Appearance
Political expression of academics on Twitter
Summary
Problem: 学者在社交媒体上的政治表达可能影响公众对科学的认知与信任，但此前研究缺乏对学者在线表达内容与语气的系统性描述。本文旨在回答：学者在Twitter上如何表达政治议题？不同学科、地区、性别、机构排名的学者在表达内容（“什么”）与表达方式（“如何”）上存在哪些系统性差异？这些差异是否可能导致公众对学术界产生偏差认知？
Approach: 作者构建了一个包含99,274名学者、覆盖12,675所机构、174个国家与19个学科的大规模数据集，将学者Twitter账号与其学术记录（通过OpenAlex）关联，收集2016至2022年间全部Twitter活动（共1.38亿条推文）。采用GPT-3.5 Turbo与GPT-4大语言模型对超过490万条推文进行分类与立场检测，涵盖气候行动、移民、福利国家、收入再分配等政治议题；同时测量自我中心语言、毒性、情感性等表达风格指标。
Finding: 研究发现：学者Twitter影响力呈幂律分布，少数高活跃学者主导内容生产；学者在气候行动、文化自由主义与经济集体主义上的立场与普通美国Twitter用户存在显著差异；表达差异因学科、机构排名、性别与国家而异；美国学者在自我中心语言与毒性上高于非美国学者；高影响力但低学术资历的学者在气候行动支持度上显著低于高资历专家。
Significance: 本研究首次提供了学者政治表达的全球性、跨学科描述性证据，揭示了学术界内部在社交媒体表达上的系统性分化，以及学者与普通公众之间的表达差异。这些发现对理解公众对科学的信任危机、学术共识的公众感知以及社交媒体上“学术影响力”与“学术资历”之间的脱节具有重要意义，为后续研究学者表达对公众信任的因果影响提供了基础。
Theoretical Framework
- Theoretical tradition: 本研究属于计算社会科学与科学传播研究的交叉领域，借鉴了科学传播、政治极化与社交媒体研究的相关视角。
- Prior theories built upon: 论文引用了关于科学信任下降的文献（refs 3–6）、党派极化（refs 8–10）、错误信息（ref 11）、自我参照语言与心理特质关联的研究（refs 21–25）、以及社交媒体与科学引用中的幂律分布研究（refs 26–29）。
- Causal mechanism: 本文主要进行描述性分析，未明确建立因果机制。隐含的逻辑链条是：学者在社交媒体上的表达（内容与语气）→ 塑造公众对学术界的感知 → 影响公众对科学的信任。作者指出，学者与普通用户在表达上的差异可能导致公众对学术共识产生误解。
- Key assumptions: 假设Twitter上的学者表达能够反映学者的真实政治立场；假设大语言模型分类能够准确识别推文的立场与语气；假设学者样本能够代表更广泛的学术界（尽管作者承认存在选择偏差）。
- Theoretical move: 本文主要是应用现有理论与方法（幂律分布、自我参照语言理论、LLM分类技术）于新的研究对象（学者社交媒体政治表达），属于描述性拓展而非理论创新。作者明确表示研究不涉及因果推断，而是为后续因果研究奠定基础。
- Scope conditions: 研究限定于Twitter平台、2016–2022年时间段、英语推文（抽样时仅选取英语推文）、以及能够匹配到学术记录的学者。结论的推广需谨慎，尤其对于非英语国家学者和非Twitter用户。
Research Design
本研究为观察性、描述性的大规模计算分析，属于横截面与纵向（2016–2022）混合设计。分析单元为学者个体（author-level），部分分析以推文为单元。关键自变量包括：性别（男/女）、学科领域（STEM、社会科学、人文）、机构排名（1–100、101–500、501–1,500、1,500+）、国家（美国/非美国）、学术影响力（引用数）、Twitter影响力（粉丝数、点赞数）、以及“高影响力×低资历”组合变量。因变量包括：气候行动立场（净支持比例，范围−1至1）、技术乐观主义与行为调整两种气候叙事支持度、文化自由主义指数（种族平等、生育权、移民立场的平均值）、经济集体主义指数（福利国家、再分配、富人增税立场的平均值）、自我中心主义（每条推文中自我参照词数量）、毒性（Google Perspective API评分）、情感性/理性（情感与推理的平衡度）。
Data & Sample
- 样本量: 99,274名学者（作者层面）；推文层面为138,372,165条全部推文，其中4,928,578条被分类为政治相关推文；立场分析抽样后聚焦于26,555名政治活跃学者。
- 总体: 全球学者，覆盖12,675所机构、174个国家、19个学科。
- 国家/地区: 全球范围，重点比较美国与非美国学者。
- 数据收集方法: 将学者Twitter账号与OpenAlex学术记录匹配；收集2016年1月至2022年12月全部Twitter活动（原创推文、转推、引用转推与回复）。
- 时间范围: 2016年1月至2022年12月。
- 数据来源: Twitter（现为X）与OpenAlex学术数据库。
- 抽样细节: 立场分析中，每月每学者每主题最多抽取3条英语推文；政治活跃学者定义为至少发布过一条非中立政治推文的学者（占样本75%）。
Analytical Strategy
- 描述性统计: 计算各变量的均值、中位数、标准差、置信区间。
- 组间比较: 使用Welch’s t检验比较不同组别（性别、学科、机构排名、国家、影响力×资历组合）之间的立场与语气差异，报告效应量（Cohen’s d）。
- 幂律分布检验: 采用ref. 29的方法检验内容创作、点赞、粉丝与引用的幂律分布，报告幂律指数α与Kolmogorov–Smirnov统计量。
- 相关性分析: 计算引用数与Twitter指标（点赞、粉丝、内容创作）之间的Pearson相关系数。
- LLM分类验证: GPT-3.5 Turbo立场检测的F分数为84–92。
- 稳健性检验: 论文提及使用GPT-4进行验证（Table 2摘要），并采用多种抽样策略确保一致性；未详细报告其他稳健性检验。
Results & Findings
1. 学者Twitter影响力呈高度不平等分布 内容创作、点赞、粉丝与引用均遵循幂律分布。前5%的账号获得30%的点赞与40%的粉丝，而底部50%仅获得10%。引用不平等最为严重：前5%占全部引用的50%以上。引用数与Twitter指标相关性极弱（引用与点赞r=−0.024，引用与粉丝r=0.090），表明学术成就与社交媒体影响力几乎无关。这意味着许多高知名度“公共知识分子”通过公众参与而非学术成就获得关注，可能拉大学术专家与社交媒体影响者之间的差距。
2. 学者气候行动立场总体支持，但存在系统性差异 学者平均气候行动净支持度为0.085，总体偏向支持。行为调整叙事的支持度（M=0.0811）显著高于技术乐观主义（M=0.0498）。性别差异：男性更倾向技术乐观主义，女性更支持行为调整，但气候行动总体立场无性别差异。学科差异：STEM学者气候行动支持度高于社会科学与人文，且更倾向技术乐观主义。机构排名差异：top-100机构学者气候行动支持度低于101–500名机构学者，但高于501–1,500名机构学者。国家差异：美国学者气候行动支持度（M=0.0711）显著低于非美国学者（M=0.0895）。
3. 高影响力但低资历的学者政治表达更弱 高Twitter影响力但缺乏学科专长的学者，其气候行动支持度（M=0.0675）显著低于高影响力专家（M=0.1297），在技术乐观主义与行为调整上同样更低。低影响力专家（M=0.1579）的气候行动支持度甚至高于高影响力非专家。文化自由主义与经济集体主义上也呈现相同模式：高影响力专家高于高影响力非专家，低影响力专家高于高影响力非专家。这表明学术资历与政治表达的强度存在正相关，而社交媒体影响力本身并不伴随更强的政治立场表达。
4. 学者整体倾向“进步”立场，但程度因群体而异 平均文化自由主义净支持度为0.043，经济集体主义为0.018，表明学者整体偏向左翼/进步立场。女性比男性更文化自由主义（diff=0.0114）与经济集体主义（diff=0.0041）。社会科学学者更倾向经济集体主义，人文更倾向文化自由主义。美国学者文化自由主义（M=0.0547）显著高于非美国学者（M=0.0394），但经济集体主义无差异。Top-100机构学者文化自由主义高于101–500名机构学者。
5. 表达语气存在显著群体差异 自我中心语言平均为0.336次/推文，随时间显著增加。女性高于男性，人文高于其他学科，top-100机构学者高于排名较低机构学者，美国学者（M=0.393）显著高于非美国学者（M=0.317）。毒性平均为4.4%，人文与社会科学高于STEM，高影响力低资历学者毒性低于低影响力高资历学者。高影响力低资历学者自我中心语言更高但毒性更低，表明其表达更自我聚焦但未必更具攻击性。
6. 无效结果与意外发现 性别在气候行动总体立场上无显著差异（P=0.889）；社会科学与人文在气候行动上无显著差异；美国与非美国学者在经济集体主义上无差异；top-100与101–500机构学者在技术乐观主义上无显著差异。意外发现：美国学者气候行动支持度低于非美国学者，这与美国公众中气候议题的高度政治化背景形成对比；高影响力低资历学者毒性反而更低，与直觉预期相反。
Limitations
作者明确承认以下局限：
- 研究为描述性分析，未考察学者社交媒体活动对公众信任的潜在影响。
- 未探讨学者政治表达的动机（如知名度追求、意识形态信念或知识传播愿望）。
- 样本存在选择偏差：仅包含使用Twitter且能匹配到学术记录的学者，不代表所有学者。
- 立场分析仅抽样英语推文，可能遗漏非英语表达。
- 研究限定于Twitter平台，结论推广至其他社交媒体平台需谨慎。
- 大语言模型分类可能存在误差，尽管F分数为84–92。
Key Contributions
- 构建了首个覆盖近10万名学者、跨越174个国家与19个学科的大规模Twitter-学术记录关联数据集（2016–2022，1.38亿条推文）。
- 首次系统描述了学者政治表达的“内容”（立场与议题）与“方式”（语气与风格）的全球性模式。
- 揭示了学者Twitter影响力与学术资历之间的弱相关，以及高影响力低资历学者在政治表达上的系统性差异。
- 记录了学者与普通美国Twitter用户在气候行动、文化自由主义与经济集体主义上的立场分歧，为理解公众对学术共识的误解提供了证据基础。
- 展示了LLM分类技术在社会科学大规模文本分析中的应用潜力，为后续研究提供了方法论参考。
- 为未来研究学者社交媒体表达对公众信任的因果影响奠定了实证基础。
Key Claims
"Academics play a vital role in these platforms as knowledge producers and disseminators." (Introduction)
"We document large and systematic variation in politically salient academic expression concerning climate action, cultural and economic concepts." (Abstract)
"US academics’ stances on politicized topics such as climate change, immigration and redistribution often diverge significantly from those of the general US population." (Introduction)
"The weak correlation underscores that many prominent public intellectuals online gain visibility through public engagement rather than scholarly achievements, often holding lower academic credentials while commanding significant public attention, thus widening the gap between social media influencers and established academic experts." (Results, Distribution of academic influence on Twitter)
"Although our study does not examine the potential effects of academics’ social media activity on public trust, understanding how academics express themselves online is the first step for grasping impacts on public perceptions of science." (Results, How academics express political topics online)