突發(fā)公共衛(wèi)生事件中在線健康社區(qū)關(guān)鍵用戶的情感表達(dá)特征研究

李長(zhǎng)榮 紀(jì)雪梅 郭鳳儀

摘?要：[目的/意義]探索突發(fā)公共衛(wèi)生事件情境下在線健康社區(qū)用戶的情感表達(dá)特征，對(duì)在線健康社區(qū)平臺(tái)創(chuàng)新服務(wù)水平，輿情監(jiān)管部門提升輿情管理水平具有重要作用。[方法/過(guò)程]本文以新冠肺炎疫情事件為情境，首先，采用基于情感詞典的方法對(duì)在線健康社區(qū)用戶的發(fā)帖和回帖文本進(jìn)行情感分析和計(jì)算;然后，采用社會(huì)網(wǎng)絡(luò)分析法識(shí)別事件傳播過(guò)程中的高影響力用戶、高活躍度用戶和關(guān)鍵中間用戶;最后，采用方差分析法研究關(guān)鍵用戶的情感表達(dá)類別特征，采用相關(guān)分析法研究關(guān)鍵用戶的情感表達(dá)強(qiáng)度特征。[結(jié)果/結(jié)論]研究發(fā)現(xiàn)，在線健康社區(qū)用戶對(duì)新冠肺炎疫情事件主要呈現(xiàn)“好”和“惡”兩種情感;“怒”情感的影響力均值、中間中心度均值最高;用戶的影響力與中間中心度之間存在高度相關(guān)關(guān)系;用戶的活躍度與情感表達(dá)強(qiáng)度之間存在正相關(guān)關(guān)系。相關(guān)部門需要及時(shí)疏導(dǎo)用戶負(fù)面情感，安撫情感表達(dá)激烈的用戶，有效控制輿情蔓延。

關(guān)鍵詞：突發(fā)公共衛(wèi)生事件;在線健康社區(qū);情感表達(dá)特征;情感分析;社會(huì)網(wǎng)絡(luò);方差分析

DOI：10.3969/j.issn.1008-0821.2021.07.008

〔中圖分類號(hào)〕G252.0?〔文獻(xiàn)標(biāo)識(shí)碼〕A?〔文章編號(hào)〕1008-0821（2021）07-0085-09

Research?on?the?Emotional?Expression?Characteristics?of?Online

Health?Community?Key?Users?in?Public?Health?Emergencies

Li?Changrong?Ji?Xuemei?Guo?Fengyi

（Institute?of?Information?Management，Shandong?University?of?Technology，Zibo?255049，China）

Abstract：[Purpose/Significance]Exploring?the?emotional?expression?characteristics?of?online?health?community?users?plays?an?important?part?in?innovating?the?service?level?of?online?health?community?platforms，and?improving?the?public?opinion?management?level?of?public?opinion?supervision?departments.[Method/Process]The?article?took?the?COVID-19?as?the?situation.First?of?all，the?sentiment?dictionary?was?used?to?analyze?the?emotion?of?online?health?community?users?posts?and?replies.Then，the?social?network?analysis?was?used?to?analyze?the?high-impact?users，highly?active?users?and?key?intermediary?users.Finally，analysis?of?variance?was?used?to?analyze?the?emotional?type?characteristics?of?key?users?in?online?health?community，correlation?analysis?was?used?to?analyze?the?emotional?intensity?of?key?users?in?online?health?community.[Result/Conclusion]In?the?face?of?the?COVID-19，online?health?community?users?mainly?expressed?two?emotions：good?and?evil.“Anger”had?the?highest?average?influence?and?average?betweeness?centrality.There?was?a?high?correlation?between?influence?and?centrality.There?was?a?positive?correlation?between?activity?and?emotional?intensity.Therefore，relevant?departments?need?to?promptly?disseminate?users?negative?emotions，appease?users?with?intense?emotional?expressions，and?effectively?control?the?spread?of?public?opinion.

Key?words：public?health?emergencies;online?health?community;emotional?expression?characteristics;sentiment?analysis;social?network;analysis?of?variance

在線健康社區(qū)是指虛擬世界中由共同健康興趣的人組成的集合，集合中人們從事分享經(jīng)驗(yàn)、提出問(wèn)題、提供情感支持以及自我?guī)椭雀鞣N與健康相關(guān)的活動(dòng)[1]。隨著醫(yī)療改革的不斷深入和計(jì)算機(jī)技術(shù)的發(fā)展，丁香園、甜蜜家園、好大夫在線、醫(yī)享網(wǎng)、尋醫(yī)問(wèn)藥網(wǎng)等國(guó)內(nèi)在線健康社區(qū)出現(xiàn)了蓬勃發(fā)展的態(tài)勢(shì)。通過(guò)在線健康社區(qū)，用戶可以組成醫(yī)療互助小組，不僅可以獲取和分享醫(yī)療信息，而且可以找到歸屬感，互相鼓勵(lì)，緩解焦慮緊張情緒。突發(fā)公共衛(wèi)生事件不僅給公眾的生命健康帶來(lái)威脅，公眾由于感知到事件給自身帶來(lái)的不確定性和威脅性，會(huì)產(chǎn)生不安、緊張和擔(dān)憂等負(fù)面情緒。例如，新冠肺炎疫情是新中國(guó)成立以來(lái)在我國(guó)發(fā)生的傳播速度最快、感染范圍最廣、防控難度最大的一次重大突發(fā)公共衛(wèi)生事件[2]。該事件發(fā)生后，公眾通過(guò)丁香園、好大夫在線、百度貼吧“健康保健”版塊等在線健康社區(qū)尋求社會(huì)支持和發(fā)布事件相關(guān)的輿論文本。在線健康社區(qū)中的每位用戶既是信息的發(fā)布者，也是信息的搜索者和傳播者，以發(fā)帖、回帖為聯(lián)系紐帶，構(gòu)建復(fù)雜的社交網(wǎng)絡(luò)。根據(jù)信息傳播的二八定律，一般數(shù)量非常少的關(guān)鍵節(jié)點(diǎn)卻可以影響到網(wǎng)絡(luò)中大部分節(jié)點(diǎn)[3]。根據(jù)社會(huì)網(wǎng)絡(luò)理論，用戶關(guān)系網(wǎng)絡(luò)中的關(guān)鍵用戶通常分為高影響力用戶、高活躍度用戶、關(guān)鍵中間用戶，高影響力用戶擁有較高的出度，是網(wǎng)絡(luò)中信息的來(lái)源;高活躍度用戶擁有較高的入度，在網(wǎng)絡(luò)中表現(xiàn)較為活躍;關(guān)鍵中間用戶擁有較高的中間中心度，在信息的傳播中起到中間橋梁的作用。目前的研究發(fā)現(xiàn)，不同時(shí)間[4]、不同疾病情境[5]、不同性別[6]的用戶情感表達(dá)特征均會(huì)存在差異，針對(duì)不同關(guān)鍵用戶情感表達(dá)特征的研究還相對(duì)較少，基于此，本文提出以下研究問(wèn)題：突發(fā)公共衛(wèi)生事件情境下在線健康社區(qū)用戶的情感表達(dá)類型有哪些？在事件的傳播過(guò)程中情感表達(dá)的關(guān)鍵用戶有哪些？社交網(wǎng)絡(luò)中關(guān)鍵用戶的情感表達(dá)具有怎樣的特征？本文以新冠肺炎疫情事件為例，采用社會(huì)網(wǎng)絡(luò)分析、情感分析和方差分析方法對(duì)在線健康社區(qū)用戶的社交網(wǎng)絡(luò)角色與情感表達(dá)之間的關(guān)系進(jìn)行研究，為突發(fā)公共衛(wèi)生事件的情感引導(dǎo)和在線健康社區(qū)的服務(wù)提供一定的參考。

1?研究綜述

在線健康社區(qū)中用戶關(guān)系網(wǎng)絡(luò)是由許多網(wǎng)絡(luò)節(jié)點(diǎn)（行動(dòng)者）和它們之間的關(guān)系（朋友、信任、合作等）構(gòu)成的一種社會(huì)結(jié)構(gòu)[7]，從用戶關(guān)系網(wǎng)絡(luò)的角度來(lái)看，目前在線健康社區(qū)用戶情感表達(dá)特征的研究主要有健康同質(zhì)性研究、高影響力用戶的情感表達(dá)特征、高活躍度用戶的情感表達(dá)特征、整體網(wǎng)絡(luò)的情感特征研究等幾個(gè)方面。

1.1?健康同質(zhì)性

同質(zhì)性理論（Homophily?Theory）認(rèn)為社會(huì)關(guān)系更容易建立在具有相似或共同屬性的個(gè)體之間[8]。健康同質(zhì)性則認(rèn)為具有相似健康狀態(tài)的個(gè)體間更容易建立起彼此的信任，進(jìn)而采納對(duì)方的建議，分享積極的態(tài)度[9]。如Zhang?Y等為了了解Facebook上在線健康社區(qū)的社交網(wǎng)絡(luò)提供情感支持的潛力，采集了1?352條有關(guān)Facebook糖尿病社區(qū)的發(fā)帖和回帖，通過(guò)內(nèi)容分析方法進(jìn)行數(shù)據(jù)分析。研究結(jié)果表明，社區(qū)成員向與自己相似健康狀態(tài)的同伴提供了情感支持，其中大多數(shù)通過(guò)分享積極態(tài)度，對(duì)同伴的狀態(tài)進(jìn)行積極確認(rèn)或祈禱來(lái)鼓勵(lì)同伴[10]。Query?J?L等為了研究社會(huì)支持、情感表達(dá)和感知壓力之間的關(guān)系，通過(guò)定量和定性相結(jié)合的方法進(jìn)行數(shù)據(jù)采集和分析。研究結(jié)果表明，患者如果缺少與自己相似健康狀態(tài)的同伴支持，對(duì)社會(huì)支持的滿意度偏低，會(huì)產(chǎn)生更多的負(fù)面情感，面對(duì)更多的壓力[11]。

1.2?高影響力用戶的情感表達(dá)特征

在線健康社區(qū)中用戶的影響力不同，表達(dá)的情感類別和強(qiáng)度會(huì)存在差異，如Zhang?S等研究了乳腺癌論壇中用戶情感表達(dá)的影響因素，采用方差分析法研究用戶年齡、患癌階段和影響力在情感表達(dá)中的差異。研究結(jié)果表明，高影響力用戶作為長(zhǎng)期會(huì)員，在乳腺癌論壇中充當(dāng)了信息提供者的角色，并且在參與的話題中表達(dá)了更多的鼓勵(lì)和同情[12]。Stieglitz?S等為了研究社交媒體用戶的信息分享行為與情感表達(dá)之間的關(guān)系，采用SentiStrength工具進(jìn)行情感分析，研究發(fā)現(xiàn)影響力高的用戶傾向于發(fā)布更多帶有情感色彩的推文，并且排名前50位最具影響力的用戶發(fā)布的正面情感推文的數(shù)量是負(fù)面情感的兩倍[13]。Kang?Z等為了識(shí)別在線健康社區(qū)中的高影響力用戶，提出一種新穎的指標(biāo)來(lái)直接衡量用戶影響他人情感的能力，采用機(jī)器學(xué)習(xí)的方法對(duì)癌癥幸存者網(wǎng)絡(luò)社區(qū)用戶的情感進(jìn)行分析，研究結(jié)果表明，在收到他人的回帖后，表達(dá)負(fù)面情感的高影響力用戶隨后會(huì)表現(xiàn)出較高的積極情感[14]。

1.3?高活躍度用戶的情感表達(dá)特征

在線健康社區(qū)中用戶的活躍度影響用戶的情感表達(dá)。如Wu?B等為了分析在線健康社區(qū)中用戶交流互動(dòng)的動(dòng)機(jī)，應(yīng)用隨機(jī)指數(shù)圖模型來(lái)分析影響用戶交流的因素，根據(jù)對(duì)全球糖尿病論壇的數(shù)據(jù)集進(jìn)行為期5年的研究，發(fā)現(xiàn)該論壇中擁有較高活躍度的用戶對(duì)社區(qū)體驗(yàn)有較高的滿意度，擁有更多經(jīng)驗(yàn)和偏激情感的用戶發(fā)布的帖子在社區(qū)中起著重要作用[15]。Cabling?M?L等研究了在線健康社區(qū)平臺(tái)為用戶提供的健康支持作用，采用LIWC文本分析方法分析用戶情感，研究結(jié)果表明，最活躍的用戶比最不活躍用戶的不患癌癥的概率高80%，而最不活躍的用戶比最活躍用戶的患癌癥的概率高48%;用戶患癌癥的階段越低，發(fā)布帖子的可能性就越大，并且在論壇上保持活躍并鼓勵(lì)更多（在線）社會(huì)支持;用戶患癌癥的階段越高，發(fā)帖的可能性就越小，并且發(fā)帖情感以焦慮/悲傷為主[16]。

1.4?整體網(wǎng)絡(luò)的情感表達(dá)特征

有研究人員發(fā)現(xiàn)，整體網(wǎng)絡(luò)的網(wǎng)絡(luò)密度與用戶的情感表達(dá)之間有負(fù)相關(guān)關(guān)系，如Kivran-Swaine?F等為了研究用戶在Twitter帖子中表達(dá)的情感與網(wǎng)絡(luò)結(jié)構(gòu)特征之間的關(guān)系，采用相關(guān)分析法研究網(wǎng)絡(luò)密度與情感表達(dá)之間的關(guān)系，研究發(fā)現(xiàn)，網(wǎng)絡(luò)密度與情感表達(dá)之間具有負(fù)相關(guān)關(guān)系，即人們更傾向于在稀疏的網(wǎng)絡(luò)中表達(dá)情感，而如果在密集的網(wǎng)絡(luò)中，人們可能會(huì)對(duì)共享情感產(chǎn)生擔(dān)憂[17]。也有研究人員發(fā)現(xiàn)，整體網(wǎng)絡(luò)的網(wǎng)絡(luò)密度正向影響用戶的情感表達(dá)，如Lin?H等研究了Facebook上的社交網(wǎng)絡(luò)結(jié)構(gòu)如何影響用戶的情感表達(dá)，采用單因素方差分析方法研究網(wǎng)絡(luò)密度與情感表達(dá)之間的關(guān)系，研究結(jié)果表明，擁有較大網(wǎng)絡(luò)密度的Facebook用戶傾向于表達(dá)更多的積極和消極情感[18]。而在線健康社區(qū)用戶關(guān)系網(wǎng)絡(luò)的社區(qū)規(guī)模不同，用戶的情感表達(dá)也會(huì)存在差異，如Liu?C等采用相關(guān)分析法研究在線健康社區(qū)規(guī)模與艾滋病人群情感表達(dá)之間的關(guān)系，研究發(fā)現(xiàn)每個(gè)社區(qū)中帶有負(fù)面情感的用戶比例約為60%，并且與社區(qū)規(guī)模之間存在弱的正相關(guān)性[19]。

綜上所述，已有研究發(fā)現(xiàn)高影響力用戶、高活躍度用戶等可能表現(xiàn)出不同的情感表達(dá)特征，但少有研究考慮突發(fā)公共衛(wèi)生事件情境下不同社交角色的用戶的情感表達(dá)特征。另外，有關(guān)在線健康社區(qū)用戶的情感分析研究中，多為情感的褒貶傾向劃分，情感細(xì)分不夠細(xì)致。基于此，本文以新冠肺炎疫情事件為例，研究突發(fā)公共衛(wèi)生事件中在線健康社區(qū)用戶的情感表達(dá)類型以及關(guān)鍵用戶的情感表達(dá)特征。

2?研究設(shè)計(jì)

本研究共分為4步：第一步，采集數(shù)據(jù)和數(shù)據(jù)預(yù)處理，主要包括選取在線健康社區(qū)論壇和清洗數(shù)據(jù)。第二步，用戶情感分析，主要包括基于基礎(chǔ)情感詞典，匹配情感詞，并計(jì)算用戶情感得分。第三步，關(guān)鍵用戶識(shí)別，主要包括構(gòu)建用戶情感傳播網(wǎng)絡(luò)和根據(jù)構(gòu)建的傳播網(wǎng)絡(luò)，分析用戶社交角色。第四步，用戶社交角色對(duì)情感表達(dá)的影響分析，即利用方差分析和相關(guān)分析研究關(guān)鍵用戶的情感表達(dá)類型和強(qiáng)度特征。

2.1?數(shù)據(jù)采集與預(yù)處理

本文以2019年底發(fā)生的新冠肺炎疫情事件為例，以百度貼吧“健康保健”目錄下“新型冠狀病毒吧”作為數(shù)據(jù)源，首先爬取“新型冠狀病毒吧”中所有發(fā)帖內(nèi)容、發(fā)帖用戶名稱、發(fā)帖用戶等級(jí)頭銜、發(fā)帖時(shí)間及其閱讀數(shù);然后爬取每一發(fā)帖內(nèi)容下回帖用戶名稱、回帖用戶等級(jí)頭銜、回帖內(nèi)容及其回帖時(shí)間。數(shù)據(jù)爬取時(shí)間為2020年1月1日—5月20日，共采集發(fā)帖文本5?606條，回帖文本89?935條。刪除含有網(wǎng)址鏈接、重復(fù)及Null數(shù)據(jù)、廣告信息等影響用戶情感分析的內(nèi)容后，共得到有效發(fā)帖文本3?116條，回帖文本65?127條，用戶25?821個(gè)。

2.2?用戶情感分析

2.2.1?情感詞的識(shí)別

為了增加對(duì)發(fā)帖和回帖文本進(jìn)行分詞處理的準(zhǔn)確性，本文首先構(gòu)建一個(gè)自定義基礎(chǔ)詞典，自定義基礎(chǔ)詞典包括基礎(chǔ)情感詞典、突發(fā)公共衛(wèi)生事件領(lǐng)域詞典和網(wǎng)絡(luò)流行詞典。其中基礎(chǔ)情感詞典選擇大連理工大學(xué)情感詞匯本體庫(kù)中的27?466個(gè)情感詞，大連理工大學(xué)情感詞匯本體庫(kù)將情感分為7大類21小類，情感強(qiáng)度分為1、3、5、7、9五檔（9表示強(qiáng)度最大，1為強(qiáng)度最小），情感分類能夠滿足深入分析情感類別的需求[20]。領(lǐng)域詞和網(wǎng)絡(luò)流行詞通過(guò)搜狗輸入法細(xì)胞詞庫(kù)進(jìn)行獲取，通過(guò)對(duì)細(xì)胞詞庫(kù)中《醫(yī)學(xué)詞匯大全》和《網(wǎng)絡(luò)流行新詞》進(jìn)行格式處理，將Scel格式轉(zhuǎn)化為txt后，將這兩種詞庫(kù)導(dǎo)入到自定義基礎(chǔ)詞典中，形成突發(fā)公共衛(wèi)生事件領(lǐng)域詞典和網(wǎng)絡(luò)流行詞典。然后，將自定義基礎(chǔ)詞典導(dǎo)入到NLPIR-ICTCLAS漢語(yǔ)分詞系統(tǒng)中，對(duì)預(yù)處理后的文本進(jìn)行分詞[21]。

隨后將分詞后識(shí)別出的詞語(yǔ)與大連理工大學(xué)情感詞匯本體庫(kù)中的情感詞相匹配，抽取情感詞。并根據(jù)情感詞和大連理工大學(xué)情感詞匯本體庫(kù)的對(duì)應(yīng)關(guān)系，確定每個(gè)詞所屬的情感類別和強(qiáng)度，并據(jù)此統(tǒng)計(jì)每個(gè)詞所屬句子的情感類別和強(qiáng)度。在此過(guò)程中，根據(jù)本文的研究對(duì)象，結(jié)合用戶發(fā)帖、回帖文本的語(yǔ)境，對(duì)部分情感詞的情感類別進(jìn)行修正，如“呵呵”在情感詞匯本體庫(kù)中被劃分為褒義詞匯，但是它在大部分文本中表示貶義，如“呵呵，有用的話，前線還需要這么辛苦嘛，03年囤的板藍(lán)根喝完了嘛？”“呵呵，這不就是變相收費(fèi)么？酒店不少賺啊?！币虼诵枰獙⑵淝楦蓄悇e從褒義變?yōu)橘H義。

2.2.2?情感計(jì)算與處理

文本中否定詞的使用會(huì)逆轉(zhuǎn)情感詞表達(dá)的情感，因此為了提高情感分析的準(zhǔn)確率，需要考慮否定詞的逆轉(zhuǎn)作用。根據(jù)以往的研究成果[22]，并結(jié)合本文的語(yǔ)料庫(kù)，選定的否定詞表如表1所示，共包含否定詞語(yǔ)40個(gè)。

在判斷否定詞的修飾作用時(shí)，本文僅考慮情感詞的前后不超過(guò)3個(gè)詞的范圍內(nèi)是否含有否定詞，如果含有則與情感詞進(jìn)行合并，且對(duì)情感詞的情感類別和情感強(qiáng)度進(jìn)行重新修正。由于本文的情感分析是基于細(xì)粒度的七元情感分類，因此否定詞的修飾處理更為復(fù)雜，本文參考文獻(xiàn)[23]的情感轉(zhuǎn)換表，進(jìn)行了7類情感類別的轉(zhuǎn)換，如表2所示。有否定詞修飾的情感詞的情感強(qiáng)度修正如式（1）所示[24]。

其中，Emotional-Score為經(jīng)否定詞修飾后新的情感詞強(qiáng)度值，n為否定詞出現(xiàn)的次數(shù)，Score（W）為情感詞W的初始情感強(qiáng)度值。

程度副詞的使用會(huì)在一定程度上對(duì)情感詞的情感傾向起到加強(qiáng)或削弱的作用。因此，本文基于HowNet情感分析用語(yǔ)詞集中提供的程度級(jí)別詞語(yǔ)（中文）[25]，參考文獻(xiàn)[26]的程度級(jí)別詞典，為每個(gè)程度副詞添加了1個(gè)表示強(qiáng)弱程度的屬性，屬性值的范圍[0，1]，最高為1，0.2為一級(jí)，降一級(jí)減0.2，升一級(jí)加0.2，本文構(gòu)建的程度副詞表如表3所示。在判斷程度副詞的修飾作用時(shí)，與否定詞一致，本文僅考慮情感詞的前后不超過(guò)3個(gè)詞的范圍內(nèi)是否含有程度副詞，如果含有則與情感詞進(jìn)行匹配，Degree表示程度副詞的修飾強(qiáng)度，經(jīng)程度副詞修飾后的情感詞的計(jì)算見式（2）。

由于本文側(cè)重分析關(guān)鍵用戶在新冠肺炎疫情事件中的情感表達(dá)特征，最后也將以用戶為基本單位進(jìn)行情感類別和強(qiáng)度分析，因此整理每位用戶發(fā)布的關(guān)于該事件的發(fā)帖和回帖文本，先計(jì)算用戶發(fā)帖和回帖文本中每個(gè)句子的情感類別及強(qiáng)度值，再將其中情感強(qiáng)度值最大的句子的情感作為該用戶的情感類別，以屬于該類情感的情感詞的情感強(qiáng)度平均值作為該用戶的情感強(qiáng)度值。最后，為保證情感計(jì)算結(jié)果的準(zhǔn)確性，隨機(jī)抽取1?000條文本進(jìn)行人工校對(duì)，對(duì)情感計(jì)算不準(zhǔn)確的文本進(jìn)一步修正，同時(shí)將修正規(guī)則應(yīng)用于所有文本。

2.3?關(guān)鍵用戶的識(shí)別

2.3.1?情感傳播網(wǎng)絡(luò)的構(gòu)建

為更加直觀地觀察新冠肺炎疫情事件中用戶在社交網(wǎng)絡(luò)中的情感分布及情感傳播過(guò)程，本文應(yīng)用Gephi軟件，結(jié)合社會(huì)網(wǎng)絡(luò)分析法，構(gòu)建用戶情感傳播網(wǎng)絡(luò)。運(yùn)用社會(huì)網(wǎng)絡(luò)分析法分析用戶的情感傳播網(wǎng)絡(luò)時(shí)，每個(gè)用戶都是一個(gè)獨(dú)立的節(jié)點(diǎn)，節(jié)點(diǎn)之間都存在一定的傳播關(guān)系，即回帖關(guān)系?；靥P(guān)系是有向的，從發(fā)帖用戶指向回帖用戶，在數(shù)據(jù)統(tǒng)計(jì)分析時(shí)，發(fā)帖的用戶歸為出度，回帖的用戶歸為入度。根據(jù)回帖關(guān)系，應(yīng)用Gephi軟件建立情感傳播網(wǎng)絡(luò)，以用戶為節(jié)點(diǎn)，以用戶的回帖關(guān)系為邊，邊的粗細(xì)反映節(jié)點(diǎn)（用戶）之間聯(lián)系的強(qiáng)弱，以節(jié)點(diǎn)顏色表示該用戶情感類別，節(jié)點(diǎn)大小表示該用戶的情感強(qiáng)度，使用“ForceAtlas?2”布局。軟件分析結(jié)果如圖1所示，該情感傳播網(wǎng)絡(luò)由20?633個(gè)節(jié)點(diǎn)和27?759條邊構(gòu)成，節(jié)點(diǎn)大小表示該用戶的情感極性強(qiáng)度得分，顏色表示節(jié)點(diǎn)情感。

2.3.2?社會(huì)網(wǎng)絡(luò)角色的測(cè)量

高影響力用戶的計(jì)算方法為社會(huì)網(wǎng)絡(luò)分析中的出度計(jì)算，節(jié)點(diǎn)出度大，則表示該節(jié)點(diǎn)在網(wǎng)絡(luò)中具有較大的影響力，并處于較為重要的地位。高活躍度用戶的計(jì)算方法為社會(huì)網(wǎng)絡(luò)分析中的入度計(jì)算，節(jié)點(diǎn)入度大，則表示該節(jié)點(diǎn)在網(wǎng)絡(luò)中比較活躍，屬于網(wǎng)絡(luò)中的積極行動(dòng)者。中間中心度用來(lái)衡量節(jié)點(diǎn)控制其他節(jié)點(diǎn)的能力，如果一個(gè)節(jié)點(diǎn)處于許多其他節(jié)點(diǎn)對(duì)的最短的途徑上，那么該節(jié)點(diǎn)就具有較高的中間中心度，居于節(jié)點(diǎn)中比較重要的地位，能夠起到溝通其他各個(gè)節(jié)點(diǎn)的橋梁作用[27]。關(guān)鍵中間用戶的計(jì)算方法為社會(huì)網(wǎng)絡(luò)分析中的中間中心度計(jì)算，節(jié)點(diǎn)中間中心度越大，則表示該節(jié)點(diǎn)在信息傳播過(guò)程中起到重要橋梁作用。本文通過(guò)Gephi軟件計(jì)算情感傳播網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)的出度、入度、中間中心度指標(biāo)。

2.4?關(guān)鍵用戶的情感表達(dá)特征分析方法

本文以SPSS23.0軟件為工具，分析關(guān)鍵用戶的情感表達(dá)特征。采用單因素方差分析法分別對(duì)用戶影響力、活躍度和中間中心度3個(gè)因素進(jìn)行分析，判定其在情感表達(dá)類別上是否有所差異。采用相關(guān)分析法分別對(duì)用戶影響力、活躍度和中間中心度3個(gè)因素之間，及其各自與情感表達(dá)強(qiáng)度之間的相關(guān)關(guān)系進(jìn)行分析。

3?研究結(jié)果

3.1?總體情感分布特征

在所采集的樣本數(shù)據(jù)中，在線健康社區(qū)用戶在新冠肺炎疫情話題下的情感類別分布如圖2所示。根據(jù)文本的情感傾向特征，并結(jié)合事件特點(diǎn)可知，在線健康社區(qū)用戶對(duì)新冠肺炎疫情事件主要呈現(xiàn)好（占比43.8%）、惡（占比30.9%）這兩種情感，其次為樂(lè)（占比9.2%）、懼（占比9.1%）、哀（占比3.4%）、怒（占比1.5%）、驚（占比1.1%）。

3.2?不同等級(jí)頭銜用戶的情感分布特征

3.2.1?不同等級(jí)頭銜用戶的情感表達(dá)類別特征

用戶的等級(jí)頭銜是衡量用戶使用貼吧頻率的指標(biāo)，也是資歷和影響力的體現(xiàn)。用戶從初級(jí)粉絲開始成長(zhǎng)，隨著經(jīng)驗(yàn)值提升，頭銜也會(huì)不斷升級(jí)。“新型冠狀病毒吧”中用戶的等級(jí)頭銜依次為初級(jí)粉絲、中級(jí)粉絲、高級(jí)粉絲、正式會(huì)員、核心會(huì)員、

鐵桿會(huì)員、知名人士、小吧主。為進(jìn)一步分析不同等級(jí)頭銜用戶的情感表達(dá)類別特征，圖3列出不同等級(jí)頭銜用戶的情感表達(dá)類別比例分布。

圖3?不同等級(jí)頭銜用戶的情感表達(dá)類別比例分布

由圖3可以看出，初級(jí)粉絲、中級(jí)粉絲、高級(jí)粉絲、正式會(huì)員和核心會(huì)員的情感表達(dá)類別比例分布中，“好”和“惡”兩種情感所占比例最大，“怒”和“驚”兩種情感所占比例最小。而與初級(jí)粉絲、中級(jí)粉絲和高級(jí)粉絲等低等級(jí)頭銜用戶相比，鐵桿會(huì)員、知名人士和小吧主等高等級(jí)頭銜用戶的情感表達(dá)類別比例分布中，“怒”情感所占比例更多。鐵桿會(huì)員、知名人士和小吧主作為“新型冠狀病毒吧”中的高等級(jí)頭銜用戶，他們報(bào)道的負(fù)面事件往往發(fā)生在第一時(shí)間，而被報(bào)道事件的負(fù)面屬性也在一定程度上決定了情感表達(dá)更為激烈的“怒”情感所占比例更多。

3.2.2?不同等級(jí)頭銜用戶的情感表達(dá)強(qiáng)度特征

根據(jù)不同等級(jí)頭銜用戶的情感表達(dá)類別差異，進(jìn)一步對(duì)其情感表達(dá)強(qiáng)度進(jìn)行分析，不同等級(jí)頭銜用戶的平均情感表達(dá)強(qiáng)度分布如圖4所示。

從圖4可以看出，除核心會(huì)員以外，初級(jí)粉絲、中級(jí)粉絲、高級(jí)粉絲、正式會(huì)員、鐵桿會(huì)員、知名人士和小吧主的情感表達(dá)強(qiáng)度分布中“怒”和“驚”兩類情感的平均情感表達(dá)強(qiáng)度最高，而核心會(huì)員“哀”和“驚”兩類情感的平均情感表達(dá)強(qiáng)度最高。從總體情感表達(dá)強(qiáng)度分布來(lái)看，相比于知名人士和小吧主等高等級(jí)頭銜用戶，初級(jí)粉絲和中級(jí)粉絲等低等級(jí)頭銜用戶的各類情感的平均情感表達(dá)強(qiáng)度分布更為均勻。

3.3?關(guān)鍵用戶的情感表達(dá)類別特征

利用SPSS23.0軟件，采用單因素方差分析的方法，分別研究用戶影響力、活躍度、中間中心度在情感表達(dá)類別上的差異，如表4所示。

3.4?關(guān)鍵用戶的情感表達(dá)強(qiáng)度特征

3.4.1?影響力、活躍度、中間中心度之間的相關(guān)關(guān)系

利用SPSS23.0軟件，采用相關(guān)分析的方法，研究用戶影響力、活躍度、中間中心度之間的相關(guān)關(guān)系，如表5所示。

3.4.2?影響力、活躍度、中間中心度與情感表達(dá)強(qiáng)度之間的相關(guān)關(guān)系

利用SPSS23.0軟件，采用相關(guān)分析的方法，分別研究用戶影響力、活躍度、中間中心度與情感表達(dá)強(qiáng)度之間的相關(guān)關(guān)系，使用Pearson相關(guān)系數(shù)（r）表示相關(guān)關(guān)系的強(qiáng)弱情況，如表6所示。

從表6可以看出，用戶的活躍度、中間中心度均通過(guò)了顯著性檢驗(yàn)（p<0.01），與情感表達(dá)強(qiáng)度之間具有相關(guān)關(guān)系。而用戶的中間中心度與情感表達(dá)強(qiáng)度的相關(guān)系數(shù)r為0.022，相關(guān)性較弱。用戶的活躍度與情感表達(dá)強(qiáng)度的相關(guān)系數(shù)r為0.315，在p=0.01的水平下呈正相關(guān)，即用戶的活躍度越高，其情感表達(dá)強(qiáng)度也相對(duì)較高。本文中用戶活躍度的計(jì)算方法為社會(huì)網(wǎng)絡(luò)分析中的入度計(jì)算，將回帖的用戶歸為入度，用戶在回復(fù)或轉(zhuǎn)發(fā)他人的信息時(shí)，不僅可以促進(jìn)信息的共享，還可以表達(dá)對(duì)該信息的支持或反對(duì)的觀點(diǎn)，促進(jìn)情感的傳播。情緒感染理論認(rèn)為個(gè)體情緒可以影響到他人的行為、思想和情緒，這一影響過(guò)程可以在多人間交互產(chǎn)生，并不斷增強(qiáng)[28]。文獻(xiàn)[29]的研究結(jié)果也表明，用戶回復(fù)或轉(zhuǎn)發(fā)他人信息的數(shù)量越多，與他人的互動(dòng)也就越多，在這一過(guò)程中用戶自身的情感表達(dá)強(qiáng)度得到加強(qiáng)。這些研究成果也在一定程度上證明用戶的活躍度與其情感表達(dá)強(qiáng)度存在相關(guān)關(guān)系，用戶的活躍度越高，與他人的互動(dòng)也就越多，其自身的情感表達(dá)強(qiáng)度得到一定程度的加強(qiáng)。

4?討論與建議

在“互聯(lián)網(wǎng)+醫(yī)療健康”時(shí)代，越來(lái)越多的用戶加入在線健康社區(qū)，獲取和分享醫(yī)療經(jīng)驗(yàn)信息，同時(shí)也在社區(qū)中與他人進(jìn)行交流溝通，獲得來(lái)自其他用戶的情感支持。但是，國(guó)內(nèi)在線健康社區(qū)還處于發(fā)展初期，許多因素會(huì)影響其健康發(fā)展。本文選取百度貼吧中“新型冠狀病毒吧”作為在線健康社區(qū)環(huán)境，采用情感分析和社會(huì)網(wǎng)絡(luò)分析方法，探索突發(fā)公共衛(wèi)生事件中在線健康社區(qū)關(guān)鍵用戶的情感表達(dá)特征，研究發(fā)現(xiàn)：

1）不同等級(jí)頭銜的用戶其情感表達(dá)類別存在顯著差異。與初級(jí)粉絲和中級(jí)粉絲等低等級(jí)頭銜用戶相比，知名人士和小吧主等高等級(jí)頭銜用戶的情感表達(dá)類別分布中，“怒”情感所占比例更多。而且鐵桿會(huì)員、知名人士和小吧主等高等級(jí)頭銜用戶情感表達(dá)強(qiáng)度分布中“怒”和“驚”兩類情感的平均情感表達(dá)強(qiáng)度最高。由此可見，知名人士和小吧主等高等級(jí)頭銜用戶表達(dá)的情感不一定都是積極的，也有可能是消極的。而這些高等級(jí)頭銜用戶作為平臺(tái)的資深用戶，具有重要影響力，他們的觀點(diǎn)會(huì)進(jìn)行長(zhǎng)時(shí)間或高頻率的發(fā)布。因此，需要對(duì)這些高等級(jí)頭銜用戶的消極情感產(chǎn)生的原因進(jìn)行分析，并將事件正面信息和報(bào)道事實(shí)推送給這些用戶，進(jìn)而逐漸引導(dǎo)其他用戶，使得輿情向著積極方向發(fā)展。

2）不同情感表達(dá)類別的用戶其影響力、中間中心度存在顯著差異。表達(dá)“怒”的用戶的影響力均值、中間中心度均值最高。用戶影響力越大，該用戶在信息傳播網(wǎng)絡(luò)中的地位越重要;用戶中間中心度越大，該用戶在信息傳播過(guò)程中的溝通作用越重要。如果不及時(shí)對(duì)這些用戶的“怒”情感進(jìn)行疏導(dǎo)，任其在社交網(wǎng)絡(luò)中蔓延，將可能導(dǎo)致輿情危機(jī)。因此，需要分析用戶“怒”情感產(chǎn)生的原因，及時(shí)通報(bào)用戶關(guān)注事件的進(jìn)展情況，并對(duì)涉事人員進(jìn)行相應(yīng)處罰，逐漸轉(zhuǎn)變這些用戶的態(tài)度，使其情感朝著積極的一面發(fā)展。

3）用戶的影響力與中間中心度之間存在高度相關(guān)關(guān)系。作為表征用戶社交角色特征的影響力、中間中心度之間具有高度正相關(guān)性，符合常規(guī)意義上社會(huì)交往的特性，體現(xiàn)出在線健康社區(qū)平臺(tái)在人際交往上的促進(jìn)性，同時(shí)也為依托在線健康社區(qū)進(jìn)行社會(huì)化醫(yī)療信息平臺(tái)的搭建提供了一定的借鑒。即在線健康社區(qū)用戶需要發(fā)布高質(zhì)量的信息，增加帖子的回復(fù)數(shù)，擴(kuò)大自身的影響力，同時(shí)也應(yīng)積極地關(guān)注和回復(fù)他人，來(lái)吸引更多的其他用戶，獲得更高的關(guān)注度，使得信息的傳遞更加有效。

4）用戶的活躍度與情感表達(dá)強(qiáng)度之間存在相關(guān)關(guān)系。用戶的活躍度與情感表達(dá)強(qiáng)度在p=0.01的水平下呈正相關(guān)，即用戶的活躍度越高，其情感表達(dá)強(qiáng)度也越高。高活躍度用戶作為用戶關(guān)系網(wǎng)絡(luò)中的積極行動(dòng)者，對(duì)新冠肺炎疫情事件的關(guān)注度較高，熱衷于回復(fù)或轉(zhuǎn)發(fā)各種信息。因此，需要關(guān)注情感表達(dá)強(qiáng)度高的高活躍度用戶，觀察其各類情感的情感表達(dá)強(qiáng)度波動(dòng)情況，分析情感表達(dá)強(qiáng)度產(chǎn)生波動(dòng)的原因，對(duì)其進(jìn)行一定的安撫工作，從而降低負(fù)面信息被轉(zhuǎn)發(fā)擴(kuò)散的風(fēng)險(xiǎn)。

5?結(jié)?論

本文探索突發(fā)公共衛(wèi)生事件中在線健康社區(qū)關(guān)鍵用戶的情感表達(dá)特征，有利于輿情監(jiān)管部門了解和掌握用戶的情感表達(dá)規(guī)律，及時(shí)疏導(dǎo)用戶情感，避免輿情失控現(xiàn)象的發(fā)生。本文的局限和未來(lái)研究方向主要表現(xiàn)在以下兩個(gè)方面：第一，本文僅以2019年底發(fā)生的新冠肺炎疫情事件作為研究對(duì)象，具有一定的局限性，未來(lái)可結(jié)合更多的突發(fā)公共衛(wèi)生事件開展在線健康社區(qū)用戶情感表達(dá)特征的研究。第二，本文數(shù)據(jù)來(lái)源主要是百度貼吧“新型冠狀病毒吧”，數(shù)據(jù)覆蓋范圍不夠廣泛，未來(lái)可結(jié)合調(diào)查問(wèn)卷、訪談等方法進(jìn)行數(shù)據(jù)收集的工作，豐富數(shù)據(jù)類型。

參考文獻(xiàn)

[1]Eysenbach?G，Powell?J，Englesakis?M，et?al.Health?Related?Virtual?Communities?and?Electronic?Support?Groups：Systematic?Review?of?the?Effects?of?Online?Peer?to?Peer?Interactions[J].BMJ：British?Medical?Journal，2004，328（7449）：1166.

[2]新華社.習(xí)近平：在統(tǒng)籌推進(jìn)新冠肺炎疫情防控和經(jīng)濟(jì)社會(huì)發(fā)展工作部署會(huì)議上的講話[EB/OL].http：//www.gov.cn/xinwen/2020-02/24/content_5482502.htm，2020-03-05.

[3]張磊，馬靜，李丹丹，等.語(yǔ)義社會(huì)網(wǎng)絡(luò)的超網(wǎng)絡(luò)模型構(gòu)建及關(guān)鍵節(jié)點(diǎn)自動(dòng)化識(shí)別方法研究[J].現(xiàn)代圖書情報(bào)技術(shù)，2016，32（3）：8-17.

[4]Bui?N，Yen?J，Honavar?V.Temporal?Causality?Analysis?of?Sentiment?Change?in?a?Cancer?Survivor?Network[J].IEEE?Transactions?on?Computational?Social?Systems，2016，3（2）：75-87.

[5]Wynn?R，Oyeyemi?S?O，Johnsen?J?A?K，et?al.Tweets?are?Not?Always?Supportive?of?Patients?with?Mental?Disorders[J].International?Journal?of?Integrated?Care，2017，17（3）：149.

[6]Liu?X，Sun?M，Li?J.Research?on?Gender?Differences?in?Online?Health?Communities[J].International?Journal?of?Medical?Informatics，2018，111：172-181.

[7]吳江，李?yuàn)檴?，周露莎，?基于隨機(jī)行動(dòng)者模型的在線醫(yī)療社區(qū)用戶關(guān)系網(wǎng)絡(luò)動(dòng)態(tài)演化研究[J].情報(bào)學(xué)報(bào)，2017，36（2）：213-220.

[8]Feld?S?L.The?Focused?Organization?of?Social?Ties[J].American?Journal?of?Sociology，1981，86（5）：1015-1035.

[9]Wang?Z，Walther?J?B，Pingree?S，et?al.Health?Information，Credibility，Homophily，and?Influence?Via?the?Internet：Web?Sites?Versus?Discussion?Groups[J].Health?Communication，2008，23（4）：358-368.

[10]Zhang?Y，He?D，Sang?Y.Facebook?as?a?Platform?for?Health?Information?and?Communication：A?Case?Study?of?a?Diabetes?Group[J].Journal?of?Medical?Systems，2013，37（3）：1-12.

[11]Query?J?L，Wright?K.Assessing?Communication?Competence?in?an?Online?Study：Toward?Informing?Subsequent?Interventions?Among?Older?Adults?with?Cancer，Their?Lay?Caregivers，and?Peers[J].Health?Communication，2003，15（2）：203-218.

[12]Zhang?S，Bantum?E，Owen?J，et?al.Does?Sustained?Participation?in?an?Online?Health?Community?Affect?Sentiment？[J]AMIA?Annu?Symp?Proc，2014：1970-1979.

[13]Stieglitz?S，Dang-Xuan?L.Emotions?and?Information?Diffusion?in?Social?Media：Sentiment?of?Microblogs?and?Sharing?Behavior[J].Journal?of?Management?Information?Systems，2013，29（4）：217-247.

[14]Kang?Z，John?Y，Greta?G，et?al.Finding?Influential?Users?of?Online?Health?Communities：A?New?Metric?Based?on?Sentiment?Influence[J].Journal?of?the?American?Medical?Informatics?Association，2014，21（e2）：e212-e218.

[15]Wu?B，Jiang?S，Chen?H.Effects?of?Individuals?Motivations?on?Communications?in?Online?Health?Forums[J].Social?Behavior?and?Personality，2016，44（2）：299-312.

[16]Cabling?M?L，Turner?J?W，Hurtado-De-Mendoza?A，et?al.Sentiment?Analysis?of?an?Online?Breast?Cancer?Support?Group：Communicating?About?tamoxifen[J].Health?Communication，2017，33（9）：1-8.

[17]Kivran-Swaine?F，Naaman?M.Network?Properties?and?Social?Sharing?of?Emotions?in?Social?Awareness?Streams[C]//In?Proceedings?of?the?ACM?2011?Conference?on?Computer?Supported?Cooperative?Work.Hangzhou，China，2011：379-382.

[18]Lin?H，Tov?W，Qiu?L.Emotional?Disclosure?on?Social?Networking?Sites：The?Role?of?Network?Structure?and?Psychological?Needs[J].Computers?in?Human?Behavior，2014，41（12）：342-350.