情緒性在線評(píng)論下輿情演化與焦點(diǎn)事件治理研究

劉春年 肖迪

摘 要：[目的/意義]基于社交媒介用戶在線評(píng)論的情感挖掘，能夠解析用戶情感強(qiáng)度與事件焦點(diǎn)的演化規(guī)律，從而有助于政府采取針對(duì)性措施對(duì)應(yīng)急活動(dòng)進(jìn)行有效安排。[方法/過(guò)程]本文以“瑪利亞”颶風(fēng)為例，以相關(guān)Twitter內(nèi)容文本為數(shù)據(jù)，在文本情感值與強(qiáng)度值計(jì)算的基礎(chǔ)上，引入時(shí)間序列分析對(duì)文本內(nèi)容進(jìn)行分析，進(jìn)行情感極性和情感強(qiáng)度分析用戶情感演化特征及波動(dòng)規(guī)律。[結(jié)果/結(jié)論]1）信息的異化顛倒了人與信息之間的關(guān)系，存在路徑依賴現(xiàn)象，需要致力于異化困境、減少信息恐懼，進(jìn)而實(shí)現(xiàn)信息的積極路徑依賴;2）快速救援能力仍是民眾關(guān)注的重點(diǎn)，公益募捐是災(zāi)后的熱點(diǎn)話題，并持續(xù)向民眾帶來(lái)積極的情感影響，政府負(fù)面新聞則是網(wǎng)民負(fù)面情緒衍生的激發(fā)器;3）災(zāi)害事件后期輿論“失焦”現(xiàn)象明顯，政府與媒體保持“同盟關(guān)系”有助于輿情聚焦。

關(guān)鍵詞：在線評(píng)論;網(wǎng)絡(luò)輿情;輿情演化;應(yīng)急;情感分析;信息異化;輿情失焦

DOI：10.3969/j.issn.1008-0821.2020.09.015

〔中圖分類號(hào)〕G206.2 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2020）09-0133-11

Research on the Evolution of Public Opinion and the Governance of

Focus Events Under Emotional Online Comments

Liu Chunnian Xiao Di

（School of Management，Nanchang University，Nanchang 330031，China）

Abstract：[Purpose/Significance]Emotion mining based on social media users online comments can analyze the evolution rules of users emotion intensity and event focus，thus helping the government to take targeted measures to effectively arrange emergency activities.[Method/Process]This paper takes Hurricane Maria as an example，takes relevant Twitter content text as data，and introduces time series analysis to analyze the text content based on the calculation of text emotion value and intensity value，and analyzes the emotional evolution characteristics and fluctuation rules of users through emotion polarity and emotion intensity.[Results/Conclusion]（1）The alienation of information reverses the relationship between people and information，and there is a path dependence phenomenon.It is necessary to focus on the alienation dilemma，reduce the fear of information，and further realize the positive path dependence of information.（2）Rapid rescue capability is still the focus of public attention.Public welfare fund-raising is a hot topic after the disaster and continues to bring positive emotional impact to the public.Negative government news is the trigger derived from negative emotions of Internet users.（3）The phenomenon of public opinion“out of focus”is obvious in the later stage of disaster events.Maintaining“alliance”between the government and the media is helpful to focus public opinion.

Key words：online comments;network public opinion;evolution of public opinion;emergency;sentiment analysis;information alienation;public opinion out of focus

隨著在線社交網(wǎng)絡(luò)的發(fā)展，社交媒體平臺(tái)已成為人們溝通的主要渠道。在突發(fā)災(zāi)害期間，受災(zāi)者、未受波及的民眾、政府官方、新聞媒體等群體會(huì)在社交平臺(tái)上傳播對(duì)災(zāi)害事件的看法以及相關(guān)資訊信息，這些文本均代表了發(fā)文者的情感表達(dá)。通過(guò)分析這些情感信息，研究情感對(duì)信息傳播的影響，可以全面了解民眾對(duì)災(zāi)情事件的看法走勢(shì)，幫助政府更好采取應(yīng)急措施，并對(duì)輿情進(jìn)行合理引導(dǎo)和有效管控具有現(xiàn)實(shí)意義。

1 相關(guān)研究工作

1.1 在線評(píng)論下的情感挖掘

當(dāng)前，學(xué)者對(duì)在線評(píng)論的情感研究主要從情感分析關(guān)鍵技術(shù)[1-6]、情感分析應(yīng)用[7-10]等方面進(jìn)行，其中情感分析應(yīng)用主要集中在商品評(píng)論和網(wǎng)絡(luò)輿情兩個(gè)領(lǐng)域[11]。在網(wǎng)絡(luò)輿情領(lǐng)域，學(xué)者近年來(lái)針對(duì)情感與輿情分析，國(guó)內(nèi)學(xué)者趙曉航基于相關(guān)應(yīng)急事件，針對(duì)危機(jī)傳播階段的特征，對(duì)爬取的數(shù)據(jù)進(jìn)行了主題提取和情感分析[12];蔣知義等[13]對(duì)網(wǎng)絡(luò)輿情進(jìn)行情感傾向分析和輿情追蹤，在構(gòu)建了一個(gè)情感分類詞典的基礎(chǔ)上建立相應(yīng)的情感傾向分析模型，并對(duì)具體網(wǎng)絡(luò)輿論事件的輿情演化各階段進(jìn)行探究;安璐等[14]將突發(fā)事件微博輿情演化分成3個(gè)維度，分別為輿情演化的生命周期階段、主題與情感，并提出一種融合主題與情感特征的突發(fā)事件微博輿情演化分析方法，實(shí)現(xiàn)了微博主題與情感的協(xié)同分析;邢云菲等[15]基于情感極性及情感強(qiáng)度理論構(gòu)建新媒體環(huán)境下網(wǎng)絡(luò)輿情用戶情感演化模型，并以微博平臺(tái)為例進(jìn)行實(shí)證;張凌等[16]學(xué)者則從情感強(qiáng)度和認(rèn)知強(qiáng)度兩個(gè)維度探討導(dǎo)致網(wǎng)絡(luò)信息傳播性強(qiáng)弱的內(nèi)在原因。

綜合以往研究，在線輿情的情感差異會(huì)對(duì)信息傳播具有一定的影響，證明了信息內(nèi)容包含的情感以及情感強(qiáng)度會(huì)對(duì)輿情的衍化速度、方向產(chǎn)生影響，從而影響大眾對(duì)事件的態(tài)度。

1.2 突發(fā)災(zāi)害下的應(yīng)急情感研究

外國(guó)學(xué)者Kim J等、Pourebrahim N等及Gul S等針對(duì)災(zāi)害應(yīng)急事件，通過(guò)對(duì)推文的文本情感極性分析得出在應(yīng)急期間民眾情緒變化的關(guān)鍵[17-19];Neppalli V等[20]對(duì)颶風(fēng)桑迪期間的推文進(jìn)行情感分析，并在以颶風(fēng)為中心的地理地圖上可視化在線用戶的情感;Singh N等[21]則以相關(guān)社會(huì)突發(fā)事件推文為數(shù)據(jù)，通過(guò)改進(jìn)的情感分析技術(shù)來(lái)處理、發(fā)現(xiàn)和推斷用戶的時(shí)空情感，并注意到情緒極性和情緒表達(dá)清晰度的變化;劉雯等[22]學(xué)者利用情感分析的方法，對(duì)突發(fā)性自然災(zāi)害事件的網(wǎng)絡(luò)輿情進(jìn)行分析，并對(duì)博文進(jìn)行內(nèi)容分析，為災(zāi)后情報(bào)服務(wù)和應(yīng)急管理提供建議;沙勇忠等[23]學(xué)者根據(jù)災(zāi)后相關(guān)微博內(nèi)容數(shù)據(jù)計(jì)算網(wǎng)民情感，并對(duì)網(wǎng)民情感進(jìn)行時(shí)序分析，探索不同類型情感的相關(guān)性及突發(fā)事件對(duì)網(wǎng)民情感的影響。

基于上述研究，本文以2017年“瑪利亞”颶風(fēng)為例，通過(guò)Twitter上的相關(guān)文本數(shù)據(jù)進(jìn)行研究，主要試圖解決以下幾個(gè)問(wèn)題：1）突發(fā)災(zāi)害來(lái)臨后是否存在輿論失焦現(xiàn)象與信息異化的路徑依賴;2）民眾是否會(huì)聚焦于政府的快速應(yīng)急能力;3）什么是影響民眾積極情緒演化的重要因素;4）是否存在網(wǎng)民負(fù)面情緒演化的激發(fā)器。

2 研究設(shè)計(jì)

在突發(fā)事件情感內(nèi)容的研究上，有前人通過(guò)對(duì)文本情感極性的判斷及預(yù)測(cè)，進(jìn)而對(duì)不同情感極性的文本進(jìn)行內(nèi)容分析，得出影響網(wǎng)民情感波動(dòng)的因素和應(yīng)急過(guò)程中存在的問(wèn)題等[22-23]。因此，本研究從收集與“瑪利亞”颶風(fēng)相關(guān)的推文開始，首先通過(guò)情感極性分類與情感極性時(shí)間預(yù)測(cè)確定應(yīng)急過(guò)程中的民眾輿情焦點(diǎn)，在此基礎(chǔ)上進(jìn)一步從情感強(qiáng)度的角度挖掘高情感強(qiáng)度、低情感強(qiáng)度與輿情焦點(diǎn)的關(guān)系，從情感極性和情感強(qiáng)度兩個(gè)方面度量線上社交平臺(tái)的應(yīng)急事件傳播，探討在環(huán)境應(yīng)急情境下，導(dǎo)致民眾情緒波動(dòng)的內(nèi)在原因。最后，基于情感極性預(yù)測(cè)和情感強(qiáng)度分析結(jié)果，本文解決了以上4個(gè)問(wèn)題。圖1分5個(gè)步驟說(shuō)明了本文的研究過(guò)程。

2.1 數(shù)據(jù)收集與處理

在“瑪利亞”颶風(fēng)來(lái)臨后，美國(guó)民眾紛紛在Twitter上發(fā)表其相關(guān)看法。本文選取Twitter上有關(guān)“瑪利亞颶風(fēng)”的推文內(nèi)容為數(shù)據(jù)資源，通過(guò)“Maria Hurricane”“Puerto Rico”等關(guān)鍵詞在Twitter上搜索推文樣本，爬取了從2017年9月16日至2017年10月30日，“瑪利亞”由熱帶風(fēng)暴升級(jí)為颶風(fēng)的前一天到颶風(fēng)過(guò)后民眾討論度逐漸消失共

45天的推文信息。相關(guān)數(shù)據(jù)信息包括“推文內(nèi)容”“推文時(shí)間”“推文轉(zhuǎn)發(fā)量”“推文點(diǎn)贊數(shù)”以及“推文作者”。

在進(jìn)行情感分析前，先對(duì)推文數(shù)據(jù)進(jìn)行預(yù)處理工作。在收集到的推文數(shù)據(jù)中，少量推文為中文繁體、韓文、日文、法文等，考慮到網(wǎng)民的意見(jiàn)統(tǒng)一性以及情感詞典的精準(zhǔn)度，本文將非英文推文進(jìn)行刪除。對(duì)同一天內(nèi)相同發(fā)布者發(fā)表的重復(fù)推文進(jìn)行刪除，但由于不同網(wǎng)民可在不同時(shí)間上持續(xù)對(duì)事件持相同意見(jiàn)，因此，對(duì)于同一發(fā)布者在不同日期的相同推文，和不同發(fā)布者在同一天內(nèi)的相同推文則進(jìn)行保留。爬取的絕大部分推文中包含網(wǎng)址鏈接與圖片鏈接，過(guò)長(zhǎng)且無(wú)意義的鏈接將會(huì)對(duì)文本的情感分析產(chǎn)生干擾，影響情感極性分析的精確度，本文在數(shù)據(jù)預(yù)處理中將此類鏈接進(jìn)行刪除。最終保留與“瑪利亞”颶風(fēng)相關(guān)的有效數(shù)據(jù)23 933條，并將所有推文按照發(fā)推日期進(jìn)行排序與分類。

2.2 情感極性分類

情感極性分析是為了找出評(píng)論者對(duì)某種事件或觀點(diǎn)的態(tài)度，在一定程度上也可稱之為其當(dāng)時(shí)的情感狀態(tài)。目前對(duì)文本內(nèi)容進(jìn)行情感分析大致可從以下4個(gè)方面進(jìn)行：關(guān)鍵詞識(shí)別、詞匯關(guān)聯(lián)、統(tǒng)計(jì)方法和概念級(jí)技術(shù)[24]。目前，已有多種情感分析軟件工具可對(duì)文本進(jìn)行分析，包括SenticNet、Luminoso、Factiva、Attensit和Converseon等，本文使用SentiStrength軟件對(duì)推文進(jìn)行情感分析。

SentiStrength是一個(gè)基于已有的情感詞典的情感分析程序，可以同時(shí)對(duì)文本的情感極性和強(qiáng)度進(jìn)行分析，針對(duì)Twitter上的推文等非正式短文本具有較高的情感分類精度[25-26]。相關(guān)心理學(xué)研究[27]認(rèn)為，每一個(gè)短文本都會(huì)同時(shí)表達(dá)出兩種情感觀念，根據(jù)自身的情感詞典將每個(gè)短文本分別標(biāo)注出正面情感評(píng)價(jià)與負(fù)面情感評(píng)價(jià)，情感評(píng)價(jià)取值為[-5，-4，-3，-2，-1]與[+1，+2，+3，+4，+5]。情感極性表示為兩種情感評(píng)價(jià)之和，若值為正則為積極情感，值為負(fù)則為消極情感，值為0則表現(xiàn)為中立情感。情感極性計(jì)算如式（1）所示，文本示例如表1所示。

2.3 時(shí)間序列分析與預(yù)測(cè)

時(shí)間序列預(yù)測(cè)法可以根據(jù)時(shí)間序列的趨勢(shì)，對(duì)下一段時(shí)間內(nèi)的發(fā)展方向和發(fā)展水平進(jìn)行預(yù)測(cè)[28]。這種方法對(duì)于研究自然災(zāi)害發(fā)生后的民眾情感傾向是一種合理的方法，并可以有效預(yù)測(cè)群眾在未來(lái)的

情感走向。其中時(shí)間序列模型可細(xì)分為AR模型、MA模型、ARMA模型和ARIMA模型四類，構(gòu)建模型時(shí)要根據(jù)具體情況進(jìn)行選擇。

本文利用Eviews軟件進(jìn)行時(shí)間序列的建模及預(yù)測(cè)，Eviews軟件能夠進(jìn)行復(fù)雜數(shù)據(jù)的分析、回歸和預(yù)測(cè)，具有較為廣泛的應(yīng)用前景[29]。在將“瑪利亞颶風(fēng)”相關(guān)推文用SentiStrength進(jìn)行情感極性分析后，將所得到的每日情感平均值作為時(shí)間序列，輸入Eviews軟件，在通過(guò)時(shí)序圖和ADF單位根檢驗(yàn)確定時(shí)間序列平穩(wěn)后，通過(guò)自相關(guān)圖和偏自相關(guān)圖及相關(guān)參數(shù)確定最優(yōu)模型，并在最優(yōu)模型的基礎(chǔ)上對(duì)未來(lái)情感平均值進(jìn)行預(yù)測(cè)。

2.4 基于情感極性的文本類別分析

內(nèi)容分析法是新聞傳播學(xué)中重要的研究方法[30]，對(duì)網(wǎng)站文本內(nèi)容進(jìn)行分析是網(wǎng)絡(luò)信息內(nèi)容分析的主要方式[31]。本研究使用內(nèi)容分析法對(duì)Twitter文本中出現(xiàn)的高頻詞匯進(jìn)行語(yǔ)義分析，通過(guò)不同詞語(yǔ)之間的關(guān)系分析得到災(zāi)害應(yīng)急過(guò)程推文中重要的文本信息，并得到推文的主題類別。

每日情感極性走勢(shì)圖的波峰及波谷代表著民眾在一段時(shí)間內(nèi)的情感變化，本文找出波峰波谷當(dāng)天的文本內(nèi)容，根據(jù)高轉(zhuǎn)發(fā)、高評(píng)論、高點(diǎn)贊數(shù)的推文找出影響網(wǎng)民情感波動(dòng)的時(shí)間因素。同時(shí)經(jīng)觀察后發(fā)現(xiàn)，情感極性值為0的推文，多是對(duì)災(zāi)后事件的客觀陳述，或各家媒體的新聞報(bào)道，如救援隊(duì)的救援情況、災(zāi)區(qū)目前環(huán)境狀況、某位知名人士的捐款行為等，因此，情感極性值往往表達(dá)為中立情感。這些中立情感的推文雖很少涉及網(wǎng)民的情感表達(dá)，但可從這些客觀事實(shí)的陳述中，找出引起網(wǎng)民當(dāng)日情感變化的原因。因此，本文在推文內(nèi)容的分析上，不對(duì)情感極性值為0的中立情感推文做詳細(xì)分析，僅將其作為對(duì)探究民眾情感波動(dòng)的輔助因素。

2.5 情感強(qiáng)度文本分析

情感強(qiáng)度是指人對(duì)事物所產(chǎn)生的選擇傾向性，決定著人的思維、行為和生理活動(dòng)的驅(qū)動(dòng)力大小，在根本上決定和制約著情感的其它動(dòng)力特性。通常情況下，當(dāng)人處于相對(duì)惡劣的自然環(huán)境或社會(huì)環(huán)境時(shí)，人的情感強(qiáng)度就應(yīng)該高一些，反之就應(yīng)該低一些。在SentiStrength中，情感強(qiáng)度表示為兩種情感評(píng)價(jià)之差，差值越大代表情感強(qiáng)度越高，反之情感強(qiáng)度越低[5]。情感強(qiáng)度計(jì)算如式（2）所示，文本示例如表2所示。

3 數(shù)據(jù)處理分析結(jié)果

3.1 情感極性統(tǒng)計(jì)

將經(jīng)過(guò)預(yù)處理后的23 933條數(shù)據(jù)導(dǎo)入SentiStrength情感分析軟件，計(jì)算得到消極情感推文共9 573條，總體占比40%;中立情感推文9 334條，總體占比39%;積極情感推文5 026條，總體占比21%。可以看到消極情緒和中立情緒的推文是積極情感推文的2倍，說(shuō)明網(wǎng)民對(duì)于自然災(zāi)害的情感態(tài)度大部分持悲觀、消極態(tài)度，持積極態(tài)度的民眾較少。

3.2 情感極性時(shí)間序列預(yù)測(cè)

為清晰看出每日的情感趨勢(shì)并進(jìn)行預(yù)測(cè)，將所有推文按照發(fā)文時(shí)間和情感極性進(jìn)行分類，并求出其每日的情感極性平均值，最終得到每日總情感極性平均值如圖2。

本文利用Eviews軟件進(jìn)行推文情感極性的時(shí)間序列分析。在建立時(shí)間序列模型前，先判斷數(shù)據(jù)是否平穩(wěn)。若序列不平穩(wěn)，需將非平穩(wěn)時(shí)間序列通過(guò)差分轉(zhuǎn)化為平穩(wěn)序列后，再進(jìn)行白噪聲檢驗(yàn)。當(dāng)序列為平穩(wěn)且非白噪聲時(shí)，可進(jìn)行下一步的建模預(yù)測(cè)。通過(guò)自相關(guān)和偏自相關(guān)圖進(jìn)行模型的選擇和定階，確定模型后進(jìn)行殘差檢驗(yàn)，當(dāng)序列通過(guò)殘差檢驗(yàn)且為白噪聲時(shí)，模型可用，最后進(jìn)行預(yù)測(cè)。

本文以2017年9月16日到2017年10月29日的情感極性值進(jìn)行情感極性預(yù)測(cè)。原數(shù)據(jù)序列進(jìn)行ADF單位根檢驗(yàn)后，ADF檢驗(yàn)中的t統(tǒng)計(jì)值遠(yuǎn)小于各檢驗(yàn)水平臨界值，如表3，故可判定改時(shí)間序列穩(wěn)定，無(wú)需進(jìn)行差分。在自相關(guān)系數(shù)與偏相關(guān)系數(shù)分析中，Q統(tǒng)計(jì)量的P值<0.05，為非白噪聲序列。

通過(guò)測(cè)試結(jié)果可以看出，各情感的預(yù)測(cè)值和實(shí)際值較為接近，可以通過(guò)時(shí)間序列來(lái)預(yù)測(cè)民眾在災(zāi)害來(lái)臨后的情感極性走勢(shì)，并且可以根據(jù)情感極性的時(shí)間走勢(shì)圖探尋網(wǎng)民在災(zāi)害應(yīng)急期間的輿情關(guān)注焦點(diǎn)。

3.3 基于情感極性的文本類別統(tǒng)計(jì)

3.3.1 積極推文文本類別統(tǒng)計(jì)

在23 933條推文中，情感極性表達(dá)為積極態(tài)度的推文占比最小，僅占所有感情值的21%。這是因?yàn)榇舜巫匀粸?zāi)害帶來(lái)的損失過(guò)大，且政府對(duì)颶風(fēng)事件的應(yīng)急處理持續(xù)引發(fā)民眾爭(zhēng)議與不滿，民眾始終對(duì)事件的處理保持著不樂(lè)觀的態(tài)度。在所有表達(dá)為積極情感的推文中，可將推文內(nèi)容分為以下幾類：救援進(jìn)展、祈禱祝愿、表達(dá)感謝、公益募捐。表達(dá)為積極情感的部分推文及發(fā)布者如表5所示。

當(dāng)美聯(lián)邦應(yīng)急管理署（FEMA）發(fā)布救援進(jìn)度推文，或新聞媒體報(bào)道相關(guān)救援消息時(shí)，民眾的情感通常表達(dá)為積極情感。在颶風(fēng)來(lái)臨前以及受災(zāi)前期，祈禱祝愿類的推文相對(duì)較多，民眾紛紛對(duì)災(zāi)區(qū)人民表達(dá)祝福，希望災(zāi)區(qū)人民能夠收到救助并挺過(guò)難關(guān)。表示感謝主要指民眾對(duì)官方救援人員、慈善機(jī)構(gòu)、社會(huì)各界知名人士對(duì)災(zāi)區(qū)的幫助表示贊賞，以及對(duì)普通民眾前往災(zāi)區(qū)進(jìn)行支援表達(dá)了欽佩。在所有的積極情感的推文中，公益募捐類的推文數(shù)量最多，且持續(xù)貫穿災(zāi)害發(fā)生后的整個(gè)前、中、后時(shí)期。

3.3.2 消極博文文本類別統(tǒng)計(jì)

此次由“瑪利亞”颶風(fēng)帶來(lái)的相關(guān)事件，在美國(guó)引起了極大的社會(huì)相關(guān)爭(zhēng)議，這也印證了本文民眾消極情感偏多的研究結(jié)果。大部分的社會(huì)各級(jí)人士都保持著消極的態(tài)度，在這些表達(dá)為消極情感的推文中，可大致分為以下幾類：災(zāi)害影響、救援不力、相關(guān)社會(huì)影響、政府形象下降、政府的沉默。表達(dá)為消極情感的部分推文及發(fā)布者如表6所示。

災(zāi)害影響主要是由于颶風(fēng)本身給群眾心理或生理帶來(lái)的消極影響，以及民眾對(duì)受災(zāi)地區(qū)的擔(dān)憂;救援不力問(wèn)題指美政府派出的救援隊(duì)，未及時(shí)給予災(zāi)民應(yīng)有的救助，死亡人數(shù)持續(xù)增加。相關(guān)社會(huì)影響主要指在災(zāi)害后期，新聞報(bào)道的由于颶風(fēng)災(zāi)害引發(fā)的社會(huì)問(wèn)題，此類新聞使民眾感到恐慌，因此產(chǎn)生消極情緒。在所有消極情緒的推文中，占比最大的是政府的沉默和政府形象下降兩種類型的推文。政府的沉默主要指在颶風(fēng)來(lái)臨后，美政府并未快速響應(yīng)指導(dǎo)救援，美領(lǐng)導(dǎo)人并未將注意力放在波多黎各的救災(zāi)上，且沒(méi)有對(duì)此次事件作出更多指示。美領(lǐng)導(dǎo)人在救災(zāi)過(guò)程中的一系列不當(dāng)行為造成了政府形象的下降，群眾對(duì)此表現(xiàn)出了極高的憤怒及消極情緒。

3.4 基于情感強(qiáng)度的詞頻分析

本文將數(shù)據(jù)集中的23 933條原創(chuàng)推文輸入數(shù)據(jù)集中計(jì)算各自情感強(qiáng)度，計(jì)算方法如上述式（2）所示，將情感強(qiáng)度大于4的推文視為高情感強(qiáng)度推文，得到低情感強(qiáng)度和高情感強(qiáng)度推文分別占86.91%和13.09%。將所有推文按時(shí)間分為災(zāi)前、災(zāi)中、災(zāi)后3個(gè)階段，并根據(jù)情感熱度將災(zāi)后細(xì)分為高熱期、持續(xù)期、消解期。將每個(gè)階段分別做出其高情感強(qiáng)度與低情感強(qiáng)度的詞云，為使詞云更明顯地顯示出情感關(guān)注的演變，將所有推文刪除Puerto Rico、Hurricane、Maria等詞，可以看出在整個(gè)颶風(fēng)應(yīng)急過(guò)程中，各個(gè)階段有其不同的關(guān)注角度，如圖3。

在災(zāi)害前期，除了幾個(gè)階段都持續(xù)關(guān)注的Maria Hurricane（瑪利亞颶風(fēng)）和Puerto Rico（波多黎各），可以看到有很多關(guān)于在颶風(fēng)襲擊多米尼加時(shí)的相關(guān)詞匯，如Dominica、Caribbean、Storm等。相比較于低情感強(qiáng)度，高情感強(qiáng)度有明顯的Dangerous、Threaten、Devastated等關(guān)鍵詞，表達(dá)出民眾對(duì)即將到來(lái)的颶風(fēng)的擔(dān)憂與恐慌，這與上文通過(guò)情感極性得出的民眾情感相同，更貼合民眾的關(guān)注焦點(diǎn)。

在颶風(fēng)災(zāi)害期間，高情感強(qiáng)度詞云中明顯出現(xiàn)了Devastation、Help、Victim等關(guān)鍵詞，表明在受災(zāi)期間民眾更關(guān)注的是受災(zāi)者的救助問(wèn)題與颶風(fēng)帶來(lái)的系列毀壞，這與通過(guò)情感極性分析得到的階段結(jié)論相同。而低情感強(qiáng)度的詞云中則極少出現(xiàn)相關(guān)關(guān)鍵詞。

在災(zāi)后高熱期，可以看到高情感強(qiáng)度與低情感強(qiáng)度均出現(xiàn)了Trump、Help等詞，說(shuō)明民眾在持續(xù)關(guān)注救援情況的同時(shí)，開始陸續(xù)把關(guān)注點(diǎn)轉(zhuǎn)移到政府行為上。在高情感強(qiáng)度詞云中出現(xiàn)的Efforts、Support、Donating等詞，反映出此時(shí)民眾已開始關(guān)注并開展慈善、募捐等活動(dòng)，以此來(lái)支持受災(zāi)群眾。這也反映出高情感強(qiáng)度比低情感強(qiáng)度更廣泛地代表了民眾的關(guān)注焦點(diǎn)。

在災(zāi)后持續(xù)期，Trump等關(guān)鍵詞依然屬于兩種情感強(qiáng)度的高頻詞匯，此外相較于低情感強(qiáng)度，高情感強(qiáng)度里的Paper、President、Catastrophe等詞，代表了民眾對(duì)這段時(shí)間內(nèi)發(fā)生的熱點(diǎn)新聞事件的高度關(guān)注，同時(shí)表明人們對(duì)于特朗普本人以及其政府團(tuán)隊(duì)在應(yīng)急救災(zāi)上的質(zhì)疑。

在災(zāi)后消解期，高情感強(qiáng)度與低情感強(qiáng)度均顯示民眾的關(guān)注重點(diǎn)逐漸轉(zhuǎn)移到即將到來(lái)的“Ophelia”颶風(fēng)上，但高情感強(qiáng)度中的關(guān)鍵詞，如Victims、Money等詞額外顯示了民眾對(duì)受害者災(zāi)后社會(huì)保障問(wèn)題的關(guān)注。

4 研究發(fā)現(xiàn)與結(jié)論

在瑪利亞颶風(fēng)事件的災(zāi)前、災(zāi)中、災(zāi)后3個(gè)階段，民眾的消極情緒一直明顯多于積極情緒。且災(zāi)前的消極情緒主要是針對(duì)颶風(fēng)事件本身帶來(lái)的災(zāi)害，而災(zāi)中和災(zāi)后，隨著事件的不斷發(fā)酵，民眾的消極情緒開始轉(zhuǎn)向在救災(zāi)過(guò)程中的相關(guān)事件，而極少聚焦于災(zāi)害本身。

4.1 信息異化的路徑依賴性與災(zāi)后輿論失焦

從情感極性時(shí)間走勢(shì)圖可以看出，在災(zāi)害來(lái)臨前期民眾的情感極性值迅速下降，根據(jù)前期推文的文本分析，主要原因是由于信息異化造成的民眾恐慌;在災(zāi)害后期，從情感強(qiáng)度詞云圖中Victims、Money等詞顯示出在信息的傳播過(guò)程中，由于颶風(fēng)災(zāi)害引發(fā)的社會(huì)問(wèn)題引起了輿論的“失焦”現(xiàn)象。

在災(zāi)害來(lái)臨前，民眾對(duì)即將到來(lái)的災(zāi)害往往是未知的，其中包括對(duì)災(zāi)害本身的科學(xué)概念認(rèn)知缺乏、對(duì)災(zāi)害影響生活程度的了解不清、對(duì)如何進(jìn)行災(zāi)害防御的知識(shí)不足等。在社會(huì)心理學(xué)上，恐懼管理理論（Terror Management Theory）認(rèn)為死亡信息會(huì)對(duì)人類的認(rèn)知、情緒、行為產(chǎn)生影響，會(huì)使人涌現(xiàn)焦慮、恐懼、厭惡等消極情緒。而信息的異化顛倒了人與信息之間的關(guān)系，往往會(huì)使個(gè)體產(chǎn)生信息恐懼。在突發(fā)事件產(chǎn)生后，在路徑依賴的影響下，異化的信息不斷升級(jí)形成二次輿論，以此對(duì)民眾認(rèn)知情感產(chǎn)生影響。當(dāng)民眾無(wú)法對(duì)這些信息產(chǎn)生正確認(rèn)知時(shí)，往往容易產(chǎn)生對(duì)自然災(zāi)害的恐慌情緒，并會(huì)在網(wǎng)絡(luò)上表達(dá)其內(nèi)心的恐懼心理，同時(shí)部分個(gè)體會(huì)在網(wǎng)絡(luò)上產(chǎn)生并傳播虛假報(bào)道，引發(fā)更多民眾的恐慌情緒，民眾越恐慌越會(huì)增大輿論信息傳播的傾向。研究表明在因恐慌引起輿論傳播時(shí)，越權(quán)威的專家出來(lái)解釋，人們?cè)皆敢鈧鞑＜医忉尩南嚓P(guān)信息。因此，相關(guān)權(quán)威機(jī)構(gòu)可在災(zāi)害來(lái)臨前期，通過(guò)正規(guī)渠道向民眾普及此次災(zāi)害的相關(guān)信息，使其對(duì)災(zāi)害本身以及會(huì)帶來(lái)的后果有充分的認(rèn)知。讓民眾突破異化困境、減少信息恐懼，并進(jìn)而實(shí)現(xiàn)信息的積極路徑依賴。

圖4 信息異化與輿論失焦演化圖式

在災(zāi)害后期，高情感強(qiáng)度中的關(guān)鍵詞，如Victims、Money等顯示了民眾對(duì)受害者災(zāi)后社會(huì)保障問(wèn)題的關(guān)注，新聞報(bào)道的由于颶風(fēng)災(zāi)害引發(fā)的社會(huì)問(wèn)題引起了輿論的“失焦”現(xiàn)象。如在颶風(fēng)后美國(guó)失去33 000工作崗位、數(shù)千名波多黎各人將會(huì)失去醫(yī)療保險(xiǎn)等，此類新聞使民眾感到恐慌，因此產(chǎn)生消極情緒。輿論失焦是指由于網(wǎng)絡(luò)發(fā)展，事件中輿論難以被一方主導(dǎo)，使得輿情演變的主體脈絡(luò)呈現(xiàn)多極化發(fā)展，以至逐漸偏離事件的中心議題[20]。災(zāi)害后期人們的關(guān)注點(diǎn)往往不再聚焦于災(zāi)害本身，而轉(zhuǎn)而關(guān)注災(zāi)害引發(fā)的相關(guān)社會(huì)問(wèn)題。雖然事后美國(guó)政府及相關(guān)專家稱工作崗位數(shù)量的減少是因先前的兩次颶風(fēng)，且美國(guó)就業(yè)率并未下降，但因?yàn)檫@些新聞報(bào)道內(nèi)容與民眾自身利益相關(guān)，民眾此時(shí)已經(jīng)產(chǎn)生了對(duì)失去工作和醫(yī)療保險(xiǎn)的擔(dān)憂情緒，并未因政府的聲明而緩解。

政府在災(zāi)難后期，應(yīng)及時(shí)了解民眾間的輿論，提前了解民眾在災(zāi)難發(fā)生后會(huì)關(guān)注哪些民生問(wèn)題，尤其對(duì)于與民眾利益相關(guān)的事件，提前進(jìn)行聲明和行動(dòng)。不實(shí)信息的產(chǎn)生與社會(huì)心理因素息息相關(guān)，政府在應(yīng)對(duì)不實(shí)信息時(shí)既要處理引發(fā)不實(shí)信息本身，又要從根本上解決引發(fā)不實(shí)信息的社會(huì)矛盾。同時(shí)在發(fā)生災(zāi)害后，政府和媒體應(yīng)互相支持，建立政府與媒體溝通的良性互動(dòng)機(jī)制，保持“同盟關(guān)系”。在媒體報(bào)道不實(shí)新聞后，為防止不實(shí)信息主宰輿論，導(dǎo)致災(zāi)難性輿論后果，政府應(yīng)針對(duì)情況采取措施，重視新聞發(fā)布的時(shí)機(jī)和內(nèi)容，一旦出現(xiàn)重大報(bào)道失實(shí)應(yīng)立即予以更正。

4.2 快速救援反應(yīng)是政府應(yīng)急能力評(píng)估的首要指標(biāo)

在颶風(fēng)來(lái)臨的災(zāi)害期間，情感強(qiáng)度詞云圖中大量出現(xiàn)的Power、Storm、Victim、Dominica等詞，表明在受災(zāi)期間民眾更關(guān)注的是受災(zāi)者的救助問(wèn)題與颶風(fēng)帶來(lái)的系列毀壞。并且通過(guò)對(duì)兩種情感極性的文本分析可以看出，當(dāng)救援獲得進(jìn)展時(shí)，如救援部隊(duì)已經(jīng)開始前往災(zāi)區(qū)、國(guó)家領(lǐng)導(dǎo)人發(fā)表關(guān)心災(zāi)區(qū)的言論、為難民提供避難所并搬運(yùn)物資、清掃災(zāi)后道路、報(bào)道受災(zāi)地區(qū)的實(shí)時(shí)情況、部分受災(zāi)地區(qū)災(zāi)民恢復(fù)正常飲水、因颶風(fēng)而停電的地區(qū)范圍減小等情況時(shí)，民眾表現(xiàn)為積極情感;當(dāng)救援隊(duì)被報(bào)道出救援不力時(shí)，如美政府派出救援隊(duì)后的長(zhǎng)時(shí)間內(nèi)救援范圍不夠深入、波多黎各災(zāi)區(qū)仍大幅度停電、災(zāi)民并未受到應(yīng)有的救助，因救治不力造成的死亡人數(shù)持續(xù)增加等情況時(shí)，民眾則表現(xiàn)為明顯的消極情緒。以上研究發(fā)現(xiàn)印證了在發(fā)生災(zāi)害后，快速救援能力仍是民眾關(guān)注的重點(diǎn)，是否能夠快速響應(yīng)進(jìn)行救援已經(jīng)成為評(píng)估國(guó)家應(yīng)急能力的一項(xiàng)重要指標(biāo)。

郭春俠等、Schlegelmilch B B等[32-33]學(xué)者研究認(rèn)為，面對(duì)突發(fā)事件的應(yīng)急決策應(yīng)以快速響應(yīng)為前提，應(yīng)急決策必須是高效、迅速的，突發(fā)事件發(fā)生后，決策響應(yīng)時(shí)間的快慢在一定程度上與災(zāi)害所帶來(lái)的后果成正比關(guān)系，決策者需要在最短的時(shí)間內(nèi)做出最有效的應(yīng)對(duì)措施，否則極易因應(yīng)對(duì)不及時(shí)或應(yīng)對(duì)不力而造成不良后果放大或范圍擴(kuò)散，因此必須在短時(shí)間內(nèi)響應(yīng)應(yīng)急決策的需要。在此次“瑪利亞”颶風(fēng)事件中，民眾對(duì)美政府的應(yīng)急反應(yīng)速度提出了質(zhì)疑。在颶風(fēng)襲擊的1周后，美政府相關(guān)機(jī)構(gòu)才發(fā)動(dòng)救援，并且在事件發(fā)生的1周內(nèi)，美政府領(lǐng)導(dǎo)人并未公開對(duì)此次颶風(fēng)事件做出相應(yīng)指示。自“瑪利亞”颶風(fēng)襲擊波多黎各后，波多黎各全島幾乎失去了100%的電力供應(yīng)，停電的情況持續(xù)了近8個(gè)月。且救災(zāi)主要集中在波多黎各的首府圣胡安市，其他受災(zāi)嚴(yán)重地區(qū)仍沒(méi)有收到救助，同時(shí)因救助不及時(shí)引起的醫(yī)療系統(tǒng)的不完善，導(dǎo)致受災(zāi)群眾在颶風(fēng)過(guò)后大量死亡。

美國(guó)民眾認(rèn)為波多黎各在被颶風(fēng)襲擊時(shí)，遭到了美國(guó)政府嚴(yán)重的忽視，大量的死亡是由于政府的疏忽和不作為，并批評(píng)救援進(jìn)度緩慢，由此引發(fā)民眾的憤怒感，從而激化矛盾乃至引發(fā)災(zāi)害后期更嚴(yán)重的群體性事件。對(duì)此，政府救援隊(duì)?wèi)?yīng)在災(zāi)害初期對(duì)受災(zāi)情況進(jìn)行正確估計(jì)，及時(shí)做出救援反應(yīng)并面向群眾進(jìn)行公開回應(yīng)，穩(wěn)定群眾情緒，而不是在民眾和媒體的問(wèn)責(zé)下，被動(dòng)地做出反應(yīng)姿態(tài)。在加強(qiáng)自身救援能力的同時(shí)，實(shí)時(shí)且持續(xù)報(bào)導(dǎo)相關(guān)救援進(jìn)展，讓民眾了解救援情況，減少民眾因無(wú)法得知真實(shí)救援進(jìn)展而產(chǎn)生對(duì)救援的不滿情緒。

4.3 公益募捐與監(jiān)管是影響民眾情緒極性及其演化的重要話題? 從災(zāi)后情感強(qiáng)度詞云圖可以看出，在整個(gè)颶風(fēng)災(zāi)害的高熱期，Devastate、Effort、Support、Help等有關(guān)募捐的詞在高情感強(qiáng)度與低情感強(qiáng)度中均屬于高頻詞匯;且從情感極性時(shí)間序列走勢(shì)圖可以看出在災(zāi)害期間與災(zāi)后高熱期，民眾在碧昂絲進(jìn)行捐贈(zèng)與奧巴馬發(fā)推進(jìn)行籌款的兩天，情感極性值到達(dá)了頂峰，說(shuō)明公益募捐影響著民眾的情緒演化并給民眾帶來(lái)積極強(qiáng)烈的情感傾向。

研究者發(fā)現(xiàn)募捐能夠提高個(gè)體在責(zé)任感方面的自我評(píng)價(jià)，使捐贈(zèng)者具有利他性的自我認(rèn)知，比如認(rèn)同“我是一個(gè)富有同情心的人”“我比一般人更慷慨”“我是一個(gè)高尚的人”，這種利他行為除了讓慈善捐款行為的水平更高外，還讓募捐者產(chǎn)生足夠的積極情感[34]。首因理論認(rèn)為要讓接觸到慈善事業(yè)的捐款者對(duì)慈善捐款都抱有良好的第一印象，并且將這種好的印象持續(xù)下去。在此次災(zāi)害發(fā)生后，慈善機(jī)構(gòu)最先展開募捐行動(dòng)，但募捐范圍較小，民眾此時(shí)對(duì)捐贈(zèng)等公益活動(dòng)關(guān)注度較低。隨后社會(huì)各界知名人士進(jìn)行了個(gè)人捐贈(zèng)或募捐，此舉引發(fā)了民眾的廣泛熱議和好評(píng)。隨著“行為領(lǐng)袖”的帶頭作用，在災(zāi)害的中后期，網(wǎng)絡(luò)各非正式機(jī)構(gòu)組織民眾進(jìn)行募捐，自此絕大部分民眾積極投入到公益活動(dòng)。

在公益募捐活動(dòng)中，政府、行為領(lǐng)袖、非正式機(jī)構(gòu)3個(gè)主體將起到重要作用。通過(guò)“瑪利亞”颶風(fēng)事件相關(guān)推文內(nèi)容分析，在媒體報(bào)導(dǎo)5位美國(guó)在世前總統(tǒng)將出席慈善音樂(lè)會(huì)籌集善款當(dāng)天，以及正式慈善活動(dòng)當(dāng)天，民眾的積極情感達(dá)到了波峰，且前總統(tǒng)奧巴馬發(fā)布的對(duì)此活動(dòng)的推文也獲得了最高的轉(zhuǎn)發(fā)數(shù)、點(diǎn)贊數(shù)和評(píng)論數(shù)。值得關(guān)注的是，在因5位前總統(tǒng)進(jìn)行公益募捐而達(dá)到積極情緒波峰的同時(shí)，消極情緒在同一天內(nèi)也達(dá)到了近日內(nèi)的波峰，原因則是民眾認(rèn)為在幾位前總統(tǒng)關(guān)心受災(zāi)群眾的同時(shí)，現(xiàn)任總統(tǒng)卻沒(méi)有對(duì)災(zāi)區(qū)進(jìn)行慰問(wèn)或其他表示。這表明民眾在災(zāi)害來(lái)臨后，往往對(duì)政府的行為更為關(guān)注，當(dāng)政府官方組織相關(guān)活動(dòng)時(shí)，民眾會(huì)產(chǎn)生“依靠感”并提高對(duì)政府的滿意度。

學(xué)者研究表明非政府組織在相關(guān)事件中體現(xiàn)出的態(tài)度、行為及能力同樣會(huì)影響網(wǎng)民的情感[3]，這一點(diǎn)同樣在此次研究中得到印證，對(duì)于慈善機(jī)構(gòu)和大量的網(wǎng)絡(luò)非官方進(jìn)行的募捐，網(wǎng)民紛紛表示支持與贊賞。但同時(shí)不可忽視的是，有民眾在推特上表示“哈維”颶風(fēng)和“厄瑪”颶風(fēng)的慈善款項(xiàng)并未落實(shí)，且另有報(bào)道稱波多黎各島上存在腐敗，一些當(dāng)?shù)毓ぷ魅藛T沒(méi)有把食品等救援物資分發(fā)出去，報(bào)道中的情況引發(fā)了民眾對(duì)政府以及相關(guān)慈善機(jī)構(gòu)公信力的不滿情緒。針對(duì)這種情況，政府應(yīng)該對(duì)募捐款項(xiàng)進(jìn)行持續(xù)追蹤，監(jiān)督并協(xié)助物流，提升政府自身公信力。

4.4 政府負(fù)面新聞與信息不對(duì)稱是網(wǎng)民負(fù)面情緒衍生的激發(fā)器? 在所有消極情緒的推文中，占比最大的是政府的沉默和政府形象下降兩種類型的推文，且在災(zāi)后高熱期與持續(xù)期Trump等關(guān)鍵詞始終屬于兩種情感強(qiáng)度的高頻詞匯。在“瑪利亞”颶風(fēng)期間，大部分民眾消極情緒的源頭在于美領(lǐng)導(dǎo)人的幾次不當(dāng)行為。在發(fā)生災(zāi)害時(shí)，民眾會(huì)對(duì)政府產(chǎn)生很高的依賴度，會(huì)密切關(guān)注政府的表態(tài)，多次不當(dāng)行為的“累積效應(yīng)”，形成了輿論信息傳播行為，并導(dǎo)致了本次事件中的衍生情緒。美國(guó)人民對(duì)這些不當(dāng)行為表示了極度的不滿，造成了美政府形象的下降，對(duì)政府的信任度同時(shí)降低。如在颶風(fēng)來(lái)臨后，美領(lǐng)導(dǎo)人沒(méi)有發(fā)出對(duì)救災(zāi)的指示，而是在推特上發(fā)生了與黑人運(yùn)動(dòng)員的罵戰(zhàn)，像往常一樣在度假村打高爾夫，并在災(zāi)后訪問(wèn)時(shí)向?yàn)?zāi)民投籃般的扔紙巾。這些不當(dāng)言論及行為，被美國(guó)民眾視為美領(lǐng)導(dǎo)人在此次救災(zāi)上的失職。當(dāng)民眾的立場(chǎng)、態(tài)度與政府管理者不一致時(shí)，會(huì)對(duì)政府及領(lǐng)導(dǎo)人產(chǎn)生敵對(duì)情緒，并且通過(guò)輿論信息傳播，乃至引發(fā)大規(guī)模群體事件。

隨后由于政府與民眾之間的信息不對(duì)稱引發(fā)了民眾的抗議。美國(guó)總統(tǒng)與波多黎各總督在推特和新聞上互相推卸責(zé)任，并且在“瑪利亞”颶風(fēng)事件后期，美國(guó)政府被爆出向民眾隱瞞了死亡人數(shù)，真實(shí)的死亡人數(shù)遠(yuǎn)高于美國(guó)政府給出的數(shù)字。政府與民眾擁有的信息不同導(dǎo)致的信息不對(duì)稱（Asymmetric Information）使掌握信息貧乏的民眾，處于比較不利的地位。在自然災(zāi)害發(fā)生后，普通民眾無(wú)法掌握確定的有效信息，因此政府權(quán)威機(jī)構(gòu)發(fā)布信息中的精準(zhǔn)數(shù)字要比模糊數(shù)字更能降低民眾的不確定感與焦慮感。政府一旦對(duì)民眾隱瞞信息或提供虛假數(shù)字信息，會(huì)喚醒民眾的負(fù)面情緒，并給民眾帶來(lái)了類似被欺瞞的消極情緒。如何快速有效地回應(yīng)民眾所關(guān)注信息，消除民眾對(duì)于信息的不對(duì)稱性，這是政府需要解決的問(wèn)題。

參考文獻(xiàn)

[1]王仁武，宋家怡，陳川寶.基于Word2vec的情感分析在品牌認(rèn)知中的應(yīng)用研究[J].圖書情報(bào)工作，2017，61（22）：6-12.

[2]唐曉波，蘭玉婷.基于特征本體的微博產(chǎn)品評(píng)論情感分析[J].圖書情報(bào)工作，2016，60（16）：121-127.

[3]聶卉，劉夢(mèng)圓.基于細(xì)粒度情感的評(píng)論感知效用預(yù)測(cè)研究[J].情報(bào)理論與實(shí)踐，2019，42（9）：117-122.

[4]朱曉霞，宋嘉欣，孟建芳.基于主題—情感挖掘模型的微博評(píng)論情感分類研究[J].情報(bào)理論與實(shí)踐，2019，42（5）：159-164.

[5]Thelwall M，Buckley K，Paltoglou G，et al.Sentiment Strength Detection in Short Informal Text[J].Journal of the Association for Information Science & Technology，2014，61（12）：2544-2558.

[6]Wilson T，Wiebe J，Hoffmann P.Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis[J].Proceedings of HLT/EMNLP-05，2005，7（5）：347-354.

[7]范煒昊，徐健.基于網(wǎng)絡(luò)用戶評(píng)論情感計(jì)算的用戶痛點(diǎn)分析——以手機(jī)評(píng)論為例[J].情報(bào)理論與實(shí)踐，2018，41（1）：94-99.

[8]馬松岳，許鑫.基于評(píng)論情感分析的用戶在線評(píng)價(jià)研究——以豆瓣網(wǎng)電影為例[J].圖書情報(bào)工作，2016，60（10）：95-102.

[9]Bovet A，Morone F，Makse H A.Predicting Election Trends with Twitter：Hillary Clinton Versus Donald Trump[J].2016.

[10]Sul H K，Dennis A R，Yuan L I.Trading on Twitter：Using Social Media Sentiment to Predict Stock Returns[J].Decision Sciences，2016，48（3）：454-488.

[11]Medhat W，Hassan A，Korashy H.Sentiment Analysis Algorithms and Applications：A Survey[J].Ain Shams Engineering Journal，2014，5（4）：1093-1113.

[12]趙曉航.基于情感分析與主題分析的“后微博”時(shí)代突發(fā)事件政府信息公開研究——以新浪微博“天津爆炸”話題為例[J].圖書情報(bào)工作，2016，60（20）：104-111.

[13]蔣知義，馬王榮，鄒凱，等.基于情感傾向性分析的網(wǎng)絡(luò)輿情情感演化特征研究[J].現(xiàn)代情報(bào)，2018，38（4）：50-57.

[14]安璐，吳林.融合主題與情感特征的突發(fā)事件微博輿情演化分析[J].圖書情報(bào)工作，2017，61（15）：120-129.

[15]邢云菲，王晰巍，韋雅楠，等.新媒體環(huán)境下網(wǎng)絡(luò)輿情用戶情感演化模型研究——基于情感極性及情感強(qiáng)度理論[J].情報(bào)科學(xué)，2018，36（8）：142-148.

[16]張凌，羅曼曼，朱禮軍，等.情感視角下的社交網(wǎng)絡(luò)信息傳播分析研究[J].圖書情報(bào)知識(shí)，2019，（2）：111-119.

[17]Kim J，Bae J，Hastak M.Emergency Information Diffusion on Online Social Media During Storm Cindy in U.S.[J].International Journal of Information Management，2018，40：153-165.

[18]Pourebrahim N，Sultana S，Edwards J，et al.Understanding Communication Dynamics on Twitter During Natural Disasters：A Case Study of Hurricane Sandy[J].International Journal of Disaster Risk Reduction，2019，37：101176.

[19]Gul S，Shah T，Ahad M，et al.Twitter Sentiments Related to Natural Calamities：Analysing Tweets Related to the Jammu and Kashmir Floods of 2014[J].The Electronic Library，2017，36：00-00.

[20]Neppalli V，Caragea C，Squicciarini A，et al.Sentiment Analysis During Hurricane Sandy in Emergency Response[J].International Journal of Disaster Risk Reduction，2017，21：213-222.

[21]Singh N，Roy N，Gangopadhyay A.Analyzing the Sentiment of Crowd for Improving the Emergency Response Services，2018[C]//06.

[22]劉雯，高峰，洪凌子.基于情感分析的災(zāi)害網(wǎng)絡(luò)輿情研究——以雅安地震為例[J].圖書情報(bào)工作，2013，57（20）：104-110.

[23]沙勇忠，閻勁松，王崢嶸.雅安地震后紅十字會(huì)的公眾信任研究——基于微博數(shù)據(jù)的網(wǎng)民情感分析[J].公共管理學(xué)報(bào)，2015，12（3）：93-104.

[24]Cambria E，Schuller B，Xia Y，et al.New Avenues in Opinion Mining and Sentiment Analysis[J].IEEE Intelligent Systems，2013，28（2）：15-21.

[25]Thelwall M，Buckley K，Paltoglou G.Sentiment in Twitter Events[J].Journal of the American Society for Information Science and Technology，2011，（2）：406-418.

[26]Thelwall M，Buckley K，Paltoglou G.Sentiment Strength Detection for the Social Web[J].Journal of the American Society for Information Science and Technology，2012，（1）：163-173.

[27]Raul B，Peter T，Stephen K.Eliciting Mixed Emotions：A Meta-analysis Comparing Models，Types，and Measures[J].Frontiers in Psychology，2015，（6）：428.

[28]張美英，何杰.時(shí)間序列預(yù)測(cè)模型研究綜述[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011，41（18）：189-195.

[29]Gusti，Ngurah，Agung，等.EViews時(shí)間序列數(shù)據(jù)分析[J].國(guó)外科技新書評(píng)介，2009，（9）：4-5.

[30]廉同輝，余菜花，袁勤儉.基于內(nèi)容分析法的旅游微博主題研究——以國(guó)家旅游局新浪微博為例[J].現(xiàn)代情報(bào)，2016，36（4）：85-89.

[31]王曰芬.文獻(xiàn)計(jì)量法與內(nèi)容分析法的綜合研究[D].南京：南京理工大學(xué)，2007.

[32]郭春俠，張靜.突發(fā)事件應(yīng)急決策的快速響應(yīng)情報(bào)體系構(gòu)建研究[J].情報(bào)理論與實(shí)踐，2016，39（5）：53-57.

[33]Schlegelmilch B B，Diamantopoulos A，Love A.Characteristics Affecting Charitable Donations：Empirical Evidence from Britain[J].Journal of Marketing Practice Applied Marketing Science，1997，3（1）：14-28.

[34]Bekkers M O W.Helping Behavior，Dispositional Empathic Concern，and the Principle of Care[J].Social Psychology Quarterly，2010，73（1）：11-32.

（責(zé)任編輯：孫國(guó)雷）