鄭雨雪

摘 要 通過對環(huán)境污染事件中的微博文本進行細粒度情感分析，研究此類事件中網(wǎng)絡(luò)情緒的指向及極化效應(yīng)?；谇榫w評估模型和情緒極化理論，運用有監(jiān)督的機器學習方法對2014—2017年影響力較大的22件環(huán)境污染事件中的情緒表達進行分析。在環(huán)境污染事件中，負面情緒表達顯著，特別是厭惡情緒突出；公眾情緒表達指向為環(huán)境污染事件責任主體；情緒極化效應(yīng)顯著。

關(guān)鍵詞 環(huán)境污染事件；主題分布；情緒分布；情緒極化

中圖分類號 G2 文獻標識碼 A 文章編號 2096-0360（2020）22-0013-05

近年來，技術(shù)賦權(quán)加持下的公共意識崛起，使輿論特別是網(wǎng)絡(luò)輿論成為中國社會治理中最具活力的變量。網(wǎng)絡(luò)輿論的一些“劣根性”引起了研究者的廣泛擔憂，情緒往往被作為網(wǎng)絡(luò)輿論中非理性的成分看待，過分強調(diào)網(wǎng)絡(luò)情緒極化給社會治理帶來的風險很可能會造成研究視角的偏移。基于此，本文意在運用實證的方式對公共事件中的網(wǎng)絡(luò)情緒及其極化效應(yīng)進行研究，通過人工與計算機結(jié)合的方式對2014—2017年具有代表性的22個環(huán)境污染事件中的網(wǎng)絡(luò)表達文本進行細粒度情感分析，并測量其極化程度，為認識和引導公共事件中的網(wǎng)絡(luò)情緒提供多元思路和可替代方案。

1 文獻綜述

1.1 網(wǎng)絡(luò)表達中的情緒評估

在心理學研究中，關(guān)于情緒評估主要有分類取向與維度取向兩種思路。情緒分類取向試圖將情緒分為幾種彼此獨立的互不關(guān)聯(lián)的有限的基本情緒[1-3]。大連理工大學信息檢索研究室借鑒了Ekman的六大類傳統(tǒng)情緒分類，將情緒分為七大類：樂、好、怒、哀、懼、惡、驚，這種七分類方法在運用自然語言處理技術(shù)進行網(wǎng)絡(luò)情緒分類的研究中運用較為廣泛（自然語言處理與中文計算會議，2013）。因此，在本研究中，將網(wǎng)絡(luò)情緒分為憤怒、厭惡、恐懼、高興、喜好、悲傷、驚訝七大類，同時增加無情緒作為補充，以識別不帶情感傾向的網(wǎng)絡(luò)表達。

從維度取向?qū)η榫w進行分析的學者認為情緒并非相互獨立的個體，而是以模糊交叉的形式而存在。Russell提出“愉悅-喚醒度”二維模型，效價描述正向或負向的情緒狀態(tài)，喚醒度則衡量對生理和心理激活的程度[4]。當前不同研究者對基本情緒的喚醒度說明并不統(tǒng)一[5-6]。因此，在本研究中，結(jié)合之前學者的研究，將高興定義為正面高喚醒度情緒，喜好定義為正面低喚醒度情緒，厭惡、恐懼、憤怒情緒定義為負面高喚醒度情緒，悲傷定義為負面低喚醒度情緒，驚訝定義為中性高喚醒度情緒，無情緒定義為中性低喚醒度情緒。

研究問題1：環(huán)境污染事件中公眾情緒分布呈現(xiàn)何種狀態(tài)？

1.2 網(wǎng)絡(luò)表達中的主題評估

在當前網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)情緒主題指向時常并非為就事論事主題討論，而是呈擴散之態(tài)。在情緒具體主題指向中，靳明針對轉(zhuǎn)基因黃金大米議題進行分析指出，負面情緒更多的集中在對政府、制度、專家等外界多方面的指桑罵槐式的情緒發(fā)泄[7]。周云倩針對教師聚餐被通報事件進行分析，指出公眾憤怒情緒更集中于官方解釋框架[8]。周莉基于我國典型反腐案例對網(wǎng)絡(luò)情緒進行分析，指出在反腐議題網(wǎng)絡(luò)表達中公眾更傾向于針對貪腐主題進行情緒發(fā)泄[9]。因此，本文對環(huán)境污染事件中情緒主題指向進行分析，以期通過環(huán)境污染系列事件把握整體社會情緒氣氛，對社會心態(tài)進行整體把握。

研究問題2：環(huán)境污染事件中公眾主題分布呈現(xiàn)何種狀態(tài)？

1.3 網(wǎng)絡(luò)情緒表達與極化

新媒體的出現(xiàn)增加了“群體極化”在網(wǎng)絡(luò)的發(fā)生幾率[ 1 0 ]，研究者開始關(guān)注情緒極化的產(chǎn)生及其影響?！皹O化（Polarization）”概念最初在政治領(lǐng)域提出，是指輿論出現(xiàn)分化并走向極端，這種現(xiàn)象反映在網(wǎng)民的情緒性表達中就形成了網(wǎng)民的情緒極化[ 1 1 ]。具體而言，情緒極化指在某時間階段內(nèi)的網(wǎng)絡(luò)輿情存在定域，基于對輿情事項持有一致性立場、態(tài)度而形成的若干個觀點群落中，倘若任何一個群落出現(xiàn)受眾個體情感強度普遍趨于非中立的極端化的現(xiàn)象，且此群落內(nèi)極化受眾數(shù)量與極化情感總量的規(guī)模達標，便稱該群落所表現(xiàn)的情感狀態(tài)為網(wǎng)絡(luò)輿情信息受眾的情感極化[ 1 2 ]。桑斯坦強調(diào)了情緒在極化發(fā)生中的作用，指出當群體成員是因感情紐帶而聚集時，極化更易發(fā)生。針對網(wǎng)絡(luò)情緒極化更細致的量化研究表明極化并不是社交媒體使用的必然結(jié)果[13]。一方面，用戶使用的媒介越多越傾向于消費與自身意見相一致的信息，從而加強已有觀點，最終可能產(chǎn)生極化[14]。同時，社交媒體越來越多地使用大數(shù)據(jù)算法過濾系統(tǒng)實施內(nèi)容推送，導致用戶“被迫”接收更多相似的觀點，從而導致觀點的同質(zhì)化[15]。另一方面，正是因為社交媒介的弱聯(lián)系性使得用戶有可能接觸多樣性的信息，能否形成極化還取決于用戶自身如何處理接收到的信息[16]。在某種程度上網(wǎng)絡(luò)用戶很難分裂成完全并不重合的部分，但用戶集聚并不意味著形成極化[17]。

研究問題3：在環(huán)境污染事件中，其網(wǎng)絡(luò)表達是否存在情緒極化效應(yīng)？

2 研究方法

2.1 研究樣本和語料

本文搜集新浪微博2014—2017年與環(huán)境事件相關(guān)的微博主貼及主貼下的評論，最終共計得到22個具有代表性的環(huán)境污染事件（見表1），62條主貼。其后對所有評論進行抓取，共計抓取了98 340條微博評論。為了提高后續(xù)數(shù)據(jù)分析的準確性，我們對評論數(shù)據(jù)中部分無明確指向意義內(nèi)容進行去重和清洗，最終得到47 830條微博評論。

2.2 微博主貼及評論的內(nèi)容分析

2.2.1 類目確定

在主題分類方面，本文結(jié)合計算機分詞、LDA建模分析的結(jié)果，加之人工梳理，將微博評論一級主題類目確定為環(huán)境污染事件責任主體、環(huán)境污染事件處置、環(huán)境污染事件影響及事件相關(guān)信息傳播。態(tài)度類目結(jié)合前期對網(wǎng)絡(luò)情緒進行的分類和維度研究，本研究中結(jié)合“愉悅-喚醒度”二維模型將高喚醒度的情緒歸為極化情緒，將低喚醒度的情緒歸為非極化情緒。

2.2.2 人工標注

在微博主帖方面，由兩個編碼員對62條主帖情緒進行標注，其信度檢驗結(jié)果為0.785。在微博評論方面，本文選取了6 000條評論進行主題以及情緒的人工標注。第一輪，六位編碼員每人各隨機標注1 000條微博評論；第二輪，采用不重復抽樣的方法，每位編碼員再隨機標注1 000條評論，確保每條評論都被兩位編碼員標注；第三輪，針對前兩輪不一致結(jié)果由第三方編碼員再次標注。如果前三輪編碼員的結(jié)果均不一致，則由研究小組成員共同商議，投票決定其標注結(jié)果。

2.2.3 計算機深度學習

本研究中的計算機深度學習主要用于對微博評論的內(nèi)容分析。首先，我們將已經(jīng)人工標注主題和情緒類別的數(shù)據(jù)分為訓練集（80%）與測試集（20%）。訓練集數(shù)據(jù)運用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進行建模，經(jīng)過多輪參數(shù)調(diào)整，形成最終模型。隨后將訓練集與測試集進行對照，得出本模型的主題分類的準確率達到64.72%，情感分類的準確率達到68.40%。此準確度在多分類的計算機深度學習領(lǐng)域達到了較高水平。最后，我們運用該模型對未標注評論進行分類，得到所有微博評論的主題和情緒的分類結(jié)果。

3 研究發(fā)現(xiàn)

3.1 情緒分布分析

在環(huán)境污染事件中，網(wǎng)絡(luò)表達在情緒上更傾向于負面情緒表達，厭惡情緒最為顯著（見表2）。這一研究發(fā)現(xiàn)與之前關(guān)于大氣污染問題中網(wǎng)絡(luò)情緒表達情緒傾向具有一致性[18-19]。在環(huán)境污染事件中，責任主體破壞環(huán)境的行為所涉及的有關(guān)責任、公平、傷害等問題屬于人類基本道德范疇，關(guān)聯(lián)著不同的道德基礎(chǔ)，從而誘發(fā)相應(yīng)的負面情緒。這一傾向與情緒的作用具有一致性，情緒是社會控制的基礎(chǔ)，因此遵從外界的規(guī)則會獲得情緒上的獎賞，反之則會受到情緒上的懲罰[ 2 0 ]。

3.2 主題分布分析

在環(huán)境污染事件中，網(wǎng)絡(luò)表達在主題上更傾向于責任歸因。我們的研究發(fā)現(xiàn)，在環(huán)境污染事件中，網(wǎng)民對責任主體的討論最為集中，其負面情緒也最為顯著（見表2）。這一表達傾向與公眾進行責任歸因的心理動機相關(guān)。責任歸因是對他人行為結(jié)果的歸因過程及對有關(guān)行為的責任推斷。對相關(guān)事件的責任推斷是公眾最為直接的反應(yīng)，會直接影響后續(xù)的情緒和行為意向。研究者發(fā)現(xiàn)在情緒歸因中公眾傾向于責任歸因，人們希望探究非預(yù)期事件帶來的負面結(jié)果是什么，誰應(yīng)該為此負責[ 2 1 ]。我們的研究再次驗證了這一假設(shè)，環(huán)境污染事件中，公眾對事件負面結(jié)果的責任歸因直接導致了網(wǎng)民對責任主體集中的負面情緒表達。同時，這體現(xiàn)了我國長期以來在解決社會重大問題上的政治依賴路徑，也體現(xiàn)了當前的政治治理中的“邏輯循環(huán)”悖論。長期以來的政治依賴路徑，使得公眾在面對非預(yù)期事件時，進行責任歸因的首要主體是具有權(quán)威性的相關(guān)責任主體，而解決問題的首要途徑也是對具有權(quán)威性的責任主體進行輿論聲討。

3.3 事件情緒極化分析

我們的研究驗證了在環(huán)境污染事件網(wǎng)絡(luò)表達中存在著顯著的情緒極化效應(yīng)（見表3）。在我們研究的22個案例中，極化情緒占80%以上的案例有5個，占70%以上的案例有10個，而所有案例中極化情緒都顯著高于非極化情緒。我們的研究證實了前期研究的結(jié)論，當事件性質(zhì)單一而明確時，群體中大多數(shù)意見趨于一致，極化更易發(fā)生[ 2 2 ]。環(huán)境污染事件作為指向明確的議題，公眾意見表達傾向性顯著，更容易產(chǎn)生情緒極化效應(yīng)。在案例12中，污染源為廢棄電纜等固體廢棄物，影響對象為小學學生，帶來的影響為“不到10天，25位學生流鼻血”。污染源性質(zhì)及影響對象導致公眾情緒喚醒度高，參與性強，從而情緒極化程度最高。

4 總結(jié)與討論

情緒極化程度整體較高側(cè)面說明高喚醒度情緒在網(wǎng)絡(luò)空間中為優(yōu)勢意見。以往傳統(tǒng)媒體因公開性形成了優(yōu)勢意見，導致沉默的螺旋效應(yīng)產(chǎn)生。但在匿名化表達自由的網(wǎng)絡(luò)環(huán)境中，優(yōu)勢意見在一定程度上演化為多數(shù)人的意見[23]。

當前公眾情緒表達研究認為網(wǎng)絡(luò)表達中的負面情緒化表達為公眾的非理性宣泄，是社會怨恨、不安全感、網(wǎng)絡(luò)民粹主義、網(wǎng)絡(luò)暴力的直接映射。網(wǎng)絡(luò)匿名化和把關(guān)人缺失等特征與中國網(wǎng)民結(jié)構(gòu)使得個體情緒在網(wǎng)絡(luò)中集聚和感染，形成情緒極化。但對于網(wǎng)絡(luò)情緒極化的現(xiàn)實指向，研究者尚缺乏關(guān)注。由于網(wǎng)絡(luò)情緒的間接性，網(wǎng)絡(luò)情緒極化并非直接導致了非理性的社會行為。從另一方面來說，當事件元素觸及網(wǎng)絡(luò)積淀已久的典型情緒時，情緒快速被點燃且形成極化，公眾以高喚醒度情緒對社會痛點發(fā)聲，也可能帶來社會現(xiàn)實的積極改變。因而，尋求網(wǎng)絡(luò)情緒極化與線下行為意向的連接，對表達主體的心理和行動機制進行更細化的研究，是對網(wǎng)絡(luò)表達進行深入研究的方向。

參考文獻

[1]陳岳峰，苗奪謙，李文，等.基于概念的詞匯情感傾向識別方法[J].智能系統(tǒng)學報，2011，6（6）：489-493.

[2]Ekman P.Contacts across cultures in the face and emotion[J].J Pers Soc Psychol，1971，17（2）：124-129.

[3]Izard，Carroll E. Basic emotions，natural kinds，emotion schemas，and a new paradigm[J]. Perspectives on Psychological Science，2007，2（3）：260-280.

[4]Russell，James A. A circumplex model of affect[J].Journal of Personality and Social Psychology，1980，39（6）：1161-1178.

[5]Hamann S.Mapping discrete and dimensional emotions onto the brain：controversies and consensus[J].Trends in Cognitive Sciences，2012，16（9）：458-466.

[6]Gable P，Harmonjones E.The motivational dimensional model of affect：Implications for breadth of attention，memory，and cognitive categorization[J].Cognition & Emotion，2010，24（2）：322-337.

[7]靳明，靳濤，趙昶.從黃金大米事件剖析指桑罵槐式的公眾情緒——基于新浪微博的內(nèi)容分析[J].浙江社會科學，2013（6）：91-98.

[8]周云倩，胡江偉.網(wǎng)絡(luò)公共事件中的傳者框架與網(wǎng)民情緒探究——以新浪微博“教師AA聚餐被通報”事件為例[J].新媒體與社會，2018（2）：277-288.

[9]周莉，王子宇，胡珀.反腐議題中的網(wǎng)絡(luò)情緒歸因及其影響因素——基于32個案例微博評論的細粒度情感分析[J].新聞與傳播研究，2018，025（012）：42-56.

[10]辛文娟，賴涵.微博中網(wǎng)民群體極化的動力機制研究——基于“溫嶺殺醫(yī)”事件的內(nèi)容分析[J].情報雜志，2014（6）：162-166.

[11]孫立明.對網(wǎng)絡(luò)情緒及情緒極化問題的思考[J].中央社會主義學院學報，2016（1）：104-109.

[12]高俊峰，黃微.網(wǎng)絡(luò)輿情信息受眾情感極化的生發(fā)機理及干預(yù)措施分析[J].情報理論與實踐，2019，42（5）：126-131.

[13]凱斯·桑斯坦.極端的人群：群體行為的心理學[M].尹宏毅，郭彬彬，譯.北京：新華出版社，2010：43-106.

[14]Holbert R L，Benoit W L. A Theory of Political Campaign Media Connectedness[J].Communication Monographs，2009，76（3）：303-332.

[15]Pariser E[M].The Filter Bubble：What the Internet is Hiding From You，New York：Penguin Press，2011.

[16]Lee，F(xiàn)rancis LF.Impact of social media on opinion polarization in varying times[J]. Communication and the Public，2016，1（1）：56-71.

[17]Webster J G，Ksiazek T B. The Dynamics of Audience Fragmentation：Public Attention in an Age of Digital Media[J].Journal of Communication，2012，62（1）：39-56.

[18]何躍，朱婷婷.基于微博情感分析和社會網(wǎng)絡(luò)分析的霧霾輿情研究[J].情報科學，2018（7）：93-99.

[19]卓敏，吳建平.當代青年霧霾段子語義網(wǎng)絡(luò)分析與情感可視化研究——基于微博、微信用戶[J].中國青年研究，2016（8）：10-19.

[20]斯托曼.情緒心理學：從日常生活到理論[M].北京：中國輕工業(yè)出版社，2006.

[21]Coleman，Martin D. Emotion and the ultimate attribution Error[J].Current Psychology，2013，32（1）：71-81.

[22]Witschge，Tamara. Online deliberation：Possibilities of the Internet for deliberative democracy[J].Democracy Online.Routledge，2004：129-142.

[23]黨明輝.公共輿論中負面情緒化表達的框架效應(yīng)——基于在線新聞跟帖評論的計算機輔助內(nèi)容分析[J].新聞與傳播研究，2017（4）：41-63.