作品 / 第 5 个 / 共 5 个
在中文社交平台上读懂一场跨市场争议
我的硕士论文：5,289 条微博评论，关于一位泰国艺人、一个巴黎场地和一场中文世界里关于自由的争论。我按人们真正看到的来读，而不是按谁说得多。
问题
品牌观察一场争议时通常在数提及量。但在按点赞排序的平台上，少数评论承载了绝大多数人真正读到的内容，所以平均计数描述的是一场没有人经历过的对话。我想知道共识是在这个缝隙里怎么形成的，于是选了一个同时跨越三个市场的案例。
我做了什么
我采集了 219 条微博帖子下的 5,289 条评论，按可见度而不是数量抽样：所有 500 赞以上的评论（246 条，占全部点赞的 86.9%），再加 200 条随机长尾，这样对沉默的大多数也能说点什么。我编码了 446 条，细读 29 条，并把 28 个边界判断全部写进决策日志，方便别人复核。我没有先清洗语料，因为筛掉不相关的评论会把稀少变成我自己制造出来的结果。
结果
2026 年 8 月通过斯德哥尔摩大学公开答辩。两套词汇的走向正好相反：民族类词出现在 260 条评论里，阶级类词只有 98 条，但阶级框架的评论平均每条获赞约为前者的三倍（699 比 231）。只看计数会把这场争论判定为民族主义的。按可见度加权才看得出，它是由阶级话语收场的，而且是靠给这件事改名，不是靠说理。
这对品牌意味着什么
份额之声衡量的是谁在说，这套方法衡量的是谁被看见，而后者才决定一个刚点进评论区的人会相信什么。同一套设计可以直接用在中文平台的新品上市或品牌舆情上：按注意力加权，保留原始语料，把频次和触达分成两个数字报告，盯住哪个说法正在赢，而不是盯情绪分数的涨跌。再留一份决策日志，让洞察成为同事可以核对的东西，而不是只能选择相信。
争论是靠给问题改名收场的，不是靠说理
B. 背景
这是我在斯德哥尔摩大学全球媒体研究专业的硕士论文，2026 年完成，同年 8 月通过公开答辩。研究对象是一起公共事件：2023 年 K-pop 组合 BLACKPINK 成员 Lisa 在巴黎疯马秀的演出，以及它在 2023 年 9 月至 11 月间于微博评论区引发的数周争论。我把那些评论区当作一个倾听问题来处理：关于「自由」和「艺术」的哪些理解成了可见的共识，以及它是怎么成为共识的。这项工作介于学术话语研究和品牌与声誉工作中使用的舆情倾听之间，真正可迁移的是方法，而不是话题。
C. 问题
在微博上，点赞排序决定了一个新来的人最先遇到哪些评论，因此一份只统计「说了什么」的舆情报告，可能会错过「被看到了什么」。没有可见度这层逻辑，一个罕见、低曝光的观点，可能被摆到与成千上万人在楼层顶端遇见的那种理解同等的位置上。代价是对争论实际所处位置的一幅错误图像。
D. 我的角色与团队
这是独立完成的工作。抽样设计、数据采集、抽样与计数脚本、每一条入样评论的编码、摘录的细读，以及论文写作，都由我完成。一位导师通过系里的课程流程给出反馈，一位外部读者对最终修订稿提出了意见；两人都未参与编码或分析决策。两位考官评审了论文并提出四项必须修改之处，我于 2026 年 9 月完成。AI 工具被用作助手，用于检查、写作辅助和文件核对，并已在论文中声明；每一个编码和分析判断都由人做出。
E. 关键决策
-
决策：按可见度而非按数量加权抽样：对所有点赞不低于 500 的评论全部编码（246 条，承载了全部点赞的 86.9%），再用一个 200 条的分层随机长尾样本去检验其余部分。理由：在一个按点赞排序的平台上，可见度是受众这一侧的事实。用倾听的语言说，这问的是谁被看见了，而不是谁说了话。我放弃的方案：在全部 5289 条评论中做简单随机抽样——那会把一条没人看见的评论和一条排在顶端的评论当作同等强度的证据。
-
决策：语料不做清洗：抽样之前不删除粉丝骂战、离题内容或单字评论。理由：关于「缺席」的判断，比如「有论证的辩护有多罕见」，只有对照原样采集的记录才成立。清洗会把这种罕见变成我自己筛子的产物。我放弃的方案：先筛出「相关」评论——这在舆情看板里很常见，却悄悄改变了分母。
-
决策：两个阶段，两项任务：先用反身性主题分析在已编码评论中勾出模式，再对 29 条摘录做批判话语分析，展示这些模式在具体措辞层面如何运作。理由：地图告诉你去哪儿看；细读告诉你那里站着什么。我放弃的方案：只做一遍细读——那无法说明任何关于分布的事情。
-
决策：用一次有记录的二次通读代替第二位编码者：把所有已编码的行完整重读一遍，并为边界个案写下 28 条判定记录，保存在 Excel 台账里。理由：这是一个独立项目。这份记录让每一个判断都可被复查，而这正是小团队里的实际需求。我放弃的方案：报告一个信度统计量——那会暗示存在一位我并没有的编码者。
-
决策：频次和可见度始终作为两个数字来报告，绝不合成一个。理由：在「国族」和「阶层」这两组词汇上，两个指标指向相反的方向，合并它们会把这个发现藏起来。我放弃的方案：一个单一的「声量占比」数字。
F. 我做出了什么
- 一份 219 条帖子下 5289 条评论的语料，用 Octoparse 按为本研究编写的流程采集。
- 一套三层抽样设计：246 条点赞不低于 500 的评论；一个 200 条的随机长尾，分布在四个各 50 条的点赞区间中，使用固定随机种子；以及 2 条目的性补充样本，排除在所有统计之外。
- 一份 Excel 编码台账：编码方案、各层的已编码行、主题发展表、帖子索引表，以及二次通读的判定记录。
- 一份关键词规格，用于统计国族词与阶层词在全部 5289 条评论中的覆盖情况，附一份敏感度清单。
- 一项两阶段分析：统计层中编码 446 条（另有 2 条目的性摘录不计入任何统计）、细读 29 条、另引 18 条作为支持性例证，全部可按行号追溯。
- 论文本身，78 个编号页，包含修订时补入的一张数据选择与方法总览表。
G. 结果
这些发现只对这份语料和这个平台成立，且是在按点赞加权的读法下成立，不作为一般规律提出。这场争论是靠改名而不是靠论证结束的：「艺术」被重新贴上了标签，而在点赞最高的 100 条评论中，没有一条为「这场演出是一种自由选择」做出有论证的辩护。批评最重的那些评论承认了「她的自由」，却把它重新定义为一种由阶层分配的东西。国族词触及的评论数多于阶层词（260 对 98），但以阶层为框架的批评，每条获得的点赞约为前者的三倍（平均 699 对 231）。发现章节按主题组织。
对于舆情或洞察类岗位，可迁移的能力是：围绕触达而非数量来设计抽样逻辑；构建并记录一套编码框架；把提及量和互动权重分开；在不把某一个市场的框架强加过去的前提下，读懂一起跨市场争议（一位泰国艺人、一个法国场地、一个中文平台）；以及留下一条别人能跟着走的审计轨迹。同样的设计可以用于中文平台上的上线前倾听或声誉监测；目前没有任何商业化应用。
H. 如果重来我会怎么做
- 在事件进行中采集，而不是事后。这份语料是在 2023 年之后很久才从按热度排序的楼层里抓取的，没有时间戳，并且 37.2% 的评论没有点赞数据。我会在争议发生期间做多次带时间戳的抓取，并记录每次抓取时的排序方式。
- 增加第二个平台。微博的点赞机制塑造了什么会被看见；对至少一个其他中文平台做平行阅读，才能看出改名这个模式是否只属于某一个平台。
- 增加一次正式的编码者自我一致性检验：隔一段时间后对一个固定子集重新编码，并报告一致率。
I. 佐证材料
- 论文 PDF：在 DiVA 记录开放获取后为公开链接，A 级；在此之前为自存文件。
- 抽样漏斗示意图（5289 到 446 到 29 到 1 个结论）：匿名示意图，B 级，待按论文中的图重画。
- 编码框架结构（聚类、评论数与点赞总数）：匿名示意图，B 级。
- 二次通读的判定记录，仅结构：匿名描述，B 级。
- 关键词规格中的词表：匿名描述，B 级。
- 完整编码台账、原始语料、任何评论的原文、译文或用户名、考官评审意见与答辩人评议：C 级，不展示。
J. 关键词
舆情倾听；话语分析；反身性主题分析；批判话语分析；微博；中文社交平台；受众洞察；跨市场传播；定性研究设计；抽样设计；声誉监测；研究文档