周高琴

【內(nèi)容摘要】本文以“知網(wǎng)”“萬方”和“維普”為數(shù)據(jù)源篩選相關(guān)領(lǐng)域代表性研究文獻，對突發(fā)事件中網(wǎng)絡情緒測量與預警的已有研究進行了系統(tǒng)綜述，認為相關(guān)研究頗具現(xiàn)實導向性和技術(shù)應用性，但在理論建構(gòu)方面存在不足，需借鑒多學科成果提供成熟的理論支撐;另外，長期追蹤研究和多類綜合研究也比較少，需完善信息預案庫提升研究層次。

【關(guān)鍵詞】突發(fā)事件;網(wǎng)絡情緒;情緒測量;情緒預警

近年來，突發(fā)事件中的網(wǎng)絡信息流動總攜帶著比較顯著的情緒色彩，給社會應急管理帶來不少新的挑戰(zhàn)。普通意義上的“情緒”是指個體因某種外部刺激所致的突發(fā)反應，而“網(wǎng)絡情緒”則更多地指向“網(wǎng)民”這類對象，是一種具有共享性的群體心理體驗。

在網(wǎng)絡空間，情緒尤其是負面情緒的集聚、共振極易強化群體的非理性認知，從而放大公共風險。有文獻指出，網(wǎng)絡情緒是突發(fā)事件輿情系統(tǒng)中的重要效能因素，它們的演化常常會影響整個事件的輿論發(fā)展走向;①對于信息時代的突發(fā)事件，網(wǎng)民情緒往往是決定其影響程度的重要因子。②目前，突發(fā)事件中的網(wǎng)絡情緒問題已經(jīng)引發(fā)社會的強烈關(guān)注，并成為學界的研究熱點。研究者認為，測量突發(fā)事件中的群體情緒演化，建構(gòu)有效的預警干預機制是提升政府應急能力的重大課題。③通常，情緒的測量又是建立在情緒結(jié)構(gòu)的把握基礎(chǔ)之上。故此，本文擬從突發(fā)事件網(wǎng)絡情緒的結(jié)構(gòu)、測量與預警這些方面展開，通過文本分析法，歸納國內(nèi)學術(shù)界的相關(guān)研究現(xiàn)狀。

為了較為全面地獲取研究資料，本文以“知網(wǎng)”“萬方”和“維普”為數(shù)據(jù)源，將“網(wǎng)絡情緒”“網(wǎng)民情緒”“用戶情緒”“社會情緒”“網(wǎng)絡輿情”與“突發(fā)事件”“情緒測量”“情緒預警”作為主題詞進行組合檢索，最后篩選出46篇相關(guān)文獻。

一、突發(fā)事件中網(wǎng)絡情緒的結(jié)構(gòu)研究

目前，學術(shù)界針對情緒結(jié)構(gòu)的研究大致有兩條路徑：其一是分類取向（categorical approach），主要是剖析情緒的基本或者復合成分的構(gòu)成;其二是維度取向（dimension approach），大多以情緒的向度和強度為基點探討其特征。

（一）突發(fā)事件中網(wǎng)絡情緒的分類取向

情緒分類取向研究旨在通過某個標準，將情緒分成獨立、具體且有限的幾種情感狀態(tài)。在這類研究看來，每種基本情緒都有著獨特的內(nèi)部機制與外在表現(xiàn)，分類取向就是要識別情緒中某些穩(wěn)定的、突出的情感指向。

與傳統(tǒng)的社會情緒相比，互聯(lián)網(wǎng)環(huán)境下的情緒更加動態(tài)多變，研究者在不同的事件、不同的情境中，對網(wǎng)絡情緒作出了不同的分類。以“李某某案”為例，廖為民對網(wǎng)絡輿情爆發(fā)時的社會情緒進行了分析，從242條微博評論中梳理出10種情緒類型：罵人、感嘆、反諷、起哄、感慨、譏諷、調(diào)侃、諷刺、無語和警示。④唐超以“群眾圍堵酒駕司機砸車”事件為研究對象，把百度貼吧中的網(wǎng)民發(fā)言作為樣本內(nèi)容，從中整理出7種情緒構(gòu)成：理性、同情、支持政府、憤怒、諷刺、失望和不信任，其研究表示，后四種情緒正是造成網(wǎng)絡情緒自組織系統(tǒng)走向無序的關(guān)鍵點。⑤在“溫州動車事故”案例中，葉永豪等人聚焦具有社會性和利群性的道德情緒，他們收集兩萬多條微博數(shù)據(jù)，從中解析出憤怒、厭惡、鄙視、同情和愛這五種主導的道德情緒。⑥不過，這種專門從某個角度對某種屬性情緒進行分類的研究并不多見。

綜合上述研究，可觀察到當前的網(wǎng)絡情緒分類取向多依托于突發(fā)社會公共事件，情緒的分類指標一般比較多，由此可見其復雜性。在情緒色彩方面，負面情感指向非常明顯。

（二）突發(fā)事件中網(wǎng)絡情緒的維度取向

情緒維度取向研究認為，情緒是一種模糊的連續(xù)體，其中的各種情感成分高度相關(guān)但難以區(qū)分，應該用維度闡釋情緒的結(jié)構(gòu)，以便發(fā)現(xiàn)不同層面的情緒及其表現(xiàn)出的特征。

針對突發(fā)事件中的網(wǎng)絡情緒，常用的基礎(chǔ)結(jié)構(gòu)維度是“消極—積極”模型，這在文宏⑦、鐘智錦⑧等人的研究中均可見到。以該模型為基礎(chǔ)，描述從一個極端通過中間點到另一個極端的情緒維度較為普遍。比如靳明、靳濤等將黃金大米事件中的網(wǎng)民情緒基調(diào)分為三個維度：積極情緒、中立情緒和消極情緒;⑨馮蘭萍、嚴雪等根據(jù)情感值的大小，將突發(fā)事件中的微博評論情緒分為正面（>0）、中立（=0）和負面情緒（<0）。也有的研究者將情緒的強度進一步細化，發(fā)展出四維的情緒結(jié)構(gòu)模型。例如趙衛(wèi)東和趙旭東等以某次邊疆突發(fā)暴力事件為例，將其從1-10分為四個強度區(qū)間：極端負情緒、負情緒、正情緒和極端正情緒，在事件的演化中，這些負情緒不斷轉(zhuǎn)化為極端負情緒。⑩

除此之外，一些研究也采用了“效價—喚醒”維度（矢量模型）進行網(wǎng)絡情緒評估。例如周莉、蔡璐等選取了“巴黎暴恐”事件，立足于Tsai的情緒維度理論，歸納了四種情緒效價組合：正情緒+高喚醒度、負情緒+高喚醒度、負情緒+低喚醒度、正情緒+低喚醒度。他們的研究指出，“巴黎暴恐”事件中的網(wǎng)絡情緒具有高喚醒度和高參與度的特點，其中情緒喚醒度是催生社會性傳播行為的重要因素。在傳統(tǒng)時代的情緒取向研究中，“效價—喚醒”維度較為常見，但針對突發(fā)事件的網(wǎng)絡情緒考察，采用該維度的研究還并不多。

當前，突發(fā)事件的網(wǎng)絡情緒模型以二、三維居多，主要根據(jù)極性和強度表示情緒之間的關(guān)系。相關(guān)研究對傳統(tǒng)情緒維度理論的借鑒較多，在情緒矢量模型上的探討有待多樣化。

二、突發(fā)事件中網(wǎng)絡情緒的測量

（一）情緒測量的對象

在情緒分析中，情緒測量一直是個難點。傳統(tǒng)的情緒測量有自我報告測量、驚愕反應測量、信息處理風格測量和推理量表測量等手段，但這些常規(guī)的實驗法和量表法難以用于網(wǎng)絡平臺的情緒測量。針對突發(fā)事件中的網(wǎng)絡情緒，很多研究者將輿情爆發(fā)時出現(xiàn)的網(wǎng)絡數(shù)據(jù)作為研究材料，經(jīng)過數(shù)據(jù)篩選和清洗之后，再進行情緒分析。

從體量上來看，這些網(wǎng)絡上的文本數(shù)據(jù)大致可分為兩類：其一是小數(shù)據(jù)樣本。例如在“李某某案”中，為集中描繪輿情爆發(fā)后的圍觀者心態(tài)圖景，研究者聚焦最早披露該案的某位編輯的微博信息，收集其有效的評論轉(zhuǎn)發(fā)信息，選定前面的500條信息，最終獲得兩萬字左右的情緒測量樣本。其二是大數(shù)據(jù)樣本。例如在“紅黃藍事件”中，依靠拓爾思大數(shù)據(jù)平臺，相關(guān)研究從460萬條微博數(shù)據(jù)中抽取2.2%作為樣本，最終采集到6萬多條有效的數(shù)據(jù)。在大數(shù)據(jù)提取上，通過Python編程編寫爬蟲跨網(wǎng)頁提取信息是當前的重要手段，除了主頁信息，有的研究也會通過二次爬取，獲取用戶ID、性別、粉絲數(shù)、地理位置等其他屬性數(shù)據(jù)以做深化分析。至于網(wǎng)絡情緒的生成主體類型，目前尚無統(tǒng)一的劃分方式，從信息行為的角度，可將其分為信息加工者、信息搜索者和信息傳播者等七種類型;從網(wǎng)民表達的特征角度，可將其分為積極傳播者、消極傳播者和理性參與者等四種類型。

不難發(fā)現(xiàn)，在突發(fā)事件中，網(wǎng)絡情緒的發(fā)生主體比較多元，無論是小樣本還是大樣本的情緒測量，其文本對象大多源自事件的關(guān)鍵性網(wǎng)絡信息、事件的相關(guān)網(wǎng)絡評論等。

（二）情緒測量的方法

網(wǎng)絡情緒的測量涉及數(shù)據(jù)檢索、信息抽取、文本挖掘和自然語言處理等多個方面，從測量路徑來看，其測量的方法主要有以下幾種：

1.基于情感詞典的情緒分析

情感詞典是判斷文本情緒傾向的一項重要工具，目前多數(shù)詞典是通過人工所建構(gòu)，首先需要閱讀大量語料，標記具有情緒傾向的詞語、句子、篇幅等內(nèi)容，再根據(jù)其情緒的極性、強度和語義方向建構(gòu)相應的分類器。由此一來，通過語義分析提取關(guān)鍵詞的詞典得以編成構(gòu)成。

面向突發(fā)事件中的網(wǎng)絡情緒，利用情感詞典進行判別的方式大致有三類：其一是借助通用的情感詞典直接判別網(wǎng)絡情緒。在中文文本處理方面，知網(wǎng)的HowNet、臺灣大學的NTUSD和大連理工的DUTIR等是最常用的幾個開放情感詞典。其二是拓展通用情感詞典以構(gòu)成新詞典。例如，李長榮、曹彥波等人以大連理工的情感詞匯本體庫為基礎(chǔ)，對現(xiàn)有的情感詞典進行拓展，建立起新的情緒詞匯庫。其三是根據(jù)語料建構(gòu)專用性的情感詞典。有的研究者認為，通用情感詞典的穩(wěn)定性很好，不過其領(lǐng)域適應性一般，在對突發(fā)事件展開情緒分析時適用性不足，有必要建立更準確的突發(fā)領(lǐng)域情感詞典。例如，針對暴雨洪澇期間的網(wǎng)民情緒，周莉和楊小莉以近5年的微博評論文本為語料，通過人工提取網(wǎng)絡情緒關(guān)鍵詞并進行賦值，建立起“突發(fā)事件·暴雨洪澇”情感詞典，該詞典包括悲傷、擔憂和關(guān)心等7個情緒類別，各類詞匯共計611個。由于人工建構(gòu)情感詞典的工作比較復雜繁重，一些研究者開始探討情感詞典的自動構(gòu)建方法，例如崔彥琛、張鵬等人使用PMI-IR、S0-PMI等算法，建立消防事件網(wǎng)絡輿情情感詞典。整體來看，學術(shù)界中面向突發(fā)事件領(lǐng)域的情感詞典不多，而自動構(gòu)建的突發(fā)專用情感詞典仍有待開發(fā)。

情感詞典能夠快速地完成給定文本的情緒識別，但在實際的研究中，這類方法仍面臨不少的難題。諸如，在新詞匯層出不窮的網(wǎng)絡時代，如何提升情感詞典的完整性和包容性？面對褒詞貶用、貶詞褒用或者一詞多義的中文時，情感詞典如何判定文本的情緒傾向……

2.基于機器學習的情緒分析

這是一種通過訓練集和分類器識別文本情緒的方法，目前基于機器學習的情緒分析有兩類：“有監(jiān)督”的情緒算法、基于深度學習的情緒算法。

“有監(jiān)督”的情緒算法步驟大致分為兩步：首先是建立語料庫，一部分語料作為訓練集，剩下的語料用作測試集;再者，將人工標注好情緒極性的詞匯作為訓練集，通過機器學習算法建立分類器模型，再用模型對新輸入的文本映射出相應的結(jié)果。常用的文本分類算法有支持向量機、樸素貝葉斯、梯度提升樹和最大熵等機器學習模型。其中，樸素貝葉斯分類器是頗受歡迎的一種機器模型。一些研究者認為，樸素貝葉斯原理簡單且分類可靠，在文本分類方面的優(yōu)勢獨特。他們以“天津8·12事件”為例，用樸素貝葉斯分類器評定15164條微博評論的情緒傾向，獲取文本情緒屬于正向的概率，進而建立該事件的網(wǎng)絡輿情態(tài)勢演化模型。為了更好地把握突發(fā)事件中網(wǎng)絡用戶的情緒問題，有的研究會同時采用兩種算法進行情緒分析，他們首先通過貝葉斯分類器計算出文本的情緒傾向度，以此建構(gòu)用戶畫像庫，再通過梯度提升樹進行建模訓練，建立一個基于畫像屬性的情緒預測模型，達成預測用戶每個階段情感傾向的目的。基于監(jiān)督的機器學習提供了諸多的情緒分類方法，不過，它們需要依賴大量人工標注的語料數(shù)據(jù)，在構(gòu)造訓練集的時候還應盡量保持與實際測試集的數(shù)據(jù)分布相近。此外，它們一般都是淺層模型，在算法上也存在一定的局限，如，不能高效地判定較為復雜的文本表述模式，很難識別字數(shù)不足、信息較少的文本情緒等。

相對于淺層模型，深度學習能夠自動從原始數(shù)據(jù)中學習層次化的特征，并充分地考慮上下文信息，以及高效地表達數(shù)據(jù)中包含的復雜模式，在解決短文本情感分類問題上效用相對較好。常用的深度模型有深度神經(jīng)網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、長短記憶神經(jīng)網(wǎng)絡和堆疊自編碼器等，其中，一些深度模型循環(huán)神經(jīng)網(wǎng)絡存在梯度爆炸抑或消失的問題，增加了門結(jié)構(gòu)的長短記憶神經(jīng)網(wǎng)絡可以解決這個問題，因此，現(xiàn)階段的一些研究偏向于利用長短記憶神經(jīng)網(wǎng)絡進行情緒分析?；陂L短記憶神經(jīng)網(wǎng)絡模型，金占勇和田亞鵬等建立了災害事件網(wǎng)絡輿情情感識別模型，通過對突發(fā)自然災害事件進行實證研究，他們認為該模型的情緒識別效果要優(yōu)于卷積神經(jīng)網(wǎng)絡和支持向量機算法。陳凌、宋衍欣引入長短時記憶神經(jīng)網(wǎng)絡模型，識別臺風“利奇馬”中微博用戶的情緒，建立了一種用于分析用戶情緒上下文的LSTM模型。在突發(fā)事件領(lǐng)域，相比基于監(jiān)督的情緒識別，基于深度學習的情緒分析成果并不多，長短記憶神經(jīng)網(wǎng)絡模型的應用正處于開發(fā)期，學界傾向于利用其來研究突發(fā)災害事件中的網(wǎng)民情緒問題。

鑒于語義詞典與機器學習的路徑各有所長，有學者提議將兩者做結(jié)合分析，這類研究在其他領(lǐng)域已有開展，但在突發(fā)事件方面的應用還處于起步階段，可成為未來的一個重要趨向。

三、突發(fā)事件中網(wǎng)絡情緒的預警

監(jiān)測是實現(xiàn)突發(fā)事件預警的基礎(chǔ)和前提，網(wǎng)絡情緒預警則是監(jiān)測的目的，是網(wǎng)絡輿情管理的重要環(huán)節(jié)，可為管理者提供識別輿情風險、評估輿情危機的機會，以便他們采取有效的應對措施。針對突發(fā)事件中的網(wǎng)絡情緒預警，涉及的研究議題大致如下：

（一）突發(fā)事件中網(wǎng)絡情緒的預警指標

在現(xiàn)有文獻中，網(wǎng)絡情緒大多作為二級指標或者三級指標，出現(xiàn)在網(wǎng)絡輿情預警指標體系中。例如，有的研究者構(gòu)建了暴恐事件網(wǎng)絡輿情風險預警指標體系，在一級指標“網(wǎng)民反應”中設置了“網(wǎng)民情緒”這個二級指標，并將其分為“情緒分布”和“轉(zhuǎn)移程度”，采用的測量方法分別是客觀數(shù)據(jù)和開放式問卷，通過權(quán)重計算，提出“情緒分布”是高風險指標。有的研究者構(gòu)建了旅游危機事件網(wǎng)絡輿情監(jiān)測預警指標體系，在準則層“輿情本體”的因素層“信息內(nèi)容”中設置了“意見情緒狀況”指標，其權(quán)重為0.0221。同樣，在突發(fā)事件網(wǎng)絡謠言危機預警指標體系中，在一級指標“網(wǎng)絡謠言狀態(tài)”亦可見“網(wǎng)民情緒傾向”二級指標，但在該指標的量化說明及數(shù)據(jù)獲取方式上，其論述不夠明確。

雖然，也有少數(shù)學者涉足突發(fā)事件網(wǎng)絡情緒預警指標體系的研究，但相關(guān)研究還處于發(fā)展階段。例如，劉志明和劉魯初步提出了一套突發(fā)事件情緒異常波動預警指標集，該指標集包含了兩類指標：整體情緒指標和單一情緒指標，前者包含了情緒分布度和情緒分布變化率，后者包含了情緒熱度和情緒拐度。他們結(jié)合指標集，從時空維度定義了幾種情緒異常模式，其研究更多的是一種探索性研究，并沒有涉及對異常的詳細分析。

當前關(guān)于網(wǎng)絡輿情預警指標已有較多研究，但相關(guān)研究在定義指標時，對用戶情緒因素關(guān)注不足，面向突發(fā)事件專門探索網(wǎng)絡情緒預警指標體系的研究比較少，有待進一步拓展。

（二）突發(fā)事件中網(wǎng)絡情緒的預警級別

網(wǎng)絡情緒預警等級標識所監(jiān)測到的情緒風險轉(zhuǎn)化為情緒危機的可能性程度是一個重要的指標，預警等級越高，事態(tài)危機的可能性越大。在突發(fā)事件應急管理中，設定預警級別可有效控制危機發(fā)展。

在設置預警級別時，研究者通常將其分為四個層面，從低到高依次用藍色、黃色、橙色和紅色來加以表示，并普遍認為黃色代表警戒線。從文獻成果來看，學術(shù)界涉及情緒預警級別的研究大致有兩類：其一是利用情緒進行網(wǎng)絡輿情預警。有部分研究嘗試計算情緒得分，據(jù)此進行網(wǎng)絡輿情預警。比如，李繼紅賦予了不同預警色不同的情感值：藍色為情感值50分以下，黃色為情感值50-70分，橙色為情感值70-85分，紅色為情感值85分以上，由此將網(wǎng)絡輿情警級分為輕警級、中警級、重警級和巨警級。在參考李繼紅設定的情緒值的基礎(chǔ)上，田千金對爆發(fā)期和蔓延期的輿情危機進行預警，將危機分為Ⅰ級（一般危險）、Ⅱ級（較大危險）、Ⅲ級（重大危險）和Ⅳ級（特大危險）這幾類警級。也有少數(shù)研究是根據(jù)觀點的數(shù)量劃分輿情警級，在“鄭州交警撞死嬰兒事件”中，通過采集微博數(shù)據(jù)，研究認為，不利于社會和諧的輿論超過了整體評論的1/4，應采取黃色Ⅱ級預警級別。其二是根據(jù)情緒的生命狀態(tài)，結(jié)合國際或國內(nèi)慣例，設置預警級別專門進行情緒預警。例如，劉志明、劉魯基于Aging theory模型，設計了面向突發(fā)事件的微博負面情緒生命周期模型，依照我國相關(guān)機構(gòu)對突發(fā)事件的管理規(guī)定，將用戶負面情緒預警劃分為輕度活躍（IV級）、中度活躍（III級）、非常活躍（II級） 和特別活躍（I級）。可是，這種專門性的情緒預警級別研究并不多見。

由上可見，在突發(fā)事件領(lǐng)域，情緒預警級別的研究更多地依附于網(wǎng)絡輿情預警的大范疇內(nèi)，縱深的、專門性的研究比較薄弱，無論是理論還是應用層面都需要不斷加強。

（三）突發(fā)事件中網(wǎng)絡情緒的預警機制

預警機制是指能靈敏識別風險并及時提供警示的制度、機構(gòu)等構(gòu)建的系統(tǒng)，其作用在于通過超前反應來防患于未然。突發(fā)事件中，建立情緒預警機制能有效輔助相關(guān)部門進行決策。

研究者認識到，必須建立和完善網(wǎng)民情緒監(jiān)測預警機制，準確掌控網(wǎng)民情緒變化，按照相應等級啟動情緒干預措施，強化網(wǎng)民抗干擾能力。但在具體的機制探討上，相關(guān)文獻并不多，且主要集中在技術(shù)分析層面。面對突發(fā)事件中的群體情緒，有研究者設計了一套情緒監(jiān)控預警模型，它由主題檢測與跟蹤模塊、主題評論的情緒層次分類模塊和時空模式分析與預警模塊這幾部分組成。不過，該模型還只是一個初步的探討，在情緒的針對性、不同情緒的演化模式等方面尚未進行深入的探索。有研究者在分析公眾恐慌的起因及特點的基礎(chǔ)上，建構(gòu)了一個網(wǎng)絡輿情監(jiān)測與恐慌度量系統(tǒng)，該系統(tǒng)主要包括信息收集、信息預處理、數(shù)據(jù)庫和顯示控制等模塊，可以按照不同的要求篩選信息，進行多樣化的圖形展示和模型度量。但該恐慌度量與監(jiān)測系統(tǒng)在帖子文本識別上仍需提升，也需要在大量實際案例的測試中改進。也有研究者認為，網(wǎng)絡公共情緒預警機制應遵循可測量、延續(xù)性、準確性和導向性的原則，包括情緒跟蹤檢測、情緒整理加工以及判斷分析、情緒警報等多個系統(tǒng)，并建立從線上到線下的雙層組織體系。然而，這種多維度的情緒預警機制研究較少，有待進一步豐富。

四、研究述評與展望

（一）研究的基本特點

通過梳理現(xiàn)有文獻，可以發(fā)現(xiàn)，突發(fā)事件中網(wǎng)絡情緒的測量與預警研究呈現(xiàn)以下特點：

1.技術(shù)應用性

當前研究關(guān)注技術(shù)應用層面，即通過技術(shù)的方式實現(xiàn)突發(fā)事件中網(wǎng)絡情緒的測量與預警，因此，各種工具、模型和方法被不斷提出，卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡以及長短記憶神網(wǎng)絡等深度學習模型已經(jīng)成為文本情緒分析領(lǐng)域的重要方向。從情報信息技術(shù)的角度探討網(wǎng)絡情緒的預警機制也比較熱門，研究者試圖借助多層模塊技術(shù)提升情緒預警水平。大數(shù)據(jù)時代，學術(shù)界則思考如何應用大數(shù)據(jù)分析技術(shù)提高情緒測量、預警的效果。

2.現(xiàn)實導向性

當前研究以控制突發(fā)事件中的網(wǎng)絡輿情為目的，結(jié)合特定的案例進行情緒的測量與預警分析，整體研究的現(xiàn)實導向性比較強。在事件類型上，旅游危機事件、暴恐事件、環(huán)境群體性事件和災害事件均有涉及，其中，社會公共事件的學術(shù)關(guān)注度更高;在研究方法上，往往以網(wǎng)民評論為關(guān)鍵材料進行情緒測量的實驗分析，運用德爾菲法或?qū)哟畏治龇ń?gòu)情緒預警指標，再用特定案例進行實證模擬，以保證其具有一定的指示性作用。

（二）現(xiàn)有研究的不足與繼續(xù)研究空間

1.理論建構(gòu)不足，需借鑒多學科成果提供成熟的理論支撐

在現(xiàn)有文獻中，有關(guān)突發(fā)事件中網(wǎng)絡情緒的研究理論框架并不完善，不少議題被分散在公共輿論、情緒危機以及應急管理等研究之中，呈現(xiàn)出碎片化的現(xiàn)象，這反映出該領(lǐng)域基礎(chǔ)理論構(gòu)建上的不足。由于理論建設上的薄弱，一些研究往往淺嘗輒止，無法縱深地、多維度地展開。并且，突發(fā)事件中的網(wǎng)絡情緒問題往往會涉及多學科的知識應用，但目前整體研究缺乏學科協(xié)同、系統(tǒng)化的理論成果，造成部分研究將復雜情緒進行簡單化處理的結(jié)果。

加強理論研究，對于厘清突發(fā)事件中網(wǎng)絡情緒的構(gòu)成成分、影響因素等問題，以及提高情緒測量與預警效果，都具有重要意義?，F(xiàn)有研究應發(fā)展系統(tǒng)的理論研究，建構(gòu)且完善相應的研究框架，促進理論與應用的融合，同時也要重視跨學科研究，有效借鑒吸收社會心理學、信息傳播學和公共管理學等相關(guān)學科的成果，在交叉學科背景下深度剖析網(wǎng)民情緒，為突發(fā)事件中的用戶情緒應對提供多方位的理論支撐，推動網(wǎng)絡情緒測量與預警機制的科學發(fā)展。

2.長期追蹤研究和多類綜合研究較少，需完善信息預案庫提升研究層次

突發(fā)事件中網(wǎng)絡情緒的測量與預警涉及一系列復雜的問題，其研究需要一個典型的、全面的信息預案庫的支撐。然而，目前的研究并沒有相對完整的知識庫作為后備，很多數(shù)據(jù)來源比較分散且系統(tǒng)性不足，因此，分階段、追蹤式的研究就難以開展。再者，就突發(fā)事件本身而言，它們的類型多樣化，所導致的具體情境也各不相同，這便決定了網(wǎng)民情緒的測量與預警要面對復雜的情境預設。而現(xiàn)有的研究多是單案例研究，以某個特定形態(tài)的具體事件為對象進行定量分析，很少出現(xiàn)針對多種類型突發(fā)事件的綜合研究。此外，即便是在某個具體的情境下，用戶群體的多樣化也致使相關(guān)問題的研究必然是個復雜的過程。

完善突發(fā)事件網(wǎng)民情緒信息預案庫，可更好地了解異構(gòu)信息整合方式，有助于推進歷時性的長期跟蹤分析，進一步優(yōu)化當前的情緒測量、預警機制研究。由于突發(fā)事件具有多種類型，網(wǎng)民情緒也常常表現(xiàn)出多種形態(tài)，從而使得實際中的網(wǎng)絡輿情帶有極大的不確定性，因此，未來需拓展研究路徑，加強多案例的綜合研判，從宏觀、微觀等不同層面深化對研究對象的認識，以便有效化解網(wǎng)絡情緒應對實踐中的諸多問題。

注釋：

①葉瓊元、蘭月新、王強等：《面向突發(fā)事件的網(wǎng)民情緒演化系統(tǒng)動力學模型研究》，《情報雜志》2017年第9期。

②凌晨、馮俊文、楊爽等：《突發(fā)事件中網(wǎng)民負面情緒的應急響應研究綜述》，《情報雜志》2017年第11期。

③楊德生、程慧、葉綺娜：《重大突發(fā)事件對群體情緒的影響測度及預警干預研究——以新冠肺炎疫情為例》，轉(zhuǎn)引自《第七屆全國大學生統(tǒng)計建模大賽優(yōu)秀論文集》，中國統(tǒng)計教育學會2020年版，第54頁。

④廖衛(wèi)民：《網(wǎng)絡輿情爆發(fā)時的社會情緒測量及其結(jié)構(gòu)分析——以李某某案為例》，《浙江理工大學學報（社會科學版）》2016年第2期。

⑤唐超：《網(wǎng)絡情緒演進的實證研究》，《情報雜志》2012年第10期。

⑥葉勇豪、許燕、朱一杰等：《網(wǎng)民對“人禍”事件的道德情緒特點——基于微博大數(shù)據(jù)研究》，《心理學報》2016年第3期。

⑦文宏：《網(wǎng)絡群體性事件中輿情導向與政府回應的邏輯互動——基于“雪鄉(xiāng)”事件大數(shù)據(jù)的情感分析》，《政治學研究》2019年第1期。

⑧鐘智錦、廖小歐、游宇霞：《網(wǎng)絡社區(qū)中的情緒感染現(xiàn)象——基于環(huán)境類議題與愛國主義類議題的實證研究》，《新聞記者》2019年第9期。

⑨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》，《浙江社會科學》2013年第6期。

⑩趙衛(wèi)東、趙旭東、戴偉輝等：《突發(fā)事件的網(wǎng)絡情緒傳播機制及仿真研究》，《系統(tǒng)工程理論與實踐》2015年第10期。

周莉、蔡璐、劉煜：《文化差異中的網(wǎng)絡情緒表達——YouTube中四國對“巴黎暴恐”事件的網(wǎng)絡情緒分析》，《情報雜志》2017年第3期。

劉念、丁漢青：《從憤怒到厭惡：危機事件中公眾的情緒圖景》，《新聞大學》2020年第12期。

湯志偉、閏瀚楠：《公共危機情境下網(wǎng)絡空間群體信息選擇偏好的實證研究》，《情報雜志》2013年第6期。

蔡璐：《突發(fā)事件中的網(wǎng)絡情緒表達——以2016年武漢特大暴雨中的微博評論為例》，華中師范大學2017年碩士學位論文。

李長榮、紀雪梅、郭鳳儀：《突發(fā)公共衛(wèi)生事件中在線健康社區(qū)關(guān)鍵用戶的情感表達特征研究》，《現(xiàn)代情報》2021年第7期。

曹彥波：《基于社交媒體的地震災區(qū)民眾情緒反應分析》，《地震研究》2019年第2期。

周莉、楊小儷：《面向突發(fā)事件應急管理的情感詞典構(gòu)建——以“暴雨洪澇”災害為例》，《武漢理工大學學報（社會科學版）》2019年第4期。

任中杰、張鵬、蘭月新等：《面向突發(fā)事件的網(wǎng)絡用戶畫像情感分析——以天津“8·12”事故為例》，《情報雜志》2019年第11期。

金占勇、田亞鵬、白莽：《基于長短時記憶網(wǎng)絡的突發(fā)災害事件網(wǎng)絡輿情情感識別研究》，《情報科學》2019年第5期。

陳凌、宋衍欣：《基于公眾情緒上下文的LSTM情感分析研究——以臺風“利奇馬”為例》，《現(xiàn)代情報》2020年第6期。

瞿志凱、張秋波、蘭月新等：《暴恐事件網(wǎng)絡輿情風險預警研究》，《情報雜志》2016年第6期。

付業(yè)勤、鄭向敏、鄭文標等：《旅游危機事件網(wǎng)絡輿情的監(jiān)測預警指標體系研究》，《情報雜志》2014年第8期。

劉志明、劉魯：《面向突發(fā)事件的群體情緒監(jiān)控預警》，《系統(tǒng)工程》2010年第7期。

李繼紅：《基于情感計算的網(wǎng)絡輿情預警研究》，南昌大學2016年碩士學位論文。

田千金：《環(huán)境群體性事件網(wǎng)絡輿情演化及預警研究——以中泰垃圾焚燒廠事件為例》，湖南科技大學2018年碩士學位論文。

王雪猛、王玉平：《基于情感傾向分析的突發(fā)事件網(wǎng)絡輿情預警研究》，《西南科技大學學報（哲學社會科學版）》2016年第1期。

劉志明、劉魯：《面向突發(fā)事件的民眾負面情緒生命周期模型》，《管理工程學報》2013年第1期。

李季梅、陳寧、陳安等：《突發(fā)事件的網(wǎng)絡輿情監(jiān)測與恐慌度量系統(tǒng)》，《中國科技資源導刊》2009年第2期。

梁鑫：《網(wǎng)絡公共情緒危機的預警機制研究》，電子科技大學2015年碩士學位論文。