂部用戶”。實證結(jié)果發(fā)現(xiàn)，這些“頂部用戶”和其他用戶的“趨頂相似化”是顯著的；五種使用度指標(biāo)下，趨頂趨同化全部顯著，而且平均相關(guān)系數(shù)達(dá)到 0.872 (如表4所示)。趨頂趨同化的顯著程度和強(qiáng)度，超過了另外幾種趨同化的作用。在此意義下，高粉絲量“頭部用戶”可視作“頂部用戶”在使用效果指標(biāo)下的特例，頂部用戶對微博生態(tài)中的用戶內(nèi)容整體面貌和趨同化的影響有待繼續(xù)思考。微博的高使用度“頂部用戶”或許不能直接發(fā)生擴(kuò)散意見、吸引粉絲的效力，但是對于塑造微博中的用戶趨同化、消解“獨(dú)特用戶”具有高度重要的作用。在此需要針對理論和現(xiàn)實中重視度不夠的狀況，強(qiáng)調(diào)從“頭部用戶”到“頂部用戶”的理論視域擴(kuò)展甚至明確的“理論自覺”。

這些趨同化路徑的統(tǒng)一性，部分意義上是反經(jīng)驗直觀的。例如，趨于全局“蕓蕓眾生”的全局相似度，似乎和趨于精英化的“頂部用戶”的相似度本應(yīng)難以具有高度正相關(guān)性，后者看起來更為“陽春白雪”和遠(yuǎn)離“普羅大眾”。又比如，趨于身邊“近處”的鄰近層級的相似，和趨于“高遠(yuǎn)處”頂部用戶的相似度，似乎本也不應(yīng)是一個同步的變化過程，它們發(fā)生“相似化”的標(biāo)的是完全不同的。再比如，層級內(nèi)部的彼此可以變得越來越相似，但是這并不意味著他們同時也和全體用戶也變得越來越相似，有時甚至截然相反。然而，實證結(jié)果和經(jīng)驗直觀并不符合。這留待繼續(xù)思考，不同的趨同化力量和變化軌跡之間，為何以及如何具有這種高度的一致性？本研究的初步猜想是：用戶趨向于頂部用戶的趨同化有可能是一個基本作用力，在趨于“頂部典范”的共同標(biāo)的過程中，不同用戶越來越共同朝這個目標(biāo)前進(jìn)；盡管前進(jìn)的程度有強(qiáng)有弱、有遠(yuǎn)有近，但是共同“范本”的存在使得全局用戶增強(qiáng)“全局相似度”；而相同或相近使用度層級的用戶由于前進(jìn)的程度相近，所以帶來“近鄰相似度”和“層內(nèi)相似度”增強(qiáng)。但這些推測，有待繼續(xù)分析。