Advances in Psychology
Vol. 12  No. 07 ( 2022 ), Article ID: 53896 , 9 pages
10.12677/AP.2022.127289

社交媒体舆情信息热度和情感强度对 传播意愿的影响

——情绪与感知可信度的双重中介机制

杨颖

重庆师范大学地理与旅游学院,重庆

收稿日期:2022年6月15日;录用日期:2022年7月12日;发布日期:2022年7月21日

摘要

舆情信息内容特征是影响社交媒体舆情传播的重要因素。本文基于情绪–认知双重加工系统的视角,探讨了社交媒体舆情信息的热度和情感强度两个核心内容特征对传播意愿的影响,以及影响的内在过程机制。研究结果发现:1) 社交媒体舆情信息热度对舆情传播意愿的直接影响和通过情绪中介作用的间接影响均不显著,但通过感知可信度的中介作用对舆情传播意愿的间接影响显著;2) 社交媒体舆情信息情感强度直接正向影响舆情传播意愿,还会通过情绪、感知可信度的双重中介作用间接影响舆情传播意愿。最后,本文对研究结论如何应用于舆情治理实践进行了探讨。

关键词

社交媒体,舆情信息,舆情热度,舆情情感强度,传播意愿

How Popularity and Emotional Intensity of Social Media Public Opinion Influence the Willingness of Propagating

—The Dual Mediating Mechanism of Emotion and Perceived Credibility

Ying Yang

School of Geography and Tourism, Chongqing Normal University, Chongqing

Received: Jun. 15th, 2022; accepted: Jul. 12th, 2022; published: Jul. 21st, 2022

ABSTRACT

The content properties of public opinion information are vital elements that influence the propagating of public opinion on social media. Based on theory of emotion-cognition dual processing system, this paper explored the influence of two central properties of information content, namely Popularity and Emotional Intensity of public opinion (PPO and EIPO), on Willingness of Propagating (WoP), and the inner mechanism of influence process. The results of research indicated that, 1) neither the directly influence of PPO on WoP, nor indirectly influence of PPO on WoP through the mediation of emotion, was significant; but the indirectly influence of PPO on WoP through the mediation of perceived credibility was significant; 2) the EIPO directly and positively influenced WoP, and indirectly influenced WoP through the dual mediation of emotion and perceived credibility. Finally, this paper discussed the implication of research conclusion on the practice of public opinion governance.

Keywords:Social Media, Public Opinion, Popularity of Public Opinion, Emotional Intensity of Public Opinion, Willingness of Propagating

Copyright © 2022 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 问题提出

随着移动互联网技术的升级,微博、微信等社交媒体逐渐融入人们的生活中。社交媒体不仅为人们拓展社交关系提供了极大便利,也为舆情的传播提供了重要平台。负面事件往往会在社交媒体引发广泛讨论形成舆情,并以前所未有的速度和广度得以传播扩散,造成极为深远的社会影响。如近年来的“土坑酸菜事件”、“名人偷税漏税”、“问题教材”事件等,都是通过社交媒体引发了舆情轰动,损害了组织机构或个人的形象并造成重大损失。要想更有效地应对社交媒体舆情危机,减少负面影响,根本在于通过考察影响社交媒体舆情传播的关键因素,理解舆情传播的心理机制。

已有研究大多基于沟通说服理论(Hovland et al., 1953),从信息源、受众、内容特征三方面入手来探讨社交媒体舆情传播的影响因素和心理机制,但对前两者的研究较多,从舆情信息内容特征入手的却较少。虽然一些研究也探讨了舆情信息的形式(赵丹等,2016)等对传播的影响,但忽视了舆情热度、情感强度等契合社交媒体传播特点的核心内容特征。此外,以往研究也忽视了对社交媒体舆情传播中介心理过程机制的关注。因此,本研究将探讨社交媒体舆情信息的核心内容特征:舆情信息热度、情感强度对传播意愿的影响,并从情绪–认知双重加工系统的视角探讨影响的中介过程机制,以期补充以往文献,为舆情治理提供启示。

1.1. 舆情信息热度对传播意愿的影响

社交媒体舆情信息热度是指爆发突发事件后,社交媒体上形成的事件舆情高涨扩张的程度(张一文等,2011),主要包含热搜讨论度、评论数、转发数、点赞数等(冯雯璐等,2022;刘红波,高新珉,2021)。从众效应已被证实是激发舆情传播的重要心理基础(张敏等,2016),它是指个体受到群体的影响而改变观点和行为的现象,人们有时会为了综合各方面信息做出正确行为,而以群体为信息源产生信息型从众;也会为了得到社会赞许和维持友好关系,考虑社会规范而产生规范型从众(Deutsch & Gerard, 1955)。无论是哪一种从众效应,都会受到舆情信息热度的影响:当社交媒体上舆情信息被广泛讨论、转发、点赞而热度高涨时,由于社交媒体特有的社交属性,会对用户产生群体性影响力,用户可能会出于缺乏对信息全面掌握、想做出正确选择的目的产生信息从众;也可能出于获得他人关注和赞同、满足社交需求等目的产生规范型从众。两类从众心理均会助推舆情的传播。此外,舆情热度可能也会通过刺激用户逆反心理(迟钰雪,刘怡君,2019)、感知风险(钟慧玲等,2016)等来影响舆情传播,提升舆情传播意向(赵丹等,2016)。综上,提出假设如下:

H1:社交媒体舆情信息热度显著正向影响舆情传播意愿。

1.2. 舆情信息情感强度对传播意愿的影响

舆情信息情感强度是指受众感知到的舆情信息中所表达的情感的强烈程度。以往研究发现,情绪情感可以作为信息线索直接影响个体判断决策,不同情感强度的信息会对个体会记忆、态度、行为等产生不同的影响(Kensinger, 2009; Kumar et al., 2015)。因此,舆情的情感强度可能也是激发社交媒体舆情传播的重要因素,情感强烈的舆情信息比平淡的信息更生动的展示了发布者的内心感受,能让受众更感同身受,产生情感上的共鸣,从而更容易被说服,导致其传播扩散舆情;而且受众也更容易记住情感强烈的舆情信息,认为这些信息更加重要和有用(Lee et al., 2017),这也会使其出于利他等目的传播舆情。如一些研究也证实,情感强烈的网络谣言、广告、自媒体营销信息等都比平淡的更能激发接收者的再传播意愿(赖胜强,唐雪梅,2016;Berger & Milkman, 2012; 黄敏学等,2016),社交媒体舆情信息虽与上述网络信息在定义上不同,但信息情感强度的作用机制有相似之处;大数据挖掘的研究也指出,舆情情感强度与舆情数量密切相关(毛太田等,2019),这都支持了舆情情感强度与传播意愿的正相关关系。提出假设如下:

H2:社交媒体舆情信息的情感强度显著正向影响舆情传播意愿。

1.3. 情绪和感知可信度的中介作用

根据认知/情感匹配影响理论(Fabrigar & Petty, 1999),信息主要是通过情绪和认知两种加工系统的影响机制来影响受众态度和行为的。一方面,信息通过个体的情绪加工系统引发愤怒、难过等消极情绪反应,从而影响其态度和行为。因此情绪是激发信息传播的重要动因。如诱发情绪生理性反应的谣言、视频更容易迎合被试而得到传播(Heath et al., 2001; Guadagno et al., 2013);高度唤起情绪的新闻更易被大众转发分享(Berger & Milkman, 2012);负面情绪增加了人们发泄的需要而分享信息(Berger, 2014)。根据注意偏向和基本需求理论的解释,这是因为带来负性情绪的刺激意味着威胁,与人类的生存密切相关,因此更容易被注意、记住并广泛流传(MacLeod & Mathews, 2012)。因此,有理由相信,舆情受众的情绪会激发舆情的传播。

另一方面,信息也会通过影响个体的认知加工系统影响其态度和行为。在这一环节中,个体调动认知资源,根据逻辑推理和分析,判断信息可以信任的程度是决定进一步加工处理的基础。因此感知可信度是认知加工环节的核心要素,对态度和行为意向的形成至关重要。如感知可信度能帮助用户克服风险感知和不确定性(Turel et al., 2008),提升期望值(Luo et al., 2010),改变态度(Lin, 2011),从而提升参与意向(Wang et al., 2013);也能直接影响社交媒体用户的转发意向(王少剑,汪玥琦,2015)。因此,对舆情信息的感知可信度也是导致舆情传播的重要因素。

舆情信息热度可能与受众的情绪水平息息相关。对微博用户情感倾向性的分析发现,在舆情热度飞速增长的爆发期和热议期,微博用户情感极性最高(邓春林等,2020),此时的负面情绪呈现爆发式增长(李勇等,2019);而且舆情热度所带来的从众心理也是导致群体极化产生极端情绪的重要心理基础和原因(王楠,2021)。因此舆情信息热度可能会激发受众产生负面情绪,从而激发其舆情传播意愿。此外,舆情信息热度可能也与受众的感知可信度密切相关。因为网络信息纷繁复杂,人们往往很难从中判断出哪个是正确的从而产生不确性。根据从众理论,在面对不确定时,群体共识通常对个体具有信息参考作用,因此可能导致受众认为那些在社交媒体上得到大多数人讨论、评论数、点赞的舆情信息是更为正确和可信的(Hodson et al., 2001)。综上,舆情信息热度也可能也会正向影响感知可信度从而影响舆情传播意愿。据此提出假设:

H3:情绪在社交媒体舆情信息热度与传播意愿间起着中介作用。

H4:感知可信度在社交媒体舆情信息热度与传播意愿中起着中介作用。

信息的情感强度也会影响个体的情绪反应,情感强烈的信息与更高的情绪唤起水平有关(Berger & Schwartz, 2011)。如情感强烈的网络谣言比平淡的更具有情绪感染力,更能激发受众产生类似的情绪(赖胜强,唐雪梅,2016)。因此,舆情信息的情感强度可能也会显著激活受众的负面情绪,从而激发其舆情传播意愿。另外,不同情感强度的信息对个体的推理、判断等认知加工活动的影响存在差异(Knickerbocker et al., 2015);情感强烈的网络负面信息会引发受众对发布者动机产生不同的归因,进而影响对信息感知可信度的判断(Li et al., 2020),因此,舆情信息的情感强度可能也会正向影响其感知可信度从而影响舆情传播意愿。综上提出假设如下:

H5:情绪在社交媒体舆情信息情感强度与传播意愿中起着中介作用。

H6:感知可信度在社交媒体舆情信息情感强度与传播意愿中起着中介作用。

综上所述,本文的假设模型如图1所示。

Figure 1. Hypothetical model

图1. 假设模型

2. 研究设计

2.1. 研究样本

通过网络在重庆、四川、河北、陕西等地高校以及网民群体中发送问卷。在剔除无效和从不使用社交媒体的问卷后,得到有效问卷份405份,有效回收率97.59%。其中男性21.23%,女性78.77%;年龄20~30岁占比最高,达54.07%;受教育程度以大学本科或专科最多,占83.95%;大多数比较常用(34.07%)和经常使用(46.17%)社交媒体,且每天使用时间超过一个小时(占93.09%)。

2.2. 变量测量

所有测量工具均采用likert 7点量表计分,1表示“完全不同意”,7表示“完全同意”。

舆情信息热度。根据以往研究(刘红波,高新珉,2021;冯雯璐等,2022),从热搜讨论度、评论量、转发量、点赞量四个指标来进行测量,包含4个题项,如“该舆情事件信息上了热搜”,Cronbach’ α系数0.91。

舆情信息情感强度。改编自De Langhe等(2011)的信息情感强度量表,共计4个题项,如“该事件信息让我感受到发布者感情强烈”,Cronbach’ α系数0.87。

情绪。采用邱林等(2008)修订的正负情绪量表(PANAS),选择了难过、害怕、紧张、愤怒四种负面情绪来进行测量,共计4个题项,如“该事件让我感到难过”,Cronbach’ α系数0.81。

感知可信度。改编自Hong和Pittman (2020)的感知可信度量表,共计3个题项,如“我认为我在社交媒体上获取的该事件信息是值得信赖的”,Cronbach’ α系数0.91。

传播意愿。根据赵丹等(2016)的舆情传播测量指标编写而成,共计4个题项,如“我愿意转发该事件信息”,Cronbach’ α系数0.85。

2.3. 统计分析

采用SPSS 26.0、MPLUS 7.4对数据进行统计分析。

3. 数据分析结果

3.1. 共同方法偏差检验

使用Harman单因素检验法检验共同方法偏差(周浩,龙立荣,2004),探索性因素分析结果并没有出现只抽取出一个因子的情况,且第一个公因子解释率为35.45%,小于40%,因此不存在严重的共同方法偏差。

3.2. 验证性因子分析

验证性因子分析结果表明(见表1),五因子模型拟合度最好,表明本研究五个变量确实属于5个不同的概念,具有良好的区分效度。

Table 1. The results of confirmatory factor analysis

表1. 验证性因子分析结果

注:PPO代表舆情热度,EIPO舆情情感强度,EM代表情绪,PC代表感知可信度,WP代表传播意愿。

3.3. 描述性统计与相关分析

描述性统计和相关分析结果表明(见表2),舆情热度、舆情情感强度、情绪、感知可信度、传播意愿五个变量都显著相关,这为进一步假设检验提供了支持。

Table 2. Descriptive statistics and correlation analysis of all variables

表2. 所有变量的描述统计与相关分析

注:***表示p < 0.001,**表示p < 0.01,*表示p < 0.05,下同。

3.4. 假设检验

性别、年龄、受教育程度等人口学信息均未产生任何显著效应,作为控制变量不再纳入分析。采用结构方程模型对假设进行检验,假设模型拟合良好χ2 = 411.23,df = 148,χ2/df = 2.78,CFI = 0.95,TLI = 0.94,RMSEA = 0.07 (温忠麟等,2004)。根据模型路径分析结果(见图2),舆情热度对情绪影响不显著(b = 0.07, p > 0.05),对感知可信度影响显著(b = 0.14, p < 0.05);舆情情感强度对情绪影响显著(b = 0.33, p < 0.001),对感知可信度影响显著(b = 0.37, p < 0.001);情绪对传播意愿影响显著(b = 0.27, p < 0.01);感知可信度对传播意愿影响显著(b = 0.45, p < 0.001)。

Figure 2. The results of the structural equation model

图2. 结构方程模型结果

用Bootstrapping法进行中介效应检验,重复抽样1000次。结果表明(见表3),舆情热度对传播意愿的直接影响不显著,95%置信区间包含0,H1未得到验证;舆情情感强度对传播意愿的直接影响显著,95%置信区间不包含0,支持了H2;舆情热度通过情绪影响传播意愿的间接效应不显著,95%置信区间包含0,H3未得到验证;舆情热度通过感知可信度影响传播意愿的间接效应显著,95%置信区间不包含0,支持了H4;舆情情感强度通过情绪影响传播意愿的间接效应显著,95%置信区间不包含0,支持了H5;舆情情感强度通过感知可信度影响传播意愿的间接效应显著,95%置信区间不包含0,支持了H6。

4. 讨论

本研究从舆情信息内容特征的角度入手,探讨了舆情信息热度和情感强度对传播意愿的影响,以及情绪和感知可信度在影响过程中的中介作用。对揭示社交媒体舆情传播心理机制,科学应对舆情危机具有重要意义。

Table 3. The results of mediation effect test

表3. 中介效应检验结果

首先,本研究发现,社交媒体舆情信息热度对舆情传播意愿的直接影响和通过情绪的间接影响均不显著,但通过感知可信度的中介作用对舆情传播意愿的间接影响显著。这表明感知可信度起完全中介作用,社交媒体舆情热度只能通过影响受众感知可信度来影响其传播意愿。出现这种结果可能是因为:近年来社交媒体上很多高热度的舆情都产生了“反转”,网络推手、水军及媒体断章取义等不良现象被曝光,这导致社交媒体用户从最开始的情绪易被煽动变得逐渐理性;大部分用户对于热度高涨的舆情信息不再急于做出强烈情绪反应,或直接向他人传播,而是报着“让子弹再飞一会”的观望心态,希望能根据更多证据分析判断舆情可信度后,再做出态度反应和传播行为。这也印证了以往研究提出的舆情有“自净”功能的设想(马晓虹,2013)。是对以往研究的深入和补充,也为未来研究提供了新思路。

本研究还发现,社交媒体舆情信息情感强度显著正向影响传播意愿。表明舆情信息情感越强烈,越能激发用户传播舆情的意愿。这与对网络谣言和营销等的研究结论相似(赖胜强,唐雪梅,2016;黄敏学等,2016),也与“情感可以作为信息线索直接影响个体判断决策”的观点一致。另一方面,本研究也发现,情绪和感知可信度在舆情情感强度和传播意愿间的中介作用均显著。这表明社交媒体舆情情感强度还会通过情绪、认知双中介路径来影响传播意愿:一方面通过情绪加工系统激发受众情绪来提升传播意愿;另一方面通过认知加工系统影响其感知可信度来影响传播意愿。这有助于更深入地理解社交媒体舆情传播的内在心理过程机制,也为相关研究提供了新的视角。

本文对实践也有重要启示。首先,对社交媒体上热度高涨的舆情信息,应及时发布权威信息进行正面回应,信息应客观真实、全面、具体,从而影响人们的感知可信度,降低舆情传播速度。其次,要高度重视社交媒体上情感强烈的舆情信息,如通过建立舆情预警系统等,及时识别出情感强烈的舆情信息。第三,社交媒体舆情情感强度会通过情绪和认知两条路径影响传播意愿,因此对社交媒体上情感强烈的舆情信息,一方面既要积极回应,影响受众感知可信度;另一方面又要注意疏导受众情绪,防止产生情绪积累和群体极化效应。

5. 结论

1) 社交媒体舆情信息情感强度显著正向影响舆情传播意愿。

2) 感知可信度在社交媒体舆情信息热度和传播意愿间起中介作用。

3) 情绪在社交媒体舆情信息情感强度和传播意愿间起中介作用。

4) 感知可信度在社交媒体舆情信息情感强度和传播意愿间起中介作用。

基金项目

教育部人文社会科学研究基金项目“社交媒体舆论传播的心理机制及政府舆论引导研究”(17XJC860003);

重庆市教育科学规划课题“基于框架效应的高校自媒体思想政治传播效果提升策略研究”(2019-GX-341);

重庆市教委科学技术研究项目“社交媒体口碑传播机制研究”(KJQN202000526)。

文章引用

杨 颖. 社交媒体舆情信息热度和情感强度对传播意愿的影响——情绪与感知可信度的双重中介机制
How Popularity and Emotional Intensity of Social Media Public Opinion Influence the Willingness of Propagating—The Dual Mediating Mechanism of Emotion and Perceived Credibility[J]. 心理学进展, 2022, 12(07): 2424-2432. https://doi.org/10.12677/AP.2022.127289

参考文献

  1. 1. 迟钰雪, 刘怡君(2019). 逆反心理的网络舆情传播机制研究. 系统工程学报, 34(5), 610-620.

  2. 2. 邓春林, 贾懿, 隆征帆, 姜柳(2020). 基于扎根理论的微博用户情感倾向性分析及应对策略. 现代情报, 40(9), 71-78+105.

  3. 3. 冯雯璐, 苏健威, 杜义华, 齐宝森(2022). 社会民生事件中网络舆情演化与引导机制研究——基于2016-2021年典型舆情事件的计算传播分析. 情报杂志. https://kns.cnki.net/kcms/detail/61.1167.g3.20220429.1603.011.html

  4. 4. 黄敏学, 雷蕾, 朱华伟(2016). 谈钱还是谈情: 企业如何引导消费者分享自媒体营销. 心理学报, 48(2), 211-220.

  5. 5. 赖胜强, 唐雪梅(2016). 信息情绪性对网络谣言传播的影响研究. 情报杂志, 35(1), 116-121.

  6. 6. 李勇, 蒋冠文, 毛太田, 蒋知义(2019). 基于情感挖掘和话题分析的旅游舆情危机演化特征——以“丽江女游客被打”事件为例. 旅游学刊, 34(9), 101-113.

  7. 7. 刘红波, 高新珉(2021). 负面舆情、政府回应与话语权重构——基于1711个社交媒体案例的分析. 中国行政管理, (5), 130-137.

  8. 8. 马晓虹(2013). 自媒体时代微博舆论场的建构与舆论自净. 中国出版, (23), 45-48.

  9. 9. 毛太田, 蒋冠文, 李勇, 赵蓉, 高凯(2019). 新媒体时代下网络热点事件情感传播特征研究. 情报科学, 37(4), 29-35+96.

  10. 10. 邱林, 郑雪, 王雁飞(2008). 积极情感消极情感量表(PANAS)的修订. 应用心理学, 14(3), 249-254+268.

  11. 11. 王楠(2021). 网络舆情群体极化的形成机理与传播路径研究. 思想教育研究, (9), 99-103.

  12. 12. 王少剑, 汪玥琦(2015). 社会化媒体内容分享意愿的影响因素研究——以微博用户转发行为为例. 西安电子科技大学学报: 社会科学版, (1), 19-26.

  13. 13. 温忠麟, 侯杰泰, 马什赫伯特(2004). 结构方程模型检验: 拟合指数与卡方准则. 心理学报, 36(2), 186-194.

  14. 14. 张敏, 霍朝光, 霍帆帆(2016). 突发公共安全事件社交舆情传播行为的影响因素分析——基于情感距离的调节作用. 情报杂志, 35(5), 38-45.

  15. 15. 张一文, 齐佳音, 方滨兴, 李欲晓(2011). 非常规突发事件网络舆情热度评价体系研究. 情报科学, 29(9), 1418-1424.

  16. 16. 赵丹, 王晰巍, 相甍甍, 杨梦晴(2016). 新媒体环境下的微博舆情传播态势模型构建研究——基于信息生态视角. 情报杂志, 35(10), 173-180.

  17. 17. 钟慧玲, 李伟, 张冠湘(2016). “邻避”冲突事件网络舆情演化研究. 情报杂志, 35(3), 111-117.

  18. 18. 周浩, 龙立荣(2004). 共同方法偏差的统计检验与控制方法. 心理科学进展, 12(6), 942-950.

  19. 19. Berger, J. (2014). Word of Mouth and Interpersonal Communication: A Review and Directions for Future Research. Journal of Consumer Psychology, 24, 586-607. https://doi.org/10.1016/j.jcps.2014.05.002

  20. 20. Berger, J., & Milkman, K. L. (2012). What Makes Online Content Viral? Journal of Marketing Research, 49, 192-205. https://doi.org/10.1509/jmr.10.0353

  21. 21. Berger, J., & Schwartz, E. (2011). What Drives Immediate and Ongoing Word of mouth? Journal of Marketing Research, 48, 869-880. https://doi.org/10.1509/jmkr.48.5.869

  22. 22. De Langhe, B., Puntoni, S., Fernandes, D., & Van Osselaer, S. M. (2011). The Anchor Contraction Effect in International Marketing Research. Journal of Marketing Research, 48, 366-380. https://doi.org/10.1509/jmkr.48.2.366

  23. 23. Deutsch, M., & Gerard, H. B. (1955). A Study of Normative and Informational Social Influences upon Individual Judgement. Journal Abnormal and Social Psychology, 51, 629-636. https://doi.org/10.1037/h0046408

  24. 24. Fabrigar, L. R., & Petty, R. E. (1999). The Role of the Affective and Cognitive Bases of Attitudes in Susceptibility to Affectively and Cognitively Based Persuasion. Personality and Social Psychology Bulletin, 25, 363-381. https://doi.org/10.1177/0146167299025003008

  25. 25. Guadagno, R. E., Rempala, D. M., Murphy, S., & Okdie, B. M. (2013). What Makes a Video Go Viral? An Analysis of Emotional Contagion and Internet Memes. Computers in Human Behavior, 29, 2312-2319. https://doi.org/10.1016/j.chb.2013.04.016

  26. 26. Heath, C., Bell, C., & Sternberg, E. (2001). Emotional Selection in Memes: The Case of Urban Legends. Journal of Personality and Social Psychology, 81, 1028-1041. https://doi.org/10.1037/0022-3514.81.6.1028

  27. 27. Hodson, G., Maio, G. R., & Esses, V. M. (2001). The Role of Attitudinal Ambivalence in Susceptibility to Consensus Information. Basic and Applied Social Psychology, 23, 197-205. https://doi.org/10.1207/S15324834BASP2303_6

  28. 28. Hong, S., & Pittman, M. (2020). eWOM Anatomy of Online Product Reviews: Interaction Effects of Review Number, Valence, and Star Ratings on Perceived Credibility. International Journal of Advertising, 39, 892-920. https://doi.org/10.1080/02650487.2019.1703386

  29. 29. Hovland, C. I., Janis, I. L., & Kelley, H. H. (1953). Communication and Persuasion. Yale University Press.

  30. 30. Kensinger, E. A. (2009). Remembering the Details: Effects of Emotion. Emotion Review, 1, 99-113. https://doi.org/10.1177/1754073908100432

  31. 31. Knickerbocker, H., Johnson, R. L., & Altarriba, J. (2015). Emotion Effects during Reading: Influence of an Emotion Target Word on Eye Movements and Processing. Cognition and Emotion, 29, 784-806. https://doi.org/10.1080/02699931.2014.938023

  32. 32. Kumar, M., Townsend, J. D., & Vorhies, D. W. (2015). En-hancing Consumers’ Affection for a Brand Using Product Design. Journal of Product Innovation Management, 32, 716-730. https://doi.org/10.1111/jpim.12245

  33. 33. Lee, M., Jeong, M., & Lee, J. (2017). Roles of Negative Emotions in Customers’ Perceived Helpfulness of Hotel Reviews on a User-Generated Review Website: A Text Mining Approach. International Journal of Contemporary Hospitality Management, 29, 762-783. https://doi.org/10.1108/IJCHM-10-2015-0626

  34. 34. Li, H., Liu, H., & Zhang, Z. (2020). Online Persuasion of Review Emotional Intensity: A Text Mining Analysis of restaurant reviews. International Journal of Hospitality Management, 89, Article ID: 102558. https://doi.org/10.1016/j.ijhm.2020.102558

  35. 35. Lin, H. F. (2011). An Empirical Investigation of Mobile Banking Adoption: The Effect of Innovation Attributes and Knowledge-Based Trust. International Journal of Information Management, 31, 252-260. https://doi.org/10.1016/j.ijinfomgt.2010.07.006

  36. 36. Luo, X., Li, H., Zhang, J., & Shim, J. P. (2010). Examining Multi-Dimensional Trust and Multi-Faceted Risk in initial acceptance of Emerging Technologies: An Empirical Study of Mobile Banking Services. Decision Support Systems, 49, 222-234. https://doi.org/10.1016/j.dss.2010.02.008

  37. 37. MacLeod, C., & Mathews, A. (2012). Cognitive Bias Modification Approaches to Anxiety. Annual Review of Clinical Psychology, 8, 189-217. https://doi.org/10.1146/annurev-clinpsy-032511-143052

  38. 38. Turel, O., Yuan, Y., & Connelly, C. E. (2008). In Justice We Trust: Predicting User Acceptance of E-Customer Services. Journal of Management Information Systems, 24, 123-151. https://doi.org/10.2753/MIS0742-1222240405

  39. 39. Wang, N., Shen, X. L., & Sun, Y. (2013). Transition of Electronic Word-of-Mouth Services from Web to Mobile Context: A Trust Transfer Perspective. Decision Support Systems, 54, 1394-1403. https://doi.org/10.1016/j.dss.2012.12.015

期刊菜单