微博網(wǎng)絡(luò)輿情研究綜述

王高飛 李潤之 李梅

摘?要：微博已成為公眾反映自身觀點的主流渠道，微博網(wǎng)絡(luò)輿情研究有利于對網(wǎng)絡(luò)輿情的管理與引導(dǎo)。本文運(yùn)用文獻(xiàn)計量法與CiteSpace軟件，通過關(guān)鍵詞“微博”與“輿情”在中國知網(wǎng)數(shù)據(jù)庫中的檢索，對微博網(wǎng)絡(luò)輿情的發(fā)展趨勢、發(fā)文機(jī)構(gòu)、發(fā)文期刊、基金贊助情況、發(fā)文下載量、被引頻次與研究熱點等方面進(jìn)行系統(tǒng)分析。結(jié)果表明微博網(wǎng)絡(luò)輿情研究已經(jīng)形成體系，研究方法較為豐富，未來以圖像、視頻為分析對象的微博網(wǎng)絡(luò)輿情研究將是該領(lǐng)域的重要研究方向之一。

關(guān)鍵詞：微博;網(wǎng)絡(luò)輿情;綜述;文獻(xiàn)計量

中圖分類號：G201?文獻(xiàn)標(biāo)識碼：A??文章編號：1672-8122（2021）01-0024-06

一、引?言

黨的十九屆四中全會《決定》提出：“健全重大輿情和突發(fā)事件輿論引導(dǎo)機(jī)制”。倡導(dǎo)健全輿情引導(dǎo)，并將其上升到機(jī)制層面，表明我國對輿情的認(rèn)識和重視程度進(jìn)一步加強(qiáng)。在網(wǎng)絡(luò)輿情中，微博作為一個主要平臺發(fā)展十分迅速。新浪微博發(fā)布的2020年第二季度財報顯示，2020年6月的月活躍用戶數(shù)為5.23億，較上年同期凈增約3 700萬[1]。作為社交網(wǎng)絡(luò)巨頭，微博允許用戶公開性地發(fā)表原創(chuàng)內(nèi)容，轉(zhuǎn)發(fā)、點贊、評論、搜索他人內(nèi)容，這不僅進(jìn)一步提高了信息的傳播速度，也使得微博成為公眾反映自身觀點的主要平臺。然而，隨著用戶量和信息量的增多，微博中容易出現(xiàn)諸如不良信息、謠言等不當(dāng)言論，如果不及時管理會形成負(fù)面網(wǎng)絡(luò)輿情。我國自2011年至今，相關(guān)學(xué)者已經(jīng)對微博網(wǎng)絡(luò)輿情進(jìn)行了深入研究，相關(guān)文獻(xiàn)中蘊(yùn)含了眾多有價值的信息。本研究對中國知網(wǎng)相關(guān)文獻(xiàn)進(jìn)行檢索與分析梳理，以期為該領(lǐng)域的研究提供參考。

二、數(shù)據(jù)來源與研究方法

（一）數(shù)據(jù)來源

以中國知網(wǎng)數(shù)據(jù)庫作為檢索來源，跨庫選擇期刊、教育期刊、特色期刊、博士、碩士5庫進(jìn)行專業(yè)檢索，檢索表達(dá)式語句為“TI=‘微博AND TI =‘輿情”，即檢索篇名包括“微博”“輿情”的文獻(xiàn)，發(fā)表時間選擇為從知網(wǎng)可選的最早時間1979年1月1日至2019年12月12日（檢索日），共得到自2011年至2019年的713篇文獻(xiàn)，去除重復(fù)投稿與期刊會議摘要，剩余700篇。

（二）研究方法

文獻(xiàn)計量法是一種定量分析方法，將文獻(xiàn)的各類外部特征作為研究對象，采用文獻(xiàn)學(xué)、統(tǒng)計學(xué)、數(shù)學(xué)相結(jié)合的方式描述與預(yù)測某一科學(xué)的發(fā)展方向與趨勢[2]。在文獻(xiàn)計量法的基礎(chǔ)上，運(yùn)用CiteSpace、Excel、中國知網(wǎng)構(gòu)建知識圖譜與可視化分析。Citespace，中文名為引文空間，由英籍華人陳超美開發(fā)，是將檢索文獻(xiàn)進(jìn)行引文可視化分析的一款軟件[3，4]。

三、研究結(jié)果與分析

（一）微博網(wǎng)絡(luò)輿情發(fā)文量統(tǒng)計分析

筆者共分析2011年至2019年有效文獻(xiàn)700篇（如圖1所示），橫坐標(biāo)代表發(fā)文年份，縱坐標(biāo)代表發(fā)文數(shù)量。自2010年各品牌微博上線一年后，知網(wǎng)開始出現(xiàn)微博網(wǎng)絡(luò)輿情文章，此后隨著各微博平臺的競爭以及微博的整體市場份額不斷擴(kuò)大，3年內(nèi)發(fā)文數(shù)量也得到大幅增長，2014年發(fā)文量達(dá)到頂峰。隨后，受到微信、短視頻等其它自媒體平臺的影響，微博網(wǎng)絡(luò)輿情研究的發(fā)文數(shù)量逐漸減小，由2014年的121篇逐漸減少至2019年的62篇（截止到檢索日），總體呈現(xiàn)上升下降的趨勢。這一趨勢說明微博網(wǎng)絡(luò)輿情研究當(dāng)前依然保持著較高的熱度，但利用微博進(jìn)行網(wǎng)絡(luò)輿情研究的熱度卻有所降低，網(wǎng)絡(luò)輿情研究方式呈現(xiàn)多樣化的特點。

（二）微博網(wǎng)絡(luò)輿情發(fā)文機(jī)構(gòu)統(tǒng)計分析

筆者共統(tǒng)計了30家發(fā)文數(shù)量在5篇以上的微博網(wǎng)絡(luò)輿情發(fā)文機(jī)構(gòu)（如圖2所示）。從發(fā)文機(jī)構(gòu)總體來看，均為高等院校，無一所科研院所。在高等院校中包含各級各類大學(xué)，分布較廣，且重點高校占比較高，尤以吉林大學(xué)的30篇發(fā)文數(shù)量最為明顯。說明高等院校有較高的意愿利用微博平臺進(jìn)行網(wǎng)絡(luò)輿情研究。

（三）微博網(wǎng)絡(luò)輿情發(fā)文期刊統(tǒng)計分析

筆者通過相關(guān)文獻(xiàn)的期刊統(tǒng)計，得出期刊對于微博網(wǎng)絡(luò)輿情研究文獻(xiàn)的刊出量差異。700篇文獻(xiàn)中除去博士、碩士文獻(xiàn)庫外，剩余532篇均為期刊所屬文章。統(tǒng)計載文量前20的期刊發(fā)現(xiàn)，有11種期刊為核心期刊，占比55%，且單期刊載文量最高可達(dá)40篇;有8種為情報類期刊，9種為新聞傳播類期刊（如表1所示）。此外筆者分別對載文數(shù)量前10的核心期刊和非核心期刊載文量進(jìn)行統(tǒng)計，發(fā)現(xiàn)核心期刊載文量普遍高于非核心期刊，其中《情報雜志》與《情報科學(xué)》載文量更是達(dá)到了64篇，占所檢索文獻(xiàn)的9%。而前10類非核心期刊，其載文量最多可達(dá)9篇，最少為4篇（如表2所示）。這說明核心期刊對于微博網(wǎng)絡(luò)輿情研究方向的文獻(xiàn)與非核心期刊相比更為重視，并已經(jīng)形成以新聞傳播類和情報類為主體的期刊集合。

（四）微博網(wǎng)絡(luò)輿情發(fā)文基金項目統(tǒng)計分析

統(tǒng)計結(jié)果發(fā)現(xiàn)，微博網(wǎng)絡(luò)輿情532篇期刊檢索文獻(xiàn)中共203篇受到基金資助，占比29%;包括國家自然科學(xué)基金74項，國家社科基金50項，省級基金46項，以及其它各類基金項目（如圖3所示）。在國家級基金項目中，自然科學(xué)基金遙遙領(lǐng)先，這說明有關(guān)微博網(wǎng)絡(luò)輿情的文獻(xiàn)不只是從人文社科的角度出發(fā)，還從自然科學(xué)的角度對微博網(wǎng)絡(luò)輿情進(jìn)行了研究。在省級基金項目中，江蘇省以18項3類領(lǐng)先于其它省，說明江蘇省對于微博網(wǎng)絡(luò)輿情較為關(guān)注。

（五）微博網(wǎng)絡(luò)輿情發(fā)文下載量與被引頻次統(tǒng)計分析

發(fā)表論文的下載量可反映出文獻(xiàn)對下載讀者的參考價值與影響程度。表3統(tǒng)計了下載量在前10的文獻(xiàn)，總下載次數(shù)為篇均下載次數(shù)，共5 589.4次，其中來源于《系統(tǒng)工程》的“微博網(wǎng)絡(luò)輿情中的意見領(lǐng)袖識別及分析”的下載量最高。除去“新浪微博的網(wǎng)絡(luò)輿情分析研究——模型、設(shè)計與實驗”與“基于微博社交網(wǎng)絡(luò)的輿情分析模型及實現(xiàn)”兩篇碩士論文外，其余來源均為期刊?？梢?，與碩士論文相比，讀者認(rèn)為期刊更具有借鑒價值。在論文主題方面，有4篇文章進(jìn)行了以傳播為主的微博網(wǎng)絡(luò)輿情過程研究，有3篇文章進(jìn)行了微博網(wǎng)絡(luò)輿情的主體研究，有2篇文章對微博網(wǎng)絡(luò)輿情整體進(jìn)行建模研究，剩余1篇進(jìn)行了構(gòu)造微博網(wǎng)絡(luò)輿情監(jiān)測指標(biāo)的研究。

發(fā)表論文的被引頻次體現(xiàn)了文獻(xiàn)在學(xué)術(shù)方面與實用方面的價值。表4統(tǒng)計了被引量在前10的文獻(xiàn)，總篇均被引次數(shù)為125.3次。與下載次數(shù)統(tǒng)計相同的是，“微博網(wǎng)絡(luò)輿情中的意見領(lǐng)袖識別及分析”再次居于榜首，足以說明該篇論文的價值。與論文下載量類似，在論文主題方面，有7篇文章進(jìn)行了以傳播為主的微博網(wǎng)絡(luò)輿情過程研究，有2篇文章進(jìn)行了微博網(wǎng)絡(luò)輿情的主體研究，1篇文章進(jìn)行了構(gòu)造微博網(wǎng)絡(luò)輿情監(jiān)測指標(biāo)的研究。

（六）微博網(wǎng)絡(luò)輿情知識圖譜構(gòu)建

關(guān)鍵詞是論文文獻(xiàn)檢索的主要標(biāo)志，其往往代表了一篇論文文獻(xiàn)的主旨所在，可在一定程度上反映文獻(xiàn)的主要研究內(nèi)容與研究方法。筆者將700篇文獻(xiàn)以Refworks文獻(xiàn)導(dǎo)出格式導(dǎo)出，并通過Citespace軟件自帶功能將數(shù)據(jù)進(jìn)行轉(zhuǎn)化并錄入軟件中，時間切片選為2011～2019年，節(jié)點類型選為關(guān)鍵詞，形成了以“微博”和“網(wǎng)絡(luò)輿情”為中心關(guān)鍵詞的知識圖譜（如圖4所示）。

科學(xué)知識圖譜兼具“圖”和“譜”的雙重特點與性質(zhì)：既具有“圖”的直觀可視化，又具有“譜”的邏輯關(guān)系[5]。由圖4可見，除去“微博”與“網(wǎng)絡(luò)輿情”兩個關(guān)鍵詞外，頻次較高的關(guān)鍵詞包括“微博輿情”“政務(wù)微博”“社會網(wǎng)絡(luò)分析”“意見領(lǐng)袖”“突發(fā)事件”“高校”“新媒體”“大學(xué)生”等。這些關(guān)鍵詞與當(dāng)今網(wǎng)絡(luò)輿情研究方向相一致，符合網(wǎng)絡(luò)輿情發(fā)展方向。

（七）微博網(wǎng)絡(luò)輿情時間線分析

時間線（Timeline），是CiteSpace中的一種可視化方式。這種可視化方式可以根據(jù)時間對關(guān)鍵詞進(jìn)行統(tǒng)計與聚類（如圖5所示），從左到右表示關(guān)鍵詞時間由遠(yuǎn)至近，自上到下表示聚類按大小遞減。筆者通過對微博網(wǎng)絡(luò)輿情相關(guān)文獻(xiàn)關(guān)鍵詞進(jìn)行時間線分析后，發(fā)現(xiàn)對于微博網(wǎng)絡(luò)輿情的關(guān)鍵詞聚類共可分為9項4類，分別為文本聚類研究、引導(dǎo)機(jī)制與策略應(yīng)對研究、微博話題研究、網(wǎng)絡(luò)結(jié)構(gòu)研究。從時間線來看，微博網(wǎng)絡(luò)輿情研究自2011年以來逐漸發(fā)展成熟，采用更多的方法與角度進(jìn)行研究，如聚類算法、Kmeans算法、超網(wǎng)絡(luò)分析等方法和情感分析等角度，呈現(xiàn)研究多元化的趨勢。

四、結(jié)論與展望

筆者在中國知網(wǎng)檢索“微博”“輿情”兩個關(guān)鍵詞得到2011～2019年700篇微博網(wǎng)絡(luò)輿情檢索文獻(xiàn)，運(yùn)用文獻(xiàn)計量法，通過檢索文獻(xiàn)的發(fā)文數(shù)量、發(fā)文機(jī)構(gòu)、發(fā)文期刊、發(fā)文基金、發(fā)文下載量與被引頻次、關(guān)鍵詞進(jìn)行了可視化分析，并構(gòu)建了關(guān)鍵詞知識圖譜。研究提示了該領(lǐng)域的主要成果、發(fā)展趨勢及未來研究方向。

（一）網(wǎng)絡(luò)輿情研究方式的多樣性趨勢

通過可視化分析發(fā)現(xiàn)，對微博網(wǎng)絡(luò)輿情的研究在2014年達(dá)到頂峰后便逐年下降，與近年來網(wǎng)絡(luò)輿情較高的熱度相反。造成這種結(jié)果的原因是多種自媒體平臺的興起，導(dǎo)致輿情研究對象多樣化，相關(guān)研究分散到各種新媒體平臺如微信、短視頻等。在發(fā)文機(jī)構(gòu)統(tǒng)計中，高校仍是微博網(wǎng)絡(luò)輿情研究的主體，科研院所較少利用微博進(jìn)行網(wǎng)絡(luò)輿情研究。而微博作為傳播速度快、用戶基數(shù)大、熱點顯示直觀、內(nèi)容易挖掘的中國頭號社區(qū)軟件和處于世界前列的社交軟件，用來進(jìn)行網(wǎng)絡(luò)輿情研究是較為合適的平臺。因此，對于網(wǎng)絡(luò)輿情研究領(lǐng)域的學(xué)者來說，通過微博進(jìn)行網(wǎng)絡(luò)輿情研究是亟待加強(qiáng)的重點，特別是微博中大量的圖片與視頻仍處于待開發(fā)狀態(tài)。所以當(dāng)前的微博網(wǎng)絡(luò)輿情并未研究透徹，仍存在較大的可研究空間。

（二）微博網(wǎng)絡(luò)輿情研究已初步形成體系

從微博網(wǎng)絡(luò)輿情發(fā)文期刊來看，發(fā)現(xiàn)整體發(fā)文集中于新聞傳播類和情報類期刊中，核心期刊的載文數(shù)量可觀，非核心期刊的種類較多，這說明關(guān)于微博網(wǎng)絡(luò)輿情研究的文章質(zhì)量較高，形成了以新聞傳播類和情報類為主體的研究體系。從關(guān)鍵詞來看，頻次較高的關(guān)鍵詞如“政務(wù)微博”“社會網(wǎng)絡(luò)分析”“意見領(lǐng)袖”“突發(fā)事件”“高?！薄靶旅襟w”，已經(jīng)指明了微博網(wǎng)絡(luò)輿情的發(fā)展方向，構(gòu)建成一個初具規(guī)模的知識圖譜。

（三）今后微博網(wǎng)絡(luò)輿情研究的關(guān)注點

1.更多細(xì)分微博主體的深度研究

在構(gòu)建知識圖譜的過程中，頻次較高的關(guān)鍵詞包括“政務(wù)微博”“新媒體”“大學(xué)生”“意見領(lǐng)袖”等，分別對應(yīng)著政府、網(wǎng)絡(luò)媒體、大學(xué)生、意見領(lǐng)袖等微博主體。這些主體無論是在數(shù)量上還是在影響力上，均在微博中發(fā)揮了巨大的輿情引導(dǎo)作用。微博主體的研究更為細(xì)化，也更加深入、具有針對性。

2.采用創(chuàng)新方法的微博網(wǎng)絡(luò)輿情研究

通過統(tǒng)計700篇文獻(xiàn)發(fā)現(xiàn)，主流研究方法包括以下3種微博網(wǎng)絡(luò)輿情的分析方式：情感分析、社會網(wǎng)絡(luò)分析、輿情監(jiān)測分析等。情感分析是對帶有主觀意識的文本內(nèi)容進(jìn)行推理、分析和歸納總結(jié)的過程[6]。社會網(wǎng)絡(luò)分析是把社會系統(tǒng)中各部分之間的關(guān)系以網(wǎng)絡(luò)的形式表達(dá)出來并進(jìn)行分析[7]。輿情監(jiān)測分析是通過對網(wǎng)絡(luò)信息的監(jiān)測實現(xiàn)網(wǎng)絡(luò)輿情分析。三種分析方式既相互獨(dú)立又互有聯(lián)系，并均對微博網(wǎng)絡(luò)輿情進(jìn)行了不同角度的研究。隨著機(jī)器視覺、人工智能理論方法的推廣，今后的研究方法將會得到進(jìn)一步創(chuàng)新，特別是對微博中圖片與視頻的研究方法的創(chuàng)新。

3.圖像與視頻的微博網(wǎng)絡(luò)輿情研究

上述國內(nèi)的微博網(wǎng)絡(luò)輿情研究仍是對微博中的文字進(jìn)行分析與挖掘，缺少對微博中圖片與視頻的輿情分析。與文字相比，圖像與視頻作為承載信息量更大的載體，能夠傳播更多的網(wǎng)絡(luò)輿情，同時，網(wǎng)絡(luò)輿情的監(jiān)管難度也更大。例如，微博信息中存在大量的虛假圖像與視頻會嚴(yán)重影響網(wǎng)絡(luò)輿論，而造假手段更是多樣，可分為拍攝角度誤導(dǎo)、圖像與視頻合成與刪減等主要造假方式[8]。我國相對國外相關(guān)研究，圖像與視頻的網(wǎng)絡(luò)輿情研究文獻(xiàn)很少，尚有較大研究空間。隨著研究的深入，圖像與視頻的輿情研究必將成為微博網(wǎng)絡(luò)輿情研究中的重點方向之一。

參考文獻(xiàn)：

[1]新浪財經(jīng).微博發(fā)布2020年第二季度財報[EB/OL].https：//finance.sina.com.cn/stock/c/2020-09-28/doc-iivhvpwy9362473.shtml？source=cj&source=hfquote&q=$（key），2020-09-28.

[2]朱亮，孟憲學(xué).文獻(xiàn)計量法與內(nèi)容分析法比較研究[J].圖書館工作與研究，2013（6）：64-66.

[3]Chen C.CiteSpace II： Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology， 2006， 57（3）：359-377.

[4]Chaomei Chen. Searching for intellectual turning points： Progressive knowledge domain visualization[J]. Proc Natl Acad Sci U S A， 2004， 101（suppl）：5303-5310.

[5]陳悅，陳超美，劉則淵，等.CiteSpace知識圖譜的方法論功能[J].科學(xué)學(xué)研究，2015，33（2）：242-253.

[6]Vasileios Hatzivassiloglou， Kathleen R.McKeown. Predicting the Semantic Orientation of Adjectives[C].In： Proceedings of the 35th Annual Meeting of the Association for Computational Linguistics and Eighth Conference of the European Chapter of the Association for Computational Linguistics， Stroudsburg，PA_USA_ 1997： 174-181.

[7]湯匯道.社會網(wǎng)絡(luò)分析法述評[J].學(xué)術(shù)界，2009（3）：205-208.

[8]Junliu Zhong，Yanfen Gan，Janson Young，Lian Huang.Research on Network Digital Image Information Public Opinion Incident Prevention[P].Proceedings of the 2016 International Conference on Management Science and Innovative Education，2016.

[責(zé)任編輯：艾涓]