謝媛　李本乾

關(guān)鍵詞： 新媒體環(huán)境； 突發(fā)環(huán)境事件； 網(wǎng)絡(luò)輿情； 風(fēng)險(xiǎn)信息感知

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０６．０１６

〔中圖分類號(hào)〕Ｇ２０３ 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１ （２０２３） ０６－０１５８－０８

新媒體環(huán)境是利用數(shù)字技術(shù)和網(wǎng)絡(luò)技術(shù)， 通過互聯(lián)網(wǎng)、寬帶局域網(wǎng)、無線通信網(wǎng)、衛(wèi)星等渠道，以及電腦、手機(jī)、數(shù)字電視機(jī)等終端形成的環(huán)境。其在輿情傳播方面有著非常重要的作用， 因?yàn)槭褂眯旅襟w的用戶較多， 輿情信息傳播的深度與廣度也在隨之?dāng)U大， 一旦傳播的負(fù)面輿情信息影響力超出可控范圍， 即會(huì)引起突發(fā)性輿情危機(jī)事件。該類事件的發(fā)生會(huì)導(dǎo)致網(wǎng)民產(chǎn)生恐慌情緒， 動(dòng)搖用戶的信息， 喪失獨(dú)立思考的能力， 從而產(chǎn)生消極的影響。基于這種情況， 就需要對突發(fā)環(huán)境事件作出準(zhǔn)確的判斷， 但是新媒體環(huán)境下網(wǎng)絡(luò)輿情是一個(gè)較為復(fù)雜的事物， 其具有較強(qiáng)的不確定性， 增加了網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知與引導(dǎo)的難度。為了避免用戶在突發(fā)公共事件中產(chǎn)生恐慌情緒， 以及被錯(cuò)誤觀點(diǎn)引領(lǐng)，發(fā)表不正當(dāng)言論， 需要構(gòu)建突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知模型。

２０２０ 年， Ｓｈｉ Ｘ 等［１］ 提出一種基于雙向生成對抗網(wǎng)絡(luò)（ＢＩＧＡＮ）的無監(jiān)督方法， 實(shí)現(xiàn)配電網(wǎng)絡(luò)在線監(jiān)測數(shù)據(jù)的操作風(fēng)險(xiǎn)評估； ２０２１ 年， 李金澤等［２］ 在構(gòu)建的突發(fā)輿情事件情報(bào)語料庫基礎(chǔ)上建立了突發(fā)輿情事件感知模型， 實(shí)現(xiàn)了輿情風(fēng)向的感知； 李樹文［３］ 利用探針捕獲網(wǎng)絡(luò)流量數(shù)據(jù)包和人工免疫算法構(gòu)建檢測模型， 實(shí)現(xiàn)網(wǎng)絡(luò)安全風(fēng)險(xiǎn)檢測； ２０２２年， 曹科才等［４］ 構(gòu)建分?jǐn)?shù)階微分方程模型， 使用參數(shù)擬合方法降低了網(wǎng)絡(luò)輿情系統(tǒng)整數(shù)階數(shù)學(xué)建模方法的保守性； 蘭月新等［５］ 在挖掘輿情傳播的核心要素指標(biāo)的基礎(chǔ)上， 對網(wǎng)絡(luò)輿情異常數(shù)據(jù)進(jìn)行建模，并提出風(fēng)險(xiǎn)計(jì)算方法， 實(shí)現(xiàn)輿情風(fēng)險(xiǎn)的檢測。上述模型中雖能夠?qū)︼L(fēng)險(xiǎn)信息感知， 但是感知信息來源于實(shí)驗(yàn)室數(shù)據(jù)， 并非實(shí)際數(shù)據(jù)， 容易出現(xiàn)與實(shí)際情況差距較大的情況， 準(zhǔn)確性較低， 不能為事件分析提供幫助。

基于上述情況， 本文設(shè)計(jì)一個(gè)新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知模型， 通過輿情主體建模、輿情信息模型建立與網(wǎng)民情感模型建立，計(jì)算傳播概率， 采用Ｌｏｇｉｓｔｉｃ 回歸模型感知風(fēng)險(xiǎn)信息風(fēng)險(xiǎn)高低， 實(shí)現(xiàn)突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知。

１網(wǎng)絡(luò)輿情信息評價(jià)指標(biāo)和影響因素集構(gòu)建

目前， 我國對網(wǎng)絡(luò)輿情的研究主要集中在從網(wǎng)絡(luò)科學(xué)與技術(shù)的角度， 開發(fā)先進(jìn)的技術(shù)方法和簡化數(shù)理統(tǒng)計(jì)模型來采集和挖掘輿情信息， 從而代替網(wǎng)絡(luò)輿情分析判據(jù)的科學(xué)性。網(wǎng)絡(luò)輿情在內(nèi)容上具有復(fù)雜性、突變性、對抗性等特點(diǎn)， 本文結(jié)合新媒體環(huán)境下輿情本身的性質(zhì)和特點(diǎn)， 以網(wǎng)絡(luò)輿情傳播的輿情主體、輿情信息和網(wǎng)民情感３ 個(gè)核心影響要素作為評價(jià)指標(biāo)， 建立信息評價(jià)指標(biāo)和影響因素集。

網(wǎng)絡(luò)輿情的主要關(guān)鍵詞為社會(huì)、事件、網(wǎng)絡(luò)、公眾、民眾、信息、情感、情緒、態(tài)度等， 本文據(jù)此提煉網(wǎng)絡(luò)輿情傳播核心要素為輿情主體、輿情信息和網(wǎng)民情感， 構(gòu)建網(wǎng)絡(luò)輿情傳播核心要素集為：

Ｉ ＝ ｛Ｓ， ｘ， Ｅ｝ （１）

式（１）中， Ｓ 代表輿情主體， ｘ 代表輿情信息， Ｅ 代表網(wǎng)民情感。

輿情主體， 公共輿論的傳播主體分為一般網(wǎng)民和引導(dǎo)者兩類， 前者的受眾人數(shù)多， 但是傳播的影響力卻很弱； 后者主要包括媒體、政府、網(wǎng)絡(luò)大Ｖ等網(wǎng)絡(luò)上擁有輿論導(dǎo)向功能的網(wǎng)民， 雖然人數(shù)不多， 但其輿論導(dǎo)向作用卻是巨大的。

輿情信息， 輿論信息包括發(fā)布主體、發(fā)布時(shí)間、發(fā)布內(nèi)容、轉(zhuǎn)發(fā)、評論、點(diǎn)贊和發(fā)布網(wǎng)址等。

網(wǎng)民情感分為兩類（正面和負(fù)面）、三分（正面、中性、負(fù)面）和四分（憤怒、厭惡、高興、悲傷）、七分（憤怒、厭惡、恐懼、高興、喜好、驚訝）等。

基于上述分析可知， 信息、網(wǎng)民情感以及輿情主體涉及多個(gè)指標(biāo)， 建立網(wǎng)絡(luò)輿情信息評價(jià)指標(biāo)體系， 并分析影響因素［６］ 。主要指標(biāo)如表１ 所示。

其中， 突發(fā)環(huán)境事件網(wǎng)絡(luò)輿論信息流的風(fēng)險(xiǎn)指數(shù)是用來度量突發(fā)環(huán)境事件后， 網(wǎng)絡(luò)輿論信息流出現(xiàn)異常波動(dòng)的概率。它包含了４ 個(gè)現(xiàn)實(shí)層面的指數(shù)：地區(qū)ＧＤＰ 數(shù)值、地區(qū)人均收入水平、地區(qū)和諧度、地區(qū)網(wǎng)民數(shù)量。原因在于， 在比較和諧的經(jīng)濟(jì)條件下， 突發(fā)環(huán)境事件的網(wǎng)絡(luò)輿情信息流出現(xiàn)異常波動(dòng)的可能性較低， 而反過來則相反。突發(fā)環(huán)境事件的網(wǎng)絡(luò)輿情信息流傳導(dǎo)擴(kuò)散風(fēng)險(xiǎn)指數(shù)是指突發(fā)環(huán)境事件中的信息流動(dòng)的異常波動(dòng)性、深度和持續(xù)時(shí)間，它的傳導(dǎo)擴(kuò)散范圍越廣， 主題越深； 時(shí)間越長， 風(fēng)險(xiǎn)也就越大。因此， 具體分為６ 個(gè)指標(biāo)： 主要網(wǎng)站突發(fā)環(huán)境事件專題點(diǎn)擊率、發(fā)布突發(fā)環(huán)境事件專題網(wǎng)站數(shù)量、瀏覽議題網(wǎng)民分布省份、瀏覽突發(fā)環(huán)境事件議題網(wǎng)民職業(yè)分布數(shù)量、輿情信息流已持續(xù)天數(shù)、突發(fā)環(huán)境事件議題回復(fù)網(wǎng)貼數(shù)量， 這６ 個(gè)指標(biāo)能夠更好地反映突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情信息流傳播擴(kuò)散的相關(guān)情況。突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情信息流平復(fù)風(fēng)險(xiǎn)指數(shù)是衡量政府在網(wǎng)絡(luò)輿情信息流蔓延后，政府導(dǎo)控、平復(fù)網(wǎng)絡(luò)輿情信息流的能力和效率。通常情況下， 管理能力越差， 管理效率越低， 所面臨的危險(xiǎn)也就越大。它包含５ 個(gè)層次： 政府輿情反應(yīng)速度、政府輿情回應(yīng)民眾滿意度、突發(fā)環(huán)境事件解決民眾認(rèn)可度、監(jiān)測平臺(tái)完善度和員工質(zhì)量。

滿足上述條件后， 用葉節(jié)點(diǎn)替換子樹， 替換后修剪決策樹， 提高數(shù)據(jù)的決策能力， 不斷迭代計(jì)算， 直到所有的數(shù)據(jù)計(jì)算完成， 即完成新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知和預(yù)警。

６實(shí)驗(yàn)對比

以實(shí)際發(fā)生的突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情事件為實(shí)驗(yàn)對象， 并將文獻(xiàn)［１］構(gòu)建的面向風(fēng)險(xiǎn)監(jiān)測的感知模型、文獻(xiàn)［２］構(gòu)建的突發(fā)輿情事件的情報(bào)感知模型與本文所構(gòu)建模型對比， 對比３ 個(gè)模型在不同場景下的應(yīng)用效果。

６.１實(shí)驗(yàn)內(nèi)容

此次實(shí)驗(yàn)研究共分為兩個(gè)部分， 第一部分實(shí)驗(yàn)為采用３ 種方法分析疫情事件輿情情感演化情況，主要包含參與者的消極情緒比例、積極情緒比例以及沒有參加評論的比例。

第二部分實(shí)驗(yàn)以多個(gè)突發(fā)環(huán)境事件為研究對象，以數(shù)量為指標(biāo)， 與實(shí)際微博轉(zhuǎn)發(fā)數(shù)量對比， 分析不同方法的感知情況和預(yù)警準(zhǔn)確率， 從而反映本文方法的感知效果。分析關(guān)注、轉(zhuǎn)發(fā)以及評論這些數(shù)據(jù)的人數(shù)， 第二部分實(shí)驗(yàn)中， 事件爬取條數(shù)如表３ 所示。

將上述內(nèi)容作為實(shí)驗(yàn)對象， 詳細(xì)的實(shí)驗(yàn)結(jié)果如下。

６.２實(shí)驗(yàn)結(jié)果分析

分析疫情背景下疫情事件輿情情感演化情況，對比結(jié)果如圖１～圖３ 所示。

分析圖１～ 圖３ 可知， ３ 種模型對于未參與者的信息感知結(jié)果與實(shí)際值相差較小， 其主要原因是未參與者對于目標(biāo)事件持中立態(tài)度， 不發(fā)表積極或消極的評論， 因此其感知結(jié)果雖有一定偏差， 但與實(shí)際值相差較小。而面對消極情緒者、積極情緒或無感者兩類對象， 兩種對比模型在信息感知方面與實(shí)際數(shù)據(jù)存在一定差距， 感知精度不夠穩(wěn)定， 然而所構(gòu)建模型對不同情緒的用戶感知情況與實(shí)際趨勢基本一致， 證明所構(gòu)建感知模型能夠準(zhǔn)確模擬此次事件中的輿情情感演化情況， 并對其進(jìn)行分析。其主要原因是所構(gòu)建模型建立了網(wǎng)絡(luò)輿情傳播核心要素演化模型， 明確了演化規(guī)律， 因此可以通過感知用戶的情緒來準(zhǔn)確感知輿情情感演化情況。

第二部分風(fēng)險(xiǎn)感知情況的實(shí)驗(yàn)結(jié)果如表４ 所示。

基于表４ 可知， 所構(gòu)建模型應(yīng)用下感知的轉(zhuǎn)發(fā)數(shù)量與實(shí)際轉(zhuǎn)發(fā)數(shù)量相差較小， 最大相差低于１０條。說明采用本文方法構(gòu)建的模型對微博轉(zhuǎn)發(fā)數(shù)量的感知效果較好； 而兩種對比模型與實(shí)際轉(zhuǎn)發(fā)數(shù)量相差較大， 說明感知效果較差。由此證明了所構(gòu)建模型利用Ｌｏｇｉｓｔｉｃ 回歸方法具有一定的有效性。

第二部分風(fēng)險(xiǎn)預(yù)警的實(shí)驗(yàn)結(jié)果如表５ 所示。風(fēng)險(xiǎn)預(yù)警即為篩查微博中惡意評論的數(shù)量。

基于表５ 可知， 所提出的突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知模型在微博惡意評論預(yù)警上， 與實(shí)際惡意評論條數(shù)相差最多不超過５ 條， 而另外兩個(gè)模型預(yù)警的惡意評論條數(shù)與實(shí)際惡意評論條數(shù)相差均較大。說明本文所構(gòu)建模型通過決策樹算法可以預(yù)警惡意評論的發(fā)展動(dòng)態(tài)， 驗(yàn)證了決策樹模型具有一定的有效性。

７結(jié)束語

網(wǎng)絡(luò)輿情發(fā)展過程中， 負(fù)面信息較多會(huì)引起用戶恐慌， 為此本文通過建立突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情信息流風(fēng)險(xiǎn)指標(biāo)集， 以此為基礎(chǔ)明確網(wǎng)絡(luò)輿情傳播核心要素演化規(guī)律， 并采用Ｌｏｇｉｓｔｉｃ 回歸模型感知風(fēng)險(xiǎn)信息風(fēng)險(xiǎn)高低后， 結(jié)合決策樹算法實(shí)現(xiàn)輿情風(fēng)險(xiǎn)預(yù)警?；谏鲜鲞^程完成了新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡(luò)輿情風(fēng)險(xiǎn)信息感知模型的構(gòu)建， 實(shí)驗(yàn)結(jié)果表明， 所研究的模型具有較高的感知準(zhǔn)確性和預(yù)警能力。通過此模型能夠很好地處理突發(fā)狀況， 提高網(wǎng)民在突發(fā)環(huán)境事件下面對不良信息時(shí)保持理性，以有效扭轉(zhuǎn)輿情演化的方向。本文不足之處在于需要構(gòu)建的模型過多， 在后續(xù)研究中需要優(yōu)化模型并分析信息感知的影響因素， 為相關(guān)領(lǐng)域提供幫助。