🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
2022 年 11 月，白纸抗议的画面从中国各地冒出来。很多照片和视频没能留在国内平台上，而是绕道跑到了境外的 X（原来的推特）。当时最关键的集散地之一，是一个叫「李老师不是你老师」的账号。
这个账号由住在意大利的李颖运营，2026 年 8 月时公开资料显示大约有 220 万粉丝。它做的事听起来很简单：接收、挑选、编辑、发布。有人把照片、视频、亲眼所见通过私信发过来，李老师核对一下细节，写好说明文字，再挂上一个「网友投稿」的标记发出去。他也发从中文平台或新闻报道里找到的材料，这时候来源会写成媒体、机构或官方；有时他还会用自己的口吻写评论和说明。
这就带出一个很少被追问的问题。过去的研究主要关心：普通人的证词怎么被看见——怎么被拍下来、怎么被中转、怎么被核查。可帖子发出去以后呢？同一个账号、同一类事件，一条标着「网友投稿」，一条标着「据某媒体报道」，读者看到这两种标签，反应会不一样吗？
这件事重要，是因为在一个会删帖、会限流的环境里，海外账号既是搬运工，也是过滤器。它决定哪些事被看见，也间接影响这些事被怎样谈论。
② 研究问题（要回答什么？）
这篇文章要回答的问题可以写成一句话：在李老师发布的见证类帖子里，明确标注“素材来自普通人”，和回复量、转发量、以及回复与转发的相对比例，分别是什么关系？
作者把它拆成两条可以检验的说法：
- H1：标明网友投稿的帖子，回复量比其他见证类帖子更高。
- H2：标明网友投稿的帖子，接受结构更“偏回复”——回复在“回复加转发”里占的份额更高，回复与转发的对数差也更大。
有意思的是，作者故意不给转发量设方向。理由很实在：来源标签既可能让人更想扩散（“这事只有这里有”），也可能让人更不想扩散（“还是转正规媒体的吧”）；而且见证内容本身多是灾害、镇压、维权这类负面事件，而负面政治内容在推特上本来就传得更快更远。所以转发这一栏只做描述，不做方向预测。
需要提醒的是，这里问的是相关，不是因果。账号不会随机决定哪条标网友投稿，研究者只能尽量把“时间、长度、配图数量”这些能看见的差别扣掉，剩下的差异仍然可能来自选题本身。
③ 研究方法（怎么做的？）
研究者没有发问卷，也没有做实验，而是把整个账号的公开帖子抓下来做“事后比对”。数据采集在 2026 年 5 月 30 日至 31 日完成，用的是第三方接口 TwitterAPI.io，按帖子编号去重，最后拿到 47,635 条公开帖，时间跨度从 2022 年 4 月（李老师开始在 X 上活跃）到 2026 年 5 月。
第一步是筛出“见证类”帖子：必须是讲一件具体的事、有公共利害、并且构成“我看到了/我经历了”的关系。筛完剩 25,093 条，其中 3,601 条（14.4%）明确标了网友投稿。
怎么筛、怎么分类？作者先写了一份编码手册，两名人工编码员独立标注 200 条试标样本，一致率分别是 95% 和 93%。然后用两个大模型（Gemma 4 31B 和 Hermes 3 Llama 3.1 405B）各自把全量跑一遍，两者一致就采纳，不一致的交给人工裁决。最后又在一批 300 条的全新样本上验收：见证相关性准确率 94.0%（κ = .87），来源类型准确率 91.3%（κ = .86）。κ 是衡量“不是碰巧一致”的指标，0.8 以上算相当可靠。
接着看四种“反应”：回复量、转发量、回复占比、回复减转发的对数差。前两个取对数，避免少数爆款把平均值拉飞。模型里放进了年月固定效应（不同月份账号热度不同）、字数、配图数量和六种媒体格式。估计用了四套办法对照：中位数检验、普通最小二乘、倾向得分匹配，以及主估计交叉拟合 AIPW——一种“双重稳健”方法，只要“预测谁会被标网友投稿”的模型和“预测互动量”的模型里有一个没说错，结果就基本站得住。
为了对付“内容不一样”这个最大软肋，作者还做了两件事：用句向量把文字相近的帖子配成 620 对再比；以及请人真读回复——抽 2022 年 11 月 72 条帖、每帖 5 条回复，共 360 条，判断它们是不是真的在谈这件事。
④ 结果（发现了什么？）
先看最直白的对比。标明网友投稿的帖子，回复数中位数是 99 条；其他见证类帖子的中位数是 80 条，差异非常显著（p 小于 0.001）。
但中位数只是粗看，还要扣掉时间和形式上的差别。三种校正方法给出的答案方向一致：普通回归换算下来高 20.3%，倾向得分匹配高 28.5%，主估计 AIPW 高 15.6%（系数 .145，标准误 .026，p 小于 0.001）。H1 成立。
转发呢？几乎没差。中位数 69 对 60，看着有距离，但校正后 AIPW 系数只有 .005，p 等于 .88，折算大约 0.5%——基本可以当成零。
中位 99 对 80
AIPW 高 15.6%
中位 69 对 60
AIPW 约 0.5%（不显著）
.579 对 .563
校正后 +.031
.313 对 .246
校正后 +.140
两边一对照，结构就变了：回复在“回复加转发”里的份额，网友投稿帖是 .579、其他是 .563；回复减转发的对数差是 .313 对 .246。校正后分别是 +.031 和 +.140，都显著。H2 在主样本里成立。
作者还反复“折腾”这个结论：换三种认定“网友投稿”的写法（严格关键词、宽松关键词、人工编码），回复优势都还在，幅度在 15.6% 到 20.7% 之间；把对照组收窄成“只跟媒体、机构、官方来源比”，回复优势仍在（系数 .164，p = .003），但回复占比的优势掉到 .010、p = .160，不再显著。也就是说，“回复更多”这条很稳，“整体更偏回复”这条在严格对比下会松动。
最狠的一关是语义匹配：在文字非常接近的 620 对帖子里再比一次，回复仍高出 9.5%（95% 区间 0.5% 到 19.1%），说明这点差距不能全推给“选题本来就不一样”。
最后是人工读回复。360 条抽样回复里 329 条、也就是 91.4% 确实在谈这条帖子的内容——有的补当地封控时间线，有的质疑官方伤亡数字，有的拿表彰页面去比对警察身份。低、中、高回复量的帖子分别是 90.8%、91.7%、91.7%，非常稳定；两位编码员的一致率达到 99.2%（κ = .95）。
⑤ 讨论（这些发现说明什么？）
这些数字该怎么解释？作者给出的说法是：标明“普通人提供”，等于告诉读者“这是一段有现场、但还没说完的证词”。
专业的摄影记者或机构通稿，通常已经把背景、时间、人物都交代完了，读者能做的就是信或不信。而一条网友投稿往往只给出片段：某地、某天、发生了什么，剩下的靠猜。恰好是这些空白，给了评论区活儿干——有人补当地的封锁时间线，有人拿别的证据来对照，有人质疑数字，有人解释某个机构为什么这么做。回复不是情绪垃圾桶，而更像一张围过来的桌子。
这也解释了为什么转发没变。转发是把话带出去，决定它的是内容够不够冲击、够不够愤怒；而帖子标的是谁提供的，对“要不要让更多人看到”影响不大。已有的研究也发现，负面政治内容在推特上本来就扩散得更快。所以来源标签主要改的是“停下来讨论”，不是“带走去传播”。
放到更大的图景里，这个账号做的是三件事：策展（把散落的东西收成一份记录）、再分配（靠转发送进不同网络）、公开解释（靠回复把语境和争论留在原地）。作者把这三件事看成“对冲公共领域”在平台上的可观察痕迹——注意只是痕迹，不是身份认同，更不是组织化的共同体。
作者也很老实地交代了一个大坑：“网友投稿”其实是个打包——普通人提供素材、李老师挑选把关、帖子显示出这个标注，三件事绑在一起。研究没法把“读者是冲着普通人来源来的”和“读者是冲着李老师挑的这几条来的”分开。所以全文一律说“相关”，不说“导致”。
⑥ 结论（最终结论 + 启示）
这篇文章最终想改的是一个习惯：不要把“被看见”当成数字见证的终点。
证词被发出来只是上半场。下半场是：有人转发把它带到别的圈层，有人在评论区补上缺失的背景、提出怀疑、拿别的材料来对质。在这条账号上，标明网友投稿的帖子回复更多、转发不变、回复在互动中的占比更高，而被抽读的回复里有九成以上真的在谈那件事——这三条合起来，说明“公开回应”是一种可以被观察、也可以被区分的接受形态。
对平台和研究者来说，启示有两层。第一，互动数字不能混着用。把点赞、转发、回复加成一个“热度”，会把两种完全不同的政治劳动抹平：一种是扩散，一种是解释。第二，来源标注不只是可信度标签，它还在分配讨论的活儿。标明“这是普通人说的”，等于把语境补全的任务交回给公众。
边界也要说清：这是一个账号、一段时间、一次快照的观察数据，没有随机分配，也没测读者心里怎么想；人工读回复只覆盖 2022 年 11 月。所以结论的适用范围是“这个账号在这四年里的见证类帖子”，不能直接推到整个 X 或整个中文舆论场。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
数字见证（digital witnessing）研究长期把分析终点放在可见性：普通人的证词如何被记录、被中介、被流通、被做成可供解释或核查的公共材料（Andén-Papadopoulos, 2014；Chouliaraki, 2015；Mortensen, 2015；Kyriakidou, 2015；Peters, 2001）。与之平行的来源线索（source cue）研究，则把署名、机构标识、推荐线索与可信度判断、新闻选择、分享意愿连接起来（Metzger et al., 2010；Kaiser et al., 2021；Nadarevic et al., 2020；Yaqub et al., 2020），但效应方向与量级随线索类型和决策情境而变（Mang et al., 2024）。两条线之间留着一个未被正面处理的缝隙：当一条已发表的见证帖明确标注素材来自普通人时，这种可见的来源关系是否对应着不同形态的受众反应？
本文的经验对象是 X 上的中文账号「李老师不是你老师」（@whyyoutouzhele）。该账号由旅居意大利的李颖运营，2026 年 8 月公开资料显示约 220 万粉丝，在 2022 年白纸抗议期间成为境外中文信息的关键枢纽（Yang, 2022；Kuo & Wu, 2022；Zeng & Cheng, 2025）。其发布实践的特殊之处在于：同一条时间线上并存多种来源标注——网友投稿、媒体转述、机构与官方材料、以及运营者本人评论。这为“账号内比较”（within-account comparison）提供了天然条件：时间环境、受众池、编辑风格大体恒定，差异主要落在来源标注上。
作者的两项贡献是：其一，把数字见证与来源线索研究从证词的可见性与可信度推进到发表之后的接受，并证明回复与转发是两条可分离的路径；其二，把「策展—再分配—公开回应」拆成对冲公共领域（counterpublic）在平台上的可观察痕迹。与既有单账号研究相比，本文的方法强度在于三重估计、语义匹配与回复内容人工审读的组合。
I. Theoretical Framework & Hypotheses（理论框架与假设）
框架由三块文献耦合：数字离散社群与对冲公共领域（Fraser, 1990；Warner, 2002；Brinkerhoff, 2009；Zeng & Fang, 2025；Lee & Tse, 2025）、作为关系过程的数字见证（Peters, 2001；Kyriakidou, 2015；Mortensen, 2015；Chouliaraki, 2015）、以及平台可供性下的差异化接受（boyd et al., 2010；Honeycutt & Herring, 2009；Hermida, 2012；Zubiaga et al., 2016）。核心机制命题是：普通人来源标注把帖子框定为“情境化证词”（situated testimony），其语境留白更多，因而把补充、比对、质疑的工作留给受众；回复因为始终附着于原帖，成为这类工作的直接落点。
| 编号 | 命题 | 理论依据 |
|---|---|---|
| RQ | 在见证相关帖中，普通人来源标注与回复量、转发量、及回复–转发相对结构如何关联 | 数字见证的关系视角 ＋ 来源线索研究 |
| H1 | 普通人来源标注与更高回复量相关 | 情境化证词留下语境工作；回复是补充/评估/质疑的附着点（Honeycutt & Herring, 2009；Hermida, 2012；Zubiaga et al., 2016） |
| H2 | 普通人来源标注对应更偏回复的接受结构（回复占比与回复–转发对数比更高） | 同上；但检验的是结构而非总量，可在转发量不变时成立 |
| R（无方向） | 转发量不作方向性假设，仅作描述性结果 | 来源标注可能扩大也可能收窄再分配（Yaqub et al., 2020）；负面政治内容扩散更快（Antypas et al., 2023），而见证材料多为负面 |
需要强调两点边界。第一，作者明确把观察到的处理定义为组合包：普通人来源 ＋ 李老师的编辑选择 ＋ 帖面上显示的标注，设计无法分离三者贡献，故全文估计均读作条件关联。第二，「对冲公共领域」在文中被限定为互动痕迹层面——流通、语境化、争辩——而不主张共享政治取向或持久共同体形成，后者需要话语与关系数据的额外证据。
M. Materials & Methods（材料与方法）
- 案例与分析窗口。单账号内部比较设计（within-account），使受众池、平台环境与编辑风格大致恒定。窗口为 2022 年 4 月（该账号开始在 X 活跃）至 2026 年 5 月（数据采集关闭），包含 2022 年 11 月白纸抗议高峰但不止于此事件。结论限于该账号该窗口，不外推至 X 全平台。
- 数据采集。2026 年 5 月 30–31 日经 TwitterAPI.io 高级搜索接口抓取，按 post ID 去重，得 47,635 条公开帖（39,008 条标准帖 ＋ 8,627 条账号自身回复）。保留字段含正文、发布时间、媒体附件，以及回复、转发、点赞、浏览、引用计数。作者明确指出这不是全量普查，供应商索引会遗漏部分帖子；互动量为单次累计快照，故所有调整模型均纳入年月固定效应，以吸收账号触达与平台条件的月度漂移。
- 样本筛选。见证相关性判据为三条同时成立：文本确立具体的见证对象、具备公共利害、构成见证关系（目睹/经历/记录）。筛得 25,093 条见证相关帖（占 52.7%）。其中 3,601 条（14.4%）带明确的普通人投稿标记（codebook 标签 S1_user_submission，主标记为「网友投稿」），构成处理组；其余 21,492 条为对照。进一步把对照收窄为机构、媒体、官方来源的 2,083 条，构成 5,684 观察的「形式来源对比」。
- 编码与信度。迭代开发编码手册（含中文来源标记词典与歧义裁决规则）。两名人工编码员独立标注 200 条试标样本：见证相关性一致率 95%，来源类型 93%，分歧用于修订手册。随后 Gemma 4 31B-it 与 Hermes 3 Llama 3.1 405B 经 DeepInfra 独立全量标注，一致则采纳，不一致由两名人工编码员裁决。模型间一致率：见证相关性 88.5%（κ = .814）、来源类型 90.0%（κ = .848）。在 300 条未参与手册与提示词开发的留出样本上对照人工裁决标签：见证相关性准确率 94.0%、κ = .87；来源类型准确率 91.3%、macro-F1 = .88、κ = .86。
- 变量操作化。处理变量为二值指示
Submiti（帖面明确将素材归于普通投稿者）。四个结果变量：Yrep = log(1 + replies)、Yrt = log(1 + retweets)、ReplyShare = R/(R + RT)、LogRatio = log(1 + R) − log(1 + RT)。点赞与引用未作主结果——前者既不扩散也不附着文本，后者字段覆盖不全；19 条既无回复也无转发的帖子仅从回复占比模型中剔除。协变量为年月固定效应、字符数、媒体数、六个媒体格式指示变量。 - 估计策略。非随机分配，全程估计调整关联。先以组中位数与 Mann–Whitney U 检验比较分布，再估计：
Yi = β0 + β1·Submiti + γ′Xi + δym + εi（OLS）；倾向得分匹配（PSM，报告 ATT）；以及主估计交叉拟合 AIPW（doubly robust ATE）：ψ = (1/n)Σi[ m̂1(Xi) − m̂0(Xi) + Ai(Yi − m̂1(Xi))/ê(Xi) − (1−Ai)(Yi − m̂0(Xi))/(1−ê(Xi)) ]。双重稳健的含义是：倾向模型ê(X)与结果模型m̂a(X)只要有一个正确设定，估计即一致。 - 内容稳健性。时序与格式调整无法消除选题差异，故另做语义内容匹配：使用多语种句向量嵌入，尽量在同一发布月与相同媒体配置内配对，余弦相似度阈值 .70。3,596 条有可用文本的投稿帖中保留 620 对（匹配率 17.2%），全部在同一年月与媒体配置内匹配，无需退化为仅按年月匹配；中位余弦相似度 .740（10–90 分位 .707–.811），全部标准化均值差 < .09。
- 来源定义敏感性。另设两种纯文本口径：字面标记（必须含精确短语「网友投稿」）与扩展标记（含其他投稿词及以投稿标记结尾的短归属短语），与主口径并列分析。
- 回复内容人工审读。抽取 2022 年 11 月网友投稿帖中至少有 5 条可检索回复者共 72 条，按回复总量分层，每帖随机抽 5 条，得 360 条。两名编码员独立判定是否为「实质性接受」（对帖中事件、证据、行动者、主张或意义作出可理解的介入），一致率 99.2%，Cohen's κ = .95。
- 伦理。仅使用公开帖与公开可见的互动计数，不与用户互动、不采集私密账号数据，故未走机构审查；同时说明因事件政治敏感性，对材料中被呈现者与回应者存在潜在风险。
R. Results（结果）
- R1｜回复量更高，H1 获支持。网友投稿帖回复中位数 99，其他见证相关帖 80（Mann–Whitney U，p < .001）。OLS 系数 .185（SE = .018），对应 1 + replies 几何均值差 20.3%；PSM ATT .251（28.5%）；交叉拟合 AIPW ATE .145（SE = .026，15.6%，p < .001）。三种估计同向，主估计取最保守的 AIPW。
- R2｜转发量无差异。中位数 69 对 60 看似有差，但 AIPW 系数仅 .005（SE = .031，p = .88），约 0.5%，不能拒绝零。这与不设方向假设一致：来源标注主要作用于文本回应，而非再分配。
- R3｜接受结构偏回复，H2 在主样本成立。回复占比中位 .579 vs .563，回复–转发对数比 .313 vs .246（均 p < .001）。PSM 对比为 .030（占比）与 .108（对数比，分别以 3,600 与 3,601 对匹配）；AIPW 为 .031（SE = .004）与 .140（SE = .017），均 p < .001。转发量几乎不变而回复占比上升，说明这是结构再分配而非总量扩张。
- R4｜回复内容以实质介入为主。360 条抽样回复中 329 条（91.4%）为实质性接受；按回复量分层为 90.8%（低）、91.7%（中）、91.7%（高），极稳定。示例（转述、去用户名）：补充当地封控时间线（信息补足）、援引事件分级规则质疑官方伤亡数（怀疑）、将警员身份与官方表彰页面比对（外部核查）。作者强调：其他见证相关帖的回复构成未被检验，故 91.4% 只支持“回复量在审读情境下可读作实质回应的痕迹”，不构成组间比较。
- R5｜来源口径敏感性。三种口径（人工编码、字面标记、扩展标记）在主样本内均给出正向 AIPW 估计：回复几何均值差 15.6%–20.7%，回复占比 .023–.031，对数比 .091–.140（均 p < .001）。
- R6｜形式来源对比：回复优势稳住，结构优势松动。对照收窄为机构/媒体/官方来源后，主口径回复系数 .164（p = .003），扩展标记口径 38.4%（p = .003），字面标记口径 20.7%（p = .091，精度有限）。但主口径的对数比仅 .071（p = .045），回复占比 .010（p = .160）。即：H1 在最严格对比下仍成立，H2 的证据不统一。作者据此认为，普通人来源标注更稳定地对应“回复更多”，而非“整体把互动从转发挪向回复”。
- R7｜语义匹配后仍有残差。620 对高相似度帖子中，投稿帖 log(1 + replies) 均值高 .091（95% CI [.005, .175]），几何均值差 9.5%（95% CI [0.5%, 19.1%]）；回复占比差 .022（95% CI [.010, .035]），对数比差 .105（95% CI [.048, .163]）。作者提醒：结果只对可紧密匹配的帖子成立，事件严重性、新颖度、证据质量等未测内容差异可能仍在。
| 设计 | 回复量 log(1+replies) | 转发量 log(1+retweets) | 回复占比 | 回复–转发对数比 |
|---|---|---|---|---|
| Mann–Whitney（中位数） | 99 vs. 80*** | 69 vs. 60*** | .579 vs. .563*** | .313 vs. .246*** |
| OLS | .185*** (.018) | .044* (.021) | .030*** (.003) | .141*** (.013) |
| PSM ATT | .251 | .143 | .030 | .108 |
| Cross-fit AIPW ATE | .145*** (.026) | .005 (.031) | .031*** (.004) | .140*** (.017) |
注：对数结果共用 3,601 对匹配样本，回复占比用 3,600 对单独匹配样本；星号为 *p < .05、***p < .001。PSM 未报告标准误，仅作平衡与点估计稳健性参照。
a / D. Discussion & Conclusion（讨论与结论）
- D1｜把“接受”拆成两种可分离的路径。既往数字见证研究把证词的公共生命压缩为可见性与流通；本文显示，同一条见证帖的转发（跨网络再分配）与回复（附于原帖的文本回应）在来源标注上表现不同——前者近零、后者显著。这为“发表之后的见证”提供了一个可操作的测量分工：
ReplyShare与LogRatio捕捉的是回应的相对结构，而不是热度总量。 - D2｜来源线索研究的延伸。来源线索文献集中于可信度判断、真值评估、内容选择与分享意愿（Metzger et al., 2010；Kaiser et al., 2021；Yaqub et al., 2020；Mang et al., 2024），其因变量多在“点开/相信/转发”这一侧。本文把因变量移到发表后的公开回应，并给出一个与情境化证词相容的解释：普通人来源标注标识出“现场可达性”与“本地知识”，同时保留未完成的语境，因而吸引补充、比对与质疑。
- D3｜H2 的部分不成立本身是发现。在形式来源对比中，回复占比优势不再显著（.010，p = .160），而对数比仅边缘显著（.071，p = .045）。作者据此收窄主张：普通人来源标注更稳定地对应回复量的绝对增加，而不是一场从转发到回复的普遍再分配；后者可能部分由“被拿来比较的那批机构/媒体帖本身转发就少”造成。
- D4｜对冲公共领域的可观察痕迹。账号的公共意义在于三件事的组合：策展把散落证词收成共享记录，转发把主张送进分散网络，回复线程承载语境化与争辩——而这些在国内平台上恰恰是被压缩的部分。作者谨慎地限定：互动痕迹不等于集体认同或持久共同体，后者需要话语与关系层面的证据。
- D5｜局限。(1) 观察设计，调整与语义匹配后仍存未测的内容与编辑混淆，无法排除“李老师更愿意把某些题材交给网友投稿”这一选择路径；(2) 未测量受众感知、可信度判断与回复动机，“情境化证词”的解释是由互动数据推断而非检验；(3) 回复审读仅覆盖 2022 年 11 月、且限于至少有 5 条可检索回复的投稿帖，存在时段与可检索性选择；(4) 互动为单账号单次累计快照，帖子“暴露时长”不同，虽以年月固定效应吸收但非完全等价；(5) 账号自身 8,627 条回复是否进入见证样本未在正文明确交代；(6) 单账号、单平台、单语言社群，外推受限。
- D6｜实践与后续研究。对平台治理与传播研究的方法启示是：不要把点赞、转发、回复合并为“互动热度”，这会抹平扩散与解释两种不同的政治劳动；对研究者而言，来源标注可作为“讨论分工”的界标，值得在跨账号、跨语言、跨平台设计中检验其稳健性。后续可做：对回复做主题与立场编码以比较组间构成；引入帖子曝光时长或时间窗标准化；用多账号复制以评估策展人效应的边界。
- 资助与伦理。论文未报告专项资助；仅使用公开帖与公开互动计数，未与用户互动、未采集私密数据，作者据此说明无需机构审查，同时提示事件政治敏感性带来的被呈现者风险。
🧠 IRMaD 思维导图
mindmap
root((见证来源与受众接受))
I 引言
李老师账号220万粉
2022白纸抗议枢纽
素材来自墙内网友
编辑策展把关
可见之后呢
R 假设
H1投稿帖回复更多
H2回复占比更高
转发不设方向
RQ来源与接受形态
M 方法
47635帖跨四年
见证相关25093条
投稿帖3601条
双模型编码加人工裁决
双重稳健AIPW主估计
语义匹配620对
R 结果
中位回复99对80
AIPW回复高15.6%
转发差异近于零
回复占比显著更高
形式来源对比仍为正
91.4%回复切题
a 讨论
普通人来源即情境证词
回复是补充与质疑
来源线索延伸到接受
转发更受内容驱动
策展加分发加回应
D 结论
见证不止于被看见
转发扩散回复解释
单账号观察非因果
来源是组合包
离散公众的可见痕迹
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。