王高飛 李潤之 李梅

摘?要：微博已成為公眾反映自身觀點的主流渠道，微博網(wǎng)絡輿情研究有利于對網(wǎng)絡輿情的管理與引導。本文運用文獻計量法與CiteSpace軟件，通過關鍵詞“微博”與“輿情”在中國知網(wǎng)數(shù)據(jù)庫中的檢索，對微博網(wǎng)絡輿情的發(fā)展趨勢、發(fā)文機構、發(fā)文期刊、基金贊助情況、發(fā)文下載量、被引頻次與研究熱點等方面進行系統(tǒng)分析。結果表明微博網(wǎng)絡輿情研究已經(jīng)形成體系，研究方法較為豐富，未來以圖像、視頻為分析對象的微博網(wǎng)絡輿情研究將是該領域的重要研究方向之一。

關鍵詞：微博;網(wǎng)絡輿情;綜述;文獻計量

中圖分類號：G201?文獻標識碼：A??文章編號：1672-8122（2021）01-0024-06

一、引?言

黨的十九屆四中全會《決定》提出：“健全重大輿情和突發(fā)事件輿論引導機制”。倡導健全輿情引導，并將其上升到機制層面，表明我國對輿情的認識和重視程度進一步加強。在網(wǎng)絡輿情中，微博作為一個主要平臺發(fā)展十分迅速。新浪微博發(fā)布的2020年第二季度財報顯示，2020年6月的月活躍用戶數(shù)為5.23億，較上年同期凈增約3 700萬[1]。作為社交網(wǎng)絡巨頭，微博允許用戶公開性地發(fā)表原創(chuàng)內容，轉發(fā)、點贊、評論、搜索他人內容，這不僅進一步提高了信息的傳播速度，也使得微博成為公眾反映自身觀點的主要平臺。然而，隨著用戶量和信息量的增多，微博中容易出現(xiàn)諸如不良信息、謠言等不當言論，如果不及時管理會形成負面網(wǎng)絡輿情。我國自2011年至今，相關學者已經(jīng)對微博網(wǎng)絡輿情進行了深入研究，相關文獻中蘊含了眾多有價值的信息。本研究對中國知網(wǎng)相關文獻進行檢索與分析梳理，以期為該領域的研究提供參考。

二、數(shù)據(jù)來源與研究方法

（一）數(shù)據(jù)來源

以中國知網(wǎng)數(shù)據(jù)庫作為檢索來源，跨庫選擇期刊、教育期刊、特色期刊、博士、碩士5庫進行專業(yè)檢索，檢索表達式語句為“TI=‘微博AND TI =‘輿情”，即檢索篇名包括“微博”“輿情”的文獻，發(fā)表時間選擇為從知網(wǎng)可選的最早時間1979年1月1日至2019年12月12日（檢索日），共得到自2011年至2019年的713篇文獻，去除重復投稿與期刊會議摘要，剩余700篇。

（二）研究方法

文獻計量法是一種定量分析方法，將文獻的各類外部特征作為研究對象，采用文獻學、統(tǒng)計學、數(shù)學相結合的方式描述與預測某一科學的發(fā)展方向與趨勢[2]。在文獻計量法的基礎上，運用CiteSpace、Excel、中國知網(wǎng)構建知識圖譜與可視化分析。Citespace，中文名為引文空間，由英籍華人陳超美開發(fā)，是將檢索文獻進行引文可視化分析的一款軟件[3，4]。

三、研究結果與分析

（一）微博網(wǎng)絡輿情發(fā)文量統(tǒng)計分析

筆者共分析2011年至2019年有效文獻700篇（如圖1所示），橫坐標代表發(fā)文年份，縱坐標代表發(fā)文數(shù)量。自2010年各品牌微博上線一年后，知網(wǎng)開始出現(xiàn)微博網(wǎng)絡輿情文章，此后隨著各微博平臺的競爭以及微博的整體市場份額不斷擴大，3年內發(fā)文數(shù)量也得到大幅增長，2014年發(fā)文量達到頂峰。隨后，受到微信、短視頻等其它自媒體平臺的影響，微博網(wǎng)絡輿情研究的發(fā)文數(shù)量逐漸減小，由2014年的121篇逐漸減少至2019年的62篇（截止到檢索日），總體呈現(xiàn)上升下降的趨勢。這一趨勢說明微博網(wǎng)絡輿情研究當前依然保持著較高的熱度，但利用微博進行網(wǎng)絡輿情研究的熱度卻有所降低，網(wǎng)絡輿情研究方式呈現(xiàn)多樣化的特點。

（二）微博網(wǎng)絡輿情發(fā)文機構統(tǒng)計分析

筆者共統(tǒng)計了30家發(fā)文數(shù)量在5篇以上的微博網(wǎng)絡輿情發(fā)文機構（如圖2所示）。從發(fā)文機構總體來看，均為高等院校，無一所科研院所。在高等院校中包含各級各類大學，分布較廣，且重點高校占比較高，尤以吉林大學的30篇發(fā)文數(shù)量最為明顯。說明高等院校有較高的意愿利用微博平臺進行網(wǎng)絡輿情研究。

（三）微博網(wǎng)絡輿情發(fā)文期刊統(tǒng)計分析

筆者通過相關文獻的期刊統(tǒng)計，得出期刊對于微博網(wǎng)絡輿情研究文獻的刊出量差異。700篇文獻中除去博士、碩士文獻庫外，剩余532篇均為期刊所屬文章。統(tǒng)計載文量前20的期刊發(fā)現(xiàn)，有11種期刊為核心期刊，占比55%，且單期刊載文量最高可達40篇;有8種為情報類期刊，9種為新聞傳播類期刊（如表1所示）。此外筆者分別對載文數(shù)量前10的核心期刊和非核心期刊載文量進行統(tǒng)計，發(fā)現(xiàn)核心期刊載文量普遍高于非核心期刊，其中《情報雜志》與《情報科學》載文量更是達到了64篇，占所檢索文獻的9%。而前10類非核心期刊，其載文量最多可達9篇，最少為4篇（如表2所示）。這說明核心期刊對于微博網(wǎng)絡輿情研究方向的文獻與非核心期刊相比更為重視，并已經(jīng)形成以新聞傳播類和情報類為主體的期刊集合。

（四）微博網(wǎng)絡輿情發(fā)文基金項目統(tǒng)計分析

統(tǒng)計結果發(fā)現(xiàn)，微博網(wǎng)絡輿情532篇期刊檢索文獻中共203篇受到基金資助，占比29%;包括國家自然科學基金74項，國家社科基金50項，省級基金46項，以及其它各類基金項目（如圖3所示）。在國家級基金項目中，自然科學基金遙遙領先，這說明有關微博網(wǎng)絡輿情的文獻不只是從人文社科的角度出發(fā)，還從自然科學的角度對微博網(wǎng)絡輿情進行了研究。在省級基金項目中，江蘇省以18項3類領先于其它省，說明江蘇省對于微博網(wǎng)絡輿情較為關注。

（五）微博網(wǎng)絡輿情發(fā)文下載量與被引頻次統(tǒng)計分析

發(fā)表論文的下載量可反映出文獻對下載讀者的參考價值與影響程度。表3統(tǒng)計了下載量在前10的文獻，總下載次數(shù)為篇均下載次數(shù)，共5 589.4次，其中來源于《系統(tǒng)工程》的“微博網(wǎng)絡輿情中的意見領袖識別及分析”的下載量最高。除去“新浪微博的網(wǎng)絡輿情分析研究——模型、設計與實驗”與“基于微博社交網(wǎng)絡的輿情分析模型及實現(xiàn)”兩篇碩士論文外，其余來源均為期刊?？梢?，與碩士論文相比，讀者認為期刊更具有借鑒價值。在論文主題方面，有4篇文章進行了以傳播為主的微博網(wǎng)絡輿情過程研究，有3篇文章進行了微博網(wǎng)絡輿情的主體研究，有2篇文章對微博網(wǎng)絡輿情整體進行建模研究，剩余1篇進行了構造微博網(wǎng)絡輿情監(jiān)測指標的研究。

發(fā)表論文的被引頻次體現(xiàn)了文獻在學術方面與實用方面的價值。表4統(tǒng)計了被引量在前10的文獻，總篇均被引次數(shù)為125.3次。與下載次數(shù)統(tǒng)計相同的是，“微博網(wǎng)絡輿情中的意見領袖識別及分析”再次居于榜首，足以說明該篇論文的價值。與論文下載量類似，在論文主題方面，有7篇文章進行了以傳播為主的微博網(wǎng)絡輿情過程研究，有2篇文章進行了微博網(wǎng)絡輿情的主體研究，1篇文章進行了構造微博網(wǎng)絡輿情監(jiān)測指標的研究。

（六）微博網(wǎng)絡輿情知識圖譜構建

關鍵詞是論文文獻檢索的主要標志，其往往代表了一篇論文文獻的主旨所在，可在一定程度上反映文獻的主要研究內容與研究方法。筆者將700篇文獻以Refworks文獻導出格式導出，并通過Citespace軟件自帶功能將數(shù)據(jù)進行轉化并錄入軟件中，時間切片選為2011～2019年，節(jié)點類型選為關鍵詞，形成了以“微博”和“網(wǎng)絡輿情”為中心關鍵詞的知識圖譜（如圖4所示）。

科學知識圖譜兼具“圖”和“譜”的雙重特點與性質：既具有“圖”的直觀可視化，又具有“譜”的邏輯關系[5]。由圖4可見，除去“微博”與“網(wǎng)絡輿情”兩個關鍵詞外，頻次較高的關鍵詞包括“微博輿情”“政務微博”“社會網(wǎng)絡分析”“意見領袖”“突發(fā)事件”“高?！薄靶旅襟w”“大學生”等。這些關鍵詞與當今網(wǎng)絡輿情研究方向相一致，符合網(wǎng)絡輿情發(fā)展方向。

（七）微博網(wǎng)絡輿情時間線分析

時間線（Timeline），是CiteSpace中的一種可視化方式。這種可視化方式可以根據(jù)時間對關鍵詞進行統(tǒng)計與聚類（如圖5所示），從左到右表示關鍵詞時間由遠至近，自上到下表示聚類按大小遞減。筆者通過對微博網(wǎng)絡輿情相關文獻關鍵詞進行時間線分析后，發(fā)現(xiàn)對于微博網(wǎng)絡輿情的關鍵詞聚類共可分為9項4類，分別為文本聚類研究、引導機制與策略應對研究、微博話題研究、網(wǎng)絡結構研究。從時間線來看，微博網(wǎng)絡輿情研究自2011年以來逐漸發(fā)展成熟，采用更多的方法與角度進行研究，如聚類算法、Kmeans算法、超網(wǎng)絡分析等方法和情感分析等角度，呈現(xiàn)研究多元化的趨勢。

四、結論與展望

筆者在中國知網(wǎng)檢索“微博”“輿情”兩個關鍵詞得到2011～2019年700篇微博網(wǎng)絡輿情檢索文獻，運用文獻計量法，通過檢索文獻的發(fā)文數(shù)量、發(fā)文機構、發(fā)文期刊、發(fā)文基金、發(fā)文下載量與被引頻次、關鍵詞進行了可視化分析，并構建了關鍵詞知識圖譜。研究提示了該領域的主要成果、發(fā)展趨勢及未來研究方向。

（一）網(wǎng)絡輿情研究方式的多樣性趨勢

通過可視化分析發(fā)現(xiàn)，對微博網(wǎng)絡輿情的研究在2014年達到頂峰后便逐年下降，與近年來網(wǎng)絡輿情較高的熱度相反。造成這種結果的原因是多種自媒體平臺的興起，導致輿情研究對象多樣化，相關研究分散到各種新媒體平臺如微信、短視頻等。在發(fā)文機構統(tǒng)計中，高校仍是微博網(wǎng)絡輿情研究的主體，科研院所較少利用微博進行網(wǎng)絡輿情研究。而微博作為傳播速度快、用戶基數(shù)大、熱點顯示直觀、內容易挖掘的中國頭號社區(qū)軟件和處于世界前列的社交軟件，用來進行網(wǎng)絡輿情研究是較為合適的平臺。因此，對于網(wǎng)絡輿情研究領域的學者來說，通過微博進行網(wǎng)絡輿情研究是亟待加強的重點，特別是微博中大量的圖片與視頻仍處于待開發(fā)狀態(tài)。所以當前的微博網(wǎng)絡輿情并未研究透徹，仍存在較大的可研究空間。

（二）微博網(wǎng)絡輿情研究已初步形成體系

從微博網(wǎng)絡輿情發(fā)文期刊來看，發(fā)現(xiàn)整體發(fā)文集中于新聞傳播類和情報類期刊中，核心期刊的載文數(shù)量可觀，非核心期刊的種類較多，這說明關于微博網(wǎng)絡輿情研究的文章質量較高，形成了以新聞傳播類和情報類為主體的研究體系。從關鍵詞來看，頻次較高的關鍵詞如“政務微博”“社會網(wǎng)絡分析”“意見領袖”“突發(fā)事件”“高?！薄靶旅襟w”，已經(jīng)指明了微博網(wǎng)絡輿情的發(fā)展方向，構建成一個初具規(guī)模的知識圖譜。

（三）今后微博網(wǎng)絡輿情研究的關注點

1.更多細分微博主體的深度研究

在構建知識圖譜的過程中，頻次較高的關鍵詞包括“政務微博”“新媒體”“大學生”“意見領袖”等，分別對應著政府、網(wǎng)絡媒體、大學生、意見領袖等微博主體。這些主體無論是在數(shù)量上還是在影響力上，均在微博中發(fā)揮了巨大的輿情引導作用。微博主體的研究更為細化，也更加深入、具有針對性。

2.采用創(chuàng)新方法的微博網(wǎng)絡輿情研究

通過統(tǒng)計700篇文獻發(fā)現(xiàn)，主流研究方法包括以下3種微博網(wǎng)絡輿情的分析方式：情感分析、社會網(wǎng)絡分析、輿情監(jiān)測分析等。情感分析是對帶有主觀意識的文本內容進行推理、分析和歸納總結的過程[6]。社會網(wǎng)絡分析是把社會系統(tǒng)中各部分之間的關系以網(wǎng)絡的形式表達出來并進行分析[7]。輿情監(jiān)測分析是通過對網(wǎng)絡信息的監(jiān)測實現(xiàn)網(wǎng)絡輿情分析。三種分析方式既相互獨立又互有聯(lián)系，并均對微博網(wǎng)絡輿情進行了不同角度的研究。隨著機器視覺、人工智能理論方法的推廣，今后的研究方法將會得到進一步創(chuàng)新，特別是對微博中圖片與視頻的研究方法的創(chuàng)新。

3.圖像與視頻的微博網(wǎng)絡輿情研究

上述國內的微博網(wǎng)絡輿情研究仍是對微博中的文字進行分析與挖掘，缺少對微博中圖片與視頻的輿情分析。與文字相比，圖像與視頻作為承載信息量更大的載體，能夠傳播更多的網(wǎng)絡輿情，同時，網(wǎng)絡輿情的監(jiān)管難度也更大。例如，微博信息中存在大量的虛假圖像與視頻會嚴重影響網(wǎng)絡輿論，而造假手段更是多樣，可分為拍攝角度誤導、圖像與視頻合成與刪減等主要造假方式[8]。我國相對國外相關研究，圖像與視頻的網(wǎng)絡輿情研究文獻很少，尚有較大研究空間。隨著研究的深入，圖像與視頻的輿情研究必將成為微博網(wǎng)絡輿情研究中的重點方向之一。

參考文獻：

[1]新浪財經(jīng).微博發(fā)布2020年第二季度財報[EB/OL].https：//finance.sina.com.cn/stock/c/2020-09-28/doc-iivhvpwy9362473.shtml？source=cj&source=hfquote&q=$（key），2020-09-28.

[2]朱亮，孟憲學.文獻計量法與內容分析法比較研究[J].圖書館工作與研究，2013（6）：64-66.

[3]Chen C.CiteSpace II： Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology， 2006， 57（3）：359-377.

[4]Chaomei Chen. Searching for intellectual turning points： Progressive knowledge domain visualization[J]. Proc Natl Acad Sci U S A， 2004， 101（suppl）：5303-5310.

[5]陳悅，陳超美，劉則淵，等.CiteSpace知識圖譜的方法論功能[J].科學學研究，2015，33（2）：242-253.

[6]Vasileios Hatzivassiloglou， Kathleen R.McKeown. Predicting the Semantic Orientation of Adjectives[C].In： Proceedings of the 35th Annual Meeting of the Association for Computational Linguistics and Eighth Conference of the European Chapter of the Association for Computational Linguistics， Stroudsburg，PA_USA_ 1997： 174-181.

[7]湯匯道.社會網(wǎng)絡分析法述評[J].學術界，2009（3）：205-208.

[8]Junliu Zhong，Yanfen Gan，Janson Young，Lian Huang.Research on Network Digital Image Information Public Opinion Incident Prevention[P].Proceedings of the 2016 International Conference on Management Science and Innovative Education，2016.

[責任編輯：艾涓]