王 力 張運良 曾 文

(1.中國科學技術信息研究所 北京 100038;2.富媒體數(shù)字出版內(nèi)容組織與知識服務重點實驗室 北京 100038)

0 引 言

科技在飛速發(fā)展的同時,也存在著一定的“紅區(qū)”。前沿科技并不意味著絕對的自由。前沿科技風險事件是指具備科技內(nèi)涵、與新興科技相關的事件,涉及人工智能、機器學習、區(qū)塊鏈、生物技術、無人駕駛技術等領域。這類事件涉及到隱私、安全、倫理等方面的問題,具有一定的敏感性和較高的社會關注度。小到影響個人生活的方方面面,大到影響整個社會的發(fā)展走向。“基因編輯嬰兒”“AI換臉”等涉及科技倫理因素的前沿科技風險事件的發(fā)生反映出科學技術的不斷探索和應用已經(jīng)觸及到人類對自身本質(zhì)和權利的底線,從而引發(fā)了倫理層面的價值觀沖突。前沿科技風險事件網(wǎng)絡輿情與一般社會突發(fā)事件網(wǎng)絡輿情相比,具有相似之處,但由于科技本身的專業(yè)性以及公眾對其產(chǎn)生的認知差異,這類事件的輿情引導方案需要在一般社會突發(fā)事件網(wǎng)絡輿情引導方案的基礎上,更加重視前沿科技輿情的演化特點和特征而制定。隨著世界科技競爭格局的加劇,類似前沿科技風險事件的發(fā)生頻率逐年增加。同時,社交媒體評論逐漸成為公眾態(tài)度的第一手信息,在智媒時代下至關重要。因此,政府科技決策部門需要快速掌握公眾對這些事件的關注點和變化趨勢,了解公眾情感的變化,以便快速做出響應并實現(xiàn)有效的輿情引導。

當前針對前沿科技風險事件的輿情研究通常是關注其傳播特性,包括公眾態(tài)度與科技傳播之間的關系、科技輿情演化的影響因素和作用機制以及公眾態(tài)度變化趨勢等方面。與國內(nèi)相比,國外學者在此領域的研究更早、更深入。早在上世紀70年代,La Porte等便使用問卷調(diào)查的方法研究了公眾對科技的態(tài)度和看法,并指出公眾意見對科技的應用和發(fā)展具有重要的影響[1];Sapp等指出科學傳播的過程中需充分考慮公眾的接受度和理解程度[2]。Paolo等指出了公民參與度對前沿科技發(fā)展的影響[3];王國華等指出自媒體時代科學傳播參與主體包括科學信息生產(chǎn)者、政府、傳統(tǒng)媒體和普通公眾,傳播方向主要為雙向。科學傳播在公眾輿論形成中具有重要的作用[4];Yang等以人工智能領域為例,探討了科技輿情對前沿科技識別和預測的影響[5];Deng等探討媒體的使用是如何影響公眾對于納米技術和轉(zhuǎn)基因生物的看法,研究發(fā)現(xiàn)媒體報道的內(nèi)容和態(tài)度是影響最為顯著的因素之一[6];Looi等研究了YouTube平臺上推廣涉及爭議的科技話題公眾態(tài)度情感變化,并給出疏導不同情緒公眾的輿情引導建議[7]。也有部分學者針對科技風險事件輿情情報研究方法開展了實踐,劉耀等提出了科技風險事件資源庫和事件發(fā)現(xiàn)模型的構建方法[8]。張運良等基于深度學習技術,探討了科技突發(fā)事件下的情報甄別方法[9]。經(jīng)過文獻梳理后發(fā)現(xiàn),雖然在前沿科技風險事件輿情研究方面已經(jīng)有了一定的積累,但是研究方法和研究視角都相對單一。此外,缺乏基于實際案例的實驗性研究。因此,在這一領域的相關研究仍有很大的推進空間。

本文以2018年11月發(fā)生的“基因編輯嬰兒”事件為案例,采用統(tǒng)計學和深度學習方法,采集“今日頭條”平臺相關評論數(shù)據(jù)。通過分析該前沿科技風險事件輿情演化的特點,定義了多維數(shù)據(jù)融合網(wǎng)絡輿情引導的契合邏輯框架,并給出具體的輿情引導方案,可對政府科技決策部門應對前沿科技風險事件引發(fā)的輿情治理問題提供支撐。

1 前沿科技風險事件輿情演化分析模型及算法

1.1 多維融合視角下的前沿科技風險事件輿情演化分析模型

文獻[10]詳細地闡述了多維數(shù)據(jù)融合和網(wǎng)絡輿情引導之間的契合邏輯。本文借鑒該文的研究視角,分別從生命周期數(shù)據(jù)維、情感數(shù)據(jù)維和主題數(shù)據(jù)維三個維度構建了前沿科技風險事件輿情演化分析模型,如圖1所示。

圖1 輿情演化分析模型

首先使用python編寫爬蟲,在社交媒體平臺采集前沿科技風險事件產(chǎn)生的網(wǎng)民評論數(shù)據(jù),并對獲得的數(shù)據(jù)進行清洗和預處理。在此基礎上,從生命周期、主題和情感三個維度,基于BERT-LDA模型和RoBERTa模型對該事件進行輿情演化分析。

1.2 前沿科技風險事件輿情主題提取算法

傳統(tǒng)的主題模型在對目標文本進行分類時,存在一些缺陷:一是存在目標文本分類時強制分配隱含主題的缺陷;二是容易產(chǎn)生無法理解的主題。本文選擇主題提取效果更好的BERT-LDA模型進行主題提取。BERT其本質(zhì)是一個多層雙向的Transformer編碼器,由Token Embedding、Segment Embedding及Position Embedding三部分組成。三個特征信息結(jié)合輸入到Transformer塊。BERT-LDA是先利用BERT模型分別對預處理后的文檔數(shù)據(jù)構建向量表征,在LDA模型訓練完成之后,得到每個文本的主題概率分布作為主題特征向量,基于python的NumPy模塊完成主題向量和文檔向量拼接,拼接后的向量作為K-means聚類算法的輸入,實現(xiàn)主題聚類和主題詞提取。

1.3 前沿科技風險事件輿情情感分類算法

RoBERTa模型是在BERT模型上改進,同樣也是基于Transformer編碼器構建的。其核心部分注意力機制可對任意長度之間的詞進行關系建模,強大的特征抽取能力能夠準確捕捉句子中詞與詞之間的依賴關系[11]。模型的輸入是由字符向量、分句向量和位置向量構成。

2 實證分析

2.1 數(shù)據(jù)來源與收集

本文選擇“今日頭條”平臺上,2018年11月26日發(fā)生的“基因編輯嬰兒”事件進行數(shù)據(jù)采集。選擇該事件的原因有三:一是基因編輯技術是當前國內(nèi)外較為關注的前沿科技;二是該事件具有很強的爭議性和風險性,同時涉及法學、倫理學、哲學等多學科交叉融合;三是該事件發(fā)生后對社會多個領域產(chǎn)生重大影響。

使用python編寫爬蟲,爬取粒度為原內(nèi)容、一級評論和二級評論。爬取字段包括:用戶名稱、評論時間、評論內(nèi)容等;數(shù)據(jù)清洗過程主要通過pandas庫和excel等實現(xiàn),清洗后共計17 651條。

2.2 數(shù)據(jù)結(jié)果

2.2.1生命周期數(shù)據(jù)維分析結(jié)果

從生命周期數(shù)據(jù)維進行分析可以有效感知輿情發(fā)展的態(tài)勢等級。通過繪制“基因編輯嬰兒”事件傳播演化圖,得到該事件相關信息在時間序列上的分布特征。根據(jù)論文[12]中提到的輿情演化周期劃分方法可以判定該事件為N=1的單峰事件。

從圖2可以看出,輿情自2018年11月發(fā)生開始至今,一直有相關輿情討論出現(xiàn)。在實驗過程中發(fā)現(xiàn),2018年12月2日后評論累計不足1000條,僅在2019年12月,即法院對該事件當事人進行宣判之后產(chǎn)生了小范圍波動;2022年4月,當事人出獄的新聞再次引發(fā)了低頻率的震蕩?；谝陨辖Y(jié)果,本文將輿情分析時間限定為2018年11月26日至2018年12月2日。

圖2 輿情演化周期

借鑒文獻[13]中對輿情演化周期劃分的方法對本文輿情演化周期進行劃分,結(jié)果如圖3所示。輿情起始階段為線條1之前,爆發(fā)階段為線條1和2之間,衰退階段為線條2和3之間,平息階段為線條3之后。結(jié)合圖2和圖3可以發(fā)現(xiàn),前沿科技風險事件輿情呈現(xiàn)單峰模式,且從輿情爆發(fā)到衰退僅用了4天時間。此外,輿情周期更短,爆發(fā)性更強,因此對政府決策部門響應能力要求更高。

圖3 輿情演化周期劃分示意圖

2.2.2情感數(shù)據(jù)維分析結(jié)果

使用RoBERTa模型對評論數(shù)據(jù)進行分析,得到的結(jié)果如圖4所示。從圖中可以明顯看出,公眾總體上對該事件持負面態(tài)度,即認為該事件可能會帶來極大的后果隱患。通過評論內(nèi)容的分析,發(fā)現(xiàn)負面情緒的主要來源包括:公眾對當事人的做法不滿、對基因編輯嬰兒的同情和擔憂,以及基因編輯技術的發(fā)展可能引發(fā)社會隱患,由此引發(fā)的恐慌情緒也不容忽視。

圖4 輿情公眾情緒分類占比示意圖

對11.26-12.2每天的情感分布進行統(tǒng)計,如圖5所示。從統(tǒng)計結(jié)果可以發(fā)現(xiàn),輿情剛發(fā)生時憤怒情緒占比較高。隨著時間的推移,憤怒情緒占比逐漸降低,其他類別情感占比增加。輿情后期,正面的態(tài)度比例明顯增加,公眾的關注點從單一譴責事件當事人逐漸轉(zhuǎn)移到基因編輯技術在其他疑難雜癥(如艾滋病、不孕不育等)和新冠治療上的應用。

圖5 輿情公眾情緒演化示意圖

2.2.3主題數(shù)據(jù)維分析結(jié)果

首先使用jieba包對提取的評論語料進行分詞和去停用詞,建立停用詞表并統(tǒng)計關鍵詞詞頻,關鍵詞出現(xiàn)1-4次的數(shù)量超過5 000個,符合輿情文本主題的特點,即在一個特定話題下習慣地趨向于相同的評論用詞。接著確定主題個數(shù),本實驗采用主題一致性c_v值對主題數(shù)進行判斷,結(jié)果如圖6所示。從圖中可以發(fā)現(xiàn)topic=10為最佳主題數(shù)。

圖6 c_v值示意圖

確定最優(yōu)主題數(shù)后,使用BERT-LDA模型訓練。得到“主題-詞”分布,將各詞匯按照頻率依次從大到小排列。選取權重較大的4-5個詞對主題進行標注,如表1所示(以下將“基因編輯嬰兒技術”簡稱為“該技術”)。

主題強度大小決定了該主題在某個時間的出現(xiàn)頻率。統(tǒng)計評論群體主題強度圖,獲得各個主體在不同時間的主題強度分布情況,根據(jù)不同時間窗口的變化分析10個主題隨著時間發(fā)展演化情況,生成11.26-12.2主題強度演化圖。從圖7中可以看出整體呈現(xiàn)上升趨勢的是主題3和主題4。主題3在12.1日之前強度不高,在之后則產(chǎn)生巨大變化。主題3是倫理道德相關的問題,當輿情事件得到回應后,輿情的演化不局限于圍繞基因編輯嬰兒這個事件本身,而是對產(chǎn)生這件事的根本原因和后果分析思考。主題4是關于中美科研能力的討論。主題7前期也呈現(xiàn)上升的趨勢。此外,主題1在30日最高,與之對應的主題5也在同日最高。可以發(fā)現(xiàn)在輿情發(fā)生幾天后,網(wǎng)民呈現(xiàn)出明確的態(tài)度立場。主題6、主題8和主題9強度趨于較低的水平,不是受關注的主題。

圖7 主題強度演化圖

圖8 多維數(shù)據(jù)融合與前沿科技風險事件網(wǎng)絡輿情引導的契合邏輯圖

2.2.4總結(jié)

文獻[14]指出信息時代下的網(wǎng)絡輿情具有參與主體多元性、輿論偏差和群體極化等特征,演化過程則具有突發(fā)性和動態(tài)性。結(jié)合實驗結(jié)果進一步分析發(fā)現(xiàn),前沿科技風險事件網(wǎng)絡輿情除包括上述特點外,還具有以下特征:(1)從輿情生命周期看,由于前沿科技本身具有持續(xù)發(fā)展性,因此相關輿情在事件發(fā)展初期短時間內(nèi)呈現(xiàn)出猛烈的爆發(fā)性。事件發(fā)展后期則保持在一個低頻次的活動水平;(2)從情感角度看,公眾對于這類事件的態(tài)度不是單一的肯定或否定,而是呈現(xiàn)出多樣化的情緒類別。除負面極性較大的憤怒情緒占比高外,悲傷和恐懼這兩種情緒也占有一定比例。隨著事件的發(fā)展,公眾的態(tài)度也逐漸從消極轉(zhuǎn)向積極;(3)從主題角度看,公眾對于前沿科技風險的關注點多樣。討論主題除事件涉及主體外,對技術本身的風險性、前沿性和關聯(lián)性也展開了討論。

3 基于前沿科技風險事件輿情演化特點的引導機制研究

3.1 多維數(shù)據(jù)融合的前沿科技風險事件輿情分析框架

文獻[10]詳細地闡述了多維數(shù)據(jù)融合和網(wǎng)絡輿情引導之間的契合邏輯。本文基于該文提出的輿情引導契合邏輯框架,結(jié)合前沿科技風險事件輿情引導特點,構建了多維數(shù)據(jù)融合與前沿科技風險事件網(wǎng)絡輿情引導的契合邏輯。

依據(jù)前文實驗結(jié)果,在生命周期數(shù)據(jù)維增加了爆發(fā)性,情感數(shù)據(jù)維增加了多樣性,主題數(shù)據(jù)維則增加了風險性、前沿性和關聯(lián)性。這幾種特性是在制定前沿風險事件網(wǎng)絡輿情引導方案時需要重點考慮的因素。為得到更科學合理的輿情引導方案,本文依次從三個維度分別對應的預警機制、聯(lián)動機制和保障機制展開分析。

3.2 前沿科技風險事件輿情預警機制

預警機制的目的在于及時發(fā)現(xiàn)潛在或現(xiàn)實中的危機誘因,從而采取相應的預防措施。同時要充分考慮前沿科技風險事件輿情有短時間爆發(fā)性的特點,對輿情引導及時響應的速度和廣度都提出了更高的要求。從實驗結(jié)果可以發(fā)現(xiàn),該事件中CRISPR-Cas9技術是主要焦點。該技術作為一項備受關注的前沿科技,能夠?qū)崿F(xiàn)生命科學研究的“精準規(guī)劃+精細改造”,在學術界和產(chǎn)業(yè)界都具有廣泛的應用前景。因此,對于CRISPR-Cas9技術的相關研究和應用,社會公眾和學術界都有著高度的關注和期待[15]。發(fā)帖時間是輿情客體分析的關鍵要素之一。從2018年11月26日該事件發(fā)生,輿情的討論熱度逐漸升高,直至11月28日達到頂峰。此后,輿情熱度出現(xiàn)了輕微波動,但總體呈下降趨勢,遠低于頂峰時期。此外,輿情環(huán)境也是影響輿情的另一個重要要素。特別是2018年11月26日經(jīng)人民網(wǎng)報道該事件后,輿情一度引起轟動;2019年12月30日,該事件在深圳市南山區(qū)人民法院一審公開宣判,這也成為輿情環(huán)境的另一個重要時點;2022年4月,“基因編輯嬰兒”案被告人刑滿釋放,也引發(fā)了輿情的輕微波動。

通過以上分析得到相應的輿情態(tài)勢分級。即2018年11月26日-28日該輿情處于重度危險級,28日-29日處于危險級,29日-30日、2019年12月30日、2022年4月處于警示級,其他的時間段則處于常態(tài)級。所處級別不同,應采取不同的輿情引導手段。本案例實際發(fā)生情況是,在重度危險級和危險級階段,有國家衛(wèi)健委、廣東省衛(wèi)健委等相關衛(wèi)生部門進行表態(tài);警示級階段有國家科技部、中國科學技術協(xié)會等相關科技部門介入,并加強在這方面的科技正向傳播引導。

3.3 前沿科技風險事件輿情聯(lián)動機制

聯(lián)動機制要解決的是輿情引導方式問題,形成輿情引導的人性化思維。本案例在實際發(fā)生的過程中,輿情回應主體包括國家衛(wèi)生健康委員會、深圳市醫(yī)學倫理專家委員會、國家衛(wèi)生健康委員會科學技術部、國家科學技術部和中國科學技術協(xié)會等,以衛(wèi)生部門和科技部門為主。回應的內(nèi)容側(cè)重于對本事件真實情況的調(diào)查和核實,以及涉及科學研究和醫(yī)療活動法律法規(guī)的評判和查處。其中,中國科學技術協(xié)會加大了向科技界科研倫理道德的教育力度[16]。傳播主體以“人民日報”“新京報”等主流媒體為代表,部分科研類意見領袖也參與傳播。傳播渠道以微博、頭條等網(wǎng)絡新媒體平臺為主。

3.4 前沿科技風險事件輿情保障機制

保障機制主要是要解決輿情引導內(nèi)容問題。本事件發(fā)生時,在當時的法典中并未有針對該類事件有明確的定罪條款,最終以“非法行醫(yī)罪”進行宣判。在該事件發(fā)生后,《刑法修正案(十一)》中增加了“非法植入基因編輯、克隆胚胎罪”,專門針對這類別事件進行執(zhí)法補充,有效完善了法律體系保障制度。在技術層面,本文實驗部分作為通過技術手段實現(xiàn)輿情特征與演化分析的一個縮影,未選擇傳統(tǒng)的LDA主題發(fā)現(xiàn)模型進行話題識別,而是選擇近幾年才出現(xiàn)的BERT-LDA模型,該模型集成了BERT和LDA的優(yōu)點,主題提取的結(jié)果更準確。此外還結(jié)合了文獻計量學中的共詞分析法進一步挖掘該事件的相關話題內(nèi)容。共詞分析法可實現(xiàn)對事件相關話題內(nèi)涵和外延的深層次解讀,從而更好地解釋輿情的形成和演變。在公眾情緒識別的任務上,采用了2019年才出現(xiàn)的RoBERTa模型。該模型在解決情感分類問題上具有顯著的優(yōu)勢,因此被廣泛應用于文本情感分析領域。本文也在情感分析的實驗中充分證明了該模型的有效性和優(yōu)越性。

3.5 前沿科技風險事件輿情引導方案

本文結(jié)合文獻調(diào)研和“基因編輯嬰兒”案例分析結(jié)果,梳理并補充了前沿科技風險事件的網(wǎng)絡輿情引導方案,具體如圖9所示。

圖9 前沿科技風險事件的網(wǎng)絡輿情引導方案圖

在前沿科技風險事件輿情發(fā)生后,需要首先考慮輿情預警機制?？焖倥袛喈斍拜浨樗幍募墑e,并將重點關注放在重度危險期和危險期的輿情上。還需要準確有效地識別風險點,并采取相應的措施來遏制輿情的進一步發(fā)展。其中,最重要的在于要及時快速地向公眾科普前沿科技的基礎知識,降低公眾對技術理解的認知偏差,同時要積極引導公眾情緒,讓公眾明白科技發(fā)展的本質(zhì)是造福人類,促進人類文明和諧發(fā)展。以本案例為例,在重度危險級時期相關政府科技部門可以聯(lián)合其他部門向公眾科普CRISPR-Cas9基因編輯技術的原理和作用,以及該技術對人類文明發(fā)展的實際意義;在危險級時期,快速識別公眾對基因編輯技術及相關內(nèi)容的關注點,并針對這些關注點對公眾給予及時的回應。在輿情態(tài)勢預測方面,前沿科技風險事件網(wǎng)絡輿情的有效案例并不多,這為輿情態(tài)勢建模帶來了一定程度的困難。因此,政府科技部門可積極收集當前和過去已經(jīng)發(fā)生的前沿科技風險事件輿情案例,并建立前沿科技風險事件知識庫。同時,結(jié)合人工智能等先進理論和技術,可以有效提高模型預測水平的精度。這些措施將有助于建立一個更加健全和精準的前沿科技風險事件輿情預警機制。

其次,在輿情引導實施的過程中要注意聯(lián)動機制的建設。針對前沿科技風險事件輿情,涉及的公眾主體情緒具有多樣性,因此需要更細粒度的輿情聯(lián)動措施。為此,需要首先了解公眾對這類事件的情緒反應,并且不能單純地以對錯來評判這些情緒。相反,應接受公眾情緒的不同,并從多元化的角度來開展科技輿情的引導決策。如在本案例中,針對持有負面情緒的公眾,應該采取重點引導措施。此外,不能只有一個或兩個部門參與,而應該將科技管理部門、科技傳播部門、網(wǎng)信部門、權威媒體以及意見領袖五方力量集合,充分發(fā)揮各部門的社會職能屬性和優(yōu)勢,借助微博、抖音、B站等各大可能會發(fā)生網(wǎng)絡輿情的平臺,針對不同情緒類別的公眾“對癥下藥”,實現(xiàn)細粒度地輿情管控。如在本案例中,對于那些持有恐懼態(tài)度的公眾,他們通常是非專業(yè)領域的普通人群。在這種情況下,可以選擇像“微博”、“抖音”、“B站”這樣的社交媒體平臺,通過“熱搜”和“熱門推送”的方式,以多媒體的形式傳遞“基因編輯技術”對人類有益的信息,及時消除公眾的顧慮。在引導的過程中要積極傳遞正能量的信息。實現(xiàn)部門之間聯(lián)動、平臺之間聯(lián)動、線上線下聯(lián)動,構建具有良好反饋機制的社會輿情聯(lián)動引導系統(tǒng),最大化地穩(wěn)定公眾情緒。

最后,還要完善與輿情引導有關的保障體系建設。主要包括:法律保障、技術保障、傳播保障和智庫保障。在立法層面,政府科技部門應聯(lián)合法律相關部門針對前沿科技所可能產(chǎn)生的社會評判標準進行研究,提供建立健全的法律保障體系。另一方面,在執(zhí)法時也要做到公平公正。前沿科技風險事件和一般社會公共事件相比,具有一定的認知壁壘,因此在執(zhí)法過程中要具體問題具體分析,做出客觀公眾的決策。在技術保障層面,應多吸納相關學科領域較為前沿的技術方法和模型。使用在人工智能領域具有前沿性、穩(wěn)定性的模型對前沿科技風險事件輿情進行定量分析。未來,可以考慮利用構建的前沿科技風險事件知識庫訓練特定領域的前沿科技風險事件網(wǎng)絡輿情大規(guī)模預訓練模型,進而有效提高輿情定量分析的精度和廣度。在傳播保障方面,政府科技部門應聯(lián)合國家相關網(wǎng)絡安全部門和輿情監(jiān)管部門構建完善全面的網(wǎng)絡安全保障體系。在當前全世界動蕩的大環(huán)境下,科技安全已逐漸上升到重要的位置,要謹防有不法分子借助輿論擴大負面情緒影響;同時還要重視社會文化宣傳及國民科學普及程度。在智庫保障方面,需要加強前沿科技專家?guī)斓慕ㄔO,充分發(fā)揮專家的智慧,提高前沿科技風險事件輿情處理的水平。此外,還需要充分考慮前沿科技風險事件輿情處理時的跨學科性,這意味著需要整合多個領域的知識和資源,確保能夠有效地應對前沿科技風險事件網(wǎng)絡輿情。

4 結(jié) 語

隨著科技的不斷發(fā)展,前沿科技風險事件的出現(xiàn)也越來越頻繁。這些風險事件可能會給人們的生活和工作帶來重大影響,因此引起了越來越多的關注。本文在該背景下,結(jié)合統(tǒng)計學和深度學習模型探索了前沿科技風險事件輿情演化特征,以及基于演化結(jié)果與多維數(shù)據(jù)融合契合邏輯框架分析得出前沿科技風險事件輿情引導方案,本文的研究結(jié)論如下:a.前沿科技風險事件輿情演化特征更復雜,因此在輿情預警時要快速把握輿情分級態(tài)勢,對于不同級別的輿情采取不同程度的響應措施;b.針對網(wǎng)民情緒多樣性的特點,需要以多部門聯(lián)動的方式加強公眾參與和溝通,建立更加開放的前沿科技輿情引導系統(tǒng);c.前沿科技風險事件輿情需加強法律保障建設以應對這類事件輿情的風險性,加強傳播保障以應對前沿性,加強智庫保障以應對關聯(lián)性。此外,還要加強技術保障建設;d.基于上述分析結(jié)果,本文從輿情預警機制、輿情聯(lián)動機制和輿情保障機制提出前沿科技風險事件輿情引導方案,為政府科技部門對前沿科技敏感事件引發(fā)的輿情引導提供了決策參考。

本研究是在前人研究成果的基礎上進行改進,并在科技領域輿情引導上做了嘗試。前沿科技的發(fā)展離不開創(chuàng)新和探索,因此難免會伴隨著一定的風險和挑戰(zhàn)。需要以科學的態(tài)度和理性的思維去看待和應對這些風險事件,保持警惕和關注,同時也要給予科技創(chuàng)新者足夠的支持和鼓勵,讓科技的發(fā)展能夠更好地造福于人類。在未來的研究中,將進一步利用大規(guī)模預訓練模型,基于多平臺多案例對比,構建不同領域不同類型前沿科技風險事件輿情引導方案。