用户关注方式及系统生成线索在微博中的作用

研究问题1、2和研究假设1都关涉被试对微博信源、信息以及外围线索的注视情况。在采集眼动仪数据前，本书首先根据研究目的对实验材料进行了兴趣区划分，以便下文有针对性地分析被试在各区域的注视状况。如图7-2所示，本研究设计了博主姓名［信源，兴趣区1（AOI1）］、粉丝数［信源的系统生成线索，兴趣区2（AOI2）］、新浪认证［信源的外围线索，兴趣区3（AOI3）］、帖子内容［信息，兴趣区4（AOI4）］和转发/评论数［信息的系统生成线索，兴趣区5（AOI5）］等5个兴趣区域：

图7-2　微博页面的AOI划分图

1）被试注视不同卷入度微博的AOI热点图分析

热点图（Heatmap）是眼动仪自带的一个强大可视化工具，它可将被试的注视点进行叠加并以云状图的形式呈现，从中能看到被试在研究者所划分的兴趣区域注视点的集中程度及其注视时间长短。

由热点图显示结果可知，被试浏览专业性低、转发评论数少的娱乐微博时，较多关注的是博主姓名和帖子内容；浏览专业性高、转发评论数多的娱乐微博时，除了较多关注帖子内容，还很关注博主的新浪认证身份、粉丝数，以及帖子的转发评论数等系统生成线索。换言之，对于研究问题2所问及的用户对信源、信息的系统生成线索的关注方式，娱乐微博的热点分布结果显示出“数大招目”的特点，当信源被认证、粉丝数越多，信息被转发评论得越多时，用户就会越关注这些系统生成线索，反之，用户不太去关注这些外围线索。

与娱乐微博相似，当教育微博博主身份被认证过、粉丝数越多、帖子的转发评论数越多时，被试就会越关注信源和信息的系统生成线索；反之，对于低专业性、低转发评论数的教育微博，被试的注视点仅集中于博主姓名和帖子内容上。这同样回答了研究问题2，即用户对信源外围线索（博主身份、粉丝数）和信息外围线索（帖子转发/评论数）的关注呈现出“数大招目”的规律，系统生成线索数值越大，越会被关注。

无论是高/低专业性、高/低转发评论数的帖子，被试对高卷入度教育微博的注视点主要集中在微博信息内容上，对帖子内容（AOI4）的集中关注程度明显多于娱乐微博的同样区域；而对低卷入度的娱乐微博，被试的注视点除了分布在帖子内容上，还较多集中在博主姓名（AOI1）、新浪认证（AOI3）等信源区域上。本书随后对两类微博热点图所代表的注视次数进行均值比较t检验，结果显示：除了在转发评论数的注视上两者无显著区别外（P=0.627＞0.05），被试注视博主姓名（t=0.057，P＜0.05）、新浪认证（t=23.53，P≤0.001）和帖子内容时（t=60.85，P＜0.001），娱乐和教育微博都呈现出显著差异。

该发现部分回答了研究问题1和假设1，即用户在看某条微博时，对信源和信息的关注会受到卷入度的影响。当接触高卷入度微博时，用户对信息内容的注视点更多，反之，用户还会很关注信源。

2）被试注视不同卷入度微博的眼动轨迹图

眼动轨迹图可记录被试对各AOI的注视先后顺序。

通过分析40位被试的注视轨迹可发现：在浏览低卷入度的娱乐微博时，用户的眼动轨迹呈现出不规则形的特征，结合实验后的访谈，会发现不规则形的视觉轨迹主要是因为被试对该信息不感兴趣、持无所谓态度，但在注视顺序上，总体而言用户先看信源、再看信息；在浏览高卷入度的教育微博时，用户的眼动轨迹呈现出从博主姓名及粉丝数到博主认证、再到帖子内容和帖子转发评论数的顺序特点，概而言之遵循“信源—信源外围线索—信息内容—信息外围线索”的“Z”形图特征。该发现和前文AOI热点图分析共同回答了研究问题1和假设1，尽管从注视点和注视时间看，用户接触高卷入度微博时，对信息内容的关注更多，接触低卷入度微博时，对信源身份的注视多于高卷入度微博；但从注视顺序而言，无论高低卷入度的微博，用户都是先看信源、再看信息（高卷入度比低卷入度的微博呈现出更明显的Z型顺序特征），这说明假设1只是部分成立（在注视顺序上不成立）。眼动轨迹图对研究问题2的回应是，尽管在注视点分布上，系统生成线索呈现出“数大招目”的规律，但从注视顺序来看，无论娱乐或教育微博，信源或信息的系统生成线索都是最后被关注的，且注视点最少。

3）系统生成线索对微博可信度的影响

研究问题3和4分别涉及信源、信息的系统生成线索对用户可信度判断的影响，结合假设2、3所关涉的可信度影响因素问题，由于研究涉及的自变量多，为了观测各自对因变量的可解释变异量，本书分别以高卷入度的教育微博可信度和低卷入度的娱乐微博可信度为因变量，以博主粉丝数、帖子转发/评论数、帖子专业性为自变量，以用户的性别、年龄、网龄、博龄为控制变量，以逐步进入法进行多元线性回归分析。表7-3显示了回归分析结果。

表7-3　高、低卷入度微博可信度影响因素的回归系数

（续表）

*P＜0.05，**P＜0.001，***P＜0.001。

由此可知，不论在高或低卷入度微博中，博主粉丝数和帖子的转发评论数等系统生成线索都对该微博的可信度有显著正向影响。这回答了研究问题3和4，说明社交媒体的系统生成外围线索，确实对其可信度评估有积极影响。同时，该发现也验证了假设2和3，并且无论高或低卷入度的微博，其专业性资质都对可信度评估有最重要的影响，回归系数最大（β=679，β’=0.657）。还说明在预测可信度方面，精细加工可能模式里用户的中心加工路径（高卷入度）和外围加工路径（低卷入度）的区别并不明显，系统生成的外围线索在两种信息的加工中都有显著正面效应。(www.xing528.com)

4）眼动与信任之间的关联

研究问题5问及用户对微博的注视与信任判断之间的关联。本书首先对被试的注视时间眼动指标进行描述分析，表7-4呈现了微博各AOI上的注视时间统计结果（单位为秒）。

表7-4　被试对微博各AOI的注视时间

（续表）

如同前文AOI热点图的分析结果，表7-4同样体现出被试对高卷入度帖子内容的注视时间（M=7.80）明显高于低卷入度帖子（M=5.39），统计差异显著（t=18.13，P=＜0.001）；而在浏览低卷入度微博时，用户对信源身份注视时间更长（M=1.99），大于高卷入度信源（M=1.23），统计结果呈显著性差异（t=16.52，P=＜0.001）。另外，不论在高、低卷入度微博中，信源和信息的系统生成线索都是被注视时间最短的（M博主粉丝数=1.35，M帖子转发/评论数=1.07）。这些发现也进一步回答了研究问题1、2和假设1。

再回答研究问题5关于用户对微博的注视和信任判断之间的关系问题。表7-5显示了注视时间、注视点两项眼动指标和可信度变量之间的相关系数。

表7-5　被试注视时间、注视次数和微博可信度之间的相关矩阵

*P＜0.05，**P＜0.01。

由表7-5可见，注视次数和可信度之间无相关。注视时间和注视次数、可信度之间均为正相关，从相关系数大小可见注视时间和注视次数之间为高度相关（r=0.769，P＜0.01），而注视时间和可信度之间正相关程度很低（r=0.051，P＜0.05）。概而言之，用户对微博的注视与其可信度判断之间的关联几近于无，用户注视微博越多，并不能预测他越相信该微博。