理論前沿

透過推特看騷亂：大數據分析的方法論創新

〔英〕羅伯·普羅克特 法麗達·維斯 亞歷克斯·沃特 沈本秋/譯 彭銘剛/校

摘要：社交媒體的廣泛應用，對社會學家來說可謂機遇與挑戰并存。反映人們日常習慣、意見觀點和行為特征的數據正以規模空前的形式向我們走來。這也意味著，我們在研究中不可能再依賴傳統的分析方法和分析工具。本文是針對2011年8月英國發生騷亂期間出現的大量推文語料應用計算機輔助方法進行分析的一次實驗。

關鍵詞：大數據 社交媒介 計算社會科學 推特 危機傳播

引言

網絡在過去十年間的廣泛應用，以及近年來的博客（如推特）等社交媒體和社交網站（如臉書）的爆炸式發展，對于社會研究人員而言，既是機遇，也是挑戰。過去十年間，人們為開發更強大的研究方法、數字基礎設施和研究工具進行了大量的投資，旨在解決新出現的、更為復雜的跨學科研究難題（Atkinson et al., 2009; Halfpenny and Procter, 2010; Halfpenny et al., 2009）。本文針對2011年8月英國騷亂期間出現的大量推文語料，應用大數據方法和工具進行研究分析的一次實驗。

我們首先將綜述近年來社交媒體在危情中發揮的作用。然后介紹我們自己開發出來的用于分析推文語料的方法和工具，同時通過我們的一些發現來闡述這些方法和工具的應用潛力。最后，我們將落腳于討論本研究的局限性，并對我們處理這些局限性問題的措施進行一個概述，包括我們正在開發的，甚至可用來分析更大社交媒體語料庫的基礎設施。

危機傳播與社交媒體

現在，不同的傳播平臺在危機情境中所扮演的不同角色已經是一個重要的研究領域，該研究領域的成長也反映了十年來傳播技術形式的發展狀況（Allan, 2006; Barsky, Trainor and Torres, 2006; Bruns, 2006; Bruns et al., 2012; Mendoza, Poblete and Castillo, 2010; Vis, 2009）。特爾沃爾（Thelwall）和斯圖亞特（Stuart）（2007）通過對比2005年的三次危機事件，包括颶風卡特里娜等，考察了不同傳播技術的反應——新興的傳播技術被認為在事件發展初期在分享信息和調查真相方面殊為重要，但是初期過后，主流媒體對于后續結局的報道則更勝一籌。

2011年8月暴發的英國騷亂肇始于8月6日發生在倫敦托特納姆地區的一起孤立事件，然后迅速席卷倫敦，進而漫延至英國其他城市，演變成英國30多年來最為嚴重的打、砸、搶暴力事件。整個騷亂持續了五天。該事件被認為與多種因素有關（Lewis et al., 2011; Morrell et al., 2011），但是最令人驚訝的結果，確正如一些政客所聲稱的——社交媒體如推特起到了關鍵作用。

推特是2006年建立的一個微博網站，可以允許用戶發表140個字符以內的信息（即“推文”）。最近有人估計，英國的推特用戶達1000萬。與社交媒體平臺（如臉書）不同的是，推特的交友模式是單向、非相互式的。用戶可以關注任何對象，但對方可以不必關注他們。當一個用戶關注另一個用戶時，后者的推文將出現于前者的“推文時間軸”。但是，并非只有互粉才能看到推文：推特默認其為一個開放平臺，推文是公開的，可以通過推特的搜索工具找到。直接消息（DM）則例外，屬于私聊內容，僅對接收該信息的關注者（粉絲）開放。用戶可以通過在用戶名前加“@”的形式在推文中提及其他用戶。被提及的用戶就可以在他們的“推文時間軸”上看到該條推文。通過點擊“轉推”鍵，或者復制原始推文并在文字前鍵入“RT”，用戶就可以將該條推文轉發給自己的粉絲。這樣，推文便可以通過用戶的粉絲網絡進行傳播。推特的一個重要舉措是標簽的使用，標簽設置方法是在一串文字前鍵入“#”號。標簽為用戶提供了一個為推文添加主題標簽的途徑，這樣他們就能在“推文時間軸”中共同創建一個動態結構，有利于信息的發現：任何人都可以通過搜索該標簽看到其他人對該話題的意見表達。

在后面的章節中，我們將詳述我們已經開發出來的用于分析騷亂事件語料庫的方法和分析工具。然后我們將通過案例研究，展示這些方法和工具相結合是如何使我們能做詳細描述的，以及推特在騷亂發生時又是如何被使用的。最后我們將概括展望未來的一些工作領域。

方法

本推特語料庫乃是由《衛報》及其合作伙伴遵循與推特簽署的協議所提供的。取樣范圍為2011年8月6日13: 00至8月17日20: 00發出的公開推文。收作語料的推文的界定標準，是必須與報道騷亂事件的《衛報》記者團隊擬定的54個話題標簽相匹配。最終的語料庫由260萬條推文和70萬個不同用戶賬號組成。該語料庫中所有賬號的用戶信息同樣系由推特提供。

我們在做語料庫分析時出現了一些具有挑戰性的問題。最為突出的問題是，其數量之大使得我們無法使用傳統的媒體研究方法和工具進行分析。為了解決這一難題，我們首先嘗試使用自然語言處理（NLP）技術；然而，通過實驗，我們的結論是：這些方法尚不能達到人工解讀推文內容的功能水準（Black et al., 2012）。

因此，我們采取的方法則是采用不那么復雜的計算機工具來揭示語料的底層結構，這使我們能夠發現具有潛在重要性的片段。然后，利用既有的定性方法對這些片段進行分析。這個方法是以經典的兩級流動傳播模型為基礎，突出顯示信息如何從“意見領袖”向外流布（Katz and Lazarsfeld, 1955; Wu et al., 2011）。為了將該模型套用于語料庫，我們建立了一個計算機工具，將原始推文及轉發推文組成“信息流”（Lotan et al., 2011）。將信息流按大小（即轉發數量）進行排列，這是確定其相對重要度的一個簡單方法，對于決定后續的內容分析非常重要。

我們由語料庫建立數據庫，運用檢索工具確定和提取信息流，以保證信息流的內容符合我們的既定標準，這與我們要分析的話題具有相關性。通過對不同組合的檢索項的結果檢查（標簽有用，但是光標簽還不夠），我們能夠確定假正例（不相關流），減少假負例（漏報，但為相關流）。此外還根據作者發表的推文數量、作者被提及次數及其粉絲數對作者進行排名。

為了解推特的使用情況，我們為推文內容（見附錄）開發了一個代碼框架（Krippendorff, 2004）對信息流進行分類（例如事件報道、報道評論、信息請求等），利用最后的分組情況來了解人們在特定話題背景下如何使用推特。對于了解推特用戶面對謠言時的反應，信息流的來源是尤為有意思的部分。為此，我們開發了一個發文者類型代碼框架（見附錄），并以此對@500次以上的賬號進行分類。

計算機工具及基礎設施

要處理260萬條推文及其相關的元數據，利用傳統的電腦桌面工具是很難做到的。因此我們將數據集導入關聯式資料庫管理系統，使我們能快速查詢。為了使研究人員易于獲取數據集，我們利用持續集成工具Jenkins開發了一個虛擬研究環境（VRE）（Voss and Procter, 2009）以提供基于網絡的用戶界面和分析工作所需的運行能力，并管理其配置及輸出文件。因此VRE對做過的所有分析提供了一個完整的起源記錄。VRE用戶界面見圖1。

每個類型的分析都會被翻譯成一個腳本，該腳本從數據庫向確切數據輸出必要的SQL語句，并將其轉化為人類可讀的適當格式或者轉化為只需利用簡單的桌面工具就能進一步加工的格式。

VRE的主要功能是信息流分析，它能將轉發的推文與源推文相匹配。這便要將每條轉發內容與被確定為是源推文發送者的用戶在此前所發出的每一條推文進行比較。比較的結果是一個相似性測度。為此我們采用了Levenshtein距離（俗稱“編輯距離”——譯注），它可以顯示轉發信息與候選的源推文的相似度。我們憑經驗確定編輯距離為30是一個較好的取舍點，也就是說我們最多允許在原始信息與轉發信息之間存在30個個體字符差異。這樣做的目的，是要允許用戶在轉發一條推文時變動其內容，因為有時他們會加上自己的評論，但最后的轉發內容連同屬性仍然不超過140個字符。對于深入分析過的信息流，其匹配質量已經超過人工檢查。

與在一個合理時間框架下由單一服務器執行的分析腳本相比，轉發分析的計算成本是昂貴的，因為它涉及大量成對推文之間編輯距離的計算。為此我們在圣安德魯斯大學STACC云端使用了16個實例（虛擬服務器）并提供運算資源。在這個資源水平上，該任務得以在一天之內完成。

代碼框架

我們從制作表單開始，著手推文代碼類型框架的開發，包括經信息流分析為顯要話題的推文實例表列。代碼框架開發人員先獨立工作，然后互相對比結果。這樣就使所有云都達成一致的類別。然后，這些初始代碼框架通過一個進一步合并和細化的過程，便產生了最終的代碼框架，其頂級分類有四項。

媒體報道。該類推文要么是由主流媒體賬號發出，要么由從業于主流媒體機構的記者發出，是對新聞事件的報道。我們收入了其他指向主流媒體報道和提供新聞鏈接的賬號發出的推文。新聞鏈接之所以重要是因為我們認為它可以衡量該推文的“可信度”。故我們將僅僅聲稱“我在獨立電視新聞中看到”而未提供新聞鏈接的推文排除在外。

圖片。它表現的是許多推特用戶使用諸如twitpic之類的服務在他們的推文中上傳和鏈接圖片。我們認為這代表著一類信息，譬如，有別于媒體報道的信息，故應自成一類。

謠言。其編碼是針對推文中對事件除提及確鑿證據（支持性或挑戰性證據）外還做出“宣稱”或“駁斥”，但并未提供任何檢視該信息的途徑。有證據支持和沒有證據支持的推文是有明顯區別的。在該類別中，我們集中收入那些突出強調其屬于“聽說”的但是又未能提供鏈接的那類推文。同樣，當他人“宣稱”時可能會引發爭議，但這種“駁斥”，如果沒有提供鏈接，在此也將其視為“謠言”。最后，我們增加了一個編碼給那些看似在呼吁更多信息的推文或一個看似對謠言做出反應的推文。

既有媒體報道類也有謠言類，我們就能夠追蹤最初作為“謠言”流傳并受到主流媒體關注的新聞。這樣一來，我們對此類信息的周期也能說出個子丑寅卯。由于推文既有賬號信息又有時間標記，我們便可以更充分地了解謠言的生命周期。

反應。它是為用戶對一般騷亂及對特定的騷亂相關的事件所做回應的編碼。根據我們所見的子語料庫，該類別包含不同的子類。而其他類別則為大多數子類共享，例如對搶劫的憤怒或要求查證信息。

開發一個整體性的推文類型代碼框架有很多好處。首先，它不但能方便地適用于其他子語料庫，還能更方便地應用于整個語料庫。其次，這意味著絕大部分來自較小子語料庫的資料有同樣的可比性，因為我們編碼了相同的三個頂級代碼，主要關注媒體如何報道騷亂及主流媒體和非主流媒體在推特上的行事作風，以及普通推特用戶如何討論和散布這一新聞。

重要的是，編碼框架已經過嚴格測試，可以操作，故而不僅適用于特定的推文子語料庫，而且對于分析整個語料庫也是有用的。為此，我們編碼了不同子語料庫的幾個小節。在不同階段測試個別編碼框架時，很重要的一點是已確證編碼員之間的信度是很高的。

為了測試編碼框架，我們將其應用于兩個子語料庫，即伯明翰子語料庫（所有推文匹配“伯明翰”一詞，大小：50325）和BBM子語料庫（所有推文匹配“配料庫”一詞，大小：13139）。由不同的編碼員通讀子語料庫，確定大于25條推文的信息流，對其進行歸納性話題編碼。然后我們利用這些結果開發和完善編碼框架。

所有語料編碼工作皆由兩位編碼員完成，若存異議，則交由第三位編碼員研判。對于謠言語料庫，編碼員間吻合水平界于89%～96%。

發文者類型編碼框架是專門用來確定語料庫中不同發文者類型的。它是在羅坦等人（Lotan et al., 2011）開發的發文者類型編碼基礎上完善起來的。羅坦等人在突尼斯和埃及騷亂中注意到與推特使用有關的不同發文者類型。我們在本研究中采用了該編碼框架，厘清了其中部分編碼，并對其深入開拓，增加了我們認為重要的另外八個發文者類型。

推特的應用原理

考察人們如何借助社交媒體作為緩解危機壓力的方式，這是近年網絡研究的突出特點。在騷亂語料庫中，這樣的例子有數百個。為了檢測得更詳細，我們選擇了一個最有說服力的例子，即用推特調動支持力量、組織“騷亂殘骸清理”。表1是就該話題篩選的信息流。這些發文者中許多擁有數千粉絲（表1中顯示的總數超過700萬），他們的推文總計被轉發31000多次。

雖然表1顯示一些發文者沒有完全嚴肅地對待“清除行動”，但該信息流反映出呼吁援助有關活動的信息（碰頭地點、碰頭時間等）、贊揚普通市民積極響應處理善后工作等。

我們為“騷亂殘骸清除”語料庫中靠前的200個賬號歸納了類型，結果如圖2所示。請注意該子語料庫中發文者類型的分布與騷亂語料庫中的分布的不同（Vis, 2012）。在后者中，以（按順序）媒體組織、記者和騷亂賬號為主；而在前者中，則主要是名人、英國推特達人、非（新聞）媒體雇員和騷亂賬號。

圖3是以“騷亂殘骸清除”為標簽的推文時間軸。我們可以看到發文者和大量粉絲的介入對該主題的推文數量產生的影響：

（1）該子語料庫的首條推文公開提出利用社交媒體組織“騷亂殘骸清除”的想法。

（2）這個想法得到一個積極的文藝團體的響應。他們隨后在自己的推特賬號資料中以自己的名義提出組織騷亂殘骸清除行動。

（3）一個專門開設用于協調“騷亂殘骸清除”的賬號發出首條推文，由此推文的數量開始增加。

（4）第一批有大量粉絲的發文者參與進來，推文數量達到顯著水平。如表1所示，盡管按百分比來看，名人占比并不是非常突出（5%），然而他們的影響卻是顯而易見的。

推特謠言

謠言是與任何危機事件相伴而行的一個可以預見的特征，因此我們有興趣分析其在社交媒體（如推特）上的出現和傳播方式。其他一些研究是采用傳染模型或模擬模型來分析謠言在社交媒體上的傳播（例如：Kaigo, 2012; Leskovec, Backstrom and Kleinberg, 2009; Paranyushkin, 2012）。我們特別對不同發文者在謠言話語中所起的作用種類感興趣，包括謠言展開后他們的“會話步驟”的種類。為此，我們利用推文類別編碼框架為發文者會話步驟（即，宣稱、駁斥等）的不同類型進行歸類，及通過內容分析幫助決定話題。我們選擇了七個與騷亂有關的謠言進行深入研究。

為闡述我們的發現，我們將以有關騷亂者攻擊伯明翰兒童醫院的謠言（見圖4及表2）作為分析的例證。

圖4為始于8月8日的謠言時間軸，圖中突出顯示了一些重要的推文（1-7），我們將列在表2，并在下文進行詳細的分析。

圖4推文1-3以不同形式重復了最初的謠言，并由此產生了相當多的一批轉發推文，尤其是推文3，這是該子語料庫中最大的信息流來源。推文4-7是不同版本的辟謠，有的是參考目擊者報道（4），有的為警察出現在醫院附近時的報道（5），及其他報道（7）。

總的來看，在騷亂語料庫中，該子語料庫內很多推文是帶有鏈接指向其他媒體的，例如手機圖片（見圖5a）、博客，還有一小部分其他媒體，如報紙網站。

我們通過將謠言子語料庫信息流編碼為“宣稱”“駁斥”等制作數據集，利用這些數據集，《衛報》互動組為每個謠言的時間發展軌跡創建了動漫可視效果（見圖6），展示“宣稱” “駁斥”在謠言生命周期中的重心變化。

討論

在騷亂發生的隨后一段時間內，一些政治人物和媒體評論員很快就對社交媒體包括推特等紛紛發聲，批評其規模之大和散布之廣。在社交媒體是否有被用來煽動非法活動這個問題上，答案必然是肯定的：這一罪責已被未審先判。然而，根據我們語料庫中的現有證據，推特幾乎是一邊倒地被用在積極的方面，特別是在組織騷亂殘骸清除這件事上。除此之外，我們還注意到警方在這種危機之中是拒絕關閉社交媒體網站這一提議的，理由是社交媒體是收集信息、公眾告知和提供建議的寶貴工具。不過我們的研究確實能證實前人的研究結論（例如Crump, 2011）：就是警察尚未掌握有效使用推特等社交媒體平臺的竅門。

通過表2研究謠言在推特上的傳播方式，我們可以用自己的發現來闡述這一點。伯明翰兒童醫院的案例研究顯示出我們所研究的七條謠言的共同規律或發展軌跡。

（1）一個謠言總是始于發表推文者聲稱發生了某事件。

（2）謠言被轉發 [見圖6（a）]。某種形式的證據，譬如目擊報道，參考主流新聞源，圖片鏈接（見圖5），或網上的主流新聞源，等等，被添加在原始推文一起再轉發出去，該謠言遂搖身一變成為各種版本紛紛登場。

（3）他人開始質疑其可信性（即開始“駁斥”），這種質疑或許是基于邏輯辯論（例如，“這是不可能的，因為……”），或是拋出新的信息來質疑謠言證據的可靠性。

（4）開始達成共識 [見圖6（b）]。如果一致認為謠言為假，它有可能仍然會出現在語料庫中，因為一些后來者仍會收到原始推文并加入轉發者行列。

這些謠言的一個共同特征是主流媒體出現的時間落后于社交媒體上的大眾資源報道（即所謂的“民間新聞”）。例如，在伯明翰兒童醫院案例研究中（見表2）, “駁斥”似乎一開始就受兩方面的驅動：（a）源于貌似真實的目擊者報道（……女友剛打完電話……）,（b）對最初的“宣稱”呼吁另一種符合邏輯的解釋（……）。最后是主流媒體報道（6：伯明翰騷亂brmb電臺和首席醫療官已經確認……）。這表明，由大量“制作人”共同努力可能比主流媒體更有競爭力，有時甚至更出色。同樣，我們也注意到警方和其他應急服務機構在謠言早期階段的缺位。例如，在伯明翰兒童醫院的案例研究中，首條謠言傳出24小時后才見到主流媒體在推特上發布來自當地警方的報告。

鏈接到其他媒體，如手機圖片（見圖5）、博客和在線報紙網址等作為佐證是所有七條謠言案例研究中的共同特征。然而，案例研究也表明不能輕信這種證據。例如，圖5（b）中倫敦眼著火圖片的真實性隨后就受到質疑（見表3），有人宣稱圖片系偽造（被“PS”過），使人誤認為是火光。

如此看來，推特既是一個滋生謠言的溫床，也提供了強大的自我修正機制（Mendoza et al., 2010; Sutton, Palen and Shklovski, 2008）。在審視這些案例研究中支持和否定謠言的信息流比例時，我們的發現與門多薩等人（Mendoza et al., 2010）的研究發現大體上是一致的。門多薩等人的研究指出，用戶處理“真實”和“錯誤”謠言的方式是不同的：前者90%以上的時間都是受肯定的，而后者半數時間是被質疑的（即被詰問或否定）。雖然我們的發現不支持推特本質上有易受謠言影響的說法（Burns and Eltham, 2009），不過有一個案例研究的正是如何強化自我修正機制以達到更快辨識錯誤謠言的目的。

在這里我們不但能分析出哪些信息流具有顯著意義及它們是如何傳播的，也能清楚地知道原始推文是誰發出來的，這樣就能夠將分析水平提高到顯示出某一些發文者，而忽略其他發文者的高度。然而，要分析推文內容、更好地了解部分發文者如何參與進去及如何與其他發文者攪和在一起，卻還有更多的工作要做。雖然發文者被@的次數本身可以說明一些問題，但是要更好地解讀這一數據，我們還需注意推文產生的背景以及這些發文者被@的方式。由于“@”本質上包括多種可能（來自原始推文，以加@的方式回復別人提及自己），因此對此做更詳細的調查十分重要。例如，某些提及（@）可能凸顯那些在報道中用推特用得很出色的媒體發文者，以及那些表現平平的。在研究中，我們發現這兩種情況都存在。

我們注意到，將推特作為一項社會研究的資料來源，有著多方面的方法。首先，騷亂語料庫的采集方法意味著我們必須允許抽樣偏差這一可能性的存在，這可能會使我們的研究出現變形。研究中可能出現這樣的情況，一些推文與我們的調查具有相關性，但是由于沒有包含任何一個篩選推文所用的標簽，卻被排除在語料庫之外了。其次，推特用戶整體上而言并不能代表人口總數（Mislove et al., 2011）。總之，如何避免社交媒體資源的抽樣偏差仍然是一個待解的難題（Omand, Bartlett and Miller, 2012）。

最后，至于使用推特煽動或組織騷亂，有一點與我們可能從騷亂語料庫中得出的結論特別相關的，是我們的抽樣范圍排除了沒有公開發表出來的那些直接消息（DM）。

結論和展望

我們在本文中展示了我們的方法在結合計算機工具和更多已有的內容分析方法時，是如何對巨大語料庫進行詳細分析的。計算機工具提供了揭示語料庫中的有用結構的手段，幫助我們決定將人的專業知識擺放在什么位置——人的知識對語料庫結構的深入解讀和穩健分析至關重要。

然而我們也看到了我們方法的不足。特別是，我們應該借助不斷進步的計算機技術來分析社交媒體，確保以最有效的方式來使用那些依賴于人類知識的方法。

第一，本研究的語料庫與我們未來能收集到的語料庫相比是很小的。因此，我們使用的基礎設施必須是可擴展的，這樣才能滿足不斷發展的計算機要求。我們現在正在擴建基礎設施，使之可以配置于基于云的多種解決方案，例如亞馬遜EC211或Eduserve12。這為我們提供了一個有彈性的可擴展空間，允許用戶保持對其資料的完全掌控。

第二，近年更多基以NLP的技術進行的實驗，鼓舞著我們在比捕捉到的信息流語義更為豐富的相似性概念基礎上生成推文集群。這將有助于揭示大型語料庫中更多有用的結構，以抵消不斷增加的數據質疑。不過，基于NLP的技術，短期內其可靠性不大可能達到在使用中“無人監督”的水平。因此在由人工編碼員進行注解的調查中，我們強調標簽性能對于語料庫代表性樣本的重要性。同時要注意，微博中的不規則語法和非標準語言會給“代表性”的定義帶來新的挑戰。

第三，（與前一點有關）如果要在社會調查中妥善應用計算機工具，那么用戶充分了解這些工具的優劣點及其工作方式至為重要。因此，社會研究人員接受計算機方法和計算機工具的基本概念培訓也是極為重要的，這樣能夠決定何時及如何應用它們（Wing, 2008）。

第四，在力求更好地了解推特等平臺面對危機時所起作用的同時，我們要記住，社交媒體只是屬于一個大得多也復雜得多的媒體和信息生態的一部分，必須承認它們之間的相互關系。

第五，可以肯定，警察、應急服務機構和政府機構還存在危機發生時如何有效使用推特等社交媒體平臺的難題。雖然我們對推特謠言的分析表明，錯誤謠言是可以自我修正的，但是我們認為，公眾信任的更為及時的消息來源更能維護公共安全。我們正與英國多個政府機構合作開發操作指南和政策建議，以化解這種挑戰（Procter et al., 2013）。例如，可以借鑒“昆士蘭警察服務媒體單元”處理謠言（Bruns et al., 2012）的成功經驗。

參考文獻

Allan, S.2006. Online News: Journalism and the Internet. Maidenhead: Open University Press.

Atkinson, M., Britton, D., DeRoure, D., Garnett, N., Geddes, N., Gurney, R., Trefethen, A. E. 2009. Century-of-information Research（CIR）-A Strategy for Research and Innovation in the Century of Information. Prometheus 27, 27-45.

Barsky, L., Trainor, J., and Torres, M. 2006. Disaster Realities in the Aftermath of Hurricane Katrina: Revisiting the Looting Myth. Natural Hazards Center Quick Response Report 84, 1-4.

Black, W. J., Procter, R., Gray, S., and Ananiadou, S. 2012. A Data and Analysis Resource for An Experiment in Text Mining A Collection of Micro-blogs on Apolitical Topic. Proceedings of the Eighth International Conference on Language Resources and Evaluation. Istanbul.

Bruns, A. 2006. Wikinews: The Next Generation of Online News? Scan Journal, 3（1）. Retrieved from http://www.scan.net.au/scan/journal/display.php?journal_id=69. Bruns, A.（2008）. Blogs, Wikipedia, Second Life, and Beyond: From Production Toprodusage. New York, NY: Peter Lang.

Bruns, A., Burgess, J., Crawford, K. and Shaw, F. 2012. #qldfloods and @QPSMedia: Crisis Communication on Twitter in the 2011 South East Queensland Floods. Brisbane: ARC Centre of Excellence for Creative Industries and Innovation. Available at mappingonlinepublics.net/2012/01/11/cci-report-on-qldfloods-and-qpsmedia-in-the-2011-floods/.

Burns, A. and Eltham, B. 2009. “Twitter Free Iran: An Evaluation of Twitter's Role Inpublic Diplomacy and Information Operations in Iran's 2009 Election Crisis. ”In Papandrea, F. and Armstrong, M.（Eds.）Record of the Communications Policy&Research Forum 2009. Network Insight Pty Ltd. Available at www.networkinsight.org/events/cprf09.html/group/6.

Crump, J. 2011. What Are the Police Doing on Twitter? Social Media, the Police and the Public. Policy and Internet 3, Article 7.

Halfpenny, P., and Procter, R. 2010. The E-Social Science Research Agenda. Philosophical Transactions of the Royal Society 368, 3761-3778.

Halfpenny, P., Procter, R., Lin, Y., and Voss, A. 2009. Developing the UK e-so-cialscience Research Programme. In N. Jankowski（Ed.）, e-Research, Transformationin Scholarly Practice, 73-90. Abingdon: Routledge.

Kaigo, M. 2012. Social Media Usage During Disasters and Social Capital: Twitter and the Great East Japan Earthquake. Keio Communication Review 34, 19-35.

Katz, E., and Lazarsfeld, P. F. 1955. Personal Influence. Glencoe, IL: Free Press.

Krippendorff, K. 2004. Content Analysis: An Introduction to Its Methodology（2nded.）. Thousand Oaks, CA: Sage.

Leskovec, J., Backstrom, L., and Kleinberg, J. 2009. Meme-tracking and the Dynamics of the News Cycle. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Paris（pp. 497-506）. New York, NY: ACM Press.

Lewis, P., Newburn, T., Taylor, M., Mcgillivray, C., Greenhill, A., Frayman, H., and Procter, R. 2011. Reading the Riots: Investigating England's Summer of Disorder. Retrieved from http://www.guardian.co.uk/uk/series/reading-the-riots.

Lotan, G., Graeff, E., Ananny, M., Gaffney, D., Pearce, I, and Boyd, D. 2011. The Revolutions Were Tweeted: Information Flows During the 2011 Tunisian and Egyptian Revolutions. International Journal of Communication（5）Feature: 1375-1405.

Mendoza, M., Poblete, B. and Castillo, C. 2010. Twitter under Crisis: Can We Trust What We RT? In 1st Workshop on Social Media Analytics（SOMA 10）. Washington, D. C. :ACM Press.

Mislove, A., Lehman, S., Yong-Yeol, A., Jukka-Pekka, O., and Rosenquist, N. J.2011. Understanding the Demographics of Twitter Users. Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media, Barcelonapp. International Journal of Social Research Methodology 211, 554-557.

Morrell, G., Scott, S., McNeish, D., and Webster, S. 2011. The August Riots in England: Understanding the Involvement of Young People. National Survey Research Centre. Retrieved from www.natcen.ac.uk/study/the-august-riots-in-england.

Navarro, G. 2001. A Guided Tour to Approximate String Matching. ACM Computing Surveys 33, 31-88.

Omand, D., Bartlett, J., and Miller, C. 2012. #INTELLIGENCE. Demos, London. Retrieved from www.demos.co.uk/publications/intelligence.

Paranyushkin, D. 2012. Informational Epidemics and Synchronized Viral Contagion in Social Networks. Nodus Labs. Retrieved from http://noduslabs.com/publications/text-polysingularity-network-analysis.pdf.

Procter, R., Crump, J., Karstedt, S., Voss, A., and Cantijoch, M. 2013.“Reading Theriots: What Were the Police Doing on Twitter? ”Policing and Society Specialissue on Policing and Cybercrime.

Sutton, J., Palen, L., and Shklovski, I. 2008. Backchannels on the Front Lines: Emergent Uses of Social Media in the 2007 Southern California Wildfires. In Proceedings of the 5th International ISCRAM Conference. Washington, DC: ISCRAM.

Thelwall, M., and Stuart, D. 2007. “RUOK? Blogging Communication Technologies During Crises. ”Journal of Computer Mediated Communication 12, 523-548.

Twitter. 2011. One Hundred Million Voices. Twitter Blog. Retrieved from blog. twitter.com/2011/09/one-hundred-million-voices.html.

Vis, F. 2009. Wikinews Reporting of Hurricane Katrina. In S. Allan & E. Thorsen（Eds.）, Citizen Journalism: Global Perspectives（pp. 65-74）. New York, NY: Peter Lang.

Vis, F. 2012. Reading the Riots on Twitter: Who Tweeted the Riots? Retrieved from Researching Socialmedia.org/2012/01/24/reading-the-riots-on-twitter-who-tweeted-the-riots/.

Voss, A., and Procter, R. 2009. Virtual Research Environments in Scholarly Work and Communications. Library Hi Tech Journal, Special Issue on Virtual Research Environments 27, 174-190.

Weaver, M. 2010. Iran's Twitter Revolution was Exaggerated, Say Editor, Guardian. Retrieved from www.guardian.co.uk/world/2010/jun/09/iran-twitter-revolution-protests.

Wing, J. 2008. “Computational Thinking and Thinking about Computing. ”Philosophical Transactions of the Royal Society 366, 3717-3725.

Wu, S., Hofman, J. M., Mason, W. A., and Watts, D. J. 2011. Who Says What Towhom on Twitter. In Proceedings of the 20th International Conference on World Wide Web Conference, Hyderabad（pp. 705-714）. New York, NY: ACM Press.

責任編輯：彭銘剛