1. 导言
在数字化时代的浪潮中，社交媒体迅速崛起，早已重塑了当下信息传播的格局。当下社交媒体已成为主流信息交流平台，截至2023年，中国社交媒体用户数量已超过10亿，成为全球最大的社交媒体市场之一[1]，其流行已彻底改变了大众获取信息的方式。用户不再局限于传统媒体定时定点的信息推送，同时用户不再是被动的信息接收者，他们可以随时发布自己的观点、经历和发现，与他人分享和互动。这种双向甚至多向的信息交流模式，使得信息传播的速度和范围呈指数级增长。然而，社交媒体的蓬勃发展也带来了信息过载的问题。信息过载是指在特定情境下，信息的数量、强度或复杂程度超出个体或系统的认知处理能力，进而产生负面影响。在社交媒体环境中，信息爆炸式增长，每天各类社交媒体平台都会产生数以亿计的信息。算法推荐虽旨在为用户提供个性化信息，但也导致了信息同质化与冗余。在“就业”领域，用户也面临如此局面。而在信息过量的状况下，用户会在不同程度上出现“焦虑”“压力”的心理反应，进而采取囤积信息的应对策略，试图通过保存大量信息来缓解焦虑，但如此却反而会加剧个体的认知负荷。
鉴于此，本研究聚焦于探究社交媒体信息过载对用户就业信息囤积行为的影响。通过实证分析的方法，验证信息过载对用户的数字囤积行为的影响程度，揭示其内在心理机制。本文将以就业领域的信息囤积与信息过载为切入点，旨在探讨信息过载对用户心理及行为的具体影响。
2. 文献综述与研究假设
2.1. 社交媒体信息过载相关研究
信息过载，是指在特定情境下，由于信息的数量、强度或复杂程度超出了个体或系统的认知处理能力从而产生负面影响的一种现象。在社交媒体领域范畴，表现为由于社交媒体信息量过大、更新速度过快，导致用户难以有效筛选和消化这些海量信息，进而导致认知负荷增加、决策效率下降等。社交媒体是现今获取信息的主要渠道，但海量的信息并非均是用户所需的有效信息，冗余和无关内容大量存在。有学者对社交媒体平台的信息过载情况进行了调查，例如B. Kalina对Twitter用户调查显示，三分之二的用户认为他们在平台上接收到了太多的信息[2]；王娜等人对微信用户的使用情况进行了调查，结果发现微信用户普遍认为微信存在推送内容重复、信息过载等问题[3]。由此可见，信息过载情况是当下普遍现象，通过梳理信息过载的相关研究发现，学界对于社交媒体信息过载的研究主要是从其成因、影响等方面展开探讨。
关于社交媒体信息过载的成因，Eion等认为大学生群体可能更容易出现社交媒体过载问题，因为他们可能存在对信息的过度追求和自我调节能力不足等问题[4]；代表发现相比信息的“数量”“质量”特征、平台的系统特征、用户的心理与行为性因素等是导致用户感知信息过载的主要因素[5]；除了对原因进行探讨外，也有不少学者针对问题与影响展开了讨论，主要分为对用户心理和行为层面的影响。在心理层面，相关研究大多是围绕信息过载所产生的负面影响展开讨论。刘鲁川等发现用户在使用社交媒体的过程中，感知到信息冗余与虚假信息时用户的焦虑水平显著升高[6]；在行为研究层面，Shaoxiong Fu采用SSO框架，将社交媒体信息过载会在一定程度上导致用户疲劳，进而停止使用社交媒体[7]；
综上所述，随着信息技术的发展，社交媒体信息过载的问题已成为学术界关注的焦点。该现象的出现不仅源于个体的信息处理能力，也受外部环境变化的影响。通过梳理目前的研究发现，信息过载对用户有着显著的负面影响，但这些研究多集中在宏观层面，探讨其普遍性的消极后果。相比之下，针对社交媒体平台微观层面上的信息过载，尤其是它如何通过情绪变化影响用户某种具体行为的研究尚显不足。相关的研究也主要围绕“疲惫心理”和“不持续使用行为”展开，而本研究将聚焦于微观视角，深入分析社交媒体信息过载引发的焦虑心理以及对于就业信息囤积行为的结果，揭示信息过载影响路径的新维度。
2.2. 数字囤积行为相关研究
数字囤积行为指个体在无明确目的下持续获取且难以删除数字内容，导致个人数字空间杂乱无章，并最终引发消极后果的一种非理性行为。目前对于数字囤积行为的研究集中在影响因素与机制、行为量表的开发上。在影响因素的探讨上，张艳丰等采用扎根理论分析识别出信息稀有性、信息质量等4个因素作为独立因素，对用户数字囤积行为的影响力最强[8]；朱丽丽等通过消极绩效主义为切入点经过深度访谈发现青年群体在社交平台上囤积的数字内容往往源于对错过机会的焦虑[9]；在行为量表开发方面，Neave等设计了两套量表用以测量数字囤积行为，分别是数字囤积问卷和工作场所数字行为问卷，主要从删除困难和持续积累两个维度进行测量[10]；吴旭瑶等制定了符合中国文化情境的数字囤积行为量表，主要从积累、情感依恋和工作需要三个维度衡量[11]；除了对影响因素与量表制订外，也有学者基于I-PACE理论模型提出了应对工作情境下数字囤积行为的策略，包括提高自控能力和改善认知失调等[12]；代宝等人对数字囤积行为的后果进行研究，通过访谈发现研究生的数字囤积行为不仅影响其学术研究能力，还可能导致心理压力和情绪问题[13]，对该行为会产生的负面效应进行了探讨。学者们在对数字囤积行为影响因素进行探讨时有不同的看法，但普遍认同用户的心理因素会产生影响。通过梳理相关研究可知，在不同情况下，人们会产生数字囤积行为，引发的原因也是多样的，包括个体的情绪状态、信息因素、信息环境等都会或直接或间接地造成。而对该行为的考察缺乏对微观层面，诸如用户会在何种环境何种信息会贮存等的研究，为此本研究试图以社交媒体平台与就业信息为切入点探讨用户在社交媒体环境中就业信息获取的数字囤积行为。
2.3. 理论基础
压力源–负担–结果(SSO)理论框架，该框架最初由Koeske和Koeske于1993年提出，将个体在感知到压力源后的心理与行为反应量化的理论模型。该模型将压力研究分为三个阶段：感知压力源、产生心理和行为上的负面反应、最终采取特定行为并导致相应后果。SSO模型广泛应用于工作场景的压力分析，如Cheung的研究考察了情绪耗竭作为中介变量，在工作相关的夜间手机使用与工作满意度之间的关系中所起的作用[14]。随着信息技术的发展，社交媒体成为新的压力源情境，逐渐有学者关注并将社交媒体作为具体情境进行研究。例如巩涛以用户个体特征以及内容类移动社交媒体中的内容特征两类影响因素为压力源对社交媒体的内容特征对错失焦虑的影响进行研究，其中发现用户在内容类移动社交媒体的使用过程中错失焦虑常伴随着数字囤积行为的发生[15]。
由此可见，在社交媒体环境中，用户面临频繁互动、信息过载及功能复杂性等多重挑战。当这些因素超出用户的处理能力或未达预期时，可能导致用户产生倦怠与焦虑等负面情绪，进而引发数字囤积行为。基于已有研究可知SSO理论模型能够为分析社交媒体使用中的数字囤积现象的影响因素和形成机制提供清晰路径。因此，本研究拟运用SSO模型，构建信息过载如何导致就业信息焦虑，以及这些变量与就业信息囤积行为之间的关系模型。
2.4. 研究假设
2.4.1. 社交媒体信息过载与焦虑之间的关系
随着数字技术的发展，在信息时代下，人们每时每刻都会接收和发布大量的信息，尤其是随着5G技术的普及和社交媒体平台的出现，信息已成为人们生活中不可或缺的一部分。但在海量的信息面前，大众在不同程度上面临信息过载的困扰。目前已有的研究指出，信息过载会导致个体产生压力或焦虑感，Hua以微信为载体，发现微信信息过载会显著引发年轻人的社交媒体疲劳，信息超载可以通过社交媒体疲劳的中介间接预测情绪压力和社交焦虑[16]；经过对文献的梳理研究可知，用户在社交媒体使用过程中，由于接收信息过量会在不同程度上产生“焦虑”的情绪。
基于以上研究，本文提出假设H1：社交媒体就业信息过载会对用户的焦虑情绪产生正向影响。
2.4.2. 焦虑与数字囤积行为之间的关系
有研究表明，用户的情感因素会对用户采取信息囤积行为产生重要影响，贾明霞通过扎根理论对大学生数字囤积行为研究后发现焦虑情绪、情绪调节困难等都与数字囤积行为正向相关[17]；焦虑情绪是个体的一种负面情绪反应，主要表现为紧张不安、失眠等机体反应，也包括对预期事件产生的主观不愉快的恐惧感。但焦虑也分为很多种，目前许多学者从焦虑的不同侧面对数字囤积行为的原因影响进行了研究，证实了焦虑情绪将会引起个人的数字囤积行为。吴旭瑶等研究发现依恋焦虑与囤积行为之间存在显著的正相关关系[18]；DaweiWu等也提出基于信息焦虑与错失焦虑的“害怕错过(FoMO)”是导致数字囤积行为发生的一个重要因素[19]；另外，张铮等发现社交媒体环境下的信息过载和不确定性也会引发用户的焦虑情绪[20]。这种焦虑不仅导致用户对信息错失产生担忧，还会促使他们通过囤积信息来获得心理安全感；由此可见，当用户在互联网与社交媒体使用时感知到由信息带来的焦虑感时，会通过囤积这些信息以此来减少焦虑感。因此本研究认为，当用户在面对由社交媒体海量的就业信息所带来的焦虑情绪时，将会采取囤积就业信息的行为来武装自己进而缓解这种焦虑情绪。
基于以上研究和讨论，本研究提出假设H2：焦虑情绪将会对就业信息囤积行为产生正向影响。
2.4.3. 焦虑的中介作用
有学者认为，信息过载及信息技术等外部因素会引发用户消极情绪，进而影响其信息使用行为。Darshana等通过运用依恋理论和囤积障碍的理论基础进行大量访谈后发现当个体面临大量信息时，可能会感到不安和不确定，担心错过重要信息，会促使个体不断地收集信息，以获得一种安全感[21]；也有学者进行了相关研究并验证了情绪在一定程度上的中介效应。张喆勤等以小红书平台为例研究显示，信息过载无法直接正向影响数字囤积，二者间存在中介效应，信息过载能通过错失恐惧的单独中介作用影响数字囤积，也能通过上行社会比较与错失恐惧的链式中介作用影响数字囤积[22]。
以上研究表明，在互联网用户信息行为的相关研究中，焦虑、恐惧等负面情绪常常被作为研究模型中的中介变量，即相关因素首先会通过影响用户的情绪进而影响到用户的信息行为。在本研究中，由于社交媒体自身会推荐海量的就业信息，且经过用户的个性化使用与平台的算法机制的影响使得用户在接触时会产生认知负荷，这种认知负荷将会导致用户产生对于就业信息的焦虑感。面对自身的焦虑情绪，个人会采取大量收藏保存信息的方式来缓解这种焦虑情绪。
基于以上讨论，本研究提出假设H3：信息过载会通过影响个人的焦虑感，进而影响就业信息囤积行为，即焦虑情绪在信息过载和就业信息囤积行为之间起中介效应。
因此结合“压力源–负担–结果”理论模型的概念界定和路径，本研究中的压力源指的是社交媒体中就业信息过载；负担是个体在感知到压力源后产生的心理负担基本研究中的焦虑情绪；反应则指的是个体在心理负担的作用下产生的一种行为反应，即就业信息囤积行为。基于以上讨论，本研究构建了社交媒体就业信息过载对就业信息囤积行为的关系模型，如图1。
Figure 1. Relational model
图1. 关系模型
3. 研究方法与分析
3.1. 研究设计
本文采用问卷调查的方法收集，量化用户行为数据，其中包含三部分：第一部分为人口统计学变量测量；第二部分为社交媒体使用情况；第三部分为研究模型涉及变量的测量，所有测量题目均改编自现有成熟量表，并对题项表达进行了相应的修改，其中每个指标的测量均采用国际通用的李克特5级量表法对问卷测项进行测量，1~5分对应“非常不同意”“不同意”“一般”“同意”“非常同意”。在量表设计上，关于“信息过载”的部分编译自Pamela和Cao所编制的关于“信息过载”部分的量表，量表包括3个题项，如“我经常被社交媒体上过多的信息分散注意力”等。感知焦虑的量表参考了陈琼等人在探究信息过载对用户感知焦虑的测量，共包含3个题项，如“阅读有关就业的相关信息时，我感到冷静”等，而在感知焦虑这一部分的测量中，采用了反向测量的方式进行测量。数字囤积量表改编自Neave等开发的量表，包含4个题项，如“我发现删除旧的或未使用的就业信息非常困难”等。
3.2. 问卷收集
正式问卷发放之前，在预测试阶段，本研究以微信朋友圈好友为调查对象发放问卷，对30名用户展开预测试，以确保问卷各题项的清晰性和可靠性。正式问卷通过微信平台进行发放，共计发放280份，剔除不符合问卷第一题和第二题填写，以及答题时间短、答案具有明显规律的无效问卷后，回收有效问卷252份，有效回收率90%，符合样本量要求。
3.2.1. 描述性统计分析
本研究共收集有效样本252份，在本研究中所有被调查者在性别方面，男生占比44.8%，女生占比55.2%；年龄方面，35岁及以下占比59.1%，36岁以上占比40.9%。与社交媒体用户分布较为广泛的用户画像相符合。被调查者的受教育程度集中在本科与大专，就业状态多集中在“寻求就业机会”的状况。在使用习惯方面，超过85%的用户使用时长超过1年，近半成的用户每天至少打开平台1次，超过77%的用户的日均使用时间超过30分钟，体现了社交媒体平台的高粘性特征。
对问卷中各题项的回答分布进行了描述性统计分析。见表1结果如下：在社交媒体信息过载中，各题项中，选择“一般”“同意”“非常同意”的比例合计均在70%以上，其中“信息过载3”表示同意的比例最高(49.2%)，说明受访者普遍感知到社交媒体信息过载现象。在感知焦虑中，焦虑相关题项中，“焦虑2”选择“同意”及以上的比例最高(73.4%)，表明受访者在求职过程中普遍存在焦虑情绪。在就业信息囤积行为中，囤积行为各题项中，“囤积5”表示同意的比例较高(49.6%)，反映出受访者存在明显的就业信息收集与保存倾向。整体来看，样本在三个变量上的分布较为均衡，多数受访者对信息过载、焦虑及信息囤积行为持中等至较高程度的认同。
Table 1. Questionnaire response results
表1. 问卷回答结果
题项 |
非常不同意 |
不同意 |
一般 |
同意 |
非常同意 |
信息过载1：我在浏览社交媒体时我常感觉就业信息的数量已经超过了我能处理的范围 |
42 (16.7) |
4 (1.6) |
89 (35.3) |
58 (23) |
59 (23.4) |
信息过载2：我发现接触到的就业信息大部分都是我不需要的 |
55 (21.8) |
14 (5.6) |
79 (31.3) |
47 (18.7) |
57 (22.6) |
信息过载3：我发现自己被社交媒体上需要处理的大量就业信息淹没了 |
9 (3.6) |
45 (17.9) |
74 (29.4) |
92 (36.5) |
32 (12.7) |
信息过载4：我常感觉社交媒体上大量的就业信息会分散我的注意力 |
35 (13.9) |
24 (9.5) |
66 (26.2) |
57 (22.6) |
70 (27.8) |
焦虑1：阅读有关就业的相关信息时，我感到冷静 |
12 (4.8) |
31 (12.3) |
44 (17.5) |
83 (32.9) |
82 (32.5) |
焦虑2：阅读有关就业的相关信息时，我感到放松 |
17 (6.7) |
30 (11.9) |
20 (7.9) |
114 (45.2) |
71 (28.2) |
焦虑3：阅读有关就业的相关信息时，我感到满足 |
40 (15.9) |
14 (5.6) |
38 (15.1) |
87 (34.5) |
73 (29.0) |
囤积1：我发现删除旧的或未使用的就业信息非常困难 |
31 (12.3) |
16 (6.3) |
81 (32.1) |
62 (24.6) |
62 (24.6) |
囤积2：如果我删除了某些就业信息，事后我会感到不安 |
31 (12.3) |
31 (12.3) |
73 (29) |
56 (22.2) |
61 (24.2) |
囤积3：我不知道我保存或收藏了多少就业信息 |
32 (12.7) |
10 (4.0) |
93 (36.9) |
47 (18.7) |
70 (27.8) |
囤积4：我收藏或保存的就业信息太多，我很难找到某个信息 |
28 (11.1) |
36 (14.3) |
80 (31.7) |
59 (23.4) |
49 (19.4) |
囤积5：我收藏或保存的就业信息很多都没有再看过，时间久了就闲置吃灰 |
36 (14.3) |
16 (6.3) |
75 (29.8) |
45 (17.9) |
80 (31.7) |
3.2.2. 信效度分析
本项研究选取了12个题目进行信度检验。根据Cronbach’s α系数的标准，若量表的信度值在0.80以上，则可以认为该量表具有极佳的信度；若信度值在0.70~0.80，则可以认为量表的信度处于良好水平；根据信度结果发现：社交媒体信息过载、感知焦虑、就业信息囤积行为的信度值分别为0.776、0.835、0.770，总量表的信度值为0.855，均高于标准值0.60，说明本次问卷内部一致性较好。同时本研究采用3个题项测量受访者在接触就业信息时的情绪状态，题项采用李克特5点量表(1 = 非常不同意，5 = 非常同意)。由于题项表述为积极情绪状态(“冷静”“放松”“满足”)，在数据分析前已对该维度所有题项进行反向计分处理，使得得分越高代表焦虑程度越高。反向计分后的Cronbach’s α系数为信度良好。
根据效度结果，本次量表的效度为0.844，高于标准值0.60，同时巴特利特球形度检验的显著性为0.000，说明本次量表适合做因子分析。
3.2.3. 共同偏差检验
为了避免共同方法偏差问题，本文采用Harman单因素检验法对数据进行检验，以确保本次数据不存在严重的共同方法偏差问题。
见表2 Harman单因素检验结果表明，第一个公因子的方差解释率为38.954%，小于标准值40%。另外，五个公因子累计方差解释率为61.027%，大于标准值60%。表明本次量表区分度较好，不存在严重的共同方法偏差问题。
Table 2. Total variance interpretation
表2. 总方差解释
成分 |
初始特征值 |
提取载荷平方和 |
旋转载荷平方和 |
总计 |
方差百分比 |
累积(%) |
总计 |
方差百分比 |
累积(%) |
总计 |
方差百分比 |
累积(%) |
1 |
4.674 |
38.954 |
38.954 |
4.674 |
38.954 |
38.954 |
2.594 |
21.613 |
21.613 |
2 |
1.479 |
12.325 |
51.279 |
1.479 |
12.325 |
51.279 |
2.431 |
20.257 |
41.869 |
3 |
1.170 |
9.748 |
61.027 |
1.170 |
9.748 |
61.027 |
2.299 |
19.158 |
61.027 |
4 |
0.840 |
7.001 |
68.028 |
|
|
|
|
|
|
5 |
0.724 |
6.037 |
74.065 |
|
|
|
|
|
|
6 |
0.605 |
5.044 |
79.109 |
|
|
|
|
|
|
7 |
0.581 |
4.843 |
83.952 |
|
|
|
|
|
|
8 |
0.516 |
4.302 |
88.254 |
|
|
|
|
|
|
9 |
0.437 |
3.644 |
91.898 |
|
|
|
|
|
|
10 |
0.402 |
3.350 |
95.248 |
|
|
|
|
|
|
11 |
0.305 |
2.544 |
97.792 |
|
|
|
|
|
|
12 |
0.265 |
2.208 |
100.000 |
|
|
|
|
|
|
根据表2及图2结果可知，本次研究数据1~3个因子的特征值是大于1，其余均小于1，根据总方差解释结果来看，本次研究应挑选前3个因子，经过旋转后因子总解释方差分别为21.613%、20.257%、19.158%，并且这三个因子累计解释总方差为61.027%，通常认为这个值大于60%即符合标准。
本文章采用主成分分析方法，并通过最大方差法对量表进行具体分析，通过筛选特征值大于1的因子，并基于筛选出来的因子得到旋转后因子载荷，其主要利用主成分分析方法。本次研究共提取出3个因子，分别为社交媒体信息过载、感知焦虑、就业信息囤积行为。
Figure 2. Gravel map
图2. 碎石图
3.2.4. 相关性分析
以社交媒体信息过载为自变量，感知焦虑为中介变量，就业信息囤积行为为因变量，进行相关性分析。
根据表3结果可知，媒体社交媒体信息过载(r = 0.459)、感知焦虑(r = 0.425)与就业信息囤积行为之间具有显著的正相关关系(P < 0.05)，假设H1与H2得到验证。
Table 3. Correlation analysis results
表3. 相关性分析结果
|
社交媒体信息过载 |
感知焦虑 |
就业信息囤积行为 |
社交媒体信息过载 |
皮尔逊相关性 |
1 |
|
|
Sig. (双尾) |
|
|
|
个案数 |
252 |
|
|
感知焦虑 |
皮尔逊相关性 |
0.497*** |
1 |
|
Sig. (双尾) |
0.000 |
|
|
个案数 |
252 |
252 |
|
就业信息囤积行为 |
皮尔逊相关性 |
0.459*** |
0.425*** |
1 |
Sig. (双尾) |
0.000 |
0.000 |
|
个案数 |
252 |
252 |
252 |
3.2.5. 回归分析
以社交媒体信息过载为自变量，感知焦虑为中介变量，就业信息囤积行为为因变量，进行回归分析。
根据表4结果可知，在模型1中，R2值为0.211，说明社交媒体信息过载可以解释就业信息囤积行为变化情况的21.1%。模型的F值为66.865，显著性P值为0.00，说明本次整体模型具有显著性。根据回归系数可知，社交媒体信息过载(B = 0.431)对就业信息囤积行为具有显著的正向影响(P < 0.05)；在模型2中，R2值为0.247，说明社交媒体信息过载可以解释感知焦虑变化情况的24.7%。模型的F值为82.213，显著性P值为0.00，说明本次整体模型具有显著性。根据回归系数可知，社交媒体信息过载(B = 0.540)对感知焦虑具有显著的正向影响(P < 0.05)；模型3是在模型1的基础上引入中介变量，其中R2值为0.262，说明社交媒体信息过载、感知焦虑可以解释就业信息囤积行为变化情况的26.2%。模型的F值为44.246，显著性P值为0.00，说明本次整体模型具有显著性。根据回归系数可知，社交媒体信息过载对就业信息囤积行为的回归系数值从0.431下降到0.309，且仍具有显著性，中介变量感知焦虑(B = 0.225)对就业信息囤积行为也具有显著的正向影响。因此，可以判断感知焦虑在社交媒体信息过载对就业信息囤积行为中起到中介作用。
Table 4. Regression analysis results
表4. 回归分析结果
|
模型1 就业信息囤积行为 |
模型2 感知焦虑 |
模型3 就业信息囤积行为 |
社交媒体信息过载 |
0.431*** |
0.540*** |
0.309*** |
感知焦虑 |
|
|
0.225*** |
常量 |
1.957 |
1.900 |
1.529 |
R2 |
0.211 |
0.247 |
0.262 |
调整后R2 |
0.208 |
0.244 |
0.256 |
F |
66.865*** |
82.213*** |
44.246*** |
根据表5结果可知，通过SPSSprocess 4.0进行bootstrap检验，设置样本数目为5000，置信区间为95%。根据回归结果和bootstrap检验结果可知，回归系数(X-Y)的总效应值为0.431，其中直接效应为0.309，中介效应(X-M-Y)的值为0.540 × 0.225 = 0.122。直接效应为0.309，95%的置信区间在(0.193~0.425)，置信区间不包含0，直接效应显著；间接效应为0.122，95%的置信区间在(0.043~0.201)置信区间不包含0，间接效应显著，由此可知，感知焦虑在社交媒体信息过载和就业信息囤积行为之间起中介作用，且是部分中介作用。假设H3得到验证。
Table 5. Bootstrap test for mediating effect of perceived anxiety
表5. 感知焦虑中介效应的bootstrap检验
|
β |
SE |
95%的置信区间 |
上限 |
下限 |
总效应 |
0.431 |
0.053 |
0.327 |
0.535 |
间接效应 |
0.122 |
0.040 |
0.043 |
0.201 |
直接效应 |
0.309 |
0.059 |
0.193 |
0.425 |
4. 研究结论与讨论
4.1. 研究结论
基于252位社交媒体平台用户的问卷调查数据，社交媒体信息过载与就业信息囤积行为之间的关系以及作用机制得以验证。实证结果显示，社交媒体平台信息过载与感知焦虑两者分别对就业信息囤积具有直接正向影响。进一步发现，感知焦虑在信息过载与囤积行为之间存在中介效应，信息过载可以通过感知焦虑的单独中介正向预测数字囤积。这表明当用户接触到社交媒体平台中海量的就业信息时，陷入就业信息过载的状态时，用户会感知一定的焦虑便会倾向于在浏览到有关就业的信息时进行大量囤积，引发就业信息囤积的行为，进而加重自身信息处理的负担。这一结果表明，就业信息囤积并非完全源于理性的信息储备策略，而在一定程度上是一种以缓解焦虑为导向的情绪性应对行为。当用户在就业信息高度密集的媒介环境中持续暴露时，焦虑情绪的累积会促使其采取信息囤积这一看似“积极准备”、实则可能加重认知负担的应对方式。
4.2. 研究贡献与不足
本研究将SSO理论模型与社交媒体以及数字囤积行为相结合，以“就业信息与囤积”为切入点，对社交媒体的信息过载现象与数字囤积行为的关系进行了探究。过往该理论多用于分析工作场景的压力，且在该理论视野下，对于社交媒体信息过载的探讨也多聚焦于信息回避行为的讨论。为此本研究在一定程度上拓展了SSO理论的应用范围，揭示了社交媒体环境下信息过载对用户行为的新影响机制，并为数字囤积行为的后续研究提供了新的视角。除此之外，本文通过深入剖析社交媒体信息过载影响用户就业信息囤积行为的内在机制，发现信息过载会引发用户焦虑，进而驱动其就业信息囤积行为，揭示了信息过载影响用户行为的新路径，从相对微观的视角为理解用户在社交媒体环境下的就业信息行为提供了一段解释。其次，本研究对正确认识社交媒体信息过载与就业信息囤积行为提供一定启示，帮助用户正确认识信息过载与数字囤积行为。用户要增强信息筛选的能力，合理利用大数据资源，精准识别自身需求，避免盲目囤积，另一方面，要学会利用科学的情绪调节策略，避免单纯依靠囤积信息来缓解焦虑。
然而本研究也存在一些局限性，本研究的样本量相对较小，可能会影响此结论的普适性；同时本文将社交媒体视为一个整体媒介环境进行分析，未进一步区分算法推荐型平台与社交关系型平台的具体差异。不同平台在信息呈现逻辑、互动机制和信息暴露方式上的差异，可能会对信息过载与就业信息囤积行为产生不同影响，这在本研究中尚未得到展开。未来研究可在问卷设计或实验情境中进一步细化平台类型，探讨不同平台架构下信息过载作用机制的差异。
此外，本文未充分考察个体层面的差异因素，如年龄、职业阶段或信息素养水平等对就业信息囤积行为的影响。后续研究可在扩大样本规模的基础上，引入更多个体特征变量，并结合平台类型进行交叉分析，以进一步提升研究结论的解释力与针对性。