（一）信息圈层化的影响因素

已有针对圈层化影响因素的研究，主要关注人口特征、社交关系、技术支撑（算法推荐）等，他们独立或交互作用影响圈层化。

从人口特征来看，以往实证研究大多探讨政治信息语境下的圈层化，尤其是选举语境下选民信息接收，以及观点表达的圈层化。该圈层化是建立在用户既有政治党派和意识形态基础之上的，圈子围绕不同党派而建立。Conover等首次尝试将同质性与政治取向联系起来，通过抽样调查发现，Twitter用户倾向于转发那些具有相同政治派别用户的帖子，从而形成政治高度隔离网络，这是圈层化的一种表现形态。有研究者分析2009年德国选举期间政党之间的对话发现，政治推特往往根据共同的政治派别而被隔离。随后也有研究者将样本扩大到整体用户网络来观察政治同质化以及党派之间的区隔化现象。

从社交关系来看，依托用户的政治倾向，以社交及互动文化为特征的社交网络也容易形成信息圈层化。在政治语境下，针对Facebook的分析发现，用户拥有更多与自己政治倾向相似的朋友，其信息获取依赖于朋友网络中分享的信息，这也会导致用户更可能接收与朋友类似的政治信息、符合既定意识的信息。但也有研究发现，Facebook中显示的大部分信息不是由亲密朋友共享的，而是由偶尔交流的熟人共享的。这些研究考察的均是围绕个体用户的个体网络及其互动效果。

从技术支撑来看，在智能媒体语境下，圈层化与以算法为代表的技术架构有关。算法技术可能导致个体信息同质化，不同用户或者群体有特定偏好，由此不同用户或者群体之间容易形成以自我为中心的圈子。但研究也发现，整体上用户接收的内容会越来越相似，并逐步趋近于一个整体，个性化也会使人们的信息接收与他人更相似。国内学者分析发现，随着用户信息茧房程度的加深，越是同质性强的个体，其构成的茧房与他人的趋同性更强。同时，用户茧房度越高，越会趋同于某种公共“茧房”或社会性的中心信息。由此，在个人茧房的基础上，算法技术具有塑造群体之间圈层化以及群体之间趋同性的多种可能性。

可以发现，对于信息圈层化影响因素的实证分析，国外学者大多从政治语境入手，探讨具有政治倾向的用户及其媒介接触等如何导致信息圈层化，这在人口特征、社会关系方面更为明显。针对社交关系的分析则基于个体网络展开。针对算法推荐的研究单纯从技术角度出发，并没有结合更为基础性的用户特征、社交关系等展开。从系统论的角度来看，网络内生结构很大程度上也会影响圈子的形成，而且用户特征、技术特征、社交关系、网络内生结构是综合作用后产生效果的，但我们对其运作机制知之甚少。

（二）信息圈层化的测量方法

圈层化是建立在圈子基础之上的，研究者通过多种方法对其进行测量。依据用户与信息环境的关系，测量维度包括用户的信息接收（输入）、信息发布（输出）、信息互动等方面。

从用户的信息接收/输入来看，如果用户接收的信息具有同质化特征，同类型用户之间很可能形成圈子，以区隔于那些并未接收类似信息的用户。基于此，针对圈层化，我们可直接测量用户所接收信息的同质性、用户所接触媒体或信息的极性、信息共同接触网络等。例如，研究者通过用户共同购买来确定用户之间的同质性。研究采用双盲实验方法展开分析，实验组是算法推荐信息，对照组是非算法推荐信息，对两组进行实验前后的相似网络分析，用户是网络的节点，用户共同购买作为连接节点的边关系。该方法考虑了动态关系，对本研究有所启示。

从用户的信息发布（输出）来看，通过信息发布或观点输出可以反映群体区隔，最具代表性的是对用户发布推文、帖子、评论等进行的分析。Jacobson等通过分析两个党派媒体 Facebook 页面上用户评论的党派归属，确认党派区隔的存在，进而判断对立群体之间的分化程度。也有研究以用户表达观点（支持、反对、中立）的相似性来测量用户之间的异质性，即用户是否都支持、反对特定人物或事件，如果观点不一致，则不太可能构成圈层化。研究大多基于评论的同质化程度或异质化程度来判断圈层化，聚焦于文本层面，缺乏对关系结构的关注。

从用户的互动关系来看，圈层化中的圈子是以用户关系为基础的，用户互动关系大多通过转发、提及、链接等获得。如果互动程度较低，则说明存在区隔。例如，Conover 等研究了Twitter上的政治讨论和意识形态同质性发现，具有不同政治意识形态的群体往往会彼此分离，该研究中的群体关系是通过用户之间的转发关系、提及关系来测量的。Feller 等基于提及关系展开研究，他们关注的是联邦议院选举中提到德国政党的用户。有研究通过评估两个党派媒体的Facebook账号中用户讨论所嵌入的超链接情况发现，用户聚焦于一小部分新闻链接，讨论因政治取向而被隔离。

以上几种测量圈层化的方法反映了个体内部信息同质化以及个体/群体之间信息的区隔化。从用户信息输入维度、信息输出维度进行的测量，以静态信息的类型来表征圈层化，并未考虑用户之间的动态互动行为，特别是未深度分析用户基于信息而形成的结构化关系。同时，从用户信息互动维度进行的测量存在两个问题：一是强互动（如转发、提及、链接等）用户在所有网民中占比并不大，应该考察最为基本的、低成本投入行为，如信息关注，当多个用户共同关注同样的信息时，就会形成信息共同关注网络。二是互动网络的分析，大多以个体中心网展开，对多个个体网交互作用而塑造的整体网及其形成机制缺乏深入、系统的分析。

有鉴于此，本研究尝试依托整体网并通过用户的共同信息关注来测量信息圈层化，这是一种更为系统性的、更为结构化的分析范式，同时，本研究也深入分析了人口特征、社交关系、技术支撑（算法推荐）、网络内生结构等对圈层化的综合性影响。

（一）人口特征对圈层化的影响

同质性理论认为，具有相同人口特征的用户，更可能具有类似的信息关注，不同特征用户之间有所区隔，进而导致群体之间的圈层化。

第一，从人口特征来看，具有相同性别、教育经历、职业、宗教信仰的人，在态度、行为、观念等方面具有相似性。与人口特征相似的关系相比，跨性别或跨种族的关系更容易消失。同时，教育、职业等也是个体之间具有类似性的重要方面。人们更倾向于向与自己教育水平相当的人倾诉，并且随着与他人差异的增加，越来越不可能形成联系。有研究发现，白领和蓝领职业群体之间存在显著区别。

第二，地域环境是塑造同质性的天然土壤。Verbrugge分析发现，居住环境的稳定性能够预测友谊的形成，其影响程度与性别、国籍或宗教一样强烈。与地理位置较近的人接触，更可能形成关系。Kwak等通过分析美国用户发现，同质性关系更可能存在于地理位置非常接近的人当中。同时，地理位置带来的同质性不会因新技术而完全消失。研究发现，宏观文化（如语言和地理）相似性比超链接和信息体裁相似性更能预测受众的共同媒介接触。也就是说，语言和地理特征相似的人，更可能建立信息关系。用户的新媒体使用及媒体资源也受地理位置的限制，地理位置会进一步影响个体的社会感知与身份认同，以及相应的社会行动。

由此，提出研究假设H1：

H1a：具有相同人口特征（性别、教育）的用户，更可能呈现信息关注的圈层化。

H1b：处于同一地区的用户，更可能呈现信息关注的圈层化。

（二）社交关系对圈层化的影响

社交关系的形成包括两个途径，即线下社交网络和线上社交媒体使用。社交网络是人们选择信息的重要参考，用户基于线上社交媒体的信息传递形成新的群体关系，也通过高强度联系强化原有群体关系。

第一，个体网络主要包括网络规模、网络关系类型、网络性质，这会影响信息圈层化。一是从网络规模来看，朋友数量越多，越可能接触到不同类型的朋友，信息接收会更加多元化。在对算法推荐的分析中可发现，社群成员和朋友越少，越可能导致信息同质化，所以，网络规模负向影响信息圈层化。二是从关系强度类型来看，关系越强的用户之间更可能产生相互影响，进而进行信息分享，具有更类似的信息接触。研究发现，封闭性的熟人社交型平台（如微信、人人网）使得信息接收更加同质化；相比之下，微博等陌生人“公共讨论型”媒介使得信息接收更加多元化。在关系内部，相比于身边的熟人，意见领袖等弱关系对用户的信息接触影响更大，正因为如此，微博算法推荐更倾向依据那些与用户呈现“弱社交”关系的“大V”及其兴趣方向来判断用户兴趣。由此，具有较强社会关系的用户，更可能接收同质信息，不同群体之间则更加区隔化。三是从网络性质来看，倾向于与相似的他人建立联系塑造了人们的信息环境。即便在算法非常强大的语境下，人们选择与同质性他人成为朋友，基于朋友关系而进行信息接触的可能性非常高，甚至高于基于算法推荐的信息接收。当人们通过社交关系获取信息时，更可能导致群体内部较高程度的同质化，群体之间较低程度的信息公共性。相反，如果个体社会网络的异质性较强，更不可能形成集群，以及基于此的圈层。

第二，线上互动关系反过来也会促进和强化既有社会关系，具有代表性的是社交媒体使用。社交媒体是用户获取信息或观点的重要渠道，但其也可能导致公共领域的分裂，形成人口与行为特征同质化的关系网络和缺少互动关系的圈层。较多研究也发现社交媒体使用可能增加信息多样性。一方面，社交媒体使用时长越长、使用频率越高，会增加网络的异质性，带来更多样化的信息体验，不会导致信息圈层化。另一方面，人们并不总是与同质性个体进行互动。同时，无论线上互动关系在多大程度上影响圈层化，其影响程度都不及线下社会关系，因为线上互动关系是建立在原有线下社会关系基础之上的。研究发现，线下社交网络中的同质化个体，很可能会造成信息隔离。

由此，提出研究假设H2：

H2a：既有社交关系网络中的关系强度、个体同质性正向影响信息关注的圈层化，但关系数量或规模、关系异质性负向影响信息关注的圈层化。

H2b：基于社交关系的社交媒体使用偏好负向影响信息关注的圈层化。

（三）技术支撑（算法推荐）对圈层化的影响

自算法推荐运用于信息传播领域，学界担心个性化算法推荐会导致个体接收信息的同质化，以及不同个体或群体之间信息结构的区隔化。

第一，在信息传播领域，算法推荐的初衷是解决信息超载问题。从个体层面来看，算法推荐导致个体内部的信息同质。就个体来看，每个人在自己的信息茧房中，可能导致具有相同特征的个体形成群体，不同群体之间更加区隔和对立。当然，信息茧房效应的形成也是用户与算法系统互动的结果，算法推荐助推了用户的一致性选择接触行为、削弱了对抗性接触行为。但研究也发现，在特定情况下算法推荐的影响要超过用户偏好。例如，Beam分析发现，算法系统驱动的个性化推送增加了政治选择性接触，而用户驱动的推荐降低了政治选择性接触，选择性接触会进一步导致信息圈层化。

第二，就算法推荐来看，不同程度信息偏好以及不同主题信息导致的信息同质性有差异。就信息偏好程度来看，信息茧房效应因内容偏好程度加深而不断增强。更重要的是，算法推荐导致的信息同质化也因信息主题类型不同而有所不同。研究发现，在算法语境下，算法系统对用户一般兴趣的推断并不是来自强关系，但在人文艺术、娱乐明星、时尚美妆等好友感兴趣的信息类型中，算法推断主要是基于强关系作出的。由此，对这些娱乐休闲类信息的关注，可能围绕关系群体而形成信息圈层。相比于娱乐类软新闻，茧房效应在政治新闻上较不明显，这主要是因为，严肃性政治信息具有较高的阅读难度和认知负担，多数用户会阅读其他信息以调节心理状态，再加上关注政治信息的用户，通常具有较高的文化水平，更可能不受算法限制，他们会关注更多其他信息。

由此，提出研究假设H3：

H3a：偏向于使用算法推荐平台（如抖音）的用户，更可能呈现信息关注的圈层化。

H3b：相比于具有娱乐信息偏好的用户，具有政治信息偏好的用户，更不可能呈现信息关注的圈层化。

（四）网络内生结构对圈层化的影响

网络内生结构对圈层化的影响反映在网络自组织效应方面。圈层是复杂网络，其节点间的关系由网络自我组织演化而成，即某一些关系的出现往往会促进其他关系的形成，通过不断累积逐渐形成有序的网络结构。该过程的运行纯粹依赖于网络关系的内在运作和变化，也就是内生效应。从内生角度来看，网络连边的生成受到择优连接机制、中介效应、传递性机制的影响。

第一，择优连接是复杂网络的一种常见动力学机制，即拥有联系越多的节点，越容易与其他节点相连。择优连接效应在多种类型的网络形成中均得到证实。这一机制也可能存在于信息圈层化中。在网络分析中，通常用点度中心性来测量择优连接效应。点度中心性越高的用户可能是意见领袖或者焦点用户，这些信息富有者更容易与其他用户共同关注很多信息，相比之下，信息贫乏者不太容易与其他用户形成共同关注，从而表现出择优连接。

第二，中介效应指关系的联通程度，其具有控制其他关系形成的作用。中介效应一般通过中介中心性来衡量，关注的是处于中介位置的节点是否处于其他节点间的最短路径之上。一般来讲，处于中介位置的用户节点，连接着不同信息片区的用户，对其他两个相邻节点的连接具有“搭桥”和限制作用。在信息圈层化网络中，不同信息片区的用户通过中介用户而产生连接关系，使不同信息片区用户的连接更为紧密，不太可能形成信息区隔。

第三，传递性机制通常被理解为“朋友的朋友倾向于建立新的朋友关系”，即关系是可以传递的。在网络结构中，聚集系数可以用来反映传递性机制，一般通过网络中三元组的数量来衡量节点聚集成团的程度。三元组节点之间彼此建立关系的结构称为“三元闭包”，具有三元闭包形成潜力的用户之间存在内在的信息关联性，更可能建立起信息共享连接，进而形成圈子。

由此，提出研究假设H4：

H4a：用户节点的点度中心性越大，与其他用户产生共同信息关注关系的可能性越大，更多可能呈现信息关注的圈层化。

H4b：用户节点的中介中心性越大，会将不同信息片区相连接，更少可能呈现信息关注的圈层化。

H4c：用户节点的聚集系数越大，使得相邻用户产生共同信息关注关系的可能性越大，更多可能呈现信息关注的圈层化。

（一）用户共同关注网络的基本情况

共同关注网络是无向网络（见图1），运用R语言对该整体网络进行分析，包括网络全局情况、网络节点重要性、网络社区等方面。

（1）网络全局情况。

从网络规模来看，该网络有380个节点（即用户），共19 538条边。节点平均度为103.153。在380个节点中，度数最大值为230，最小值为3。

从网络结构连通性来看，网络整体密度为0.271，网络较为松散；网络聚集系数为0.546，网络直径为4，平均路径长度为1.763，表明该网络在局部形成更多聚类，从而形成一定程度的圈层化。

（2）网络节点重要性。

从节点重要性来看，所有节点度数中心度的均值为0.544，接近中心性均值为0.574，中介中心性均值为0.002，特征向量中心性均值为0.043，PageRank均值为0.003。

（3）网络社区。

派系分析发现，最大的派系有20个；这些派系中节点数量为45个。各子群中，包括3—4个用户的子群有651个，2—3个用户的子群有226个。这说明有几百个成员确立了稳定的互惠关系，他们接触同样的信息。

k-核分析发现，coreness较大的节点有137个，是重要节点。coreness较小的节点有3个，是较不重要的节点。

整体来看，该网络中密度较低，度数中心性和接近中心性较高，大量信息被少量用户所关注，也表明少量用户联系较为紧密，多数用户联系较为松散，信息重复率较低，用户之间的共同信息关注程度较低。同时，网络中介中心性较低，说明较多节点不太参与同其他节点的联系，网络存在一定的断裂或区隔。而且，网络中派系和社区较多，呈现一定的圈子化特征。网络具有中心节点，越往外围，节点大小和连线的密度越小、越分散。

（二）信息圈层化的影响因素

采用R语言的statnet工具包进行ERGM分析，对六个模型进行参数估计，估计方法为马尔科夫链蒙特卡罗最大似然法（即MCMC MLE）。通过AIC和BIC来判断模型拟合效果，指标值越小，表明模型效果越好。

统计分析发现（见表1），在所有模型中，网络自组织的影响最大（AIC/BIC均较小），表明内生因素对信息共同关注网络或圈层化的影响更大，相比之下，用户节点属性、用户社交网络特征（社交关系数量、关系异质性）、网络协变量（社交关系强度网络）对圈层化的影响较小。也就是说，网络自身的结构特性是圈层化形成的重要动力。更进一步，就用户节点属性和个体网特征来看，从基准模型到人口特征模型、社交关系模型、再到算法推荐模型，AIC/BIC值越来越小，说明影响因素中，人口特征更具基础性，其次是社交关系，再次是算法推荐。整体来看，综合模型的拟合效果最好，说明用户属性因素、社交关系特征、网络内生结构因素是相互作用、相互影响的，进而塑造了圈层化。下文主要根据综合模型的参数结果分析圈层化的形成机制。

数据显示，就基准模型来看，边数统计项的系数是负值（-4.288），说明网络的密度在50%以下都是稀疏网络。在50%以下网络中一条边形成的概率与用户信息共同关注网络的密度是一致的，为0.271。

就人口特征来看，男性的性别同质性和女性的性别同质性均显著正向影响信息共同关注网络（p<0.001），这说明了男性之间可能关注共同信息，女性之间也可能关注共同信息，从而形成基于男性的信息圈层和基于女性的信息圈层。高年级同质性显著正向影响信息圈层化（p<0.01），相比之下，除大二年级外，低年级同质性对信息圈层化的影响基本不显著（p>0.05）。高年级的被试，特别是研究生，已经深度融入校园生活，且迫于学习压力，信息关注不太多元，同时，由于年龄较大、心智更成熟，会更关注公共话题等，也更可能与他人形成共同关注，更可能形成圈层化。专业同质性显著正向影响信息共同关注网络（p<0.001）。就读于同一专业的被试，更可能关注同一信息，从而导致信息圈层化。所在地同质性显著正向影响信息圈层化（p<0.001），处于同一地区的被试，包括学校所在地、户籍所在地，更可能关注同一信息，从而导致信息圈层化。假设H1b得到证实，H1a得到部分证实。

就社交关系来看，社交关系网络中的关系数量、关系强度并不显著影响信息共同关注网络（p>0.05）。针对关系异质性，年级异质性正向显著影响信息圈层化（p<0.05），性别、户籍所在地异质性负向显著影响信息圈层化（p<0.05）。这说明如果社交圈子中有其他年级的朋友，也会有共同信息关注；但如果社交圈子中有其他性别、地区的朋友，基本不会有共同信息关注。这反映了性别、地区区隔对于信息接收格局的影响更为深刻，相比之下，被试共同接收的信息可以跨年级存在。整体来看，社交关系网络对圈层化的影响并不大，这与一般认为的社交关系会导致信息圈层化的认识有所偏差。这也说明了研究通过种子被试邀请好友的方式收集信息的有效性，强关系并未影响到圈层化的存在状态。相比之下，社交媒体使用显著负向影响信息共同关注网络（p<0.001），那些偏好使用社交媒体的被试，不可能关注同样的信息，更不可能导致圈层化。本研究中的社交媒体指基于强关系或者熟人关系而建构的媒体平台，如微信朋友圈、QQ等，数据结果说明了即便是在线强关系，也不可能促进信息共同关注，反而可能获取更多信息，不会导致圈层化。研究假设H2b得到证实，H2a得到部分证实。

就技术支撑（算法推荐）来看，算法推荐平台使用偏好显著负向影响圈层化（p<0.001）。那些偏好使用算法推荐平台的被试，相互之间更不可能关注同样的信息，从而不会导致圈层化。导致这个结果可能有两个原因：一是算法推荐使得他们各自陷于自己的茧房，成为一个个独立的个体性存在，更不可能形成集群及基于此的圈层化。二是算法推荐的确会使得群体之间具有更多相同的信息关注，但由于学生被试的关注信息整体不太多元，信息环境较为同质，所以，信息集群之间区隔的可能性较小。同时，政治信息关注偏好显著负向影响圈层化（p<0.001）。相比于有娱乐偏好的被试，有政治偏好的被试更不可能关注同样的信息，也更不可能导致圈层化。偏好关注政治信息的被试，他们有更强的信息获取能力，信息接收较为多元，再加上整体政治信息环境的同质化，所以更不可能形成区隔。而娱乐信息更可能因为社交关系而推荐，更可能形成圈层化。研究假设H3b得到证实，H3a并未得到证实。

就网络内生结构来看，点度中心性的拟合结果为显著正相关（p<0.001），说明在节点其他因素数值相同的情况下，被试用户点度中心性越大，越有可能与其他用户形成共同关注关系。这一结果印证了复杂网络中的择优连接机制。用户中介中心性的拟合结果为显著负相关（p<0.001），且该值较大，这说明在节点其他因素数值相同的情况下，用户中介中心性越大，越有可能将其他片区用户连接起来，而不会出现信息群体之间的区隔，不太可能出现信息圈层化。聚集系数的拟合结果显示为显著正相关（p<0.001），说明在节点其他因素数值相同的情况下，聚集系数越大，拥有一个共同邻点的两个节点直接相连的可能性更大，越有可能与其他用户凝聚成团，形成圈层化关系。假设H4a、H4b、H4c均得到证实。

更进一步，对比综合模型和其他模型可以发现，当加入网络内生结构变量之后，男性、大一学生、大二学生、社交关系数量、社交关系强度、社交关系异质性（专业异质性、学校所在地异质性、户籍所在地异质性）、社交媒体使用、政治信息偏好对信息圈层化的影响有所变化，这说明通过ERGM分析能够揭示出信息圈层化中存在的内生结构在整体网络形成过程中的作用。

用户属性特征、社交关系模型下显著的统计项在综合模型中不再显著，如大一学生、社交关系数量、社交关系强度、社交关系异质性（专业异质性、学校所在地异质性）。网络内生结构的加入，导致这些变量的作用被减弱或替代。主要是因为，大一学生信息接触面较为狭窄，更可能跟风、追随大多数人，其共同关注关系的形成很大程度上与整体网络结构有关。从社交关系来看，对比模型3和模型6可发现，加入网络内生结构后，既有社交关系的影响变得不显著了，说明网络内生结构对信息关注网络的影响远远超过了初始社交关系网络。

用户属性特征模型下显著的统计项在综合模型中仍然显著，但是影响方向发生改变，如男性、大二学生、户籍所在地异质性、社交媒体使用偏好、政治信息偏好的影响方向有所改变。这说明原先模型下看似显著且正向/负向的推断，由于受独立性假设的限制，可能并不准确，甚至在整体网络下可能出现相反的结论。男性、大二学生的影响由负向转变为正向，很大程度上因为人口特征是最基础的，它本身就可以驱动网络结构的内在运行，其与网络内在结构交互作用，最终促进信息圈层化。户籍所在地异质性、社交媒体使用偏好、政治信息偏好的影响由正向转变为负向，这可能是被试整体的户籍分布不均导致的，社交媒体使用偏好、信息类型偏好是被试用户的后天媒介接触行为，其与网络结构交互作用并发生化学反应，从而导致方向的变化。