注意力造就的政治：平台媒介逻辑与政治的媒介化

🎓 专业 IRMaD 结构解读

I. Introduction（引言）

议题源流。社交媒体与民主的主流实证叙事是分发叙事：算法排序、信息流策展与网络级联决定用户接触哪些讯息，核心问题是曝光如何影响公民的极化、误信、动员或去动员（Bakshy et al., 2015; Tucker et al., 2018; Lorenz-Spreen et al., 2023）。据此，社交媒体相关的民主危机主要被理解为选民的危机（Törnberg, 2026a）。然而大规模干预的结果远不如早期诊断直接：停用社交媒体（Allcott et al., 2020）以及 2020 年美国大选期间 Meta 合作研究中关闭算法排序、调整党派信源曝光（Guess et al., 2023; Nyhan et al., 2023），均可测地改变了用户所见，却几乎未检出对政治态度、情感极化或线下政治行为的影响。

文献空白。媒介化研究（Hjarvard, 2008; Strömbäck, 2008; Couldry & Hepp, 2017）早已主张媒介重组的是政治讯息被生产的激励与条件，但“媒介逻辑”作为弥散的制度性力量难以操作化。实证社交媒体研究观察“什么传播开了”，却很少估计生产者“因制作什么而获得回报”，且常把互动当作单一、未分化的信号。扩散研究识别了个别特征（Brady et al., 2017 估计每多一个道德情绪词，分享量约增加二成；Rathje et al., 2021 发现外群体指涉是分享的强预测因子），民族志研究记录了生产者对指标的适应（Cotter, 2019; Christin, 2020; Petre, 2021），但都没有重建跨平台、跨互动结果的整体回报结构。

本研究贡献。提出注意力价格分析（attention price analysis），把平台媒介逻辑转译为可估计对象——注意力价格函数：由算法、受众、文化、声誉与可供性组成的平台装配所决定的、不同表达特征在互动与触达上的期望回报。操作上以残差化互动为目标，在 X/Twitter、Bluesky、Mastodon 上微调 RoBERTa 奖励模型，以理论驱动的文本特征解读奖励函数，并用计算改写探针观察按平台价格函数优化时政治内容的变形方向。作者明确声明：该方法不识别社交媒体对政治生产的因果后果，只是让激励环境在经验上可见。

I. Theoretical Framework & Hypotheses（理论框架与假设）

理论链条：从媒介逻辑到注意力价格。

待检验命题。本文未提出正式 H 假设，下表依据正文“若平台将公共交流组织为注意力市场，内容特征在不同互动结果、不同架构平台上应有系统性不同的期望回报”等表述整理。

M. Materials & Methods（材料与方法）

• 研究设计与识别策略：观察性预测建模（非因果识别）＋理论特征偏相关解释＋计算改写探针。作者明言模型不估计孤立文本选择的因果效应，也不分离算法、可供性、受众与社区规范的各自贡献，所估计的是生产者在观测平台环境中面对的复合注意力信号。
• X/Twitter 语料：原始 2.34 百万条英文帖子，2023 年 10 月至 2025 年 9 月间在随机抽取的时刻反复检索常见英语停用词获得；去除纯转推并做文本质量过滤后保留 812,979 条用于建模。平台特征：中心化、以互动为优化目标的排序，文化偏对抗。
• Bluesky 语料：Failla & Rossetti（2024）的高覆盖语料（Zenodo 发布，2025），建模样本 500,000 条英文帖子，粉丝数由公开关注图重建；数据止于 2024 年 3 月，与其他平台观察窗口不同期。平台特征：可携带身份、用户可选信息流、开放社交图。
• Mastodon 语料：因现有档案语料缺少帖子级互动量，作者自行采集大型英文实例的公开本地时间线，得到 950,050 条，含 favourites、boosts、replies、粉丝数与时间戳；账号标识经 HMAC-SHA256 哈希后存储，不保留用户名、显示名、头像与简介。平台特征：去中心化、独立治理实例、以时间序列的关注与本地时间线为主。
• 统一纳入规则：排除少于 20 字符、纯转发、仅含 URL 或仅含提及的帖子；语料为一般公共交流而非仅政治帖——理论对象是平台可见性体制，政治行动者与普通用户在同一场域竞争注意力。
• 结果变量：每个平台估计 likes、shares（X 为 retweets＋quote tweets，Bluesky 为 reposts，Mastodon 为 boosts）与 combined（likes＋shares）；X 另估计 impressions。
• 残差化目标：在每个平台×结果内，log Ei = α + γ·log Followersi + Σ Hour + Σ Weekday + Σ Month + ui，奖励模型目标为残差 ûi。该调整去除主要受众与时间优势，但不能完全测量有效曝光；粉丝数为采集时记录，无法反映信息流排序、受众活跃度与社区嵌入。
• 奖励模型：仅以帖子文本微调 RoBERTa-base 回归器；最大序列长度 192 tokens，AdamW，学习率 2e-5，有效批量 32，2 个 epoch，权重衰减 .01，warmup 比例 .06；按帖子 ID 确定性哈希划分约 80/10/10 的训练/验证/测试集，以未触碰测试集上的 Pearson r 与 Spearman ρ 评估。
• X 的两项扩展：impressions 模型预测记录浏览量，作为独立的触达结果；无 URL 分享模型在不含外链的帖子上重训，因为链接新闻与机构材料可能因信源价值而非措辞被转发。剔除含 URL 帖子使建模语料减少：X 26.0%、Bluesky 3.7%、Mastodon 47.7%。
• 跨平台迁移：Transfer efficiency = rA→B / rB→B，即迁移后的 Pearson 相关除以目标平台自训练相关；检验排序相关文本信号的可移植性，而非互动过程等同。
• 可解释特征：每平台至多 300,000 条帖子打分；特征库含表层特征、VADER 与 NRC 情感、MoralStrength、GoEmotions、Perspective API 毒性与建设性属性、社会认知标记，共 85 项逐项审计，归入五族：关系表达（个人故事、亲和、尊重、同情）、情绪语域、认识论风格（推理、细致）、集体定位、不文明。图 1 呈现审计后选出的 13 项非冗余测度，完整系数矩阵在补充材料。
• 偏相关：partial r = corr(efeature, ereward)，特征与预测奖励均对帖子长度、URL 数、提及数、hashtag、标点、大写、是否回复、粉丝数、小时、星期、月份残差化。毒性另按经验十分位分析并拟合受控二次模型。
• 测量信度：全部为现成自动分类器打分，无人工编码与 κ 值；作者把特征视为解读奖励模型的“结构化词汇”，而非潜在态度、动机或审议质量的确定测量，结果按跨特征族的收敛性描述证据解读。
• 计算改写探针：9 条构造的中性语句（日常、新闻、机构语言）；gpt-5-mini 生成 8 种风格候选（sensational、angry、conflictual、populist、moralized、personal、positive、informational）；由各平台 combined 模型选出预测奖励最高者。两种约束：严格事实要求句向量余弦 ≥ .78 且实词 Jaccard ≥ .45；注意力寻求放宽至 ≥ .65 与 ≥ .30；句向量用 all-MiniLM-L6-v2。探针不模拟人类行为，候选未人工事实核查。
• 稳健性（详见补充材料）：按粉丝数四分位分组、作者留出评估、作者留出 TF-IDF 模型、作者内标签置换与打乱标签对照。

R. Results（结果）

• P1 价格信号可测：文本在所有平台上都能预测受众与时间调整后的互动（表 1）。X 的 impressions 达 r = .524，说明文本信号延伸至触达；无 URL 分享模型仍有预测力（r = .241），但低于完整语料分享模型（r = .364），链接信源分发是 X 扩散的重要部分但非全部。Mastodon combined 达 r = .581，表明在去中心化、主要按时间排序的环境中也可出现强文本—注意力耦合，中心化推荐并非价格信号的必要条件。

• 部分可移植：跨平台迁移效率约为自训练精度的 5% 至 61%；最弱为 Mastodon combined 模型用于 X，最强为 Mastodon likes 模型用于 Bluesky。特征画像对齐：点赞画像 X–Mastodon r = .744，其余平台对 r = .376–.391；分享画像 X–Mastodon r = .011，Bluesky–Mastodon r = -.101。认可具有较通用的社会语法，扩散依赖平台特定的再传播意义。
• P2/P3 认可与扩散是不同市场（受控偏相关，“—”表示正文未给出数值，见图 1）：

• 广播式分发经济：X 完整分享语料中 URL、长度与机构包装强力预测分享，85 项特征仅解释预测分享的 3.6%；在无 URL 模型中解释 11.1%——去掉外链后剩余扩散信号更可读为修辞价格函数。道德基础词典测度并非主导或一致为正的观察性预测族，道德情绪变化在改写探针中更明显。
• P4 不文明的非线性回报：X 的预测 combined 与 likes 奖励随毒性十分位上升至第 6 十分位（平均 Perspective 毒性约 .14）后下降；Bluesky 在平均毒性约 .31 附近见顶——高于日常话语主体、低于最毒尾部。X 预测 combined 奖励前 1% 帖子的毒性中位数为 .039，全体打分语料为 .065，支持有界的对抗溢价。Mastodon 最高毒性十分位的 combined 与 likes 预测奖励升高，呈表面单调的上尾，但高毒帖稀少、高奖励分布仍集中于低毒性，可能反映罕见争议或引述的政治言论。
• P5 改写探针：

• 宽松约束的奖励增量约为严格约束的四至六倍。相对严格事实候选，注意力寻求改写在三平台均提高个人化与社会定位，道德情绪框架在 Mastodon 上升最强，不文明在 Bluesky 与 X 上升最强：中性描述变成“有说话者、有群体、有对手、有道德冲突”的情境化表演。示例（X）：“Participants may submit written comments during the consultation period.” 被选为 “I’m officially submitting a written comment during the consultation period—they can’t ignore us if enough voices show up.”
• 稳健性：九个平台-结果模型在每个粉丝数四分位内精度均为正；X 上训练集未出现作者的表现接近全测试集（Pearson r = .292–.366）；作者留出 TF-IDF 模型仍保留信号，作者内标签置换与打乱标签对照近似为零——拒绝纯粹“记住作者风格”的解释，但未排除社区或话题混杂。
• 统计推断：正文以相关系数与偏相关呈现，未报告 p 值、标准误或置信区间。

a / D. Discussion & Conclusion（讨论与结论）

• 互动不是单一结果：点赞是较可移植的认可市场，奉行奖励个人故事、亲和、尊重、同情与积极情绪的背书逻辑；扩散更具情境性、政治后果更大。点赞、分享与浏览为不同的政治行为定价，研究不应把 engagement 当作同质变量。
• 从极化受众转向政治供给者：精英通过框架、线索与身份结构化冲突（Levendusky, 2009; McCarty et al., 2006），注意力市场补充了激励解释——生产者无需刻意极化，只需复制成功格式、保留表现好的表述，甚至把敌意互动内化为成功（Mears & Beauvais, 2025）。机制普遍，方向却随平台、受众与互动动作而异。
• X 分享最清楚地为极化与民粹话语的沟通语法定价：身份攻击与侮辱获正回报，尊重、亲和、推理与细致获负回报（对应 Finkel et al., 2020; Iyengar et al., 2019）。
• 替代平台并非净土：Mastodon 对集体语言、推理、细致与同情的正回报不符合简单极化叙事，Bluesky 分享几乎无线性不文明溢价；但 X 与 Bluesky 的点赞在毒性约 .14 与 .31 处出现内部峰值，Mastodon 有稀疏的高毒上尾。证据支持有界且结果特定的不文明溢价，而非“越骂越火”的普遍规律；去除互动优化算法不是不文明话语的解药。
• 保真的代价：改写探针显示，紧贴命题内容会限制预测注意力增益，放宽语义与框架约束则允许向个人化、道德情绪框架、社会定位与冲突移动——“在平台化注意力市场中，保真可能变得昂贵”。
• 平台分化的政治含义：公众沿党派线在平台间分流（Törnberg, 2026b），政治人物若依赖不同平台公众，将面对不同奖励压力并据此解读选民，可能形成多个党派与亚文化注意力市场，而非统一的媒介逻辑。指标又被当作民意的表征，形成“先差别奖励、再呈现为民意”的双重扭曲。
• 实践启示：分发范式导向消费者保护式干预（屏蔽有害内容、改进算法投放）；媒介化视角补充政治经济学问题——注意力如何分配、指标与受众如何使价值可见，如何组织注意力经济使审慎、实质、具公民抱负的政治得到奖励。
• 局限一（因果边界）：奖励模型估计的是关联而非措辞的因果效应；话题、社区、声誉、未观测曝光、用户文化与平台特定抽样过程可能与文本特征纠缠；稳健性检验只排除了“记住作者风格”，未排除社区与话题混杂。残差化仅去除主要受众与时间优势，不等于控制有效曝光。
• 局限二（机制不可分解）：无法把价格信号分解为算法排序、可供性、受众启发式、地位等级与外生事件各自的贡献，Mastodon 的强梯度只能说明压力不可化约为中心化推荐。
• 局限三（可比性与测量）：三平台样本时期与人群不同（X 为 2023-10 至 2025-09，Bluesky 止于 2024-03），限制直接比较；Mastodon 互动可能在联邦边界间记录不全；自动打分模型可能编码测量偏差，对语境、方言、引语与话题敏感；语料为英语一般公共交流。
• 局限四（最重要：未测适应）：研究测量的是价格信号而非生产者的实际适应，无法说明哪些政治人物、记者或组织在多大程度上响应；改写探针仅 9 条构造语句、候选未人工事实核查，不代表人类会做同样修改，也不能证明平台导致虚假信息。作者建议以生产者面板研究、固定曝光讯息实验、制度研究与政治内容生产民族志补足。
• 资助：正文未载资助信息；补充材料未随 PDF 提供。