張教萌，師榮蓉

（1.西北大學(xué)數(shù)學(xué)學(xué)院，西安 710127；2.西北大學(xué)經(jīng)濟(jì)與管理學(xué)院，西安 710127）

1 引 言

突發(fā)公共衛(wèi)生事件會(huì)威脅到人們的生命安全和財(cái)產(chǎn)安全，隨即會(huì)產(chǎn)生大范圍的社會(huì)輿情。社會(huì)輿情的表現(xiàn)形式之一是網(wǎng)絡(luò)輿情，然而社交平臺(tái)用戶(hù)的發(fā)言存在有主張、少依據(jù)、易于情緒化的特征，在突發(fā)事件出現(xiàn)后容易引發(fā)謠言蔓延、群體極化以及利益相關(guān)群體迅速聚集形成群體壓力等危機(jī)，所以需要對(duì)突發(fā)事件下的網(wǎng)絡(luò)輿情進(jìn)行監(jiān)管。微博平臺(tái)作為突發(fā)事件期間獨(dú)特的網(wǎng)絡(luò)輿情信息來(lái)源，蘊(yùn)含豐富的時(shí)空信息，對(duì)事件的態(tài)勢(shì)感知和防控工作有著重要意義。微博數(shù)據(jù)龐大、內(nèi)容混雜，因此，如何通過(guò)從非結(jié)構(gòu)化數(shù)據(jù)中快速提取事件信息，進(jìn)而有效地監(jiān)督互聯(lián)網(wǎng)輿情，并進(jìn)行正確的輿論疏導(dǎo)就顯得尤為必要。本文以“新冠肺炎”為關(guān)鍵字搜索相關(guān)微博，剔除偏僻詞和頻繁詞對(duì)主題提取的影響，先通過(guò)LDA（latent Dirichlet allocation）與LDA2vec串行的方法提取主題，并利用SnowNLP計(jì)算文本情感值，再劃分時(shí)間切片和突發(fā)事件的利益相關(guān)者，最后分別通過(guò)絕對(duì)關(guān)注度和相對(duì)關(guān)注度兩種統(tǒng)計(jì)方式得到利益相關(guān)者的輿論演化模式。通過(guò)分析社交平臺(tái)的輿論演化過(guò)程，發(fā)掘不同利益相關(guān)者的關(guān)注點(diǎn)，厘清利益相關(guān)者之間的影響關(guān)系，將有助于及時(shí)掌握網(wǎng)絡(luò)輿情的演化態(tài)勢(shì)，為政府介入、引導(dǎo)和研判網(wǎng)絡(luò)輿情態(tài)勢(shì)提供理論依據(jù)。另外，及時(shí)對(duì)突發(fā)事件中社交平臺(tái)的信息進(jìn)行復(fù)盤(pán)，也有利于為以后突發(fā)事件的輿論監(jiān)控提供決策參考。

2 相關(guān)研究

近年來(lái)，隨著自然語(yǔ)言處理技術(shù)的進(jìn)步，越來(lái)越多的學(xué)者利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法研究突發(fā)事件的網(wǎng)絡(luò)輿情，這類(lèi)研究主要集中于突發(fā)事件的話(huà)題識(shí)別和情感分析兩個(gè)方面。

關(guān)于突發(fā)事件話(huà)題的識(shí)別主要是利用主題模型對(duì)社交平臺(tái)上某一段時(shí)間內(nèi)的全局話(huà)題做演變分析，進(jìn)而了解不同領(lǐng)域的話(huà)題演變過(guò)程，發(fā)掘不同時(shí)期內(nèi)的熱門(mén)話(huà)題[1]，其中使用最多的是基于LDA的主題模型。針對(duì)突發(fā)社會(huì)安全事件，吳曉娟[2]利用LDA模型分析“藍(lán)色錢(qián)江縱火案”在不同輿情時(shí)期的微博話(huà)題演化過(guò)程。針對(duì)突發(fā)事故災(zāi)難事件，Xiong等[3]基于LDA模型捕捉了“印度金奈水危機(jī)”事件中的熱點(diǎn)話(huà)題，并通過(guò)WordNet計(jì)算主題熱度來(lái)判別一條文本的主題類(lèi)別。針對(duì)突發(fā)自然災(zāi)害事件，Sadri等[4]和Yuan等[5]利用LDA提取颶風(fēng)期間的Twitter數(shù)據(jù)中公眾關(guān)注的問(wèn)題。王艷東等[6]將支持向量機(jī)（support vector machine，SVM）[7]與LDA結(jié)合，先通過(guò)主題建模發(fā)現(xiàn)隱藏在微博文本集合中的主題，再利用SVM進(jìn)行文本主題分類(lèi)，實(shí)現(xiàn)應(yīng)急主題的實(shí)時(shí)分類(lèi)與定位，以獲取突發(fā)自然災(zāi)害的主題趨勢(shì)和空間分布。Wu等[8]以“2016年中國(guó)合肥暴雨洪澇災(zāi)害”為例，將LDA與密度聚類(lèi)算法結(jié)合，以探索空間子類(lèi)別的主題。針對(duì)突發(fā)公共衛(wèi)生事件，趙華等[9]對(duì)H7N9事件中微博和Twit‐ter兩個(gè)平臺(tái)的主題演化差異進(jìn)行了對(duì)比。Wang等[10]利用LDA模型識(shí)別新冠肺炎疫情期間用戶(hù)最常發(fā)布的主題，并結(jié)合點(diǎn)贊量、評(píng)論量和轉(zhuǎn)發(fā)量等數(shù)據(jù)對(duì)不同話(huà)題進(jìn)行了用戶(hù)行為分析，研究了用戶(hù)關(guān)注度的變化和話(huà)題參與度差異。劉雅姝等[11]在突發(fā)事件網(wǎng)民評(píng)論的話(huà)題圖譜上，利用LDA模型提取了話(huà)題圖譜實(shí)體中的話(huà)題和時(shí)間屬性，從多維特征融合角度追蹤突發(fā)事件輿情的演化過(guò)程。

突發(fā)事件網(wǎng)絡(luò)輿情的情感分析是指對(duì)社交平臺(tái)上發(fā)布的相關(guān)文本進(jìn)行文本情感分析，包含文本情感分類(lèi)、情感傳播、情感演化等方面的研究。Nep‐palli等[12]對(duì)“桑迪”颶風(fēng)期間發(fā)布的推特文本進(jìn)行地理標(biāo)記的情感分析，在以颶風(fēng)為中心的地理地圖上可視化在線(xiàn)用戶(hù)的情緒，分析用戶(hù)地理位置與情緒的關(guān)系。Zhang等[13]利用SVM模型對(duì)颶風(fēng)“艾瑪”事件的微博做細(xì)粒度情感分類(lèi)，并在此基礎(chǔ)上使用負(fù)二項(xiàng)回歸分析了情緒和生命周期對(duì)信息傳播的影響，使用雙因素方差分析驗(yàn)證了情緒與生命周期之間的相互作用。崔彥琛等[14]以“藍(lán)色錢(qián)江縱火案”為例，采用詞集合并法、SO-PMI（semantic orientation from pointwise mutual information）、PMIIR（pointwise mutual information and information re‐trieval）等方法構(gòu)建了專(zhuān)屬情感詞典，并基于該情感詞典和時(shí)間序列分析方法進(jìn)行了實(shí)證分析。Huang等[15]由微博轉(zhuǎn)發(fā)關(guān)系構(gòu)建微博用戶(hù)的社會(huì)關(guān)系網(wǎng)絡(luò)，并運(yùn)用社交網(wǎng)絡(luò)分析方法和情感挖掘分析技術(shù)研究了輿論傳播中主體與環(huán)境之間的相互作用和演化機(jī)制。安璐等[16]則在構(gòu)建微博用戶(hù)社會(huì)關(guān)系網(wǎng)絡(luò)的基礎(chǔ)上，將用戶(hù)劃分為不同的利益相關(guān)者類(lèi)型，利用情感詞典與句法分析的方法進(jìn)行情感計(jì)算，將情感計(jì)算結(jié)果嵌入構(gòu)建的社會(huì)網(wǎng)絡(luò)中，得到利益相關(guān)者的社會(huì)網(wǎng)絡(luò)情感圖譜。

已有文獻(xiàn)無(wú)疑是值得肯定和借鑒的，針對(duì)突發(fā)事件網(wǎng)絡(luò)輿情的研究，本文在以下三點(diǎn)加以補(bǔ)充和完善：從研究視角來(lái)講，較少有加入突發(fā)事件利益相關(guān)者視角的研究，然而突發(fā)事件網(wǎng)絡(luò)輿情從醞釀到爆發(fā)是由多個(gè)利益相關(guān)者相互作用產(chǎn)生的結(jié)果，故本文劃分了11類(lèi)突發(fā)公共衛(wèi)生事件的利益相關(guān)者，分別觀察這11類(lèi)利益相關(guān)者在事件發(fā)展過(guò)程中的輿論主題變化和情感變化；從使用的主題模型來(lái)講，已有文獻(xiàn)主要使用基于LDA的改進(jìn)模型，本文使用LDA與LDA2vec串行的方法，不僅提高了單獨(dú)使用LDA模型在大規(guī)模文本數(shù)據(jù)上進(jìn)行主題提取的準(zhǔn)確率，還提高了單獨(dú)使用LDA2vec模型的實(shí)現(xiàn)效率；從統(tǒng)計(jì)分析方法來(lái)講，本文通過(guò)統(tǒng)計(jì)絕對(duì)關(guān)注度和相對(duì)關(guān)注度，得到利益相關(guān)者的絕對(duì)關(guān)注話(huà)題演化和相對(duì)關(guān)注話(huà)題演化過(guò)程，既縱向?qū)Ρ攘死嫦嚓P(guān)者自身對(duì)不同話(huà)題的關(guān)注程度，又橫向?qū)Ρ攘死嫦嚓P(guān)者相比于其他利益群體對(duì)話(huà)題的興趣差異。因此，本文使用LDA與LDA2Vec串行模型提取主題，借助SnowNLP判別文本情感傾向，研究突發(fā)公共衛(wèi)生事件中利益相關(guān)者的話(huà)題演化與情感演化特征。

3 研究設(shè)計(jì)

微博輿情演化模式分為主題演化和情感演化，分別利用LDA與LDA2Vec串行模型和SnowNLP實(shí)現(xiàn)。將微博用戶(hù)劃分為11類(lèi)新冠肺炎疫情的利益相關(guān)者，統(tǒng)計(jì)并可視化得到每類(lèi)利益相關(guān)者的話(huà)題和情感演化過(guò)程，研究路線(xiàn)如圖1所示。

3.1 主題提取

主題提取是指利用主題模型發(fā)掘文檔集合中抽象的主題。本文的主題建模涉及LDA模型和LDA2vec模型，下面對(duì)它們分別加以介紹。

3.1.1 LDA主題模型

LDA是由Blei等[17]提出的經(jīng)典主題模型，用來(lái)識(shí)別隱藏在大規(guī)模文檔集或語(yǔ)料庫(kù)中的主題信息。它是一種三層貝葉斯概率模型，包含文檔層、主題層和詞層，它假設(shè)整個(gè)文檔集合存在K個(gè)互相獨(dú)立的主題，每個(gè)文檔是K個(gè)主題的多項(xiàng)式分布，而每個(gè)主題又是詞的多項(xiàng)式分布，且多項(xiàng)式分布的先驗(yàn)分布是Dirichlet分布，即對(duì)于任一文檔d和任一主題k，其主題分布和詞分布滿(mǎn)足

其中，α和β為分布的超參數(shù)。對(duì)于任一文檔d中的第n個(gè)詞，其主題編號(hào)z dn的分布和該主題編號(hào)下的詞ωd n的分布滿(mǎn)足

則M篇文檔對(duì)應(yīng)M個(gè)獨(dú)立的Dirichlet-multinomial共軛結(jié)構(gòu)。同樣，K個(gè)主題對(duì)應(yīng)K個(gè)獨(dú)立的Dirichletmultinomial共軛結(jié)構(gòu)，由貝葉斯推斷就可以得到基于Dirichlet先驗(yàn)分布的θd和φk的后驗(yàn)分布。

3.1.2 LDA2vec主題模型

LDA2vec是一種融合word2vec[18]與LDA的主題模型[19]，結(jié)合了word2vec和LDA的最佳部分。LDA2vec專(zhuān)門(mén)在word2vec的skip-gram模型基礎(chǔ)上建模，將詞向量和文檔向量融合進(jìn)同一個(gè)向量空間中同時(shí)訓(xùn)練。skip-gram模型通過(guò)某個(gè)輸入的單詞預(yù)測(cè)其上下文詞語(yǔ)的方法來(lái)學(xué)習(xí)詞向量，而LDA2vec則使用上下文向量來(lái)進(jìn)行預(yù)測(cè)，該上下文向量被創(chuàng)建為詞向量和文檔向量的總和，其中詞向量由skip-gram模型生成，文檔向量是文檔權(quán)重向量和主題矩陣的加權(quán)組合。

LDA2vec模型的損失函數(shù)為

LDA2vec模型在大規(guī)模數(shù)據(jù)上的表現(xiàn)比LDA模型好，但是LDA2vec對(duì)設(shè)備GPU的要求比較高，所以會(huì)影響到模型實(shí)現(xiàn)的效率。然而，如果將LDA模型與LDA2vec模型串行[20]，即先利用word2vec和LDA對(duì)語(yǔ)料庫(kù)進(jìn)行訓(xùn)練，再利用LDA2vec中的核心算法進(jìn)行迭代計(jì)算得到文本的主題概率分布，那么不僅能夠有效地提高主題提取的準(zhǔn)確率，還能夠有效地提高程序運(yùn)行效率。

3.2 文本情感值計(jì)算

情感分類(lèi)是指對(duì)帶有感情色彩的文本進(jìn)行分析，判別其情感傾向的過(guò)程。SnowNLP是Python的一個(gè)自然語(yǔ)言處理庫(kù)，它可以快速且高效地處理中文文本內(nèi)容，并且自帶訓(xùn)練語(yǔ)料，可以直接使用SnowNLP庫(kù)做文本情感分類(lèi)。SnowNLP的情感值計(jì)算以樸素貝葉斯分類(lèi)算法為理論基礎(chǔ)，計(jì)算目標(biāo)詞匯屬于正類(lèi)或負(fù)類(lèi)的后驗(yàn)概率，且將該概率值作為情感值，數(shù)值越接近于1，表示文本內(nèi)容越積極，而越接近于0，則越消極。其計(jì)算公式為

依據(jù)文獻(xiàn)[21]，將情感值大于等于0.5的微博視為具有積極情感傾向的微博，而情感值小于0.5的微博則視為具有消極情感傾向的微博。

3.3 利益相關(guān)者的劃分

借鑒文獻(xiàn)[22-23]，從新冠肺炎疫情中主要涉及的社會(huì)角色——抗疫一線(xiàn)單位、政府、媒體和平民來(lái)做利益相關(guān)者的劃分?？紤]到此次疫情還對(duì)旅游業(yè)和學(xué)生復(fù)學(xué)升學(xué)產(chǎn)生了重大影響，故將旅游服務(wù)機(jī)構(gòu)和學(xué)校加入利益相關(guān)者當(dāng)中。通過(guò)提取用戶(hù)的微博認(rèn)證標(biāo)志和用戶(hù)主頁(yè)中的“行業(yè)分類(lèi)”信息可以直接得知用戶(hù)分類(lèi)；而對(duì)于沒(méi)有“行業(yè)分類(lèi)”信息的用戶(hù)，則通過(guò)用戶(hù)名和用戶(hù)主頁(yè)內(nèi)“簡(jiǎn)介”中的關(guān)鍵詞來(lái)進(jìn)行用戶(hù)分類(lèi)。具體分類(lèi)標(biāo)準(zhǔn)如表1所示。

表1 新冠肺炎疫情利益相關(guān)者的劃分標(biāo)準(zhǔn)

4 實(shí)證分析

4.1 數(shù)據(jù)收集與預(yù)處理

以“新冠肺炎”為搜索關(guān)鍵詞，采集2020-01-21至2020-10-31時(shí)間段內(nèi)的原創(chuàng)微博，共計(jì)69922條。對(duì)收集的文本進(jìn)行數(shù)據(jù)清洗，清洗規(guī)則如下：①刪除無(wú)效的微博；②刪除重復(fù)項(xiàng)，只保留一條；③去掉文本中的鏈接、@其他用戶(hù)、表情。建立“新冠肺炎”詞庫(kù)，防止如“人傳人”“火神山”等特殊詞匯被錯(cuò)誤分詞。利用Python中的jieba庫(kù)對(duì)清洗后的數(shù)據(jù)進(jìn)行分詞、去停用詞，然后通過(guò)統(tǒng)計(jì)詞頻，刪除在每條微博中出現(xiàn)概率小于0.1%的偏僻詞和出現(xiàn)概率接近100%的頻繁詞，最后刪除剩余字段數(shù)量小于8個(gè)的過(guò)短文本，得到59034條預(yù)處理后的數(shù)據(jù)。其中，用戶(hù)數(shù)量分布為普通群眾占比63%，自媒體占比20%，非衛(wèi)生領(lǐng)域政府部門(mén)占比8%，其余占比9%；發(fā)文數(shù)量分布為普通群眾占比36%，主流媒體占比23%，自媒體占比22%，其余占比19%。

4.2 時(shí)間切片的劃分

由于微博指數(shù)只保留近90天的數(shù)據(jù)，故參考百度指數(shù)進(jìn)行時(shí)間切片的劃分，截取的“新冠肺炎”百度指數(shù)曲線(xiàn)如圖2所示。

由于“新冠肺炎”的百度指數(shù)具有多峰長(zhǎng)尾的特征，不滿(mǎn)足經(jīng)典生命周期理論[24-25]，所以本文依據(jù)疫情的發(fā)展階段進(jìn)行時(shí)間切片的劃分。從圖2中可以觀察到幾個(gè)比較具有階段特征的低谷點(diǎn)，分別是4月12日、6月6日和8月2日，再結(jié)合歷史新聞，“4月8日武漢市解除封城”“5月27日美國(guó)新冠死亡人數(shù)超過(guò)10萬(wàn)人，成為全球第一個(gè)死亡病例超過(guò)10萬(wàn)例的國(guó)家”“8月9日，巴西成為全球第二個(gè)死亡病例超過(guò)10萬(wàn)例的國(guó)家”；因此，我們按這幾個(gè)時(shí)間節(jié)點(diǎn)將時(shí)間切片劃分為國(guó)內(nèi)疫情爆發(fā)期、國(guó)內(nèi)疫情平穩(wěn)期、國(guó)際疫情爆發(fā)期和國(guó)際疫情平穩(wěn)期。時(shí)間切片的起止日期和期間的微博數(shù)量如表2所示。

圖2 “新冠肺炎”的百度指數(shù)曲線(xiàn)

表2 數(shù)據(jù)清洗后的微博文本分布情況

4.3 新冠肺炎疫情微博主題演化

利用LDA與LDA2vec串行的方法提取“新冠肺炎”微博中的主題。當(dāng)設(shè)置主題數(shù)量K=40時(shí)，主題困惑度到達(dá)一個(gè)低谷點(diǎn)，主題之間具有較好的獨(dú)立性，提取結(jié)果也相對(duì)穩(wěn)定。經(jīng)過(guò)主題提取后，得到每條微博的主題概率分布，視概率最大的主題為對(duì)應(yīng)微博的主題，即

其中，Topici表示第i條微博的主題；P(Topici,k)表示第i條微博屬于第k主題的概率。統(tǒng)計(jì)不同時(shí)間切片內(nèi)各主題的微博數(shù)量，繪制主題熱度演變堆積圖，如圖3所示。

圖3 主題熱度演變

由圖3可以直觀地看出，關(guān)于新冠肺炎疫情的實(shí)時(shí)報(bào)道（T8）是所有話(huà)題中熱度最高的，在P3時(shí)期的占比高達(dá)27%。這是由于國(guó)際疫情爆發(fā)與國(guó)內(nèi)疫情復(fù)發(fā)，導(dǎo)致疫情通報(bào)數(shù)量大幅增加；其次，中央及地方政府防疫工作（T13）熱度排名第二，說(shuō)明公眾十分關(guān)注政府的抗疫作為；關(guān)于美國(guó)政府對(duì)新冠肺炎疫情的態(tài)度（T2）位列話(huà)題熱度第三，該話(huà)題主要包含美國(guó)政府未向美國(guó)民眾傳達(dá)新冠病毒的真實(shí)危害、特朗普推薦的“新療法”等內(nèi)容。話(huà)題的熱度演變規(guī)律基本符合事實(shí)。例如，圍繞火神山、雷神山兩所醫(yī)院的話(huà)題（T6）和新冠肺炎患者成功治愈的新聞（T22）在前兩個(gè)時(shí)間切片中的數(shù)量較多，而后大幅減少，符合國(guó)內(nèi)疫情的發(fā)展情況；關(guān)于表彰抗疫工作杰出代表（T15）和致敬最美逆行者（T16）兩個(gè)話(huà)題在國(guó)內(nèi)疫情爆發(fā)期（P1）內(nèi)大量出現(xiàn)，之后減少，是因?yàn)?月、10月陸續(xù)舉辦的抗擊新冠肺炎疫情表彰大會(huì)而熱度回升；隨著新冠肺炎疫苗的研究和臨床試驗(yàn)不斷推進(jìn)，相關(guān)話(huà)題（T3）數(shù)量在P4時(shí)期大幅增長(zhǎng)。

為進(jìn)一步總結(jié)歸納輿論的分布情況，本文將40個(gè)主題歸類(lèi)為5個(gè)大的輿論分支，每個(gè)輿論分支包含的主題編號(hào)如表3所示。

表3 40個(gè)主題的分類(lèi)情況

統(tǒng)計(jì)各時(shí)間切片內(nèi)各輿論分支的微博數(shù)量，繪制輿論分支熱度演變堆積圖，如圖4所示。

圖4顯示，在國(guó)內(nèi)疫情爆發(fā)期（P1），抗疫行動(dòng)是被討論最多的輿論分支，主要包含社會(huì)對(duì)政府工作的關(guān)注，以及如“武漢加油”“致敬最美逆行者”等社會(huì)正能量的涌現(xiàn)。隨著國(guó)內(nèi)疫情逐漸穩(wěn)定而國(guó)際疫情日益嚴(yán)重，關(guān)于國(guó)際疫情的話(huà)題數(shù)量與P1時(shí)期相比明顯增加。雖然有關(guān)經(jīng)濟(jì)民生方面的微博數(shù)量相對(duì)較少，但是如“企業(yè)破產(chǎn)”“旅游業(yè)重創(chuàng)”“學(xué)生返校復(fù)學(xué)”等話(huà)題一度也成為熱議內(nèi)容。

圖4 輿論分支熱度演變

4.4 新冠肺炎疫情利益相關(guān)者的關(guān)注點(diǎn)

依據(jù)3.3節(jié)中的利益相關(guān)者劃分標(biāo)準(zhǔn)，統(tǒng)計(jì)各類(lèi)利益相關(guān)者在每個(gè)話(huà)題下的微博發(fā)布數(shù)量，得到他們最關(guān)注的5個(gè)話(huà)題，如圖5所示。

圖5 各類(lèi)利益相關(guān)者最關(guān)注的5個(gè)話(huà)題

圖5中每一行表示對(duì)應(yīng)利益相關(guān)者最關(guān)注的5個(gè)話(huà)題。有3組利益相關(guān)者的關(guān)注點(diǎn)在組內(nèi)高度重合，如非衛(wèi)生領(lǐng)域政府部門(mén)和學(xué)校最關(guān)注的5個(gè)話(huà)題完全一致，而醫(yī)療衛(wèi)生部門(mén)也有4個(gè)話(huà)題與上述兩者一致；主流媒體、自媒體和醫(yī)療健康媒體三者最關(guān)注的5個(gè)話(huà)題完全一致，而普通群眾除了“致敬最美逆行者”話(huà)題以外，皆與上述三者一致；醫(yī)院和公益組織也共同關(guān)注了3個(gè)話(huà)題。由此可見(jiàn)，利益相關(guān)者的關(guān)注點(diǎn)與其在突發(fā)公共衛(wèi)生事件中扮演的社會(huì)角色緊密相關(guān)——媒體和普通群眾代表了信息傳播者，政府部門(mén)和學(xué)校代表了行政事業(yè)單位，而醫(yī)院和公益組織代表了抗疫一線(xiàn)。

雖然利益相關(guān)者的關(guān)注點(diǎn)受其角色屬性影響，但是不同利益相關(guān)者的關(guān)注傾向仍存在差異。下文將圖5中兩組具有較多共同話(huà)題的利益相關(guān)者加以對(duì)比，如圖6所示。

圖6 利益相關(guān)者話(huà)題分布差異(彩圖請(qǐng)見(jiàn)https://qbxb.istic.ac.cn/CN/volumn/home.shtml)

如圖6所示，主流媒體的話(huà)題分布相對(duì)均勻，沒(méi)有明顯的偏向；醫(yī)療健康媒體主要關(guān)注疾病本身，承擔(dān)了更多的健康知識(shí)普及的職責(zé)；自媒體熱衷于國(guó)際疫情和經(jīng)濟(jì)民生中容易引發(fā)社會(huì)討論的話(huà)題，因?yàn)檫@類(lèi)話(huà)題能夠?yàn)樽悦襟w平臺(tái)吸引更多的關(guān)注和粉絲；普通群眾則在疫情通報(bào)上投入了更多的關(guān)注。對(duì)于同屬于行政事業(yè)單位性質(zhì)的3類(lèi)利益相關(guān)者，他們關(guān)注的話(huà)題在分布上都呈現(xiàn)出了對(duì)抗疫行動(dòng)相關(guān)話(huà)題的偏向。不同的是，醫(yī)療衛(wèi)生部門(mén)明顯顯示出了其醫(yī)療屬性，學(xué)校則需要關(guān)心如學(xué)生返校復(fù)學(xué)等民生問(wèn)題。

4.5 新冠肺炎疫情利益相關(guān)者的輿論演化模式

統(tǒng)計(jì)各類(lèi)利益相關(guān)者在各個(gè)時(shí)間切片下所有話(huà)題的微博數(shù)量，即話(huà)題的絕對(duì)關(guān)注度，得到每類(lèi)利益相關(guān)者在特定時(shí)間段內(nèi)絕對(duì)關(guān)注度最高的話(huà)題，并計(jì)算對(duì)應(yīng)的情感值?？梢暬欣嫦嚓P(guān)者的絕對(duì)關(guān)注話(huà)題及情感演化過(guò)程，如圖7所示。

首先，分析利益相關(guān)者的話(huà)題演化特征。從時(shí)間流的角度來(lái)看，各類(lèi)利益相關(guān)者關(guān)注的話(huà)題在疫情爆發(fā)期內(nèi)比較一致，而在疫情平穩(wěn)期內(nèi)比較分散，這說(shuō)明在突發(fā)公共衛(wèi)生事件中人們先是關(guān)注于當(dāng)下影響力較強(qiáng)的話(huà)題，或者是一些社會(huì)上急需解決的問(wèn)題，而后才逐漸關(guān)注與其利益相關(guān)的話(huà)題。從主體的角度來(lái)看，在圖6中話(huà)題重合度較高的3組利益相關(guān)者——醫(yī)院與公益組織，政府部門(mén)與學(xué)校，媒體與普通群眾，他們同樣具有相似的話(huà)題演化過(guò)程，說(shuō)明在突發(fā)公共衛(wèi)生事件中相同角色屬性的利益相關(guān)者具有相似的話(huà)題演化。前兩組易于理解，而對(duì)于媒體與群眾，一個(gè)是信息的主要發(fā)布者，一個(gè)是信息的主要接收者和擴(kuò)散者，兩者都是信息傳播過(guò)程中的重要角色。在危機(jī)傳播的過(guò)程中，媒體起著搭起政府與公眾之間信息傳遞通道的“中間人”的作用，是讓信息得以大規(guī)模擴(kuò)散的主要渠道[26]，其中主流媒體充當(dāng)著輿情的預(yù)警者、引導(dǎo)者以及動(dòng)員者的角色，而自媒體充當(dāng)著輿情的推動(dòng)者的角色[27]。在新冠肺炎疫情中，《雷火明書(shū)》的輿情監(jiān)測(cè)數(shù)據(jù)顯示，主流媒體在2月的多個(gè)輿情事件中均配合政府重要舉措及時(shí)跟進(jìn)報(bào)道，與網(wǎng)民形成了良性互動(dòng)[28]。在本文收集的微博中，主流媒體發(fā)布的微博平均每條點(diǎn)贊量為365，評(píng)論量為24，轉(zhuǎn)發(fā)量為17，其中最高點(diǎn)贊量高達(dá)92萬(wàn)，最高評(píng)論量高達(dá)3萬(wàn)，最高轉(zhuǎn)發(fā)量高達(dá)1萬(wàn)。由此可見(jiàn)，主流媒體的發(fā)文得到了大量普通網(wǎng)民的認(rèn)同和討論，說(shuō)明主流媒體在一定程度上引導(dǎo)著公眾的輿論話(huà)題，從而導(dǎo)致兩者具有相似的話(huà)題演化過(guò)程。

其次，分析利益相關(guān)者的情感演化特征。從時(shí)間流的角度來(lái)看，在P1時(shí)期，由于國(guó)內(nèi)疫情嚴(yán)峻，且當(dāng)時(shí)還沒(méi)有有效的治療方案，導(dǎo)致社會(huì)消極情緒在一定范圍內(nèi)激增；而到了P2時(shí)期，國(guó)內(nèi)疫情基本穩(wěn)定，輿論也隨之轉(zhuǎn)向積極的一面；P3時(shí)期沒(méi)有明顯的情感傾向；在P4時(shí)期，由于國(guó)際疫情的持續(xù)蔓延，輿論又傾向于較消極的一面。從主體的角度來(lái)看，政府部門(mén)和學(xué)校在整個(gè)時(shí)間線(xiàn)上以傳播正能量為主，醫(yī)生則相對(duì)較多地表現(xiàn)出擔(dān)憂(yōu)的負(fù)面情緒。利益相關(guān)者中主流媒體、自媒體和普通群眾的話(huà)題情感演化過(guò)程完全一致。為了進(jìn)一步探究三者之間是否存在情感上的因果關(guān)系，將主流媒體、自媒體和普通群眾的微博文本日情感值做格蘭杰因果關(guān)系檢驗(yàn)，發(fā)現(xiàn)普通群眾的情緒與主流媒體的情緒互為因果，說(shuō)明主流媒體在很大程度上影響著公眾看待事件的情緒（表4）。這也體現(xiàn)了隨著融媒體的不斷發(fā)展，主流媒體能夠在重大突發(fā)公共衛(wèi)生事件中發(fā)揮強(qiáng)大的引導(dǎo)力和共情力，在“營(yíng)造強(qiáng)信心、暖人心、聚民心的環(huán)境氛圍”中起到講好故事的重要作用[28]。

表4 主流媒體、自媒體和普通群眾的日情感值格蘭杰因果關(guān)系檢驗(yàn)結(jié)果

由圖7易知，由于主流話(huà)題在微博數(shù)量上占據(jù)絕對(duì)優(yōu)勢(shì)，導(dǎo)致如果僅統(tǒng)計(jì)絕對(duì)關(guān)注度就無(wú)法體現(xiàn)利益相關(guān)者之間的差異。因此，本文提出“相對(duì)關(guān)注度”的概念，即在同一時(shí)間切片下，利益相關(guān)者相比于其他利益相關(guān)者對(duì)一個(gè)話(huà)題的關(guān)注程度。公式為

圖7 各類(lèi)利益相關(guān)者的絕對(duì)關(guān)注話(huà)題及情感演化過(guò)程

其中，RAk,l,P m表示利益相關(guān)者l在時(shí)間切片P m下對(duì)話(huà)題k的相對(duì)關(guān)注度；n k,l,P m表示利益相關(guān)者l在時(shí)間切片P m下發(fā)布關(guān)于話(huà)題k的微博數(shù)量；r l表示利益相關(guān)者l在總用戶(hù)數(shù)量中的占比，該項(xiàng)用于剔除不同類(lèi)群用戶(hù)數(shù)量對(duì)微博發(fā)布數(shù)量的影響。如果相對(duì)關(guān)注度較高，說(shuō)明在對(duì)應(yīng)時(shí)間切片下利益相關(guān)者l相比于其他利益者更關(guān)注話(huà)題k。統(tǒng)計(jì)各類(lèi)利益相關(guān)者在各個(gè)時(shí)間切片內(nèi)相對(duì)關(guān)注度最高的話(huà)題，并計(jì)算對(duì)應(yīng)的情感值，可視化所有利益相關(guān)者的相對(duì)關(guān)注話(huà)題及情感演化過(guò)程，如圖8所示。

由圖8可見(jiàn)，利益相關(guān)者的相對(duì)關(guān)注話(huà)題在各個(gè)時(shí)間段都比較分散，也沒(méi)有出現(xiàn)一致的演化過(guò)程，但是這些話(huà)題都與利益相關(guān)者自身密切相關(guān)，例如，普通群眾積極響應(yīng)政府號(hào)召自發(fā)減少外出活動(dòng)（T34），政府部門(mén)第一時(shí)間進(jìn)行辟謠（T37），醫(yī)院組織人員馳援武漢（T7），公益組織呼吁團(tuán)結(jié)社會(huì)力量（T32）。相比于絕對(duì)關(guān)注度，相對(duì)關(guān)注度排除了主流話(huà)題在數(shù)量上的優(yōu)勢(shì)，能夠更好地體現(xiàn)與利益相關(guān)者自身利益相關(guān)的話(huà)題，反映了利益相關(guān)者在突發(fā)公共衛(wèi)生事件中的輿論立場(chǎng)，這一點(diǎn)在相對(duì)關(guān)注話(huà)題的情感演化上也得到了驗(yàn)證。觀察相對(duì)關(guān)注話(huà)題的情感演化，發(fā)現(xiàn)相對(duì)關(guān)注話(huà)題的情感傾向更能凸顯利益相關(guān)者在不受主流輿論影響下的情感立場(chǎng)，例如，醫(yī)生傾向于發(fā)布警示性、勸告性的言論，自媒體傾向于發(fā)布抨擊、尖銳、引人耳目的言論，政府部門(mén)傾向于發(fā)布提振公眾抗疫士氣、展現(xiàn)政府作為的言論，而主流媒體則配合政府發(fā)布暖人心聚人心的言論。正是因?yàn)橄鄬?duì)關(guān)注話(huà)題體現(xiàn)了利益相關(guān)者在利益關(guān)系網(wǎng)中的位置，所以只要利益相關(guān)者的利益關(guān)系沒(méi)有發(fā)生改變，其相對(duì)關(guān)注話(huà)題的情感傾向一般也不會(huì)發(fā)生改變，反映在圖7和圖8中就是相比于絕對(duì)關(guān)注話(huà)題的情感演化，相對(duì)關(guān)注話(huà)題的情感演化沒(méi)有太多的情感轉(zhuǎn)變。

5 結(jié)語(yǔ)

本文從突發(fā)公共衛(wèi)生事件利益相關(guān)者的角度出發(fā)，研究新冠肺炎疫情中11類(lèi)利益相關(guān)者的網(wǎng)絡(luò)輿情演化過(guò)程，得出以下三點(diǎn)研究結(jié)論。第一，按事件發(fā)展的階段來(lái)看，利益相關(guān)者們的關(guān)注點(diǎn)在疫情爆發(fā)期內(nèi)比較一致，而在平穩(wěn)期內(nèi)比較分散，最終隨著疫情的逐步控制再次集中。第二，按事件涉及的主體來(lái)看，利益相關(guān)者的關(guān)注點(diǎn)與其扮演的社會(huì)角色緊密相關(guān)，而且相同角色的利益相關(guān)者具有相似的話(huà)題和情感演化過(guò)程，例如，媒體與普通群眾，政府部門(mén)與學(xué)校，醫(yī)院與公益組織。然而即使是相同角色的利益相關(guān)者，彼此關(guān)注的側(cè)重點(diǎn)也存在差異。第三，按生成輿情演化過(guò)程的統(tǒng)計(jì)方法來(lái)看，絕對(duì)關(guān)注度反映了各類(lèi)利益相關(guān)者在主流輿論影響下的關(guān)注點(diǎn)，因此會(huì)出現(xiàn)多個(gè)利益相關(guān)者共同關(guān)注一些主流話(huà)題的情況；而相對(duì)關(guān)注度能夠更好地揭示與利益相關(guān)者自身利益相關(guān)的關(guān)注點(diǎn)，所以利益相關(guān)者彼此相對(duì)關(guān)注的話(huà)題比較分散，對(duì)相對(duì)關(guān)注話(huà)題的情感傾向也不會(huì)頻繁轉(zhuǎn)變。將兩種統(tǒng)計(jì)方法相結(jié)合，既能從縱向?qū)Ρ壤嫦嚓P(guān)者自身對(duì)不同話(huà)題的關(guān)注度，又能從橫向?qū)Ρ壤嫦嚓P(guān)者相比于其他利益群體的話(huà)題關(guān)注程度。

本文的研究發(fā)現(xiàn)將有助于政府部門(mén)掌握突發(fā)公共衛(wèi)生事件中各類(lèi)利益相關(guān)者在各個(gè)階段的話(huà)題和情感演化規(guī)律，及時(shí)采取應(yīng)對(duì)措施，從而減少社會(huì)恐慌和輿論偏激等情況的發(fā)生。在未來(lái)的工作中，將進(jìn)行多個(gè)社交平臺(tái)和多個(gè)突發(fā)公共衛(wèi)生事件的對(duì)比分析，以期得到更加具有普遍意義的突發(fā)公共衛(wèi)生事件的網(wǎng)絡(luò)輿情演化規(guī)律。