场景案例 · 2026-06-24

数字媒体短视频传播效果研究用AI一句话完成 — 回归与中介

新闻传播/数字媒体论文必看：内容特征对短视频传播效果的回归分析与中介机制检验，ChatSRS AI 一句话完成，输出 APA 7th 格式回归表与中介路径报告，可直接进论文。

新闻传播、数字媒体、网络与新媒体毕业生的数据死穴：内容特征回归搞不清楚哪些变量放进去、中介效应总是不知道用 Sobel 还是 Bootstrap、APA 格式回归表每次都被导师打回……这篇文章把数字媒体短视频传播效果研究最核心的两条分析链——多元回归 + Bootstrap 中介——一次串通，每步给出可直接复制到 ChatSRS 的一句话指令，以及可抄进论文的 APA 7th 报告句式。

数字媒体传播研究为什么难做统计

如果你在写新闻传播学、数字媒体、广告学或网络与新媒体方向的论文，以下场景大概率经历过：

做了视频内容特征编码（情感倾向、视觉复杂度、信息密度），想看哪些特征能预测播放量或互动率，不知道怎么建回归模型
导师说"加一个中介变量，看看用户卷入度是不是中介"，不知道怎么做中介分析、用什么方法、报什么指标
数据有偏（播放量分布严重右偏），不确定要不要做对数变换，变换后怎么解释系数
SPSS 的 PROCESS 宏跑出来 Output 很长，但不知道哪些数字要报告、间接效应置信区间怎么读
审稿意见回来：请补充 Bootstrap 置信区间 / 请报告完全中介还是部分中介 / 请说明是否控制了内容来源账号效应

这些问题的本质是：传播效果研究的统计链条涉及回归、中介、Bootstrap 多步推断，每步都有前提条件要满足，每步都有规范格式要输出，而传播学训练中统计方法课往往最薄弱。

chatsrs.com 把这整条链条变成对话。下面以一个典型短视频传播效果研究为例，从头到尾演示。

研究场景设定

研究问题：短视频的内容特征（情感效价、视觉复杂度、信息密度）如何影响传播效果（点赞率、转发率）？用户卷入度（评论互动倾向）是否在内容特征与传播效果之间起中介作用？

数据结构（n = 320 条短视频）：

视频ID   情感效价   视觉复杂度   信息密度   用户卷入度   点赞率(%)   转发率(%)   账号粉丝量
V001     4.2        3.1          2.8         3.6          6.3         1.2         85000
V002     2.1        4.5          4.2         2.1          2.8         0.4         32000
...      ...        ...          ...         ...          ...         ...         ...

其中：

内容特征（自变量）：情感效价（1-5 分，编码者评分）、视觉复杂度（1-5 分）、信息密度（1-5 分）
用户卷入度（中介变量）：评论互动倾向评分（1-5 分，由评论语义分析得出）
传播效果（因变量）：点赞率（%）、转发率（%）
控制变量：账号粉丝量（对数变换后作为协变量纳入）

分析链：第一步 — 描述统计与数据检查

打开 chatsrs.com，上传数据后输入：

"请对情感效价、视觉复杂度、信息密度、用户卷入度、点赞率、转发率输出描述统计（均值、标准差、最小值、最大值、偏度、峰度），并对点赞率和转发率做正态性检验（Shapiro-Wilk 或 Kolmogorov-Smirnov），判断是否需要对数变换；输出 APA 格式三线表。"

ChatSRS 自动输出：

表 1  各变量描述统计（N = 320）

变量            M       SD      Min     Max     偏度    峰度
情感效价        3.24    0.87    1.00    5.00    -0.12   -0.45
视觉复杂度      3.11    0.93    1.00    5.00     0.08   -0.38
信息密度        2.98    0.91    1.00    5.00     0.14   -0.29
用户卷入度      3.05    0.82    1.00    5.00    -0.07   -0.31
点赞率(%)       5.47    6.82    0.10   48.30     2.87    9.14
转发率(%)       1.23    1.96    0.02   15.60     3.41   14.22

正态性检验（Kolmogorov-Smirnov）：点赞率 D = .123，N = 320，p < .001；转发率 D = .138，N = 320，p < .001。
两个因变量均显著偏离正态分布，建议进行对数变换（log1p）后再做回归分析。

为什么先检查分布：传播效果数据（播放量、点赞、转发）普遍呈右偏分布，直接做 OLS 回归会违反残差正态性假设，导致推断失效。ChatSRS 自动检测并建议对数变换，避免这一常见误区。

分析链：第二步 — 相关矩阵与多重共线性预检

"请输出情感效价、视觉复杂度、信息密度、用户卷入度、ln(点赞率+1)、ln(转发率+1) 的 Pearson 相关矩阵（双尾检验），标注显著性（* p < .05，** p < .01，*** p < .001），并输出 APA 格式三线表；同时报告自变量间的 VIF 值，判断是否存在严重多重共线性。"

ChatSRS 自动输出相关矩阵与共线性诊断，若 VIF < 5 则注明"各自变量间不存在严重多重共线性，满足多元回归前提"。

分析链：第三步 — 多元线性回归（内容特征 → 传播效果）

"以 ln(点赞率+1) 为因变量，情感效价、视觉复杂度、信息密度为自变量，ln(粉丝量+1) 为控制变量，做多元线性回归（输入法）。报告：(1) 模型整体 F 值、R 方、调整 R 方；(2) 每个预测变量的非标准化系数 B、标准误 SE、标准化系数 beta、t 值、p 值和 95% CI；(3) Durbin-Watson 检验残差自相关；(4) 输出 APA 7th 格式回归表。"

ChatSRS 输出：

表 2  内容特征对ln(点赞率)的多元线性回归（N = 320）

                    B       SE      beta    t       p       95% CI
(常数)            0.423   0.214           1.97   .049   [0.002, 0.844]
ln(粉丝量)        0.312   0.038    .401  8.21  < .001  [0.237, 0.387]
情感效价          0.287   0.058    .241  4.95  < .001  [0.173, 0.401]
视觉复杂度        0.094   0.054    .088  1.74   .082  [-0.012, 0.200]
信息密度         -0.156   0.057   -.145 -2.74   .006  [-0.268, -0.044]

F(4, 315) = 42.67, p < .001, R^2 = .352, R^2_adj = .343
Durbin-Watson = 1.94（无残差自相关）
VIF：ln(粉丝量) = 1.08, 情感效价 = 1.14, 视觉复杂度 = 1.22, 信息密度 = 1.19

分析链：第四步 — Bootstrap 中介效应检验

这是传播学论文中越来越标准的方法要求：用户卷入度是否中介内容特征与传播效果的关系？

"以情感效价为自变量、ln(点赞率+1) 为因变量、用户卷入度为中介变量，ln(粉丝量+1) 为控制变量，用 Bootstrap（5000 次抽样）做中介效应分析。报告：(1) 路径 a（X→M）、路径 b（M→Y）、路径 c（X→Y 总效应）、路径 c'（X→Y 直接效应）的系数及显著性；(2) 间接效应及其 95% Bootstrap 置信区间（偏差校正法）；(3) 判断完全中介或部分中介；输出 APA 7th 格式中介分析表。"

ChatSRS 自动输出：

表 3  用户卷入度的中介效应分析（Bootstrap = 5000，N = 320）

路径                              B       SE      t/z     p       95% CI
路径 a: 情感效价 → 用户卷入度    0.318   0.062   5.13  < .001  [0.196, 0.440]
路径 b: 用户卷入度 → ln(点赞率)  0.241   0.063   3.83  < .001  [0.117, 0.365]
路径 c: 情感效价 → ln(点赞率)
        总效应                   0.287   0.058   4.95  < .001  [0.173, 0.401]
路径 c': 情感效价 → ln(点赞率)
         直接效应                0.211   0.060   3.52   .001   [0.093, 0.329]

间接效应（a*b）= 0.077，Bootstrap 95% CI [0.031, 0.137]
置信区间不含 0，中介效应显著。
直接效应显著（c' ≠ 0），结论：部分中介（partial mediation）。
中介效应占总效应比例 = 0.077 / 0.287 = 26.8%

论文方法/结果写法（APA 7th，数字媒体传播效果报告句式）

以下报告句式可直接进论文，替换你自己的数值。

方法章节：数据分析策略

本研究采用多元线性回归分析内容特征（情感效价、视觉复杂度、信息密度）对短视频传播效果（点赞率）的预测作用，以账号粉丝量（对数变换）作为控制变量纳入模型。由于传播效果指标呈显著右偏分布（偏度 > 2），对点赞率和转发率进行自然对数变换（log1p）以满足回归残差正态性假设。中介效应检验采用 Preacher 和 Hayes（2008）的 Bootstrap 程序（抽样次数 = 5000，偏差校正置信区间），以用户卷入度为中介变量，检验情感效价影响传播效果的中介路径。所有分析使用 ChatSRS 完成（R 引擎，显著性水平 alpha = .05）。

结果章节：回归主效应

多元线性回归结果（表 2）显示，模型整体显著，F(4, 315) = 42.67，p < .001，R^2 = .352，调整 R^2 = .343，Cohen's f² = .543（大效应，按 Cohen 阈值 f² = .35），控制变量和内容特征共解释点赞率对数变换值 35.2% 的方差。在内容特征中，情感效价（B = 0.287，SE = 0.058，beta = .241，p < .001，95% CI [0.173, 0.401]）对传播效果具有显著正向预测作用；信息密度（B = -0.156，SE = 0.057，beta = -.145，p = .006，95% CI [-0.268, -0.044]）具有显著负向预测作用；视觉复杂度的预测效应未达显著水平（beta = .088，p = .082）。VIF 值均低于 5，多重共线性不影响推断。

结果章节：Bootstrap 中介效应

以用户卷入度为中介变量的 Bootstrap 中介分析（5000 次抽样）结果（表 3）显示：情感效价对用户卷入度的路径 a 显著（B = 0.318，p < .001），用户卷入度对点赞率对数值的路径 b 显著（B = 0.241，p < .001）。情感效价对点赞率的总效应（路径 c）为 B = 0.287（p < .001），直接效应（路径 c'）为 B = 0.211（p = .001）。间接效应为 B = 0.077，偏差校正 Bootstrap 95% 置信区间为 [0.031, 0.137]，不含 0，表明中介效应显著。由于直接效应亦显著，结论为部分中介，中介效应占总效应比例为 26.8%。上述结果表明，情感效价除对传播效果存在直接影响外，还通过提升用户卷入度间接促进短视频传播。

上面三段可以直接进论文 Method 和 Results 章节，只需替换你自己的数值。ChatSRS 的"APA 报告"功能可自动生成对应文字，无需手动转写。

进阶：多个自变量的中介检验怎么做

如果三个内容特征变量都要检验各自通过用户卷入度的中介路径，可以输入：

"以情感效价、视觉复杂度、信息密度分别为自变量，用户卷入度为中介变量，ln(点赞率) 为因变量，ln(粉丝量) 为控制变量，做多重平行中介分析（Bootstrap = 5000）。输出每条路径的间接效应及 95% 偏差校正 Bootstrap 置信区间，以及三条间接效应的成对对比检验。"

ChatSRS 自动跑 parallel mediation，输出每个自变量的间接效应及路径对比，直接可写进结果表。

常见 FAQ

Q1: 传播效果数据偏态很严重，一定要做对数变换吗？

不是绝对必须，但强烈推荐。社交媒体播放量、点赞量、转发量普遍呈幂律分布（Power-law），直接 OLS 回归会导致：(1) 残差严重偏态，置信区间和 p 值失效；(2) 少数极端值（爆款视频）对回归系数产生过大影响。

对数变换（log 或 log1p）后，分布接近正态，系数的解释变为"每单位自变量变化带来因变量的百分比变化"，在传播学研究中是标准做法。ChatSRS 会自动检测偏态并提示是否需要变换。

Q2: 中介分析该用 Sobel 检验还是 Bootstrap？

强烈推荐 Bootstrap，原因：

Sobel 检验假设间接效应服从正态分布，但间接效应本质上是两个路径系数的乘积，抽样分布往往非正态
Bootstrap 不依赖分布假设，直接从数据重抽样估计置信区间，统计检验力更高
当前顶级传播学期刊（JCOM、Journalism、JCC）普遍要求报告 Bootstrap 置信区间
ChatSRS 默认使用 5000 次偏差校正 Bootstrap，直接满足审稿人要求

Q3: 怎么判断是完全中介还是部分中介？

判断逻辑：

直接效应（c'）	间接效应（a*b 的 Bootstrap CI）	结论
不显著	显著（CI 不含 0）	完全中介（full mediation）
显著	显著（CI 不含 0）	部分中介（partial mediation）
不显著	不显著	无显著中介路径；X→Y 的关系需另行检验（X 可能仍通过其他路径影响 Y，或总效应主要来自直接效应）
显著	不显著	无中介，自变量直接影响因变量

现在主流观点（Hayes, 2018）认为不必纠结"完全/部分"的标签，重点报告间接效应的大小和置信区间，以及中介比例（间接效应/总效应）。

Q4: 内容分析的编码数据做回归，编码者信度要先报告吗？

必须报告。使用人工编码的内容特征（如情感效价、视觉复杂度评分）进入回归之前，必须先报告编码者间信度（Intercoder Reliability），通常用：

Cohen's kappa（分类变量编码）：kappa >= .70 可接受，>= .80 较好
ICC（组内相关系数）（连续评分）：ICC >= .70 可接受

在 ChatSRS 中输入："请对两位编码者对情感效价的评分计算 ICC，报告双向随机效应模型的 ICC(2,1) 值及 95% CI。"ChatSRS 自动完成并给出 APA 格式报告句式。

Q5: 控制了粉丝量之后，内容特征的效果是不是就不重要了？

控制账号层面变量（粉丝量、账号类型）的目的是剔除"大号天然传播强"这一混淆效应，让内容特征的净效应更可信，而不是压制内容变量的重要性。控制后若内容特征仍显著，说明内容本身确实影响传播，结论更有说服力；若控制后不显著，则说明传播效果主要来自账号资源而非内容质量，这本身也是有价值的研究发现。

完整分析指令（可直接复制）

将以下完整指令一次性输入 ChatSRS，系统自动完成全流程分析：

"我有一份短视频内容分析数据（N = 320），变量包括：情感效价（1-5 分）、视觉复杂度（1-5 分）、信息密度（1-5 分）、用户卷入度（1-5 分，中介变量）、点赞率（%，因变量 1）、转发率（%，因变量 2）、账号粉丝量（控制变量）。请完成：(1) 描述统计三线表，并检验点赞率/转发率是否需要对数变换；(2) Pearson 相关矩阵；(3) 以 ln(点赞率+1) 为因变量，三个内容特征为自变量，ln(粉丝量+1) 为控制变量做多元回归，报告 F、R 方、beta、VIF；(4) 以情感效价为 X、用户卷入度为 M、ln(点赞率+1) 为 Y，Bootstrap 5000 次做中介分析，报告路径 a/b/c/c' 及间接效应偏差校正 95% CI；(5) 全部结果输出 APA 7th 格式，并生成可进论文的 Results 段落文字。"