網紅成台灣亂源?近3年網路好感度跌逾4成 資深KOL嘆:怪物是整個社會養大的
網紅已成台灣「社會亂源」了嗎?
image source: ChatGPT
文/劉又瑋
近日台灣直播主「晚安小雞」與「阿鬧」在柬埔寨自導自演,造成該國騷亂遭當地警方逮捕,經柬埔寨法院審理後,分別判處兩年有期徒刑、罰款400萬柬幣(約新台幣3萬1千元)。事件登上國際各大媒體版面,讓台灣網友怒批「世界級丟臉」,更直言網紅已成台灣「社會亂源」。
《網路溫度計》透過《KEYPO大數據關鍵引擎》輿情分析系統調查,數據顯示「網紅」2字近3年網路好感度下跌超過4成,資深KOL「冏冏」(冏星人)昨(16)日發文分享此現象,最後感嘆「社會養的怪物長大了,甚至更多人沒意識到自己也是怪物」。
「網紅」聲量逐年成長 網路好感度卻遭翻轉
透過《KEYPO大數據關鍵引擎》輿情分析系統發現,「網紅」2字的網路聲量不只逐年增加,更成長超過2倍,在2021年2月17日到2022年2月16日一年間,共有96萬8千969筆;2022年2月17日到2023年2月16日這一年成長到135萬8千615筆,2023年2月17日到2024年2月16日近一年更增加到202萬6千133筆,顯示網紅逐漸成為台灣人普遍討論的事物。
image source:《KEYPO大數據關鍵引擎》輿情分析系統
image source:《KEYPO大數據關鍵引擎》輿情分析系統
image source:《KEYPO大數據關鍵引擎》輿情分析系統
觀察網路好感度(P/N值)發現,儘管正面聲量與負面聲量同樣逐年成長,網路好感度卻呈現逐漸下滑趨勢,2021年2月17日到2022年2月16日這一年正面聲量還高於負面聲量,網路好感度比值為1.16;2022年2月17日到2023年2月16日這年負面聲量卻已超過正面聲量,網路好感度比值變成0.89;近一年負面聲量明顯高於正面聲量比值則降至0.66,網路好感度整體下滑超過4成。數據顯示,台灣人對網紅印象由正轉負,呈現出整個社會對網紅抱持負評的現象。
image source:《KEYPO大數據關鍵引擎》輿情分析系統
網紅被貼上「社會亂源」標籤 冏冏:大家養的怪物長大了
經營網路社群超過10年的資深KOL「冏冏」,昨日發文分享對「網紅是亂源」的看法。從經營部落格到成為YouTuber「冏星人」,再到近期轉當Podcaster,參與過台灣網紅產業發展不同時期,她透露今(2024)年吃年夜飯時聽到家人突然說「還好你沒當網紅了,現在網紅是亂源」,讓她一時之間不知怎麼跟他們解釋。
冏冏表示「台灣自媒體發展比中國和西方晚了好幾年」,早在8年前網紅一詞就已在中國被廣泛使用,當時也已經處在「負面代名詞」的階段。如果被問到「為何現在網紅負面新聞這麼多」,她會想反問兩個問題,第一是「台灣媒體什麼時候正面新聞多?」,第二是「網紅在做正面的事時,你們又給多少關注?」,她承認作怪的網紅確實愈來愈多,不過,並非現在紅的門檻很低所造成,而是「網紅商業模式特別,幾乎必然導致奇形怪狀的人口湧入」。
冏冏指出,不論傳統媒體或是自媒體,獲利本質沒有改變,最終都是要抓住注意力,不過傳統媒體受到高成本、團體製作的道德制約,說謊或作惡起碼會經過包裝,自媒體產業卻有機會用「免費的」娛樂搏取注意力,因此對無一技之長的人來說,成為「網紅」是最高回報的工作。只要這個商業模式存在且合法,就一定有人會依循這條路去掙錢,若要問他們為何不在乎道德,怎麼不先問大家,會想看「恪守本分、沈悶無聊、講求正確的網紅嗎」?
冏冏最後感慨,網紅變成亂源其實是「社會餵養出來的怪物長大了,不想讓怪物愈來愈多就是停止餵養,把寶貴的注意力餵給自己覺得有正面影響的資訊」,然而建議起來容易,實行起來卻很困難。因為「許多人沒有意識到自己就是一頭怪物,在台下的角落發出相同頻率的共鳴」。
分析說明
分析區間:本文分析時間範圍為2021年02月17日至2024年02月16日。
資料來源:
《KEYPO大數據關鍵引擎》輿情分析系統擁有巨量資料,以人工智慧作語意分析之工具資料蒐集範圍:每月處理1000億以上中文資料的網路社群大數據資料庫,其內容涵蓋Facebook、YouTube、新聞媒體、討論區、部落格等網站。
研究方法:
《KEYPO大數據關鍵引擎》輿情分析系統擁有巨量資料,以人工智慧作語意分析之工具資料蒐集範圍:每月處理1000億以上中文資料的網路社群大數據資料庫,其內容涵蓋Facebook、YouTube、新聞媒體、討論區、部落格等網站,針對討論『網紅』相關文本進行分析,調查「網路聲量」(註1)、「網路好感度」(註2)作為本分析依據。
*註1 網路聲量:透過『KEYPO大數據關鍵引擎』輿情分析系統,計算社群討論及新聞報導提及的文章則數,聲量越高代表討論越熱,能見度越高。
*註2 網路好感度:透過『KEYPO大數據關鍵引擎』輿情分析系統,系統利用語意分析對每篇主題文章進行正面、負面、中立的情緒判讀,並計算正面聲量與總聲量之比率。