微博上的说服效应：微博转发数和思维方式对说服效果影响

彭唯 2012.11.20

Introduction

• 微博混乱的信息接受环境下，哪些因素会影响人们的态度转变？

Persuasion

• 什么是说服？• 经典的双加工模型： ELM & HSM

• 新的元认知模型：自我确认假说

Self-Validation Hypothesis

StimulateStimulate ConfidenceConfidence AttitudeAttitude

Self-Validation Hypothesis

• 信息源的人数状态与说服（ Horcajo, Petty & Briñol, 2010）

Self-Validation Hypothesis

• 转发数≈信息源人数状态• 论据强弱

Hypothesis 1

• 转发数会影响微博论据的说服效果。当转发数较大时，人们会更依赖论据强弱做出态度改变；而当转发数较小时，论据强弱的影响将会变小。

Naive Dialectism

多数人

少数人

强论据 √ x

弱论据 x √

Naive Dialectism

• 整体性思维：变化、联系、矛盾• 中国人在面对明显矛盾的两条论据时，会采用折中的策略来部分相信各自的观点，而美国则会采取极化的策略（ Peng & Nisbett, 1999）。

Naive Dialectism

在微博中，当人们思维方式中的矛盾性越高时，他们越能容忍转发数与论据强弱之间的矛盾。

Hypothesis II

• 思维方式的矛盾性将会影响转发数的说服效果。和矛盾性高的用户相比，矛盾性小的用户在不同转发数情况下存在更大的态度变化。

Study 1• 实验程序

WeiboWeibo

FavorabilityFavorability

Repost StatusRepost Status

ConfidenceConfidence

AttitudeAttitude

Study 1

• 自变量• 内容 据论 ：强或弱

• 数转发 ： 1000或 10

• 因变量• 想法偏好：被试阅读完微博后写下十个关于微博内容的想法。两个编码者将这些内容进行编码，分为偏好，中立和不偏好三种。偏好指数 =（偏好数 -不偏好数） /（偏好数 +不偏好数）。

• 信心：在测量态度之前，被试在九点量表上报告自己对之前所列想法的信心。

• 度态 ：被试在一系列的 9点语言量表上报告自己对目标的态度，最后的 平均得分为最后的态度分数。

Study 1

预期结果论据强弱与转发数量存在交互作用，在大转发量（ 1000）的情况下，强弱论据的微博造成的态度改变差异更多，而在小转发量（ 10）下，不同论据造成的态度差异较小。

Study II• 实验程序

WeiboWeibo

Repost StatusRepost Status

FavorabilityFavorabilityThinking Thinking

StyleStyleConfidenceConfidence

AttitudeAttitude

Study II

• 自变量• 思 矛盾性维 ：通过中国人整体思维量表测得的矛盾性得分。

• 数转发 ： 1000或 10

• 因变量• 想法偏好：被试阅读完微博后写下十个关于微博内容的想法。两个编码者将这些内容进行编码，分为偏好，中立和不偏好三种。偏好指数 =（偏好数 -不偏好数） /（偏好数 +不偏好数）。

• 信心：在测量态度之前，被试在九点量表上报告自己对之前所列想法的信心。

• 度态 ：被试在一系列的 9点语言量表上报告自己对目标的态度，最后的 平均得分为最后的态度分数。

Study II

预期结果思维方式的矛盾性将会影响转发数的说服效果。和矛盾性得分高的用户相比，矛盾性小的用户在不同转发数情况下存在更大的态度变化。