題目：The Positive Effect of Not Following Others on Social Media
作者：Francesca Valsesia, Davide Proserpio, Joseph C. Nunes
發表期刊：Journal of Marketing Research
發表時間：2020
1
引入
「社群」一詞最早是由「社區」發展而來。社區指的是現實中的地區性的生活共同體和社區關係，社群指的是人們基於社會關系所建立起來的群體集合，具有跨區域的特質。社群經濟是將愛好相同、三觀相似的用戶群體集合在一起，通過互動交流的形式，形成一種群體性效應，並由此產生相應的經濟價值。
營銷人員通過選定一組特定的社交媒體影響者，激勵他們分享與品牌/產品相關的內容，傳播品牌/產品信息，進而接觸到特定的目標市場。下圖就是一個很好的例子：
社交媒體影響者也有不同的種類。一種是網絡大V，他們能夠接觸到大量用戶，例如歌手賽琳娜·戈麥斯在Ins上有1.67億粉絲 (截至2020年)，她參加了蔻馳、可口可樂、潘婷的社交媒體宣傳活動。據報導，她的一個贊助帖子就能獲得數十萬美元的收入(Heine, 2016)；另一種是「微」網紅(「micro」 influencers)，他們擁有1000到10萬粉絲，每條推文的收費為數百美元(Barker, 2017)。
想像如下情況：推特上有兩位同樣是釣魚愛好者的「微」網紅，他們的粉絲數量相差不大。
提出問題：假如你是釣魚產品公司的營銷人員，應該向誰進行廣告贊助呢？誰的影響力更大呢？
作者的關注點：the number of following
2
理論推導
2.1
網絡影響者（Influentials）
定義：有影響力的人，或意見領袖，是對他人的態度和行為產生巨大影響的人 (Katz& Lazarsfeld, 1955; Merton, 1968)
兩大研究方向：（一）有影響力的人有何特徵。①傳遞的信息類型、發揮影響力的領域類型②異質性，影響者存在於社會各個層面、職業和年齡群體 ③專業知識往往是意見領導的先決條件；（二）如何確定誰是有影響力的人。文獻記錄了多種方法，比如①自我命名法(self-designation)，促進了意見領袖量表的發展 ②分析網絡結構，用社會計量技術來捕捉社會系統成員之間的關係。
2.2
自主性
定義：自主性是指人們按照自己的價值觀行事，不受他人影響的程度(Brehm, 1993)。
相關文獻梳理：①研究表明，一個人非常在意自己是否被其他人視為獨立自主的(Baer et al, 1980)；②對有影響力的人來說，他們希望別人認為自己是在不受他人影響的情況下形成自己觀點的(Dworkin, 1988)；③一個人的自身影響力與這個人受他人影響的敏感性之間存在負相關關係(Aral&Walker, 2012)，也就是說，一個人越容易受他人影響，他的影響力就越低；④在缺乏完整信息的情況下，消費者往往依靠信號或線索來做出推斷，從而形成觀點並做出決定(Huber& McCann, 1982)。
作者認為，一個人關注的其他用戶的數量就是這樣一個線索。
2.3
假設及模型
作者提出，某用戶在社交媒體上「關注他人的數量」會影響他人對其自主性的看法，進而影響其他人對其影響力的感知。
具體來說：在社交媒體平台上，某影響者關注他人的數量（the number of following）越少，其他用戶對該影響者的感知自主性越大，進而對該用戶的感知影響力越大，從而會影響其他用戶的的參與度。
3
研究設計
3.1
研究一
數據來源： 從Twitter上收集2016年9月16日在洛杉磯市區用英語寫的所有推文。收集每條推文的點讚數和轉發數、推文內容的附加信息（包括視頻、照片、符號、話題標籤）、推文類型（原創、轉發還是對他人推文的回覆）,共計1,581,522條推文。
數據篩選：（1）作者研究的關注點在於其他用戶如何回應某影響者的原創內容，所以從數據中刪除了回復和轉發類型的推文（2）作者關注「微影響者」，所以限制影響者最多擁有10萬粉絲量。最後的數據集包括145,119名粉絲數不足10萬的推特用戶發布的439,051條原創推文。
建模分析：為了估計關注量（the number of following）對點讚量和轉發量的影響，使用負二項回歸進行分析。模型的形式如下：
因變量：用戶j在時間t時所寫的推文i收到的點讚量或轉發量
自變量：log Followingjt（將用戶j在t時刻關注的其他用戶的數量取對數）、log Followersjt（在t時刻追隨用戶j的粉絲數量取對數）
控制變量：（1）與推文相關，包括user mentions, hashtags, photos, videos, length, tone, financial symbols等；（2）與用戶相關，比如user age(months), user tweets, total likes, is verified, bio length, bio has URL, default user profile等。
分析結果：①β1是負的，影響者所關注的其他用戶數量每增加1%，該影響者所發布推文獲得的點讚量就會減少約0.24%，轉發量會減少約0.25%；②β2是正的，影響者的粉絲量對該影響者所發推文獲得的點讚量和轉發量有積極影響。
如圖所示：當影響者的粉絲量在大約1000 - 5000名時，following數量對點讚量和轉發量的負面影響已經變得很容易識別，並不需要幾萬或數十萬的粉絲量來發現這個現象。
作者還通過以下方法提升實驗結果的穩健性：
- 使用數據的不同子樣本。最初是使用10萬或低於10萬粉絲量的用戶，並且只關注原始推文。隨後作者對不同粉絲數量(10000、50000、150000和200000)的用戶、所有類型的推文(原創、轉發和回復)進行分析，結果是穩健的；
- 使用不同的建模方法。最初是使用負二項回歸，隨後使用普通最小二乘回歸法和二元負二項回歸法再次建模分析，結果是穩健的；
- 從不同的地理區域收集數據。包括2019年2月18日來自美國各地的推文樣本，以及2019年3月9日至3月11日來自日本東京的推文樣本，結果是穩健的。
3.2
研究二
實驗目的：驗證①關注他人的數量會影響某用戶的感知影響力；②邊界條件（有大量粉絲）
實驗設計：2 (Following: High vs. Low) × 2 (Followers: High vs. Low) 組間設計
被試：276名本科生
實驗流程：讓被試根據社交媒體上的個人資料頁面（如下面四幅圖所示）對該用戶進行評價。【Tips：Followers的數量分別是15457和58，following的數量分別是21530和49——這些數字是怎麼選擇的呢❓——根據研究一收集到的二手數據的分布，從小到大排列，選取第10百分位左右的數字作為「低」條件，選取第90百分位和第95百分位之間的數字作為「高」條件】
變量測量：感知影響力、感知意見領袖程度
實驗結果：驗證了①following(多vs.少)→感知影響力；②該效應的邊界條件：粉絲量（該效應存在的前提是：擁有大量粉絲）
3.3
研究三
預實驗
實驗目的：驗證中介和替代性解釋（following較少的人會被認為：更專業或更創新）
被試：從mTurk上招募598名推特用戶
實驗設計：將被試分成三組，被試根據Twitter用戶的個人資料頁面截圖（如下面兩幅圖所示）來評估該用戶，其中198人評估推特用戶的自主性，200人評估推特用戶的專業知識，200人評估推特用戶的創新能力。【Tips：不同組內，粉絲數(15457)、推文數(7835)和點讚數(916)保持不變，取自研究1中數據集的平均值。Following的數量與研究2相對應，低(49)或高(21530)】
結果：①自主性：following數量較少組的自主性高於following數量較高組，p=0.003；②專業知識：p=0.824；③創新能力：p=0.766
主實驗
實驗目的：①驗證中介②通過在提供用戶個人簡介時，同時提供該用戶發布的內容，來提升外部效度
被試：315名本科生
實驗流程：被試根據Twitter用戶的個人資料頁面截圖來評估該用戶。同時，用戶的個人資料中包含這位用戶分享的最新推文：「史上最受歡迎的十首歌曲」，並附有一個網站連結。
變量測量：感知影響力、自主性、點讚和轉發該推文的可能性
實驗結果：結果表明存在連續的中介模型，即Following→Autonomy→Influence→Likes/Retweets，人們認為在社交媒體上關注他人數量較少的影響者，具有更強的自主性和影響力，從而人們有更大參與度（表現為更積極的點讚和轉發）
3.4
研究四
實驗目的：再次驗證主效應，同時提出邊界條件(用戶影響力信息的有無)。
【解釋：當不提供某用戶影響力大小的信息時，人們會把他的following數量當作推斷他影響力大小的線索。但是，當提供了該用戶影響力大小的信息時，人們會直接根據信息得知他影響力的大小，此時人們就不太可能依賴following數量作為線索進行判斷】
實驗設計：2 (Following: High vs. Low) × 2 (Influence Information: Yes vs. No) 組間設計
被試：703名本科生
實驗流程：被試根據用戶的個人資料頁面截圖來評價該用戶，刺激物與研究三相同。對「用戶影響力大小的信息」的操縱：①「有信息」組，閱讀了推特用戶的簡介(Robert Diaz是一位有影響力的音樂記者)，並看到了一份雜誌的截圖（如下圖所示），稱Robert Diaz是最具影響力的音樂作家之一；②「無信息」組，沒有提供這樣的信息。
變量測量：點讚和轉發推文的可能性
實驗結果：在「無影響力信息」組，following數量少的組的點讚量和轉發量顯著高於following數量多的組；在「有影響力信息」組：點讚量p=0.651，轉發量p=0.564
3.5
研究五
實驗目的：增加一個因變量(Click)來提高結論的外部效度
實驗設計：2 (Following: High vs. Low)組間設計
被試：256名本科生
實驗流程：被試根據Twitter用戶的個人資料頁面截圖來評估該用戶。用戶簡介包括以下內容：顯示用戶分享的最新推文:「This is my list of 10 new restaurants to try in LA」，並附有一個網站連結。
變量測量：感知影響力、連結點擊率
實驗結果：①感知影響力：M低following=5.77，M高following=4.53，p＜0.001；②連結點擊率：M低following=53.9%，M高following=40.6%，p =0.033；③中介分析：Following→Influence→Click
4
總結與討論
4.1
文章結論
營銷人員在無數的「微」網紅中做出選擇進行廣告推廣並不容易，關鍵問題在於：是什麼讓社交媒體影響者更有可能影響他/她粉絲的行為?
作者發現，保持一個影響者的粉絲數量不變時，這個人在線影響力的一個重要指標是這個人選擇following其他人的數量。具體來說：對於網絡影響者來說，關注其他人的數量越少，其他用戶會認為他越自主，進而他的影響力越大。
4.2
局限性
（1）本研究觀察了影響者關注他人的數量和粉絲數量，但對於——粉絲量要達到多少才能產生影響——沒有提供精確的說明；
（2）雖然兩個社交媒體用戶可能擁有相同數量的粉絲，但是這些粉絲是誰？或者這些社交媒體用戶選擇關注誰？也就是說，他們的網絡結構可能不同；
（3）沒有考慮可能對網紅的影響力感知產生影響的其他潛在因素，例如：該影響者的寫作風格
4.3
營銷啟示
作為一名營銷人員，當我們選擇利用網絡影響者/關鍵意見領袖傳達廣告/產品信息時，需要從多方面進行考量。
此前我們可能只關注某網絡影響者粉絲量的多少，而本研究提供了一種新的角度和新的網絡社會影響機制：網絡影響者following其他人的數量也會影響消費者的想法，進而影響消費者的參與度；
所以，在選取某領域的網絡影響者進行廣告贊助時，不僅要從粉絲量這個角度來考慮他的影響力大小，還要考慮他在消費者心中是否有自主性、有影響力，是否能吸引消費者並說服他們進行購買。
編輯：趙丹丹