基于潜在类分析的社交机器人语言特征和传播效果研究

社交机器人作为一种活跃于社交媒体的新型传播主体,其依靠算法程序模仿人类用户发布信息,具有目的性、仿真性、交互性的特征,且对于互联网舆情和意见气候的塑造有着重要的作用。以往的研究更多侧重于对社交机器人本身的行为特征加以描述,而对于受众的关照则有所欠缺。文章基于潜在类分析归纳四种典型的语言类型,并依据成熟的技术接受量表设计实验,研究受众对于不同风格的语言的感知程度和不同社交机器人的文本传播效果。研究发现,在推特平台的中国新冠肺炎疫情相关话题下,具有“虚伪和消极”特征的文本在社交机器人发布文本中占比较大,而具有“叙述和消极”特征的语言在传播过程中的效果最佳,呈现情绪性较强、真实性较低的特点。文章旨在通过对社交机器人语言内容及效果的分析,总结特征与经验,为判别虚假消息、维护国际形象、预防信息污染提供策略参考。

基于潜在类分析的城市异质出行群体识别研究

异质出行群体的合理划分是提升出行需求预测准确性和实施主动式交通管理的关键,针对目前城市多方式出行群体划分研究的不足,在分析出行习惯与偏好差异影响因素的基础上,提出基于潜在类分析(Latent Class Cluster Analysis,LCCA)的城市异质出行群体识别方法.以北京市为例,应用揭示性偏好调查进行基础数据收集,运用Mplus软件编程实现LCCA模型估计.模型将出行者划分为三类异质出行群体,群体1:低出行+方式均衡组(20.4%),群体2:中高出行+小汽车偏好组(30.3%),群体3:高出行+绿色交通组(49.3%).模型回归结果表明:群体2、3的百分比与北京市小汽车、公共交通出行比例之差均不超过2%,证明提出的出行群体识别方法有效,个人属性、出行者对各交通方式的认知与态度对群体隶属影响显著.针对各异质出行群体提出了相应的绿色交通发展措施,为城市交管部门的精细化出行管控提供重要依据.