張 敏 沈嘉裕

(1.武漢大學信息資源研究中心 武漢 430072； 2.武漢大學信息管理學院 武漢 430072)

0 引 言

政務短視頻是指由政府、企事業(yè)單位等機構發(fā)布的行政公務類短視頻。相較于以圖文呈現(xiàn)方式為主的微博而言，短視頻的音畫同步模式能在短時間內帶來多重感官刺激[1]，降低用戶的認知負荷，進而快速吸引公眾的注意力。自2016年以來，我國短視頻平臺發(fā)展迅猛，第49次《中國互聯(lián)網絡發(fā)展狀況調查報告》顯示我國短視頻用戶規(guī)模已達9.34億[2]。越來越多的政務信息發(fā)布部門開始選擇短視頻作為政務信息的發(fā)布載體與公眾進行互動——根據中國互聯(lián)網絡信息中心(CNNIC)的最新數據，我國各級政府開通的政務抖音賬號已達2.6萬[3]。

突發(fā)公共衛(wèi)生事件爆發(fā)后，網絡輿情演化趨勢具有明顯的傾向性[4]，政務短視頻短平快、易于理解的特征可以幫助政府在疫情期間高效應對突發(fā)輿情。通過研究突發(fā)公共衛(wèi)生事件中政務短視頻的主題與對應的用戶行為，挖掘在突發(fā)公共衛(wèi)生事件的不同生命周期階段政務短視頻受眾的關注重點，能幫助政府更好地理解輿情演化的影響因素和內在形成機理，為政府制定適宜的政務短視頻發(fā)布策略提供決策支持。本研究以我國新冠疫情中的代表性輿情事件2022年上海疫情為背景，借助政務話語框架，采用話題提取模型對政務短視頻標題文本進行主題挖掘和事件分析，并基于數據分析結果為政府的突發(fā)公共衛(wèi)生事件主題發(fā)布策略提供可供參考的意見和建議。

1 文獻綜述

近年來，學者們對政務新媒體進行了豐富的研究，近期發(fā)表的代表性文獻如表1所示。對上述文獻進行深入分析后歸納得到已有研究的如下規(guī)律：(1)在樣本來源方面，微博、抖音以及政府門戶網站[5]是常見的素材收集平臺；(2)在研究方法方面，內容分析法是較為常用的研究方法，對比分析、問卷調查以及主題挖掘、情感分析等社會科學研究方法也較為常見；(3)在研究情境方面，黨建、團建、扶貧、突發(fā)事件等均為政務新媒體較多關注的研究情境；(4)在研究視角方面，主要聚焦于信息傳播、用戶參與以及話語框架三個角度。信息傳播視角，主要采用內容分析(人工編碼)與回歸分析方法，如陳強等[6]以新冠肺炎疫情為背景，基于精細加工可能性模型構建突發(fā)公共衛(wèi)生事件中政務抖音號信息傳播效果影響因素模型并進行實證研究。用戶參與視角，主要采用問卷調查[1, 7]、扎根分析[7]、結構方程[1]、H指數[8]等方法對政務新媒體的影響力以及影響用戶參與的因素進行探索。話語框架視角主要基于框架理論對政務微博進行內容分析，如謝起慧等[9]將紐約市政務推特應對颶風的信息發(fā)布內容框架分為信息、行動和觀點框架。

表1 近期我國政務新媒體研究的代表性文獻

文獻綜述發(fā)現(xiàn)，我國政務新媒體的邏輯主線已經厘清，并形成了相對規(guī)范的方法體系，存在的主要研究局限包括：(1)基于機器批量提取主題的方法(如LDA[8, 10]、LSI[11]等)已被運用于探索政務微博的發(fā)布內容，但借助機器批量挖掘政務短視頻主題的相關研究較少，提取短視頻主題的算法應用也較少；(2)框架理論常應用于媒介話語傳播方面的研究[12-14]，也有一些研究將框架理論用于構建政務微博的內容分析框架[5, 9, 15]。但是，政務短視頻的主題挖掘研究仍缺乏統(tǒng)一的理論框架作為主題劃分依據，框架理論在該領域的運用尚存在深入空間。

鑒于此，本研究選擇適用于短文本的話題提取模型對政務短視頻進行話題提取，并給予框架理論構建突發(fā)公共衛(wèi)生事件中政務短視頻的話語框架，進而對不同話語框架下的政務短視頻主題與用戶行為進行關聯(lián)演化分析，為政府部門在突發(fā)公共衛(wèi)生事件中制定信息發(fā)布策略提供決策支持。

2 研究理論模型

2.1 BERTopic話題提取模型

BERTopic是一種話題提取模型[20]，可以對大量的短文本數據進行高效的建模，非常適合用于對政務抖音標題這類短文本進行話題提取的任務。模型的原理如圖1所示，具體來說，該模型首先利用基于Transformer的預訓練模型(BERT, Bidirectional Encoder Representations from Transformers)對文本進行詞嵌入，然后根據語義相似性對所得詞嵌入向量進行聚類操作——先用UMAP(Uniform Manifold Approximation and Projection for Dimension Reduction)算法[21]對詞嵌入向量進行降維處理，然后通過HDBSCAN(Hierarchical Density-Based Spatial Clustering of Applications with Noise)算法[22]對降維后的向量進行聚類。

圖1 BERTopic模型原理

BERTopic模型采用基于類的TF-IDF(c-TF-IDF)算法進行話題表征——將傳統(tǒng)TF-IDF算法應用于聚類結果，計算語義簇(即所得話題)內的詞的重要性得分(即TF-IDF值)，挖掘出每個話題中的重要詞匯?；陬惖腡F-IDF(c-TF-IDF)算法詳見公式(1)，其中Wx,c表示詞x在語義簇c中的重要性得分，tfx,c表示語義簇c中詞匯x出現(xiàn)的頻率，fx表示所有語義簇中詞匯x出現(xiàn)的頻率，Ave表示每個語義簇中出現(xiàn)詞匯數的均值。接著，采用最大邊界相關算法(MMR, The Maximal Marginal Relevance)[23]根據所得詞匯重要性得分抽取與話題最為相關的候選詞，從而用這些具有代表性的詞對話題進行表征。

(1)

基于詞嵌入模型在遷移學習方面的優(yōu)異表現(xiàn)，直接使用BERT預訓練模型可以幫助學者高效地進行詞嵌入任務[24]，并且，相較于其他傳統(tǒng)的話題提取模型(如LDA, Latent Dirichlet Allocation)而言，BERTopic模型無需人為設置主題數量等超參數，免去了復雜的參數嘗試步驟[24]；此外，通過將詞嵌入過程與主題-詞分布構建過程分離，該模型在話題提取中具有較強的靈活性。因此，本研究采用BERTopic模型對政務短視頻標題進行話題提取。

2.2 話題與用戶行為相關性計算

余弦相似度(向量空間中兩個向量夾角的余弦值)可以衡量兩個對象之間的差異程度，已有研究[4, 25]通過對話題向量與用戶行為向量計算余弦相似度來衡量主題與用戶行為之間的相關性。對于兩個n維向量A=(A1,A2,A3,…，An)與B=(B1，B2，B3，…，Bn)余弦相似度的計算公式如公式(2)所示。

(2)

cosθ的取值范圍為-1到1，cosθ的值越接近1表示θ越接近0度，即兩個向量的方向越相似；cosθ=0代表兩個向量正交，完全不相似；cosθ的值越接近-1表示θ越接近180度，即兩個向量的方向越相反，cosθ的絕對值越接近1則代表兩向量越相似[4]。本研究將余弦相似度計算方法用于政務抖音話題與行為相關性的計算，計算政務抖音視頻話題與用戶行為之間的相關性，具體步驟為：

①將n條視頻屬于k個話題的概率合成為k個n維向量；

②將3種用戶行為數據(點贊、評論、收藏)分別合成為向量；

③分別計算上述3種用戶行為向量與話題向量之間的余弦相似度，將結果匯總為話題-行為矩陣，如公式(3)所示。

(3)

上述矩陣反映了政務短視頻話題與用戶行為之間的相關性，矩陣中值的相對數值越大，說明該話題與對應用戶行為數據的相關性越高。

3 基于上海政務短視頻的實證研究

3.1 數據獲取與處理

本研究選取2022年上海疫情為研究案例，主要基于以下考慮：a.輿情事件具有代表性。2022年的上海疫情成因復雜，過程波折，經歷了輿情的多次反轉，是本研究所需要的具有代表性的輿情事件；b.研究數據具有完整性。上海政務新媒體建設較為完整和成熟，無論是政府發(fā)布的信息還是公眾的參與信息均保存完整，能為研究提供內容豐富、體量較大的研究數據。

本研究通過在抖音平臺檢索“上海政務”爬取賬號詳情清單，并通過賬號名稱與“藍V信息”篩選出上海地區(qū)的政務抖音賬號，得到共計36個政務抖音賬號信息，部分賬號信息如表2所示。

本研究以Fink提出的危機四階段模型[26]為依據，同時參照已有研究[4, 25, 27]對于突發(fā)公共衛(wèi)生事件衍生輿情的生命周期的劃分操作，將其劃分為征兆期、爆發(fā)期、持續(xù)期以及恢復期等4個階段。研究選取2022年3月20日至2022年5月15日為研究周期，結合巨量算數提供的抖音搜索指數[28]以及上海市疫情數據進行生命周期劃分。如圖2所示，征兆期的次生輿情增長相對平緩，對應時段為2022年3月20日至2022年3月25日；爆發(fā)期的次生輿情增長速度較快，對應時段為2022年3月25日至2020年4月2日，這一階段的搜索指數呈爆發(fā)式增長，并達到最高水平；持續(xù)期的指數相較于爆發(fā)期而言呈減少趨勢，對應時段為2022年4月2日至2022年4月15日；恢復期階段輿情的關注度與信息量都處于較低水平，對應時段為2022年4月15日至2022年5月15日，在這一階段，網民的注意力逐漸轉移到其他事件，討論熱度逐漸降低。

表2 上海市政務抖音賬號(部分)

圖2 2022年上海疫情衍生輿情的生命周期階段劃分

研究技術框架如圖3所示，主要包括以下步驟：a.原始數據獲取。采用基于Python語言編寫的爬蟲程序共獲得3152條政務抖音數據，數據項包括視頻標題、發(fā)布賬號、發(fā)布時間、點贊數、評論數、收藏數等。b.數據清洗。原始頁面數據中的點贊、評論、收藏數量存在將萬以上的數據表示為“w”的情況，因此需要進行數據清洗，將數據轉換為整數類型。c.數據標注。借助Python程序，根據上文中劃分的生命周期對數據進行自動標注。d.數據預處理。去除非中文文本、jieba分詞、根據哈工大停用詞詞典去除通用詞、生成詞列表，方便后續(xù)借助BERT預訓練模型進行詞嵌入任務。

圖3 數據處理的技術框架

3.2 主題挖掘

在得到每條政務抖音視頻標題對應的詞列表之后，本研究借助BERTopic模型[20]對政務短視頻進行話題提取。話題提取步驟共計得到61個話題(topic)，對模型輸出的話題-表征詞進行整理，并歸納出二級主題，部分數據如表3所示。

表3 BERTopic模型輸出的話題-表征詞數據(部分)

接著，本研究借鑒謝起慧等[9]提出的公共危機事件中的政務話語框架，將政務信息發(fā)布的內容框架分為信息框架、行動框架以及觀點框架，并結合實際得到的政務短視頻主題對框架二級結構進行擴充，整理出突發(fā)公共衛(wèi)生事件中政務短視頻的主題框架如表4所示。

3.3 主題與用戶行為關聯(lián)演化分析

數據分析部分，首先結合時間維度的數據以及上文中劃分的生命周期，借助Python matplotlib庫、pyecharts庫和Excel對所得3152條政務短視頻的主題與用戶行為演化過程進行可視化分析，挖掘不同階段的政務短視頻主題分布情況以及不同階段的用戶行為變化。隨后，借助SPSS對于三種用戶行為(點贊、評論、收藏)進行Spearman相關性檢驗。最后，篩選出上文中話題-用戶行為余弦相似度矩陣中的較大值，挖掘顯著影響用戶行為的政務短視頻話題。

4 數據分析與討論

4.1 政務話語框架下的主題演化分析

本研究參考已有研究[9]，將政務信息發(fā)布框架分為信息框架、行動框架以及觀點框架。表4中，信息框架主要發(fā)布突發(fā)公共衛(wèi)生事件的即時情況(如新增數據)、科普、辟謠等信息。行動框架主要發(fā)布政府針對突發(fā)公共衛(wèi)生事件采取的應對措施，包括相關政策的普及(如方艙醫(yī)院的啟用、分區(qū)管控、稅務支持等)、物資配送與支持措施以及對特殊人群(如老人、孕婦)的關照服務。觀點框架主要發(fā)布政府對危機的看法，給予公眾信心，包括樹立典型榜樣、對公眾進行情緒安撫等。

表4 突發(fā)公共衛(wèi)生事件中政務短視頻主題框架

對采集到的政務短視頻數據進行主題提取，結合網絡輿情生命周期對3種框架下的8個主題進行演化分析，結果如圖4所示。為近一步分析不同生命周期階段的主題分布演化情況，本研究對四個階段中不同主題下的短視頻數量分別取均值，以征兆期的“榜樣樹立”主題為例，樣本中征兆期內該主題下的政務短視頻共為35條，而征兆期時長為5天，因此征兆期內榜樣樹立主題下的政務短視頻發(fā)布數量均值為每天7條。將所得均值結果作為縱軸呈現(xiàn)，在此基礎上繪制三維曲面圖如圖5所示。

圖4 政務話語框架下的主題演化情況

由圖4-1和圖5不難看出，不同生命周期政務短視頻主題既存在前后的連續(xù)性，同時也呈現(xiàn)出各個階段的不同特點。其中，征兆期以抗疫政策普及、情緒安撫為主，爆發(fā)期以抗疫政策普及為主、科普與辟謠以及情緒安撫為輔，持續(xù)期以抗疫政策普及為主、以物資與配送支持以及榜樣樹立為輔，恢復期以抗疫政策普及為主、榜樣樹立與數據公布為輔。具體來說——征兆期與爆發(fā)期的政務短視頻大多聚焦于安撫公眾的情緒，話題包括團結一致抗擊疫情、舉辦讀書活動、藝術活動舒緩公眾焦慮情緒等；隨著網絡輿情的大規(guī)模爆發(fā)，政務短視頻在爆發(fā)期對于科普與辟謠信息的發(fā)布有所側重，通過官方對不實信息予以澄清，有助于減輕公眾的恐慌情緒，維持社會穩(wěn)定；在持續(xù)期，上海市實施了封控政策，政務短視頻主題聚焦于生活物資配送、物流防疫與互聯(lián)網配藥等，輔以宣傳社區(qū)黨員等一線志愿者的事跡，一方面保障封控期間公眾的物質需求，另一方面增強公眾的凝聚力，確保封控政策的順利實施；恢復期的政務短視頻繼續(xù)側重于塑造典型榜樣，對醫(yī)務人員、志愿者的事跡進行宣傳，此外，隨著疫情逐漸得到控制，政務短視頻對于疫情相關數據的公布數量在這一階段達到了峰值，新增治愈、出院等數據有助于增強公眾對于結束疫情的信心，同時也能展示政府對于突發(fā)公共衛(wèi)生事件的治理能力。

圖5 不同生命周期階段的主題分布演化情況

信息框架在突發(fā)公共衛(wèi)生事件中能幫助公眾提高危機意識，從而維持突發(fā)公共衛(wèi)生事件期間日常生活秩序。在征兆期與爆發(fā)期，信息框架中的科普辟謠信息占比較大(見圖4-2)。發(fā)展到持續(xù)期與恢復期時，信息公布類話題占比變多，說明隨著疫情逐漸得到控制，政務部門為宣傳政府治理成果，對事件向好發(fā)展的信息公布力度加大。

觀點框架主要發(fā)布政府對危機的看法，給予公眾信心，包括樹立典型榜樣、對公眾進行情緒安撫(見圖4-3)。此次突發(fā)公共衛(wèi)生事件中政務短視頻的觀點框架在征兆期和爆發(fā)期以情緒安撫為主，在持續(xù)期和恢復期則更側重于樹立典型榜樣。

行動框架主要發(fā)布政府針對突發(fā)公共衛(wèi)生事件采取的應對措施，有助于增強公眾對于政府在突發(fā)公共衛(wèi)生事件期間工作以及政策的認知，這一框架下的政務短視頻主題以政策普及為主，物資配送主題則在持續(xù)期和恢復期被強調(見圖4-4)顯然，政策普及主題貫穿了整個輿情生命周期，是行動框架的重要組成部分，它能推動政務工作、促進公眾了解、提高政府公信力。

4.2 用戶行為演化分析

本研究將所得數據集中的用戶行為數據(點贊數、評論數、收藏數)按照日期進行匯總整理，繪制了突發(fā)公共衛(wèi)生事件中政務短視頻用戶行為演化圖，如圖6所示?？梢钥闯?，不同生命周期階段用戶的點贊、評論、收藏行為演化趨勢大致相同，在總體數量方面，點贊行為最多，評論行為次之，收藏數量再次之。已有研究[29]指出，社交平臺上評論行為相較于點贊行為而言門檻更高，更能表示用戶的參與程度。本研究發(fā)現(xiàn)，用戶的點贊數量遠高于評論數量，這印證了短視頻平臺中同樣存在這樣的用戶行為傾向。

圖6 用戶行為演化分析

本研究借助SPSS篩選出四個階段中點贊數、評論數、評論數、收藏數排名靠前的3個話題如表5所示。可以看出，不同階段中顯著的用戶行為對應的話題有所差異。在征兆期、持續(xù)期、恢復期，用戶傾向于對觀點框架下的政務短視頻(特別是榜樣樹立類)進行點贊、評論和收藏。在爆發(fā)期，則用戶傾向于對行動框架下的政務短視頻進行點贊、評論和收藏，對信息框架下的政務短視頻則傾向于收藏。這表明，觀點框架下的政務短視頻安撫了公眾的情緒，具有較好的傳播效果。爆發(fā)期引發(fā)顯著用戶行為的話題相較于其他階段有所不同，用戶在這一階段對于行動框架以及信息框架下的政務短視頻內容更為認可。

接下來回溯不同生命周期階段政府回應的話語策略，將用戶在不同階段感興趣的話題與政府在不同階段側重發(fā)布的話題進行對比，以檢驗政務短視頻發(fā)布策略的有效性。從圖4和圖5不難看出，樣本中觀點框架下的政務短視頻數量在四個生命周期階段的占比一直不低，特別是到了持續(xù)期與恢復期，數量基本穩(wěn)定在較高水平，這說明政府對于觀點框架的情緒安撫作用比較重視，而用戶的確傾向于對該框架下的短視頻進行點贊、評論和收藏，這表明政府在突發(fā)公共衛(wèi)生事件期間采取的安撫情緒、樹立典型模范的策略是非常有效的。用戶在爆發(fā)期對于行動框架以及信息框架下的政務短視頻內容更為認可，而信息框架下不同主題的視頻數量相較于其他框架而言較少，這表明政務短視頻發(fā)布者在爆發(fā)期對于信息框架的內容發(fā)布有所欠缺。因此，政務短視頻在運營過程中，把握用戶在生命周期不同階段感興趣的話題，制定出相應的發(fā)布策略能獲得更好的傳播效果，如在爆發(fā)期增加對信息框架下短視頻的發(fā)布頻次。

表5 生命周期不同階段顯著用戶行為及對應話題

4.3 政務短視頻主題與用戶行為相關性分析

本研究借助SPSS對于三種用戶行為(點贊、評論、收藏)進行Spearman相關性檢驗，所得檢驗結果如表6所示。樣本中的點贊數、評論數、收藏數兩兩之間的Spearman相關系數均大于0.65，且置信度小于0.01，這表明三者之間的相關性較強。值得注意的是，點贊數與收藏數之間的相關性系數達到了0.913，說明用戶的點贊行為與收藏行為高度相關。

表6 用戶行為Spearman相關性分析結果

已有研究[4]指出，話題向量與用戶行為向量的余弦相似度越大，則表示話題與用戶行為更為相關。因此，本研究篩選出上文中話題-用戶行為余弦相似度矩陣中的較大值(所得結果如表7所示)，從而挖掘出顯著影響用戶行為的政務短視頻話題?？梢钥闯觯瑃opic2、topic25、topic26均與用戶的點贊、評論、收藏行為顯著相關。其中，topic2(核酸檢測)、topic26(分區(qū)管控)都屬于行動框架下的抗疫政策普及主題，topic25(辟謠信息)則屬于信息框架下的科普與辟謠主題。這表明，政務短視頻的受眾對于政府在突發(fā)公共衛(wèi)生事件期間采取的舉措與相關防疫政策特別關注，對于官方的辟謠信息也比較信賴。另外，用戶傾向于對觀點框架下的政務短視頻(舒緩公眾情緒的視頻)進行點贊，相較之下，觀點框架對應的評論與收藏行為則不太顯著。這表明，突發(fā)公共衛(wèi)生事件期間政務短視頻的受眾對于涉及到他們切身利益(人身安全、健康等)的話題更為關注，除了點贊之外還會進行評論和收藏。

表7 與用戶行為顯著相關的話題

5 結 語

本研究有助于幫助政府部門了解突發(fā)公共衛(wèi)生事件輿情走勢以及用戶訴求，從而制定個性化的政務短視頻發(fā)布策略來實現(xiàn)政務短視頻的定向、精準傳播，主要研究結論如下：

首先，不同的生命周期階段應制定針對性的政務短視頻發(fā)布的主題策略。用戶在征兆期、持續(xù)期、恢復期傾向于對觀點框架下的短視頻(特別是榜樣樹立類)進行點贊、評論和收藏；在爆發(fā)期則傾向于對信息框架下的政務短視頻進行收藏。因此，政務部門應在不同生命周期階段基于對應的框架來安排發(fā)布主題，如征兆期與爆發(fā)期聚焦安撫公眾的情緒，持續(xù)期則聚焦于物資配送、榜樣樹立主題，恢復期繼續(xù)側重于塑造典型榜樣并加大對事件處理成果的宣傳。

其次，要加大觀點框架的使用頻度和使用力度。數據分析結果顯示觀點框架下的短視頻數量在四個生命周期階段的占比一直不低，而用戶也的確傾向于對該框架下的短視頻進行點贊、評論和收藏，說明政務短視頻發(fā)布方對于觀點框架的運用是行之有效的，政府采取的安撫情緒、樹立典型模范的策略是非常有效的。

再次，輿情爆發(fā)期應重視和強化信息框架下的短視頻發(fā)布。用戶在爆發(fā)期對于行動框架以及信息框架下的政務短視頻內容更為認可，但信息框架下不同主題的樣本數量相較于其他框架而言較少，說明政務短視頻發(fā)布方對爆發(fā)期信息框架的運用有所欠缺，應科學規(guī)劃來充分發(fā)揮信息框架在輿情爆發(fā)期的積極作用。

本研究采用規(guī)范的實證研究方法和科學的數據分析方法，從主題和行為的視角對突發(fā)公共衛(wèi)生事件中政務短視頻進行了一次有益的研究探索。受制于數據可獲得性和平臺監(jiān)管等客觀因素，本研究存在一定的研究局限。未來的研究將拓展平臺樣本范疇，針對不同平臺的政務信息主題進行對比研究。在研究場景選取方面，將拓展至更豐富的研究案例。此外，本研究對于用戶行為的度量僅限于點贊數、評論數和收藏數，未來研究可將評論文本的主題與情感特征納入考量，拓寬政務短視頻用戶行為的研究范圍。