尊龙凯时 - 人生就是搏!平台

　　尊龙app官方下载ღ★◈，尊龙凯时ღ★◈，尊龙凯时人生就是搏平台ღ★◈，瑜伽体式ღ★◈，尊龙凯时 人生就是搏!平台ღ★◈，社交媒体是一个复杂的媒介系统ღ★◈，其中社交机器人ღ★◈、媒体ღ★◈、公众等传播主体混合交融形成了最终的社交媒体议程ღ★◈。本研究基于新冠疫情早期Twitter数据ღ★◈，综合运用图形观察ღ★◈、格兰杰因果关系检验尊龙凯时 - 人生就是搏!平台ღ★◈、脉冲响应分析等方法探讨了社交机器人ღ★◈、媒体和公众之间的关系和时间滞后ღ★◈。研究发现社交机器人和媒体都对公众议程产生正向影响ღ★◈，且随着时间的推移ღ★◈，媒体对公众议程的贡献度逐渐上升ღ★◈，而社交机器人的贡献度则呈现波动和整体下降趋势ღ★◈。其次ღ★◈，社交机器人引起公众响应的最佳时间滞后为1小时ღ★◈，影响持续时间是9小时ღ★◈；媒体则需要更长的时间来设置公众议程ღ★◈，最佳时间滞后为12小时ღ★◈，影响持续时间也更长ღ★◈，为24小时ღ★◈。最后ღ★◈，针对不同性质次级议题分析发现ღ★◈，社交机器人主要是在“具体的议题”引起其他议程响应ღ★◈，最佳时间滞后和影响持续时间均较短ღ★◈，而媒体主要是在“抽象的议题”产生议程设置ღ★◈，最佳时间滞后和影响持续时间相对较长ღ★◈。

　　国家社会科学基金重点项目“人工智能技术背景下加快国际传播能力建设研究”（项目编号22AZD072）ღ★◈，国家社会科学基金青年项目“社交机器人对网络传播秩序的影响研究”（项目编号22CXW013）的阶段性研究成果ღ★◈。

　　互联网的快速发展使议程设置的权力中心发生变化连击私服ღ★◈，传统议程设置从媒体到公众的单向流动ღ★◈，逐渐转变为社交媒体ღ★◈、新闻聚合者ღ★◈、个人和传统媒体之间的多向流动（Neumanღ★◈，Guggenheimღ★◈，Jang & Baeღ★◈，2014）ღ★◈。其中社交媒体与其他媒体议程之间不是完全独立的ღ★◈，而是呈现出相互交融的状态ღ★◈。作为平台系统ღ★◈，社交媒体本身并不生产观点和意见ღ★◈，而是由使用者来决定其议程构成ღ★◈。公众毫无疑问是组成社交媒体用户的最大群体ღ★◈。研究表明社交媒体赋予了公众反向议程设置的能力（Merazღ★◈，2016）ღ★◈，特别是在突发新闻中尊龙凯时 - 人生就是搏!平台ღ★◈，公众往往成为最初的议程设置者（Vargoღ★◈，Basilaia & Shawღ★◈，2015）ღ★◈。但社交媒体并不只是公众意见的集合ღ★◈，随着越来越多媒体ღ★◈、企业ღ★◈、政府ღ★◈、组织等账号的入驻ღ★◈，逐渐形成了一个混合多元的媒介系统ღ★◈。

　　在这一媒介系统中ღ★◈，媒体账号依托传统媒体的信息来源和公信力ღ★◈，聚集了大量用户关注ღ★◈。此外ღ★◈，同一家媒体机构还建立了面向不同受众ღ★◈、不同地区ღ★◈、不同语言的多账号媒体矩阵ღ★◈。传统媒体通过社交媒体将用户引导至自己的网站或直接在社交媒体输出观点与用户互动来设置议题ღ★◈。新兴媒体（指没有传统媒体形式或自媒体）也在社交媒体平台迅速扩张ღ★◈，吸引公众注意ღ★◈。在相关议题讨论中ღ★◈，媒体账号依然占据着网络中心位置ღ★◈，成为社交媒体空间重要的议程设置者（Yun et al.ღ★◈，2016）ღ★◈。

　　社交机器人的出现使当前的媒介系统更加复杂ღ★◈。在算法和大数据的作用下ღ★◈，社交机器人成为社交媒体中活跃的传播主体ღ★◈，一方面加快了信息生产和传播的速度（Khaundღ★◈，Kirdemirღ★◈，Agarwalღ★◈，Liu & Morstatterღ★◈，2022）ღ★◈，另一方面也影响了社交网络舆论的形成（Chengღ★◈，Luo & Yuღ★◈，2020）ღ★◈。研究者指出社交机器人的重要性不在于直接操纵舆论ღ★◈，而在于议程设置（Sullivanღ★◈，2019）ღ★◈。具体来说ღ★◈，社交机器人最显著的作用是通过人为地放大目标信息来制造共识ღ★◈；为关注ღ★◈、转发或喜欢某位候选人或议题的内容营造虚假人气ღ★◈，使该内容看起来比实际情况更合法ღ★◈，以此得到更广泛的支持（Woolley & Howardღ★◈，2019）ღ★◈。放大目标信息ღ★◈、制造共识ღ★◈、营造虚假人气等手段的目的是为了提高议题（候选人）的显著性ღ★◈，引起公众的广泛关注ღ★◈，这与议程设置基本假设相吻合ღ★◈。

　　社交媒体已经成为人们获取信息的重要渠道ღ★◈，随着算法和自动化技术的进一步发展ღ★◈，社交媒体空间信息流动时间正在发生变化ღ★◈。研究者指出议程设置时间滞后已经从传统媒体几个月（Stone & McCombsღ★◈，1981）ღ★◈、数周（Wanta & Huღ★◈，1994）的时间变为几天（Conway & Kenskiღ★◈，2015）ღ★◈，甚至是几小时（Wang & Guoღ★◈，2018）ღ★◈。但社交机器人对议程设置时间滞后产生何种影响ღ★◈，还并未有较多研究进行关注ღ★◈。时间滞后即变量之间产生议程设置效果的时间差ღ★◈。具体来说社交机器人设置的议题需要多久才可以抵达受众？这一影响持续时间又是多久？社交机器人是否影响了媒体议程设置的时间滞后？同时议题性质是否会对时间滞后产生影响？

　　本研究首先通过图形观察方法判断社交机器人ღ★◈、媒体ღ★◈、公众在峰值点的时间先后ღ★◈，结合格兰杰因果关系检验进一步确定三者之间的关系ღ★◈。其次通过脉冲响应函数分析随着时间变化一个议程对另一个议程施加的影响ღ★◈，探讨议程设置效果产生的时间滞后ღ★◈。最后针对不同性质次级议题展开分析与讨论ღ★◈。通过研究回答了在新的媒体生态中议程设置时间滞后是否发生变化ღ★◈，以及传播技术的发展在引导公众和社会问题的关注方面是否发挥作用ღ★◈；拓展了关于议程设置时间滞后的研究ღ★◈，对于我们理解连接传播系统的动态过程至关重要ღ★◈，为之后的研究者确定研究时间范围提供参考ღ★◈。

　　议程设置理论最初关注的是议题显著性从媒体议程向公众议程的转移ღ★◈，即媒体对关键议题的报道可以影响公众对该议题重要性的认知（McCombs & Shawღ★◈，1972）ღ★◈。新媒介技术的发展极大地改变了媒介环境ღ★◈，从而对议程设置理论的基本假设提出挑战ღ★◈。研究发现传统媒体对公共议程设置的影响已经不那么明显（McCombsღ★◈，Shaw & Weaverღ★◈，2014ღ★◈；Neumanღ★◈， Guggenheimღ★◈，Jang & Baeღ★◈，2014）ღ★◈，在复杂的媒介生态中议程设置方向可以被逆转（Chadwickღ★◈，2013ღ★◈：4）ღ★◈。在许多突发事件中ღ★◈，社交媒体往往是最初的议程设置者（Vargoღ★◈，Basilaia & Shawღ★◈，2015）ღ★◈。上述研究说明利用社交媒体普通公民也拥有了反向设置议程的能力ღ★◈，然而社交媒体议程反映的不单纯是民意ღ★◈，而是公民ღ★◈、媒体ღ★◈、政府ღ★◈、组织等多元主体的混合议程ღ★◈。特别是随着社交机器人的广泛应用ღ★◈，使得当前的媒介环境更加复杂ღ★◈。

　　社交机器人指的是在社交网络中扮演人的身份ღ★◈、拥有不同程度人格属性ღ★◈、且与人进行互动的虚拟AI形象（张洪忠ღ★◈，段泽宁ღ★◈，韩秀ღ★◈，2019）ღ★◈。本研究特指由算法生成的承担一定任务ღ★◈、发布特定信息ღ★◈、并与人类进行互动的社交媒体账号ღ★◈。社交机器人具有自动化ღ★◈、大规模和隐蔽性ღ★◈、低成本等特点ღ★◈，这些特点使得它成为社交网络中不可忽视的传播主体ღ★◈。当前已有不少研究指出了社交机器人对公众舆论的影响ღ★◈。首先ღ★◈，社交机器人可以通过扩大信息规模影响议题的显著性ღ★◈，例如在2016年美国大选中社交机器人产生了约20%的内容ღ★◈，推动目标政治候选人更加流行（Bessi & Ferraraღ★◈，2016）ღ★◈。其次ღ★◈，社交机器人往往与传播假新闻和虚假信息联系在一起ღ★◈，这在一定程度上影响人们对议题的判断ღ★◈。第三ღ★◈，社交机器人还可以通过放大负面的ღ★◈、仇恨的或煽动性的言论来加剧网络极化（赵蓓ღ★◈，张洪忠ღ★◈，2022b）ღ★◈。第四ღ★◈，社交机器人正是利用了社交媒体去中心化的网状结构ღ★◈，在多个节点中与人类用户产生互动ღ★◈，快速渗透到舆论中心ღ★◈，达到影响舆论的目的ღ★◈。由于参加活动的社交机器人很可能是被同一算法操控ღ★◈，它们之间的沟通也会比人类之间的沟通更为高效ღ★◈。这些研究说明了社交机器人在社交网络中的影响力ღ★◈，但都并未从议程设置理论视角出发来探讨社交机器人的议程设置效果ღ★◈。并且关于社交机器人的研究大多是基于“社交机器人—人类”二分法的比较分析ღ★◈，忽视了媒体在社交网络中的重要性ღ★◈。

　　关于社交机器人议程设置研究ღ★◈，赵蓓和张洪忠（2022a）从第一层（问题）和第二层（属性）分析了社交机器人ღ★◈、公众与媒体账号之间的议程设置效果ღ★◈，发现社交机器人在中美贸易争端讨论中影响了公众议程ღ★◈，同时社交机器人又受到媒体议程的影响ღ★◈。Duan等人（2022）利用早期COVID-19大流行的推文和新闻报道ღ★◈，发现社交机器人有选择性地放大了某些话题ღ★◈，并预测了与党派媒体相一致的报道ღ★◈。可以看到社交机器人正在成为议程设置的另一个权力中心ღ★◈，但关于社交机器人与媒体之间的关系仍然是不确定的ღ★◈。这两个研究虽然都是针对社交机器人ღ★◈、公众与媒体之间的探讨ღ★◈，但前者是完全基于社交媒体中的媒体账号ღ★◈，而后者则将其范围扩展至外部新闻报道ღ★◈。为进一步明确社交媒体空间信息流动的方向ღ★◈，本研究将研究范围限定于社交媒体之内ღ★◈，通过区分不同账号类型来验证社交机器人ღ★◈、公众与媒体之间的关系ღ★◈。基于此提出问题ღ★◈：

　　在自然环境中ღ★◈，两个或更多人之间的交流并不是同时发生的ღ★◈，人们需要时间来处理信息ღ★◈，然后做出反应（Wells et al.ღ★◈，2019）ღ★◈。在议程设置研究中ღ★◈，信息的影响既不是强制的也不是及时的（McCombs & Shawღ★◈，1972）ღ★◈。研究者认为大众媒体对议题和人物的建构ღ★◈，不是一夜之间ღ★◈，而是经过一段时间逐渐形成的（Lang & Langღ★◈，1959）ღ★◈。在议程设置理论刚刚提出时ღ★◈，研究者就关注到这一时间变量ღ★◈。Stone和McCombs（1981）研究发现ღ★◈，媒体议程需要2到6个月才能完全转化为公众议程ღ★◈。Shoemakerღ★◈，Wanta和 Leggett（1989）发现在3-4个月内反复强调的报道可能对公众舆论影响最大ღ★◈。Wanta和Hu（1994）研究了五种新闻媒体的时间滞后ღ★◈。他们发现全国性网络新闻广播的最佳时滞为1周ღ★◈，地方新闻广播为2周ღ★◈，地区性报纸为3周ღ★◈，地方性报纸为4周ღ★◈，全国性新闻杂志为8周ღ★◈，且报纸议程设置效果持续的时间要比电视更久ღ★◈。上述研究关注的都是传统媒体的时间滞后ღ★◈，由于地理ღ★◈、时间ღ★◈、出版周期等因素的限制ღ★◈，即使是全国性的网络新闻广播也需要1周的时间才能将媒体议程转移至受众ღ★◈。且由于研究方法和研究对象的不同ღ★◈，产生了不同的研究结果ღ★◈。

　　新媒介形式的出现缩短了议程设置效果产生的时间滞后ღ★◈。Robertsღ★◈，Wanta 和 Dzwo（2002）以美国主流新闻媒体网站为研究对象ღ★◈，发现议程设置的时间滞后由传统媒体的数周缩短至1-7天ღ★◈。Vonbunღ★◈，Königslöw和Schoenbach（2016）通过时间序列分析ღ★◈，分析了 38 家报纸ღ★◈、在线新闻网站ღ★◈、电视新闻节目以及通讯服务在全国大选期间的中间媒体议程设置过程ღ★◈，发现议程设置时间滞后只有1天ღ★◈。Conway和Kenski（2015）研究发现媒体报道和政党候选人推文之间时间滞后在0-7天之间ღ★◈，滞后期为0表示此类影响是同时发生的ღ★◈，表明了Twitter 和传统新闻媒体似乎具有共生关系ღ★◈，其强度和持续时间因所分析的问题而异ღ★◈。还有研究者认为议程显著性的转移可能在数小时内就可以发生ღ★◈，因此将时间滞后缩短至6小时来检验社交媒体议程设置（Wang & Guoღ★◈，2018ღ★◈；王晗啸ღ★◈，于德山ღ★◈，2020）连击私服ღ★◈。社交媒体的出现大大减少了人们获取信息的时间差ღ★◈，几乎在新闻发生的同时ღ★◈，用户就可以接收到“推送”ღ★◈，并采取进一步行动（阅读或评论等）ღ★◈。基于此ღ★◈，议程设置的时间滞后也被进一步缩短ღ★◈。

　　社交机器人依托人工智能技术与社交媒体的深度融合ღ★◈，信息传递速度ღ★◈、网络连通性和隐蔽性都得到了极大加强ღ★◈。例如ღ★◈，社交机器人可以不分昼夜ღ★◈、持续不断将相同的内容传递给数百万用户（Assenmacherღ★◈，Cleverღ★◈，Frischlichღ★◈，Quandtღ★◈，Trautmann & Grimmeღ★◈，2020）ღ★◈；在算法的操控下批量社交机器人账号可以形成紧密的网络连接（僵尸网络）ღ★◈，并与人类用户产生互动（Vasilkova & Legostaevaღ★◈，2020)）ღ★◈；同时越来越发达的人工智能技术赋予了社交机器人更高的智能化ღ★◈，普通用户很难分辨获取到的信息是来自人类还是机器人（Morrisonღ★◈，2022）ღ★◈。加之社交机器人通常与虚假信息联系在一起（Al-Rawiღ★◈，Groshek & Zhangღ★◈，2018）ღ★◈，有研究指出虚假信息在社交媒体中传递的速度非常快（Raj & Goswamiღ★◈，2020）ღ★◈，一些虚假信息在不到十秒的时间内就开始流行（Benjaminღ★◈，2021）ღ★◈。在制造共识或增强议题显著性方面ღ★◈，社交机器人显然比普通账户更有优势（赵蓓ღ★◈，张洪忠ღ★◈，2022a）ღ★◈，但目前关于社交机器人议程设置时间滞后的研究还相对较少ღ★◈，一些研究仍然以“天”为单位来进行时间序列分析ღ★◈。本研究认为社交机器人议程设置效果可以在数小时内产生ღ★◈，因此以小时为单位建构时间序列进行分析ღ★◈。基于此提出问题ღ★◈：

　　议程设置并不是一种广泛的ღ★◈、无条件的媒体效应ღ★◈，议程设置效果的产生需要一些中介因素（McLeodღ★◈，Becker & Byrnesღ★◈，1974）ღ★◈。议题性质是议程设置研究中被广泛研究的中介因素之一（Leeღ★◈，2004）ღ★◈。议题“强制性假说”认为议题的“强制性”（obtrusiveness）是决定媒体对公众是否产生议程设置的一个重要因素（Zuckerღ★◈，1978ღ★◈；Winterღ★◈，1981）ღ★◈。判断一个议题是否是强制性议题ღ★◈，主要在于受众对该议题是否有直接经验ღ★◈，有直接经验或者直接经验较多则是强制性议题（如ღ★◈，失业ღ★◈、通货膨胀等）ღ★◈，没有直接经验或者直接经验较少则是非强制性议题（如ღ★◈，外交ღ★◈、军备竞赛等）ღ★◈。对一个议题ღ★◈，公众越是缺乏直接经验时ღ★◈，越必须依靠媒体获取信息和解释ღ★◈，媒体议程设置效果也就越强ღ★◈。在互联网媒介研究中ღ★◈，Kalmoe（2017）的研究同样支持非强制性议题对媒介议程设置效果的激发作用ღ★◈。

　　还有一些学者将强制性议题用具体到抽象的尺度来衡量ღ★◈，以“抽象度”为标准将议题分为具体的议题和抽象的议题（Yagade & Dozierღ★◈，1990）ღ★◈。研究表明ღ★◈，媒体在报道具体议题时对公众产生了更强的议程设置效果ღ★◈，而在报道抽象议题时ღ★◈，媒体和公众之间则不存在或存在较弱的议程设置效果（Wanta & Huღ★◈，1993ღ★◈；Yagade & Dozierღ★◈，1990）ღ★◈。议题越是抽象理解起来就越困难ღ★◈，公众很难对他们难以理解的议题赋予显著性ღ★◈，媒体议程设置效果因此也就大打折扣ღ★◈。

　　“强制性”和“抽象度”的划分有相似之处（Zhu & Borosonღ★◈，1997）ღ★◈，根据其定义ღ★◈，“抽象的议题”是人们难以感受与理解的ღ★◈，获得这些议题的相关信息可能更加依赖于媒体而不是亲身经验ღ★◈，因此这种“抽象的议题”更加接近于“非强制性议题”（蒋忠波连击私服ღ★◈，2015ღ★◈：44）ღ★◈。但在现实研究中ღ★◈，“抽象的议题”和“非强制性议题”却产生了相互矛盾的研究结果ღ★◈。造成矛盾结果的部分原因在于这两个假说是由明显不同的前提驱动的ღ★◈，强制性假说是由媒体依赖理论驱动ღ★◈，而抽象度的划分则基于个人的认知启动机制（Leeღ★◈，2004）ღ★◈。关于议题性质对议程设置产生的影响需要更多的实证研究加以证明ღ★◈。

　　议题性质不仅会对议程设置效果产生影响ღ★◈，还会影响时间滞后的长短ღ★◈。Robertsღ★◈，Wanta 和 Dzwo（2002）研究指出具体的时间滞后根据不同的议题性质产生不同的结果ღ★◈，例如移民议题在第一天就产生了显著性ღ★◈，而税收则在第六天才产生显著性ღ★◈。Conway和Kenski（2015）在预算ღ★◈、经济ღ★◈、就业ღ★◈、能源ღ★◈、外交政策ღ★◈、医疗保健和税收方面发现了0-7天的时间滞后ღ★◈，滞后期数根据议题性质产生差异ღ★◈。Lee（2004）研究发现一个强制性议题比一个非强制性议题更容易在个人的记忆中被激活ღ★◈，议程设置效果产生的时间也更短ღ★◈。可以看到议题性质是影响时间滞后的重要因素ღ★◈，在新媒介环境之下议题性质是否依然发挥作用ღ★◈，是当前面临的迫切问题ღ★◈。结合前文对议题性质的划分ღ★◈，本研究将新冠议题中出现的次级议题2按照抽象度划分为具体和抽象两类ღ★◈，具体的议题指的是公众直接经验丰富ღ★◈，较为容易理解的议题ღ★◈；而抽象的议题指的是公众缺乏直接经验ღ★◈，难以理解和感受的议题ღ★◈，以此来探讨其对时间滞后的影响ღ★◈。基于此提出问题ღ★◈：

　　本研究以新冠疫情为例ღ★◈，之所以选择该议题的原因主要有以下三点ღ★◈：首先ღ★◈，新冠疫情传播速度之快ღ★◈、影响范围之广ღ★◈、持续时间之长是近年来非常具有研究价值的议题ღ★◈；其次ღ★◈，新冠疫情是人类历史上全新的流行病ღ★◈，在此之前从未被讨论过ღ★◈，因此在时间先后上更方便确定因果关系（主要指的是统计学意义上的因果）ღ★◈，这也是本研究将时间范围限定在新冠疫情爆发初期的原因之一ღ★◈；最后ღ★◈，在此次新冠疫情中ღ★◈，大量的虚假信息在社交媒体上以前所未有的速度传播ღ★◈，已有一些学者关注到社交机器人的信息传播行为ღ★◈，并且可能用于在社交媒体上传播阴谋论信息（Ferraraღ★◈，2020）ღ★◈、仇恨言论（Ziems尊龙凯时 - 人生就是搏!平台ღ★◈，Heღ★◈，Soni & Kumarღ★◈，2020）ღ★◈、虚假信息（Yangღ★◈，Torres-Lugo & Menczerღ★◈，2020）等ღ★◈。

　　本研究基于TweetScrapy框架和MangoDB数据库编写程序来获取Twitter数据ღ★◈，该方法原则上可以模拟用户关键词搜索获取到的所有对外显示数据ღ★◈，且可以摆脱API的时间和速率限制ღ★◈。研究时间范围主要选择疫情爆发初期ღ★◈，原因在于疫情爆发初期ღ★◈，信息突然呈指数级增长ღ★◈，真假信息难以判断ღ★◈，此时数据更能反映社交机器人在突发公共卫生事件中发挥的作用ღ★◈。因此ღ★◈，在综合判断谷歌指数和Twitter话题趋势的基础上ღ★◈，选取了2020年1月26日至2020年2月1日（7天）作为研究的时间段（见图1）ღ★◈。早期新冠疫情的讨论中多使用“coronavirus”“corona”“pneumonia”等词ღ★◈。在获取所有关键词1天的数据并比较文本数量之后ღ★◈，发现通过“coronavirus”获取的数据文本较全ღ★◈。结合本文时间段在2020年2月11日（WHO将新冠病毒引发的疾病命名为Covid-19）之前ღ★◈，故选取“coronavirus”作为采集数据的关键词ღ★◈，最终获取到约37万原始数据ღ★◈。为便于后续操作和分析ღ★◈，对非英语推文进行识别和删除ღ★◈，得到205625条英文推文ღ★◈，其中独立账户99811个ღ★◈。

　　本研究使用开源工具Botometer对参与讨论的99811个账号进行检测ღ★◈，将得分在3分（0-5）以上的判定为社交机器人ღ★◈。其中4455个账号由于被删除或处于保护状态无法检测ღ★◈，予以删除ღ★◈。为了保持账号信息获取的一致性ღ★◈，在文本获取之后的1个星期内完成了所有独立账户的检测ღ★◈。媒体账号检测通过以下两步来完成ღ★◈：一是获取所有账户的认证信息ღ★◈，二是对认证账户进行人工检查ღ★◈，根据其主页信息判断其账号属性ღ★◈，共获取到媒体ღ★◈、名人ღ★◈、企业或组织ღ★◈、政府等四类账户信息ღ★◈，由于本研究检查的是社交机器人ღ★◈、公众与媒体账号之间的关系ღ★◈，因此对媒体之外的 三种账号不予考虑ღ★◈。具体结果见表1ღ★◈。

　　社交媒体数据的连续性和可获取性为研究者进行时间序列分析提供了便利条件ღ★◈。本研究引入向量自回归模型（VAR） 来分析不同类型账号议程之间的关系ღ★◈。向量自回归把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型ღ★◈，从而将单变量自回归模型推广到多元时间序列变量组成的“向量”自回归模型ღ★◈。VAR模型常用于预测相互联系的时间序列及分析随机扰动对变量系统的动态冲击（周勇ღ★◈，赵璇ღ★◈，2017）ღ★◈。由于在整个社交网络中社交机器人与公众ღ★◈、媒体之间的议程并不是独立的ღ★◈，而是相互影响的一个动态过程ღ★◈，VAR模型可以从时间维度上更好的解释三者之间的相互影响ღ★◈。

　　格兰杰因果关系检验的是变量Y是否受变量X的滞后变量的影响ღ★◈，如果变量Y受变量X的滞后变量的影响ღ★◈，则称它们之间具有格兰杰因果关系ღ★◈。该方法在议程设置研究的相关论文中得到了广泛应用（Guo & Vargoღ★◈，2020ღ★◈；Heijkantღ★◈，Selm & Vliegenthartღ★◈，2019ღ★◈；Vargoღ★◈，Guo & Amazeenღ★◈，2018ღ★◈；Leeღ★◈，Kim & Scheufeleღ★◈，2016）ღ★◈，在解释两个时间序列变量统计学意义上的因果关系时具有较高的可信度ღ★◈。

　　脉冲响应（Impulse Responseღ★◈，IR）指的是一个被测系统在一个脉冲激励信号输入时ღ★◈，所得到的时域（时间VS幅度）的响应特性（Smaartღ★◈，2015）ღ★◈。在VAR模型中ღ★◈，脉冲响应函数（IRF）描述的是VAR模型中的每一个内生变量的冲击对其它内生变量带来的影响ღ★◈，或脉冲响应函数是随着时间的推移ღ★◈，观察模型中的各变量对于冲击的响应（刘克庆ღ★◈，2012）ღ★◈。本研究通过脉冲响应分析来判断社交机器人ღ★◈、媒体ღ★◈、公众产生议程设置效应的时间滞后ღ★◈。

　　首先通过人工编码确定编码框架ღ★◈。本研究采用分层随机抽样的方法抽取样本ღ★◈，以天为层ღ★◈，从每天中随机抽取一定比例的推文尊龙凯时 - 人生就是搏!平台ღ★◈，具体比例为公众 3%（4532）ღ★◈、社交机器人 5%（1315）ღ★◈、媒体 5%（540）ღ★◈。通过编码发现了21个比较清晰的次级议题ღ★◈。人工编码是由3个具有相关经验研究生学历的编码人员来进行ღ★◈，其中2名编码人员各编码了一半ღ★◈，另一位编码者编码了全部ღ★◈，将结果进行一致性检验ღ★◈，得分为0.77ღ★◈。

　　其次ღ★◈，为了获取更完整的时间序列模型ღ★◈，在人工编码基础上采用了计算机辅助内容分析（Computer-assisted Content Analysis）的方法对整体数据集进行编码ღ★◈。计算机辅助内容分析方法能够避免因为主观判断引起的误差保证了研究信度ღ★◈，在对大量复杂文本进行分析时具有相对优势ღ★◈，近年来在国际传播学研究中得到了普遍应用（党明辉ღ★◈，2017）ღ★◈。本研究主要是借鉴Vargoღ★◈，Guoღ★◈，McCombs & Shaw（2014）的研究方法ღ★◈，具体步骤如下ღ★◈：一ღ★◈、对抽样数据进行定性评估ღ★◈，确定关键词列表ღ★◈。将之前编码所得同一属性下的所有推文放到一个文本中进行处理ღ★◈，包括将字符转为小写ღ★◈、删除不规则符号ღ★◈、分词与词性标注ღ★◈、将分词原形化ღ★◈，最后得到关键词排序结合人工检查将出现频率较高（前60%）且具有一定代表性和排他性的分词作为关键词ღ★◈。二ღ★◈、将关键词与全数据进行匹配ღ★◈。在匹配之前同样要对文本进行清理（重复前文步骤）ღ★◈。编写python程序执行查询ღ★◈，当一条推文与某个次级议题的一个或多个关键字匹配时ღ★◈，就会被程序标记1ღ★◈，没有匹配时标记为0ღ★◈。随机抽取每个次级议题100条推文进行一致性检验ღ★◈，新冠肺炎疫情平均得分0.79没有查询得分低于0.75ღ★◈。

　　根据之前研究者的经验ღ★◈，在社交媒体中议程设置时间滞后大大缩短ღ★◈，一些媒体报道和Twitter消息几乎是同时出现ღ★◈，影响也是共生关系（Conway & Kenskiღ★◈，2015）尊龙凯时 - 人生就是搏!平台ღ★◈。本研究以小时为单位建构社交机器人ღ★◈、媒体和公众时间序列ღ★◈，共产生168个时间节点ღ★◈。根据其发文数量来判断其对议题的关注ღ★◈，也就是显著性程度ღ★◈。其中社交机器人发文数量处于上升趋势的时间段有87个ღ★◈，媒体处于上升趋势的时间段有78个ღ★◈，公众处于上升趋势的时间段有84个ღ★◈。在一个议题扩散过程中会出现多个上升或下降的趋势ღ★◈，因此也会产生多个峰值ღ★◈，即在一定时间范围内的最高值ღ★◈。而峰值点则是显著性相对比较突出的节点ღ★◈，如果某一个议程率先到达峰值ღ★◈，则说明它在较早的时间内关注到该议题ღ★◈。因此比较峰值点的时间先后ღ★◈，可以从侧面反映出哪一个议程在网络中的引领作用ღ★◈。

　　由于一些时间段是连续上升的趋势ღ★◈，因此在峰值点判断上取最后开始下降的时间节点ღ★◈。如ღ★◈，1月26日6时社交机器人发文数量开始增加ღ★◈，这一趋势一直持续到8时ღ★◈，则将8时作为最终的峰值时间点ღ★◈。通过计算和观察ღ★◈，最终得到39个可观察时间范围（从上升时间点开始直到开始下降时间点之间算一个时间范围）ღ★◈。其中社交机器人峰值时间点在前的有13个ღ★◈，媒体议题峰值时间点在前的有22个ღ★◈，公众议题峰值时间点在前的有6个ღ★◈。媒体在更多时间节点早于社交机器人和公众展开对新冠议题的讨论连击私服ღ★◈，社交机器人次之ღ★◈，最后是公众ღ★◈，三者之间的时间间隔在1-4小时ღ★◈。由此可见ღ★◈，媒体在整个社交网络中依然处于优势地位ღ★◈，社交机器人也在多个时间节点中发挥作用ღ★◈。通过图形观察峰值时间点先后更直观地揭示了不同议程之间存在的时间滞后问题ღ★◈，但并不能说明不同议程之间的相互影响关系ღ★◈，因此下文将通过格兰杰因果关系和脉冲响应进一步分析ღ★◈。

　　*图中截取的是部分峰值数据ღ★◈，以5-6个时间点为一个时间范围ღ★◈。横坐标数值代表的是时间ღ★◈， 以每小时为一个时间点ღ★◈，纵坐标代表的是在该时间点发布的推文数量ღ★◈，峰值与峰值的时间间隔用双虚线ღ★◈：部分峰值点先后判断示例图

　　本研究通过基于VAR模型的格兰杰因果关系检验来探究社交机器人ღ★◈、公众与媒体间的相互影响ღ★◈。首先ღ★◈，确定VAR模型的滞后期数ღ★◈。本文利用Eviews的Lag Length Criteria来检验其AICღ★◈、SC和LR值5ღ★◈，以滞后期数为8来建构模型1ღ★◈。其次ღ★◈，检验模型的平稳性ღ★◈。模型的稳定性是VAR模型有效性的基础ღ★◈，如果模型不平稳ღ★◈，其结果将失去有效性ღ★◈。本研究利用AR根进行检验ღ★◈，VAR模型内所有根模的倒数小于1ღ★◈，说明模型是稳定的ღ★◈。

　　基于VAR模型的格兰杰因果关系检验结果显示ღ★◈，在5%的显著性水平下（p0.05）ღ★◈，社交机器人是公众的格兰杰原因ღ★◈，媒体是社交机器人和公众的格兰杰原因（回答RQ1）ღ★◈。即社交机器人对议题的讨论会影响公众对该提议的关注尊龙凯时 - 人生就是搏!平台ღ★◈，同时媒体对议题的报道也会影响社交机器人和公众对该议题的关注ღ★◈。这一结果与峰值点时间先后判断相一致ღ★◈。社交机器人成为影响公众舆论的新兴力量ღ★◈，但与此同时它也会受到媒体账号的影响ღ★◈，成为媒体议程的跟随者ღ★◈，起到增强媒体议程的作用ღ★◈。需要注意的是格兰杰因果关系强调的是时间上的响应关系ღ★◈，并不能完全反应因果关系ღ★◈，因此本文期望通过格兰杰因果关系确定的是变量之间的一种输入—响应关系ღ★◈，为后文的脉冲响应提供基础ღ★◈。

　　根据格兰杰因果关系检验结果显示ღ★◈，社交机器人和媒体均对公众议程产生影响ღ★◈。进一步通过方差分解（variance decomposition）评价社交机器人和媒体对公众议程的贡献度ღ★◈，也就是它们在模型中的相对重要性ღ★◈。从表3公众议程的方差分解表可以看到ღ★◈，滞后20期内公众议程自身对其变动的贡献率最大ღ★◈，但逐渐呈现下降趋势ღ★◈，从lag1的81.73%到lag20的50.14%ღ★◈。社交机器人整体上也呈现下降趋势ღ★◈，即从lag1的18.27%到lag20的13.10%ღ★◈，整个过程中呈现出细微波动ღ★◈，例如在lag1和lag2时保持在约18%的贡献度ღ★◈，随后下降直至lag7和lag8再次回到约18%的贡献度ღ★◈，之后逐渐下降ღ★◈。反之ღ★◈，媒体在lag1时贡献度为0ღ★◈，一直到lag20时贡献度增长至36.76%ღ★◈。说明社交机器人在短期内对公众议程有显著影响ღ★◈，但长期贡献较小ღ★◈。媒体对公众议程的影响较为显著ღ★◈，且会随着时间变化逐渐增长ღ★◈，具备长期效果ღ★◈。横向比较而言ღ★◈，在最高值时媒体对公众议程的贡献度（36.76%）要高于社交机器人（18.51%）ღ★◈，以此回答RQ1ღ★◈。

　　本研究通过脉冲分析来判断议程设置效果产生的最佳时间滞后及持续时间ღ★◈。根据多次尝试ღ★◈，在响应期为72时ღ★◈，可以完整观察脉冲响应函数的变化ღ★◈。脉冲响应分析得到结果如图4所示ღ★◈，基于前文只有3组关系产生了格兰杰因果关系ღ★◈，因此只对这3组关系进行脉冲响应分析ღ★◈，从上至下分别为图4-1（社交机器人对公众的脉冲响应）ღ★◈，图4-2（媒体对公众的脉冲响应）ღ★◈，图4-3（媒体对社交机器人的脉冲响应）ღ★◈。图中横轴表示期数（小时）ღ★◈，纵轴表示变化程度ღ★◈；其中ღ★◈，实线是脉冲响应函数ღ★◈，表示变量冲击后的动态响应ღ★◈，上下两侧虚线是脉冲响应函数加减两倍标准差的值ღ★◈，表明冲击响应的可能范围ღ★◈。

　　如图4-1所示ღ★◈，社交机器人对公众议程的影响表现为ღ★◈，当在本期给社交机器人议程一个正冲击后ღ★◈，公众议程在lag1就达到最大ღ★◈，之后开始下降但一直呈现正影响ღ★◈，直到lag7再次达到峰值之后逐渐收敛ღ★◈，lag9时IRF值降为0开始出现负冲击ღ★◈。说明社交机器人对公众议程产生正向影响的最佳时间滞后为1小时ღ★◈，而影响持续的时间为9小时ღ★◈。

　　如图4-2所示ღ★◈，媒体对公众议程的影响表现为ღ★◈，当在本期给媒体议程一个正冲击后ღ★◈，公众议程在lag2产生反应ღ★◈，在短期内呈现上下波动态势ღ★◈，直至lag12时达到正向最大值之后逐渐收敛在lag24时IRF值降为0开始出现负冲击ღ★◈，之后虽有短暂正冲击ღ★◈，但基本稳定在在0上下波动ღ★◈。说明媒体对公众议程产生影响时间为2小时ღ★◈，最佳时间滞后为12小时ღ★◈，影响持续的时间为24小时ღ★◈。

　　如图4-3所示ღ★◈，媒体对社交机器人议程的影响表现为ღ★◈，当在本期给媒体议程一个正冲击后ღ★◈，社交机器人议程在lag2产生反应ღ★◈，之后出现下降态势ღ★◈，直至lag5开始上升ღ★◈，lag8时达到最大值ღ★◈，随后虽有波动但总体上呈现收敛态势ღ★◈，lag40时IRF值降为0ღ★◈。说明在媒体关注一个议题2小时后社交机器人议程开始回应ღ★◈，产生影响的最佳时间滞后是8小时ღ★◈，影响持续的时间则为40小时ღ★◈。

　　总的来说ღ★◈，社交机器人和媒体对公众议程的影响均在很短的时间内产生ღ★◈，在新冠议题中表现为1-2小时ღ★◈。但社交机器人得到公众响应的最佳时间滞后（1小时）相比媒体（12小时）更短ღ★◈，媒体对公众议程影响的持续时间（24小时）则比社交机器人（9小时）更长（回答RQ2和RQ3）ღ★◈。说明社交机器人产生影响的时间更快ღ★◈，但消逝时间也更快ღ★◈，而媒体则产生影响的时间相对较晚ღ★◈，但影响持续时间更久ღ★◈。此外ღ★◈，媒体对社交机器人影响的持续时间（40小时）也比公众（24小时）更长ღ★◈。说明在特定的目标任务中ღ★◈，社交机器人倾向于扩散媒体信息来制造共识ღ★◈。

　　为探究社交机器人的加入是否影响了媒体产生议程设置的时间滞后ღ★◈，本研究基于媒体和公众两个变量重新建构了VAR模型2ღ★◈。首先ღ★◈，重复之前建构VAR模型的步骤ღ★◈，基于AICღ★◈、SC和LR值选择滞后期数为2ღ★◈，并通过AR根检验模型的平稳性ღ★◈。其次ღ★◈，格兰杰因果关系检验结果显示媒体是公众的格兰杰原因ღ★◈，卡方值为8.85（p0.05）ღ★◈。该结果与模型1一致ღ★◈，在不考虑社交机器人变量干扰的情况下ღ★◈，媒体依然对公众具有议程设置效果ღ★◈。在VAR模型2中ღ★◈，通过脉冲分析显示（见图5）ღ★◈，当在本期给媒体议程一个正冲击后ღ★◈，公众议程在lag2达到正向最大值ღ★◈，之后逐渐衰退直至lag40时IRF值降为0ღ★◈。说明媒体对公众议程产生影响的最佳时间滞后为2小时ღ★◈。在VAR模型1的脉冲响应分析中ღ★◈，媒体对公众产生影响的最佳时间滞后是12小时ღ★◈。由此可见ღ★◈，在不考虑社交机器人干扰的情况下ღ★◈，媒体对公众产生议程设置效果的时间更短ღ★◈。社交机器人的加入很可能放缓了媒体对公众议程的影响速度ღ★◈，增加了最佳时间滞后的期数（回答问题RQ3）ღ★◈。

　　本研究构建了全部次级议题时间序列ღ★◈，重复前文步骤进行格兰杰因果检验ღ★◈。结果显示在21个次级议题中ღ★◈，共有18个次级议题产生32组格兰杰因果关系ღ★◈。进一步对产生格兰杰因果关系的议题进行脉冲响应分析得到响应的最佳时间滞后和影响持续时间（见图6）ღ★◈。如图所示ღ★◈，横坐标表示脉冲响应正向影响的持续时间ღ★◈，纵坐标表示脉冲响应函数最大值时对应的时间点ღ★◈。白色区域议题最佳滞后滞后在0-3小时ღ★◈，影响持续时间再0-24小时ღ★◈，分布在这个趋于内的议题相对来说比较具体ღ★◈，公众能够感知到的直接经验较为丰富ღ★◈。例如f（医疗资源）ღ★◈、h（歧视与阴谋论）ღ★◈、j（其他病毒）ღ★◈、n（患者居民）ღ★◈、o（祈祷祝福）ღ★◈、p（技术）ღ★◈、r（其他影响）ღ★◈。这些议题都是从受众角度出发ღ★◈，与受众相关性较高联系更为密切ღ★◈。此外ღ★◈，灰色区域议题最佳时间滞后为4或5ღ★◈，影响持续时间在25-52之间ღ★◈，聚集在该范围的议题则比较抽象ღ★◈。例如ღ★◈，b（感染症状）ღ★◈、d（治疗信息）ღ★◈、e（病例统计信息）ღ★◈、k（全球爆发）ღ★◈、l（中国危机）ღ★◈、m（其他国家政府）等都是一些比较抽象的数字或国家应对策略等ღ★◈，对于受众而言直接经验较少较难理解ღ★◈。由此可见具体的议题产生议程设置的最佳时间滞后相对较短ღ★◈，但同时影响持续时间也较短ღ★◈，而相对抽象的议题议程设置的最佳时间滞后相对较长ღ★◈，但同时影响持续时间也较长ღ★◈。上述结果回答RQ4ღ★◈。

　　在议题性质之外ღ★◈，本研究还对32组格兰杰因果关系进行了分析ღ★◈，主要考察社交机器人ღ★◈、媒体ღ★◈、公众在次级议题中的时间滞后表现ღ★◈。如图7所示ღ★◈，方块（实心ღ★◈、空心）代表的是社交机器人分别对媒体ღ★◈、公众的影响ღ★◈，简称为社交机器人ღ★◈；圆（实心ღ★◈、空心）代表的是媒体分别对公众和社交机器人的影响ღ★◈，简称为媒体ღ★◈；三角（实心ღ★◈、空心）代表的是公众分别对媒体和社交机器人的影响ღ★◈，简称为公众ღ★◈。从图形分布来看ღ★◈，社交机器人的最佳时间滞后为2或3小时ღ★◈，影响持续时间分布在4-20小时ღ★◈，即图中左下角位置ღ★◈；媒体的最佳时间滞后分布在2-4小时ღ★◈，影响持续时间分布在24-35小时ღ★◈，即图中中间位置ღ★◈；公众分布的较散遍布整个区域ღ★◈，最佳之间滞后分布在1-5小时ღ★◈，影响持续时间分布在8-48小时ღ★◈，由此回答RQ5ღ★◈。这一结果与新冠议题总体的脉冲响应分析结果一致ღ★◈，即社交机器人最佳时间滞后较短ღ★◈，影响持续时间也较短ღ★◈，而媒体最佳时间滞后较长连击私服ღ★◈，影响持续时间也较长ღ★◈。同时结合图6可以看到社交机器人产生影响的议题主要为比较具体的议题ღ★◈，与公众关系更为紧密ღ★◈，而媒体产生影响的议题则是比较抽象的议题ღ★◈。

　　传播学的许多理论和模型都包含时间这一核心因素ღ★◈，例如两级传播ღ★◈、培养理论ღ★◈、沉默的螺旋ღ★◈、议程设置ღ★◈、框架和沟通调解模型等（Wells et al., 2019）ღ★◈。这些理论都揭示了随着时间变化ღ★◈，信息通过媒体系统和网络发挥作用ღ★◈，公民感知周围的世界并决定是否进行沟通ღ★◈，这是包括传播接触在内的一个过程的产物ღ★◈，而过程具有时间维度（Box-Steffensmeierღ★◈，Freemanღ★◈，Hitt & Pevehouseღ★◈，2014ღ★◈：8）ღ★◈。在议程设置研究中ღ★◈，时间滞后选择也很重要ღ★◈，因为它证明了随时间变化的因果效应（Robertsღ★◈，Wanta & Dzwoღ★◈，2002）ღ★◈。

　　本研究基于新冠肺炎疫情早期的Twitter数据ღ★◈，探讨了社交机器人ღ★◈、媒体与公众之间的时间滞后ღ★◈。首先ღ★◈，通过峰值点的时间先后判断发现ღ★◈，媒体在较多的时间范围内峰值点在前ღ★◈，社交机器人紧随其后ღ★◈，也在较多的时间范围内领先其他变量到达峰值ღ★◈，时间间隔为1-4小时ღ★◈。该方法通过图形观测以更为直观的方式揭示了社交机器人ღ★◈、媒体和公众之间存在的时间滞后问题ღ★◈，为我们进行统计检验提供前期素描ღ★◈。其次ღ★◈，进一步通过时间序列分析发现ღ★◈，社交机器人设置的议题在较短的时间内就可以抵达受众ღ★◈，最佳时间滞后为1小时ღ★◈，但影响持续的时间也更短ღ★◈，为9小时ღ★◈；而媒体则需要较长的时间来设置公众议题ღ★◈，最佳时间滞后为12小时ღ★◈，影响持续的时间也更长ღ★◈，为24小时ღ★◈。这一结果在新冠疫情总体议题和次级议题检验中均得到体现ღ★◈。媒体设置议题的前提条件是得到用户的关注ღ★◈，否则媒体发布的信息需要用户主动搜索才能获取ღ★◈，通常来说媒体信息扩散的模式是通过多级转发来实现（李栋ღ★◈，徐志明ღ★◈，李生ღ★◈，刘挺ღ★◈，王秀文ღ★◈，2014）ღ★◈，这中间会产生一个时间差ღ★◈，相对的影响持续的时间也会随着信息的逐级扩散而不断拉长ღ★◈。而社交机器人与媒体相比更具隐蔽性ღ★◈，且通过自动化和大规模的特性可以与目标用户产生直接联系ღ★◈，在更短的时间内制造舆论共识ღ★◈，但这种共识也会随着其他媒介或因素的介入而快速消散ღ★◈。

　　本研究通过单一议题及其次级议题检验了社交机器人ღ★◈、媒体与公众之间议程设置的时间滞后ღ★◈，发现议程设置时间滞后进一步缩短ღ★◈。这需要引起研究者注意ღ★◈，以进一步设置未来研究的时间范围ღ★◈。同时ღ★◈，我们必须意识到随着媒介技术的快速更迭ღ★◈，个人和社会实践被迫适应接近瞬时性的传播过程（Wells et al.ღ★◈，2019）ღ★◈。但由于网络社会中不同地点人们的适应能力和受益于这些新条件的能力各不相同ღ★◈，因此能够产生的回应也各不相同（Castellsღ★◈，2010ღ★◈：173）ღ★◈。未来还需要针对不同议题ღ★◈、不同地区受众人群进行研究ღ★◈，拓宽议程设置时间滞后研究的边界ღ★◈。

　　议题性质会影响议程设置时间滞后的结果ღ★◈。本研究将次级议题按照抽象度划分为抽象和具体两种类型ღ★◈，结果显示社交机器人较多情况下在具体的议题讨论中发挥作用ღ★◈，最佳时间滞后和影响持续时间均相对较短ღ★◈，而媒体在抽象的议题讨论中引起更多响应ღ★◈，最佳时间滞后和影响持续时间相对较长ღ★◈。原因在于对于不同性质的议题ღ★◈，受众与议题的相关性ღ★◈，能够感知到的直接经验也不尽相同ღ★◈，由此产生响应的时间也出现差异ღ★◈。

　　总体而言ღ★◈，在最佳时间滞后方面ღ★◈，不同次级议题之间的差异较小ღ★◈，这与新冠议题性质相关ღ★◈，新冠疫情作为一种大流行疾病ღ★◈，对于当时受众而言是完全陌生的存在ღ★◈，但同时该议题又与公众的生命健康密切相关ღ★◈，因此属于相关性非常高的议题ღ★◈，受众对其的关注程度自然也随之升高ღ★◈。次级议题属于总体议题的不同侧面或属性ღ★◈，不同议程之间依然是在总体框架内进行互动的ღ★◈。但在影响持续的时间则表现出较大差异ღ★◈，议题性质对其的影响更为凸显ღ★◈。

　　正如议程设置受到众多中介因素（例如ღ★◈，导向需求ღ★◈、受众人口统计学特征ღ★◈、以及社会宏观因素等）影响一样ღ★◈，议程设置时间滞后也可能会受到其他因素的干扰ღ★◈，产生各种不同结果ღ★◈。特别是在社交媒体空间ღ★◈，点与点之间不再是线性关系ღ★◈，而是呈现出网络状连接ღ★◈，这就导致信息之间流动不必遵循单一路径ღ★◈，而是可以选择最短路径ღ★◈。但同时不管信息流动的路径如何优化ღ★◈，都不可避免遭受来自受众自身因素或其他外部因素的干扰ღ★◈，这些都需要今后的研究进一步证实ღ★◈。

　　议程设置理论最初研究的是媒体议程与公众议程之间的关系ღ★◈，随着新兴媒介形式的发展传统媒体是否还具有议程设置能力ღ★◈，一直是传播学者关注的焦点问题ღ★◈。在《设置议程》第二版中ღ★◈，马克斯韦尔·麦库姆斯（Maxwell McCombs）（2018ღ★◈：25）提出议程设置研究进入一个新时代ღ★◈，需要解决三个关键问题ღ★◈，其中有两个与本研究息息相关ღ★◈。网络传播渠道是否具有议程设置效果？这种新渠道的扩散是否削弱了传统媒体议程设置的影响？

　　本研究发现社交机器人和媒体都对公众议程产生影响ღ★◈，此外ღ★◈，媒体还对社交机器人议程产生影响ღ★◈。且通过方差分析发现社交机器人在短期内对公众议程具有较高的贡献度ღ★◈，但随着时间的推移会逐渐降低ღ★◈，而媒体则随着时间变化对公众议程贡献度逐渐提升ღ★◈。相比较而言媒体对公众议程的贡献度要高于社交机器人ღ★◈。以此说明媒体依然在社交网络中发挥较强的影响力ღ★◈，同时ღ★◈，社交机器人成为议程设置的新兴力量ღ★◈，这与其他研究结果相一致（Duan et al.ღ★◈，2022ღ★◈；赵蓓ღ★◈，张洪忠ღ★◈，2022a）ღ★◈。在本研究总体议题分析中并未发现公众反向议程设置ღ★◈，原因可能在于新冠疫情爆发初期公众对该议题的认知较少ღ★◈，只能从媒体或其他渠道获取信息来型塑自己的认知ღ★◈，因此在整个议程设置网络中相对被动ღ★◈。但在一些次级议题ღ★◈，如患者居民ღ★◈、救助捐款ღ★◈、祈祷祝福ღ★◈、其他影响等ღ★◈，公众对社交机器人或媒体产生了反向议程设置ღ★◈。说明在当前的社交媒体生态中ღ★◈，议程设置不是单一议程流动ღ★◈，而是呈现出多元主体混合流动的态势ღ★◈。

　　同时还发现在不考虑社交机器人时ღ★◈，媒体对公众议程设置时间滞后更短ღ★◈，社交机器人的加入可能干扰了媒体对公众议程设置的影响ღ★◈。根据之前研究者的经验ღ★◈，竞争视角已经成为解释公众对多种议题动态关注的主导甚至唯一范式ღ★◈。竞争视角认为一个议题在公众议程上的崛起是以另一个议题为代价的（Hilgartner & Boskღ★◈，1988ღ★◈，Zhuღ★◈，1992）ღ★◈。但也有学者提出了议题之间的关系不止竞争一种形式ღ★◈，社会议题既相互竞争又相互合作（Brosius & Kepplingerღ★◈，1995）ღ★◈，有时相互独立（Geissღ★◈，2011）ღ★◈，以此获得更多关注ღ★◈。在之前研究基础上ღ★◈，Peng和Zhu（2022）提出公众议程是一个生态系统ღ★◈，公共议题互动并竞争以吸引公众关注ღ★◈。通过将生态学方法引入议程设置研究ღ★◈，将议题间关系划分为四种类型ღ★◈：竞争ღ★◈、合作ღ★◈、独立ღ★◈、两败俱伤（internecine）ღ★◈。社交媒体平台同样是一个混合的媒介系统（生态系统）ღ★◈，其中不同类型传播主体等于生态系统中的物种（species）ღ★◈，不同传播主体产生各自的议程ღ★◈，然后相互竞争与合作ღ★◈，甚至独立或两败俱伤ღ★◈，形成最终的网络议程ღ★◈。因此社交机器人ღ★◈、媒体ღ★◈、公众呈现的议程也是一个混合交融的状态ღ★◈。在本研究中ღ★◈，社交机器人一方面被媒体设置起到增强媒体议程作用（合作）ღ★◈；另一方面也可以分散公众的大部分注意力ღ★◈，从而削弱媒体议程设置（竞争）ღ★◈。当然本研究的媒体议程仅仅基于社交媒体平台账号而言ღ★◈，也并未检验到全部的关系组合ღ★◈，还具有一定的局限性ღ★◈，需要今后的研究进一步扩大研究范围ღ★◈。