背景介绍

在线健康社区(OHCs)在使求助者交流信息和获得社会支持方面发挥着重要作用。然而OHC交互总会使求助者受益吗？本文检验OHC内容可能影响求助者情绪的不同机制。OHC中求助者不仅可以看到意在帮助他们的情感支持，还会收到对其他求助者的情感支持或没有产生任何情感支持(辅助内容)的内容。本文检验这些内容是否总是有益于求助者？

理论和假设

选择豆瓣抑郁症(MDD)小组作为研究环境，在MDD小组中，求助者在自己发布帖子下可能观察到不同信息，从目标角度分为支持自己的内容以及支持他人的内容。从内容目的将求助者观察到的内容分为情感支持和辅助内容。情感支持指的是降低求助者负面情感，辅助内容包括信息支持、无关内容的讨论、广告等其他噪音，不会改变求助者情感。按照内容针对目标和目的将帖子分为四组：(1)对求助者的情感支持；(2)对非求助者的情感支持；(3)对求助者的辅助内容；(4)对非求助者的辅助内容。对求助者来说，只有第一种是其希望获得的也是本文主要关注的。四种情况如原文图2所示，检验帖子情感是否会影响求助者情感。

见原文图2(P201)

基于评价理论(appraisal theory)，在MDD小组中，当求助者观察到对其他求助者的情感支持，可能引起两种相互竞争的机制，即同理心和社会比较，从而造成相反的评价。同理心表现为，当求助者看到其他求助者收到情感支持时，其情感也会更积极。社会比较表现为当求助者看到其他求助者获得情感支持时，会产生“羡慕嫉妒恨”，情感变得消极。对于抑郁症求助者，往往处于社会比较关系中较弱势一方，当他们观察到别人接受帮助时容易感受到更糟，假设：

H1：针对其他求助者的情感支持会负向影响求助者的情感。

根据情感感染理论(emotional contagion theory)，辅助内容中的情感表达可作为正面刺激影响求助者情感。而且辅助内容中的信息也会积极影响求助者自我护理( self-care activities)，因此假设：

H2：对求助者回复的辅助内容正向影响求助者的情感。

对其他求助者回复中的辅助内容的情感可能与假设1一样，存在同理心和社会比较两种影响。针对其他求助者的回复因为缺少具体目标，求助者形成较低水平的社会比较，社会比较的负向影响可能和同理心的积极影响相互抵消，提出替代性假设：

H3-0：对其他求助者回复中的辅助内容不会影响求助者的情感。

H3-1：对其他求助者回复中的辅助内容负向影响求助者的情感。

方法

区分情感支持

研究第一步是区分帖子目标(是否回复求助者)和内容类型(情感支持还是辅助内容)。假定如果帖子没有具体回复谁就认为回复求助者。对于回复内容，构建一个新型复合多层注意力模型(C-HAN)来判断帖子是否为情感支持内容。

模型：

对每个求助者建模，因变量为求助者情感，通过测量求助者帖子情感来表示。每名求助者每天可能发布多条帖子，在天级别构造面板数据，检验第t-1(SENTIMENT[i,t-1])天求助者参与线程（在求助者发布帖子下的所有内容）中发布帖子的情感如何影响求助者第t天(SENTIMENT[i,t])的情感。模型如原文式(1)：

自变量：X[I,t-1]为第t-1天自变量向量，分别为对求助者和其他求助者的情感支持和辅助内容，每一类内容帖子情感取平均值。

控制变量：Z[i,t-1]为控制变量。具体包括：回复数量；信息支持（通过LIWC计算每条帖子中健康相关词的比例来测量）；其他求助内容的情感；求助者的情感可能受其自身活动所影响，控制过去90天内求助者参与的线程数；即使没有收到支持，求助者情感可能随着时间而变化，控制求助者距离在OHC求助的天数。周和星期几固定效应，控制主要节日(如新年、中秋等)。

解决内生性问题：

求助者可能没有阅读所有帖子，尤其是那些不是针对自己的回复，这可能导致变量的测量误差。采用两种方式解决这一挑战。

(1)采用工具变量解决求助者没有阅读针对其他求助者回复的问题。本文自变量为助人者的帖子情感，为四类帖子内容分别选择对应类型的助人者的历史帖子情感作为工具变量。工具变量选择逻辑为助人者的帖子情感受其之前情感的影响，但求助者一般不会查阅助人者之前帖子，因此助人者之前帖子情感不会影响求助者之后情感。

(2)在本文OHC环境中，所有帖子在同一页面中按照时间顺序展示。因此，如果用户回复一条帖子，那么他会看到该贴之前一定数量的帖子。在帖子水平研究求助者i的回复j前的帖子如何影响该回复情感，模型如下：

SENTIMENT[i,j]是求助者第j条回复的情感。X[i,j,j-1]为同一个线程内求助者i第j和j-1条回复之间四种回复的情感。

结果

数据统计：

豆瓣平台在2011年12月30日增加回复功能，本文采用MDD小组该时间到2015年1月6日的数据，包含4692名用户，3323个线程中44478个帖子。

首先雇佣3名助理手动过滤垃圾帖子，如广告、公告等。助理最终确定1098名MDD用户发起的1498个讨论线程。经过本文提出的深度学习模型(C-HAN)，确定6883个内容为情感支持的帖子，37985个辅助内容帖子。

情感影响：

表5列1,2分别为式(1)固定效应、随机效应结果。Hausman检验表明固定效应模型优于随机效应模型，接下来的分析使用固定效应模型。列3为使用工具变量结果；列4为式(2)回归结果。四个模型结果一致，抑郁症求助者情感与其接收到的情感支持(EmoSupport)正相关；对其他求助者的情感支持(OT-EmoSupport)负向显著影响求助者情感，假设1成立; 对其他求助者的辅助内容(AuxContent)正向显著影响求助者情感，假设2成立;对其他求助者回复的辅助内容(OT-AuxContent)对求助者无显著影响，假设3-0成立。

稳健性检验：

根据式(1)开展三项稳健性检验，结果分别在表6列1-3；(1)公共假日的第二天作为控制变量加入主模型中，解决的是假日的滞后效应；(2)用户在午夜仍很活跃，在早6点活跃程度最低，因此根据日期设置时间段可能导致在查看上午12点前发布的内容影响12点后的情绪。根据早6点（而不是零时）划分时间段；(3)使用求助者发布帖子5天内数据，因为超过一定时间用户可能不再查看该帖子；表6结果与主结果一致。

根据式(2)开展四项稳健性检验，结果分别在表7列1-4；列1/2分别表明求助者回复只看前10/20条帖子；列3-4为采用2013年7月之后的用户访问日志数据，列3/4依然分别表明求助者回复会看到10/20条帖子，四项结果与主结果一致。

机制：

(1)本文结果表明对求助者的回复和对非求助者的回复对求助者情感影响相反，验证二者交互是否对求助者产生影响。表9列1，2表明二者交互项的系数不显著，即二者对求助者情感的影响是相互独立的。

(2)本文认为针对其他求助者的情感支持之所以会负向影响求助者情感，是因为社会比较的存在，将对其他求助者的支持分为求助者回复之前和之后两类，表9列3表明在回复之前收到对其他求助者的情感支持的影响负向显著，而在回复之后收到影响不显著，证明了社会比较的存在。

(3)作者认为本文结果是因为求助者在社会比较中处于较低地位。根据求助者原始帖子情感分为正负情感两组，表9列4,5表明原始情感更低(社会比较中处于更低位置，更自卑)的用户，针对其他求助者的情感影响的负面影响更强，验证了社会比较机制的存在。

研究意义与贡献

本研究发现，如果抑郁症病人收到了情感支持，之后再看到他人收到帮助也不会感觉难过；如果抑郁症病人还没有收到情感支持，在这之前看到他人收到帮助会变得情绪糟糕。这说明抑郁症病人会将自己和他人比较，如果自己收到了比较少的帮助，看到针对他人的帮助反而会有负面效果。本文拓宽了关于OHC对抑郁症患者影响的理解，并产生一个悖论，即对抑郁症患者提供情感支持可能会伤害他们。这启示我们，可以组建一个团队，在网上以私聊的形式来帮助抑郁症病人。

本文用深度学习模型更好地区分了情感支持和其他内容，创新性地发现了抑郁症患者的情绪受到针对其他用户的情感支持内容的负面影响，并提出了一系列解决这种负面影响的建议。

参考文献：Zhou, J., Zhang, Q.., Zhou, S., Li, X., & Zhang, X. (2023). UNINTENDED EMOTIONAL EFFECTS OF ONLINE HEALTH COMMUNITIES: A TEXT MINING-SUPPORTED EMPIRICAL STUDY. MIS Quarterly, 47(1):195-226.

下载链接: https://doi.org/10.25300/MISQ/2022/17018

作者详细信息：

Jiaqi Zhou

Position: PhD Student, School of Data Science, City University of Hong Kong

Area: Social Informatics and Social Computing; Healthcare Analytics;

Email: jiaqi.zhou@my.cityu.edu.hk

Qingpeng Zhang

Position: Associate Professor, School of Data Science, City University of Hong Kong

Area: Social Informatics and Social Computing; Complex Networks; Healthcare Analytics; Collective Intelligence

Site: http://www.cityu.edu.hk/stfprofile/zhang.htm

Email: qingpeng.zhang@cityu.edu.hk

Sijia Zhou

Position: Associate Researcher, Department of E-commerce, Southeast University

Area: Online healthcare (smart healthcare, chronic disease management, etc.), social influence

Site: https://em.seu.edu.cn/zsj/list.htm

Email: sijiazhou@seu.edu.cn

Xin Li

Position: Professor of Department of Information Systems City University of Hong Kong

Area: Digitial Economy, Machine Learning, Social Networks, Applied Econometrics

Site: http://www.is.cityu.edu.hk/staff/xin.li/

Email: Xin.Li@cityu.edu.hk

Xiaoquan (Michael) Zhang

Position: Department of Management Science and Engineering, School of Economics and Management, Tsinghua University

Area: AI in Finance; Fintech Analytics; Entrepreneurial Finance; Digital Transformation; Advanced PhD Seminar in Economics of IS

Site: https://www.sem.tsinghua.edu.cn/info/1210/33406.htm

Email:zhangxiaoquan@sem.tsinghua.edu.cn