譚 旭，吳 璞，蔣知義，鄒 凱，呂 欣

1.湘潭大學(xué) 公共管理學(xué)院，湖南 湘潭 411105

2.深圳信息職業(yè)技術(shù)學(xué)院 素質(zhì)賦能中心，廣東 深圳 518172

3.國防科技大學(xué) 系統(tǒng)工程學(xué)院，長沙 410076

2021年3月11日，十三屆全國人大四次會議表決通過了關(guān)于國民經(jīng)濟(jì)和社會發(fā)展第十四個五年規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要[1]，提出全面推進(jìn)健康中國建設(shè)，統(tǒng)籌發(fā)展和安全，建設(shè)更高水平的平安中國；加快數(shù)字化發(fā)展，建設(shè)數(shù)字中國。據(jù)《中國醫(yī)師執(zhí)業(yè)狀況白皮書（2017年）》數(shù)據(jù)顯示，當(dāng)前平安中國建設(shè)在醫(yī)療服務(wù)方面還不夠系統(tǒng)和完善，不同程度的醫(yī)療糾紛、醫(yī)患沖突等事件頻頻發(fā)生[2]。同時數(shù)字中國建設(shè)促進(jìn)了互聯(lián)網(wǎng)應(yīng)用的井噴式增長，但也掀起了網(wǎng)絡(luò)輿論的熱潮。根據(jù)中國互聯(lián)網(wǎng)絡(luò)信息中心（CNNⅠC）發(fā)布的第47次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計報告》，截至2020年12月，我國網(wǎng)民規(guī)模達(dá)9.89億，使用手機(jī)上網(wǎng)的比例達(dá)99.7%[3]。緊張的醫(yī)患關(guān)系和快速傳播的網(wǎng)絡(luò)載體助推醫(yī)患輿情的發(fā)酵和蔓延，影響整個社會的穩(wěn)定和諧，亟待政府部門妥善解決。

當(dāng)前許多學(xué)者對于醫(yī)患關(guān)系的法律制度構(gòu)建[4-5]、管理模式探索[6-7]、傳媒傳播機(jī)理探究[8-10]、評價決策分析[11]等方面的研究較為廣泛。圍繞以醫(yī)患關(guān)系為主體的社交媒體網(wǎng)絡(luò)輿情分析的研究較為缺乏。隨著大數(shù)據(jù)、人工智能技術(shù)的爆發(fā)式發(fā)展，網(wǎng)絡(luò)輿情已成為衡量主流民眾表達(dá)情緒的晴雨表，能有效表征醫(yī)患關(guān)系的演化趨勢及內(nèi)涵特點，因此對社交媒體平臺的文本進(jìn)行情感分析能夠直觀地反映出網(wǎng)民的真實情感傾向。目前文本情感分析主要基于傳統(tǒng)機(jī)器學(xué)習(xí)[12-14]和深度學(xué)習(xí)方法[15-17]。由于傳統(tǒng)機(jī)器學(xué)習(xí)在情感分類任務(wù)中不能有效利用上下文文本語義信息，因此影響其分類的準(zhǔn)確性。較之傳統(tǒng)的機(jī)器學(xué)習(xí)，BERT（bidirectional encoder representation from transformers）預(yù)訓(xùn)練模型（pre-trained model）擺脫了復(fù)雜特征工程的束縛，通過注意力機(jī)制[18]使模型充分學(xué)習(xí)上下文語義信息，從而實現(xiàn)更精準(zhǔn)的情感分類結(jié)果，并通過微調(diào)在自然語言處理的下游任務(wù)中取得較好結(jié)果，是目前應(yīng)用最廣泛且效果顯著的深度學(xué)習(xí)預(yù)訓(xùn)練模型[19]。

雖然BERT在情感分類任務(wù)上表現(xiàn)突出，但在主題維度的挖掘和時間序列數(shù)據(jù)的預(yù)測方面稍顯不足。為了多維度且更細(xì)粒度地探析情感演化，通過主題挖掘（topic mining）能夠從海量文本信息中識別出關(guān)鍵詞與核心主題[20]，其中LDA模型[21]能取得良好的主題挖掘效果且具有靈活的可擴(kuò)展性[22-24]，適合與其他模型相結(jié)合。ARⅠMA模型是在ARMA模型[25]的基礎(chǔ)上進(jìn)行差分處理建構(gòu)的，其具有結(jié)構(gòu)簡單、方便操作、預(yù)測速度快等特點，相對于其他時間序列預(yù)測方法更適合實際應(yīng)用[26]。

綜上，為了深度理解我國醫(yī)患關(guān)系的演化趨勢和公眾的關(guān)注焦點，為政府部門健全醫(yī)患輿情風(fēng)險預(yù)警與應(yīng)對機(jī)制提供科學(xué)合理的實證分析結(jié)論。本文擬通過模型構(gòu)建部分進(jìn)行LDA-BERT 醫(yī)患輿情多維演化分析建模和ARⅠMA 時間序列預(yù)測建模。再通過實驗與分析，驗證模型的分類和預(yù)測效果，并從粗粒度和細(xì)粒度兩個層面對全國醫(yī)患輿情分布和年度醫(yī)患輿情演化進(jìn)行深入剖析，得到醫(yī)患輿情地區(qū)、時間、主題、未來趨勢的多維度刻畫，最后給出實證分析結(jié)論。本研究契合政府部門對醫(yī)患輿情的現(xiàn)實管控需求，對構(gòu)建和諧醫(yī)患關(guān)系、保持社會和諧穩(wěn)定具有重要的現(xiàn)實意義。

1 模型的構(gòu)建

為了深入剖析醫(yī)患輿情演化，本文分別從地區(qū)、時間、主題三個維度解析醫(yī)患輿情演化過程，并對醫(yī)患輿情的正負(fù)向情感及總的情感演化進(jìn)行預(yù)測。如圖1為本文所構(gòu)建的醫(yī)患輿情多維演化分析及預(yù)測模型框架。

圖1 醫(yī)患輿情多維演化分析及預(yù)測模型框架Fig.1 Framework of doctor-patient public opinion multi-dimensional analysis and prediction

1.1 LDA-BERT醫(yī)患輿情多維演化分析建模

為提升BERT 模型的情感分類精度以獲得高質(zhì)量的輿情演化分析效果，增加BERT模型主題維度的語義信息，不僅從粗粒度層面直觀分析醫(yī)患輿情全國地區(qū)分布情況，而且從結(jié)合了主題的細(xì)粒度層面對年度醫(yī)患輿情的演化進(jìn)行剖析，實現(xiàn)了對醫(yī)患輿情地區(qū)、時間、主題下的多維度分析。本文將LDA 模型主題抽取技術(shù)與BERT 模型予以融合，以期達(dá)到在不同主題下精確表征情感演化過程，包括LDA模型主題提取和BERT模型情感傾向識別兩個階段，具體流程如圖2所示。

圖2 LDA-BERT醫(yī)患輿情多維演化分析建模流程Fig.2 LDA-BERT modeling process for doctor-patient public opinion multi-dimensional analysis

針對文檔的主題提取，給定文檔集P={p1,p2,…,pN}，其中，pi(i=1,2,…,N)為若干詞條組成的文本，假設(shè)主題集為T={T1,T2,…,TL} ，詞語集為W={w1,w2,…,wM}。通過將文檔集中每篇文檔的主題以概率分布的形式給出，分別得到“文檔-主題”概率分布θp和“主題-詞”概率分布φt。其中，θp和φt分別滿足以α和β的超參數(shù)的Dirichlet分布，如式（1）和式（2）所示：

其中，Γ(?)為Gamma函數(shù)，θp,l表示主題Tl在文檔p中的概率分布，φl,m表示詞語wm在主題Tl中的概率分布。

利用Gibbs 采樣，可得到“文檔-主題”概率θp,l和“主題-詞”概率φl,m，如式（3）和式（4）所表達(dá)：

其中，表示詞語w被分配給主題Tl的頻數(shù)，表示文檔p分配給Tl的詞語數(shù)。

而后為了實現(xiàn)情感的識別，本文擬采用如圖3所示的BERT[16]模型，主要包含輸入層、雙向Transformer 編碼層和輸出層。BERT模型輸入時會在詞向量表示的文本的句首前添加字符[CLS]，句尾后添加字符[SEP]，并用[MASK]進(jìn)行句中內(nèi)容的隨機(jī)遮蓋。在初始詞向量的基礎(chǔ)上，通過Token、Segment 和Position Embeddings 疊加嵌入來增強(qiáng)表達(dá)，充分刻畫每一個Token與句子的特征?；陔p向Transformer 架構(gòu)的編碼層，能夠充分學(xué)習(xí)文本語義與上下文之間的語義關(guān)系。再引入注意力機(jī)制，對文本特征進(jìn)行提取，將獲取到的特征信息進(jìn)行如式（5）所示的加權(quán)處理：

圖3 BERT情感分類模型Fig.3 BERT model for sentiment classification

其中，Q、K、V為輸入向量矩陣，dk是輸入向量K的維度大小。通過softmax 函數(shù)進(jìn)行歸一化處理，得到當(dāng)前單詞在每個句子中每個單位位置的表示程度，并對V進(jìn)行加權(quán)。特征信息的權(quán)重越大，表明其在情感分類任務(wù)中越重要。BERT模型在輸出時的文本語義融合了整個文本上下文的語義信息。本文在BERT 原有模型的基礎(chǔ)上，在下游任務(wù)中構(gòu)建了情感分類器，用于執(zhí)行情感分類任務(wù)（如表1 所示）。每個文檔記為：{pi,score：{Ep(pi),En(pi)},label:E′(pi)}，其中pi為第i個文檔，score為情感傾向值，label為該文檔的情感傾向標(biāo)簽。

表1 情感分類器的標(biāo)簽設(shè)置Table 1 Label setting for sentiment classifier

由此，改進(jìn)后的LDA-BERT多維演化算法模型步驟如下：

步驟1數(shù)據(jù)預(yù)處理與語料集詞典構(gòu)建。輸入醫(yī)患輿情文本語料集P，對語料集P進(jìn)行分詞、去停用詞等預(yù)處理，構(gòu)建語料詞典。

步驟2LDA主題數(shù)確定及主題抽取。通過計算不同主題個數(shù)并結(jié)合可視化來進(jìn)行文本主題分類，確定LDA主題最佳個數(shù)K。通過主題抽取得到每一個文檔pi對應(yīng)的主題Tl的“文檔-主題”概率分布θp,l、每一個主題Tl對應(yīng)的詞語wm的“主題-詞”概率分布φl,m，確定文本語料集中文檔所屬的主題及各主題下的詞語分布。

步驟3進(jìn)行BERT 的輸入表征和情感分類器構(gòu)建。輸入標(biāo)注語料集L，通過BERT模型將輸入語料進(jìn)行文本的向量化表示，句首添加字符[CLS]、句尾添加字符[SEP]、字符[MASK]在句中以一定概率隨機(jī)出現(xiàn)；然后執(zhí)行MLM（masked language model）、NSP（next sentence prediction）任務(wù)；預(yù)訓(xùn)練模型的損失主要在MLM、NSP中，因此兩個任務(wù)聯(lián)合學(xué)習(xí)的損失函數(shù)如式（6）所示：

其中，θ是BERT中Encoder部分的參數(shù)，θ1、θ2分別是兩個任務(wù)中的Encoder 參數(shù)；基于標(biāo)注數(shù)據(jù)集對BERTbase預(yù)訓(xùn)練模型下游任務(wù)中加入新的處理類，用于執(zhí)行SC（sentiment classification）任務(wù)。

步驟4BERT 情感分類深度預(yù)訓(xùn)練和微調(diào)。設(shè)置預(yù)訓(xùn)練和微調(diào)階段參數(shù)：學(xué)習(xí)率、epoch訓(xùn)練次數(shù)、batch大小、最大序列長度、初始化參數(shù)等。為避免訓(xùn)練過程出現(xiàn)過擬合現(xiàn)象，采用Adam算法計算最佳學(xué)習(xí)率。輸出epoch訓(xùn)練結(jié)果并遷移至微調(diào)模型中，輸入語料集P，經(jīng)過下游SC 任務(wù)計算出各語料集中每個文檔pi的情感傾向信息{pi,score:{Ep(pi),En(pi)},label:E′(pi)}。

步驟5將步驟4 中的每個文檔pi的情感傾向信息中添加地區(qū)標(biāo)簽得到{pi,score:{Ep(pi),En(pi)},label:E′(pi),location}從粗粒度層面對全國醫(yī)患輿情分布進(jìn)行分析；將步驟2中生成的“文檔-主題”分步添加到每個文檔pi的情感傾向信息并融入各文檔對應(yīng)的時間標(biāo)簽得到{pi,score：{Ep(pi),En(pi)},label:E′(pi),theme,time}，并從細(xì)粒度層面對年度醫(yī)患輿情演化進(jìn)行剖析。

1.2 ARIMA醫(yī)患輿情時間序列預(yù)測建模

根據(jù)1.1節(jié)步驟5中的每個文檔pi的情感傾向信息，分別構(gòu)建時間序列總文本集XSUM={time,Num(pi)}，正向情感時間序列，負(fù)向情感時間序列，時間是按年份/季度來計量的。假設(shè)X={X1,X2,…,Xt}，為得到平穩(wěn)時間序列進(jìn)行差分處理，那么Xt的d階差分Yt=(1-B)dXt，其中B為滯后算子。Yt服從ARMA(p,q)模型，則Xt是符合ARIMA(p,d,q)模型過程的。自回歸過程如式（7）所示：

其中，Yt為時間序列文本集Xt的差分值；μ1,μ2,…,μp為該方程的自回歸系數(shù)；ut為服從均值為0、方差為σ2的正態(tài)分布且在不同時刻的值互不相關(guān)的白噪聲過程；滑動平均過程如式（8）所示：

其中，δ1,δ2,…,δq為該方程的滑動平均系數(shù)；γt為白噪聲序列。

由此可得到ARMA模型數(shù)學(xué)表達(dá)式（9）：

ARⅠMA時間序列建模分析步驟如下：

步驟1拆分訓(xùn)練集和測試集。對構(gòu)建的醫(yī)患輿情時間序列X（包括時間序列總文本集XSUM、正向情感時間序列Xp、負(fù)向情感時間序列Xn）均拆分為以2016年至2020年的數(shù)據(jù)為訓(xùn)練集，2021年1月至6月的數(shù)據(jù)為測試集。

步驟2時間序列平穩(wěn)性檢驗。對非平穩(wěn)醫(yī)患輿情時間序列X，經(jīng)過d次差分得到平穩(wěn)時間序列Yt。

步驟3ARⅠMA模型的識別與定階。根據(jù)自相關(guān)函數(shù)（ACF）與偏自相關(guān)函數(shù)（PACF），初步識別模型中p與q的可能取值。再基于AⅠC 準(zhǔn)則、BⅠC 準(zhǔn)則和HQⅠC準(zhǔn)則進(jìn)行模型定階，計算出各自對應(yīng)的值，選取三者值達(dá)到最小的那一組作為理想階數(shù)ARMA(p,q)。

步驟4白噪聲與相關(guān)性檢驗。對差分后的平穩(wěn)序列進(jìn)行純隨機(jī)性檢驗，判斷序列是否為白噪聲序列。并對ARMA(p,q)模型所產(chǎn)生的殘差做德賓-沃森（D-W）檢驗，判斷殘差的自相關(guān)性。

步驟5模型參數(shù)估計。采用最小二乘法估計模型的參數(shù)μ和δ，對t+1 時刻進(jìn)行預(yù)測，公式如式（10）所示：

步驟6檢驗?zāi)Ｐ托阅堋Ｓ脺y試集對模型預(yù)測結(jié)果進(jìn)行檢驗，計算總發(fā)文量、正負(fù)向情感的平均絕對百分比誤差（MAPE）[27]和對稱平均絕對百分比誤差（SMAPE），由此分別計算三者的平均誤差率。

2 仿真實驗分析

2.1 數(shù)據(jù)來源

為深度探析近年來醫(yī)患關(guān)系現(xiàn)實情況及醫(yī)患輿情演化趨勢，本文以新浪微博社交平臺為數(shù)據(jù)源，構(gòu)建基于Python 的網(wǎng)絡(luò)爬蟲框架。在遵循網(wǎng)絡(luò)爬蟲規(guī)則的前提下，通過高級搜索在“醫(yī)患關(guān)系”“暴力傷醫(yī)”話題下爬取了2016 年1 月1 日至2021 年6 月10 日的發(fā)帖和評論內(nèi)容，共計99 841條。經(jīng)過數(shù)據(jù)預(yù)處理后最終得到數(shù)據(jù)81 203條，即醫(yī)患輿情文本語料集P為81 203條。對醫(yī)患輿情文本語料集進(jìn)行詞云圖可視化，如圖4 所示，發(fā)現(xiàn)醫(yī)患輿情主要聚焦于暴力傷醫(yī)、醫(yī)患關(guān)系、醫(yī)者仁心、傷醫(yī)事件等方面。預(yù)訓(xùn)練語料集L來自新浪微博公開正負(fù)情感標(biāo)注數(shù)據(jù)集約12萬條（正負(fù)向情感標(biāo)注各6萬條），按9∶1∶1 的比例將預(yù)訓(xùn)練語料集L拆分為訓(xùn)練集95 991條，測試集12 000條，驗證集12 000條。

圖4 醫(yī)患輿情主題詞詞云Fig.4 Theme word clouds of doctor-patient public opinion

2.2 全國醫(yī)患輿情分布

為剖析醫(yī)患關(guān)系的本質(zhì)，本文從宏觀維度以近6年的醫(yī)患文本數(shù)據(jù)為切入口，呈現(xiàn)我國醫(yī)患關(guān)系在全國范圍內(nèi)地區(qū)分布差異性及其正負(fù)向情感偏向程度，利用LDA-BERT 醫(yī)患輿情多維演化分析模型進(jìn)行粗粒度層面的分析。根據(jù)1.1 節(jié)算法中的步驟3 在BERT-base 模型的基礎(chǔ)上構(gòu)建BERT 情感分類器，輸入語料集L，執(zhí)行步驟4 預(yù)訓(xùn)練過程，設(shè)置初始學(xué)習(xí)率為2E-5，最大序列長度為128，epoch訓(xùn)練次數(shù)為30次。通過訓(xùn)練迭代了8 999步得到模型的AUC值為0.979 2，loss值為0.06。為對比本文算法的情感分類效果，采用文本情感分類經(jīng)典模型TextCNN作為分類基線模型?；?.1節(jié)語料集L進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果如表2所示。通過實驗對比能夠清晰地看出，LDA-BERT情感分類模型效果突出。

表2 情感分類結(jié)果對比Table 2 Comparison results of sentiment classification

由此，將訓(xùn)練好的模型遷移到情感分類微調(diào)模型中，輸入醫(yī)患輿情文本語料集P。通過模型進(jìn)行情感值計算和情感極性分類。找到語料集P中各文檔對應(yīng)的ⅠD 建構(gòu)新的URL 來獲取對應(yīng)的地區(qū)標(biāo)簽，并將標(biāo)簽與各語料集中每個文檔pi的正向情感值Ep(pi)和負(fù)向情感值En(pi)對應(yīng)，可以得到時空維度下全國醫(yī)患輿情分布情況，分別如圖5、圖6所示。

圖5 正向情感全國地區(qū)分布圖Fig.5 Regional distribution map of positive sentiment

圖6 負(fù)向情感全國地區(qū)分布圖Fig.6 Regional distribution map of negative sentiment

如圖5 和圖6 分別為全國34 個省份的醫(yī)患輿情正負(fù)向情感地區(qū)分布情況，其中，圖5 能夠直觀看出貴州省在醫(yī)患輿情上表現(xiàn)最突出的積極情緒，其次是黑龍江省。圖6 能夠清晰看出最具消極情緒的微博用戶多分布在甘肅省，其次為遼寧省和寧夏自治區(qū)。醫(yī)患輿情在地區(qū)分布上具有明顯的差異性，地區(qū)間的差異影響著公眾對醫(yī)患關(guān)系的認(rèn)知，進(jìn)而影響著醫(yī)患關(guān)系的發(fā)展。因此，對于醫(yī)患輿情管控方面，針對地區(qū)差異要有所側(cè)重。對于地區(qū)間的醫(yī)療資源的不均衡，也應(yīng)有所調(diào)整。

2.3 年度醫(yī)患輿情演化

為更細(xì)膩地刻畫近6 年來國內(nèi)醫(yī)患關(guān)系的變化細(xì)節(jié)，借助本文LDA-BERT混合模型的多維度智能分析和可視化呈現(xiàn)，從網(wǎng)絡(luò)輿情的視角探尋總體情感極性的演化情況，如圖7所示。根據(jù)1.1節(jié)算法的步驟1進(jìn)行數(shù)據(jù)預(yù)處理，采用中文停用詞表、哈工大停用詞表、百度停用詞表、四川大學(xué)機(jī)器智能實驗室停用詞表進(jìn)行更為精確的停詞處理。將生成的詞典經(jīng)過doc2bow 計算每個不同單詞出現(xiàn)的次數(shù)，將單詞轉(zhuǎn)化成整數(shù)ⅠD，并將結(jié)果作為稀疏向量返回，生成語料。訓(xùn)練TFⅠDF模型[28]并生成TFⅠDF 矩陣，選擇α=‘a(chǎn)uto’，β=0.01 的先驗參數(shù)，對LDA模型進(jìn)行訓(xùn)練，經(jīng)過迭代計算，K=4 時，困惑度最小，主題數(shù)最優(yōu)。結(jié)合gensim調(diào)用api實現(xiàn)LDA的可視化交互分析。通過pyLDAvis 可視化得到圖8 主題分布情況。驗證主題數(shù)K=4 時主題抽取分布較為均勻合理。圖8 中左側(cè)部分表示醫(yī)患輿情語料集的四個主題分布，圓的大小表示每個主題出現(xiàn)頻率的大小，圓與圓之間的距離遠(yuǎn)近表示主題間的相似性，可以看到主題4與其余三個主題之間距離較近，關(guān)系較為密切。圖8右側(cè)部分表示λ=1 時四個主題中排名前三十的詞語分布。其中λ越接近1，詞語與主題的相關(guān)性越高。從圖中可以發(fā)現(xiàn)，與主題最為密切相關(guān)的詞語主要集中在四個層面：醫(yī)患主體層面，如“醫(yī)生”“醫(yī)院”“患者”等；法律懲治層面，如“律師”“法律”“嚴(yán)懲”等；醫(yī)療糾紛層面，如“醫(yī)療”“醫(yī)鬧”“看病”等；新聞報道層面，如“新聞”“衛(wèi)健委”“人民日報”等。抽取各主題下排前10的詞語，得到醫(yī)患輿情“主題-詞”分布，見表3所示。

表3 醫(yī)患輿情的“主題-詞”分布結(jié)果Table 3 “Theme-word”distribution of doctor-patient public opinion

圖7 不同年度下醫(yī)患輿情總體情感極性演化趨勢Fig.7 Sentiment evolution trend of doctor-patient public opinion in different years

圖8 主題分布尋優(yōu)結(jié)果Fig.8 Optimization results of theme distribution

根據(jù)表3，按照概率大小分布，主題1概率最高的關(guān)鍵詞是“醫(yī)生”，主題2概率最高的關(guān)鍵詞分別為“醫(yī)療”“患者”，主題3、4概率最高分別為“醫(yī)院”“醫(yī)患”。將四個主題分別命名為“醫(yī)生”“患者”“醫(yī)院”“醫(yī)患關(guān)系”。

為了時序地演化醫(yī)患輿情發(fā)展態(tài)勢，分析不同主題下的情感趨勢分布如圖9 所示。在四個主題的整體趨勢上，輿情情感呈波動狀態(tài)，在2019年第四季度和2020年第一季度正負(fù)情感都處于較高態(tài)勢，在2020 年第二季度之后正向情感開始高于負(fù)向情感，與2019 年底爆發(fā)的新冠疫情有關(guān)，疫情期間對于醫(yī)護(hù)人員支援武漢的各種正面報道，給公眾重新樹立起醫(yī)護(hù)人員醫(yī)者仁心、無私奉獻(xiàn)的形象，對于緩解醫(yī)患關(guān)系具有重要意義，因此在疫情之后醫(yī)患輿情首次出現(xiàn)正向情感高于負(fù)向情感。各主題在2017年第四季度情感差異較為明顯。其中，“醫(yī)生”主題下正負(fù)情感相近，“患者”主題下正負(fù)情感差異最為明顯，“醫(yī)院”主題下和近年的趨勢較為接近，“醫(yī)患關(guān)系”主題下正向情感態(tài)度最低。這說明公眾對于“患者”與“醫(yī)患關(guān)系”持消極態(tài)度，主要是對于患者襲醫(yī)傷醫(yī)造成各種醫(yī)鬧事件的不滿。

圖9 不同主題下醫(yī)患輿情情感演化趨勢圖Fig.9 Sentiment evolution trend diagram of doctor-patient public opinion under different themes

為探析各年度主題詞分布，對2016—2021 各年度進(jìn)行主題詞抽取并進(jìn)行詞云圖可視化分析得到圖10。由圖10中近6年來主題詞詞云展示，將各年度主題分別歸納為：法治監(jiān)管、醫(yī)鬧傷醫(yī)、病人救治、醫(yī)療糾紛、護(hù)醫(yī)措施、理解醫(yī)生。發(fā)現(xiàn)醫(yī)患關(guān)系中的關(guān)注主體由對患者主體的關(guān)注轉(zhuǎn)為對醫(yī)生主體的關(guān)注。結(jié)合年度整體情感演化趨勢（圖7）不難發(fā)現(xiàn)，公眾對于醫(yī)患關(guān)系的關(guān)注與重視是呈現(xiàn)波動上升的，而對于醫(yī)患關(guān)系的情感糾葛從開始的“醫(yī)鬧傷醫(yī)”“醫(yī)療糾紛”到最近的“保護(hù)醫(yī)生”“理解醫(yī)生”是趨于緩和的發(fā)展態(tài)勢。同時，各年度主題也反映了在醫(yī)患關(guān)系中需要在法律層面和護(hù)醫(yī)措施上作出改進(jìn)。

圖10 2016—2021年度醫(yī)患輿情主題詞云分析結(jié)果Fig.10 Theme word cloud analysis results of doctor-patient public opinion from 2016 to 2021

2.4 醫(yī)患輿情情感預(yù)測分析

為進(jìn)一步探尋醫(yī)患輿情情感演化態(tài)勢，通過對醫(yī)患輿情情感走勢進(jìn)行科學(xué)合理的前瞻和預(yù)判，幫助政府部門更好地管控社交媒體平臺的網(wǎng)絡(luò)輿情，從而為制定相應(yīng)輿情防范策略提供合理的理論參考。根據(jù)1.1節(jié)算法中的步驟5，得到時間維度上的輿情情感分析結(jié)果，代入1.2節(jié)算法中的ARⅠMA模型進(jìn)行預(yù)測，確定不同參數(shù)下預(yù)測效果，分別計算平均絕對百分比誤差（MAPE）和對稱平均絕對百分比誤差（SMAPE），如表4所示。由此確定ARⅠMA模型的階數(shù)為（1，1，0）時，誤差最小。總發(fā)文量預(yù)測的MAPE值為9.46%、SMAPE值為14.15%，正向情感預(yù)測的MAPE值為11.15%、SMAPE值為14.82%，負(fù)向情感預(yù)測的MAPE 值為6.72%、SMAPE 值為11.2%。由此得到醫(yī)患輿情預(yù)測模型的平均誤差率不超過11.25%，三者的預(yù)測趨勢如圖11所示，可以發(fā)現(xiàn)預(yù)測結(jié)果與真實結(jié)果雖然存在一定范圍的滯后性，但是整體的演化趨勢是一致的，能夠較好地預(yù)判醫(yī)患輿情未來發(fā)展趨勢。

表4 不同參數(shù)下醫(yī)患輿情情感預(yù)測誤差對比Table 4 Sentiment prediction error comparison of doctor-patient public opinion under different parameters

圖11 醫(yī)患輿情情感預(yù)測對比分析Fig.11 Comparison analysis of sentiment prediction for doctor-patient public opinion

根據(jù)圖11 可以看出，總發(fā)文量與正負(fù)情感驟升的區(qū)間為新冠疫情暴發(fā)時期，其余區(qū)間數(shù)據(jù)總體上在一個范圍內(nèi)波動，但2021 年之后預(yù)測的趨勢仍然處于緩慢上升態(tài)勢。對比圖11（b）與（c）發(fā)現(xiàn)，醫(yī)患輿情負(fù)向情感從高于正向情感到逐漸趨于持平，差距逐漸減小，說明醫(yī)患關(guān)系有緩和跡象，但醫(yī)患關(guān)系依舊是一個亟待解決和關(guān)注的問題。

3 結(jié)語

本文圍繞醫(yī)患關(guān)系這個國內(nèi)持續(xù)討論的熱門話題展開研究。從網(wǎng)絡(luò)輿情的角度獲取互聯(lián)網(wǎng)復(fù)雜語境下大規(guī)模醫(yī)患輿情文本數(shù)據(jù)，通過構(gòu)建LDA-BERT-ARⅠMA混合深度學(xué)習(xí)模型來探尋醫(yī)患輿情的多維度演化過程，并從粗粒度和細(xì)粒度兩個維度深度剖析了醫(yī)患輿情在不同地區(qū)、主題、時間層面的情感演化趨勢并進(jìn)行未來情感走勢預(yù)測。本文能夠較為完整地展現(xiàn)2016 年至2021 年醫(yī)患輿情情感演化和公眾對于醫(yī)患關(guān)系話題下重點關(guān)注的主題。實證分析表明：（1）從地區(qū)分布來看，醫(yī)患輿情地域分布上的情感差異明顯，政府部門可根據(jù)地區(qū)特色進(jìn)行針對性干預(yù)和監(jiān)管。（2）從主題分布來看，醫(yī)患輿情關(guān)注焦點在法治監(jiān)管、醫(yī)療糾紛、護(hù)醫(yī)措施等層面，相關(guān)部門在法制監(jiān)管的力度和廣度方面還需加強(qiáng)，對于護(hù)醫(yī)措施方面應(yīng)明確公安機(jī)關(guān)、醫(yī)院、醫(yī)生和患者不同主體的責(zé)任與義務(wù)。（3）從輿情的演化與預(yù)測來看，未來一段時間負(fù)向情感與正向情感差距適當(dāng)減少，醫(yī)患關(guān)系有緩和跡象，但仍需重視和監(jiān)管負(fù)向情感輿情態(tài)勢。