新冠疫情相關(guān)社交媒體謠言傳播量化分析

陳慧敏 金思辰 林 微 朱澤宇 仝凌波,4 劉一芃 葉奕寧 姜維翰 劉知遠(yuǎn) 孫茂松 金兼斌

1(清華大學(xué)新聞與傳播學(xué)院 北京 100084)

2(清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系 北京 100084)

3(北京航空航天大學(xué)軟件學(xué)院 北京 100191)

4(美國(guó)圣母大學(xué)心理學(xué)系 美國(guó)印第安納州南本德 46556)

謠言一般指沒(méi)有事實(shí)依據(jù)而捏造的言論[1]，是社會(huì)科學(xué)和計(jì)算機(jī)科學(xué)的重要研究問(wèn)題[2-5].謠言最初主要以口耳相傳形式流傳，隨著近年來(lái)互聯(lián)網(wǎng)的發(fā)展，諸如微博、微信、Twitter等社交媒體成為謠言傳播的新平臺(tái).由于社交媒體平臺(tái)的開放性和便捷性，大量虛假言論在社交媒體平臺(tái)上廣泛傳播，對(duì)網(wǎng)絡(luò)秩序和社會(huì)穩(wěn)定產(chǎn)生了不良影響(1)http://www.xinhuanet.com/2020-01/27/c_1125506246.htm.

重大公共事件出現(xiàn)時(shí)往往伴隨著謠言的產(chǎn)生，如2014年的埃博拉瘟疫[6]、2016年的美國(guó)總統(tǒng)大選[7].而2019年出現(xiàn)的新冠肺炎(COVID -19)疫情發(fā)展至今，已經(jīng)構(gòu)成了全球性“大流行”(Pandemic)(2)https://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19%E2%80%9411-march-2020.與之相伴的則是信息瘟疫(Infodemic)(3)https://www.who.int/news-room/feature-stories/detail/immunizing-the-public-against-misinformation的到來(lái)，大量謠言在社交媒體平臺(tái)上衍生并廣泛傳播，這些謠言不僅嚴(yán)重危害到公眾的生命安全，同時(shí)給社會(huì)帶來(lái)了極大的恐慌和不穩(wěn)定因素(4)https://www.who.int/news-room/detail/23-09-2020-managing-the-covid-19-infodemic-promoting-healthy-behaviours-and-mitigating-the-harm-from-misinformation-and-disinformation.與此同時(shí)，已有研究表明，類似于這次新冠肺炎疫情的突發(fā)公共事件相關(guān)謠言，其傳播與社會(huì)常態(tài)時(shí)謠言的傳播具有十分不同的特性[8-11].因此，對(duì)新冠肺炎疫情相關(guān)社交媒體謠言傳播進(jìn)行量化分析不僅具有深遠(yuǎn)的社會(huì)意義，同時(shí)具有十分重要的研究?jī)r(jià)值.

目前已經(jīng)有一些研究者針對(duì)新冠肺炎疫情相關(guān)社交媒體謠言傳播展開量化研究.Islam等人[12]收集了來(lái)自Twitter和Facebook等社交媒體平臺(tái)的2 311篇疫情相關(guān)謠言和陰謀論報(bào)道，并對(duì)其進(jìn)行內(nèi)容分析.Cinelli等人[13]收集了來(lái)自6個(gè)國(guó)外社交媒體平臺(tái)的疫情相關(guān)謠言，并對(duì)其傳播模式進(jìn)行對(duì)比分析.錢迎飛[14]和江蘇佳[15]則收集了國(guó)內(nèi)的騰訊較真查證平臺(tái)和丁香園辟謠平臺(tái)的疫情相關(guān)謠言，并展開內(nèi)容分析.然而，目前這些工作僅對(duì)疫情相關(guān)社交媒體謠言傳播的單一要素展開量化分析，如內(nèi)容特征.而根據(jù)拉斯韋爾的經(jīng)典信息傳播模型[16]，構(gòu)成信息傳播的基本要素包括傳播者(communicator)、傳播內(nèi)容(message)、傳播媒介(medium)、受眾(audience)以及傳播效果(effect)，其中對(duì)謠言的傳播者、傳播媒介、受眾以及傳播效果的研究仍未涉及.同時(shí)，已有工作基于的謠言數(shù)據(jù)大多來(lái)自于人工歸納整理，相對(duì)于真實(shí)的社交媒體平臺(tái)謠言數(shù)據(jù)，其仍然存在一定的分布偏差和信息缺失：其分布偏差體現(xiàn)在人工歸納收集的謠言數(shù)據(jù)多為廣泛傳播的謠言，而社交媒體平臺(tái)中的謠言只有極少數(shù)具有廣泛的傳播范圍[17].其信息缺失體現(xiàn)在人工歸納收集的謠言往往只保留謠言內(nèi)容，而其引發(fā)的輿情和傳播信息以及參與用戶信息則沒(méi)有保留.

為了解決分布偏差和信息缺失問(wèn)題，本文基于國(guó)內(nèi)最大的微博服務(wù)平臺(tái)——新浪微博，對(duì)新冠疫情相關(guān)社交媒體謠言傳播展開全面地量化分析.我們首先構(gòu)建了一個(gè)新冠肺炎疫情相關(guān)謠言數(shù)據(jù)集，其中包括謠言及其轉(zhuǎn)發(fā)、評(píng)論以及參與用戶信息的數(shù)據(jù).本文對(duì)疫情期間的社交媒體謠言研究聚焦于對(duì)其傳播結(jié)構(gòu)和傳播要素的分析，不對(duì)謠言的真實(shí)性做探討(5)數(shù)據(jù)主要來(lái)源于新浪微博社區(qū)管理中心中被舉報(bào)和核查的不實(shí)信息，不排除其可能存在覆蓋度不全和人工判斷的誤差.同時(shí)謠言的判斷具有不確定性，隨著更多信息的引入可能會(huì)發(fā)生變化..進(jìn)一步，我們結(jié)合計(jì)算機(jī)和深度學(xué)習(xí)方法，對(duì)構(gòu)成謠言傳播的各基本要素分別展開分析：首先我們針對(duì)傳播內(nèi)容展開謠言內(nèi)容分析(6)由于是基于新浪微博的謠言數(shù)據(jù)分析，故我們省去對(duì)傳播的基本要素——傳播媒介——的分析.，緊接著我們針對(duì)傳播者和受眾展開謠言用戶分析，最后我們針對(duì)傳播效果展開謠言輿情分析.通過(guò)對(duì)新冠肺炎疫情相關(guān)謠言傳播的量化分析，我們得出了3個(gè)有意義的結(jié)論：

1) 在謠言內(nèi)容方面，疫情防控類是出現(xiàn)最多的謠言類型，其次是海外相關(guān)類；謠言在疫情發(fā)展的不同階段具有不同的主題特征；謠言涉及地區(qū)多為疫情嚴(yán)重地區(qū)，且地區(qū)相關(guān)謠言多集中產(chǎn)生在疫情早期階段；謠言中“壞消息”居多，且傳達(dá)的情緒也以負(fù)面為主.

2) 在謠言參與用戶方面，造謠者原創(chuàng)微博及其發(fā)微博字?jǐn)?shù)更多，傳謠者則轉(zhuǎn)發(fā)微博更多；造謠者在上午更為活躍，傾向于在上午發(fā)表言論，且其影響力遠(yuǎn)大于傳謠者和辟謠者；辟謠者在歷史微博中表現(xiàn)出了對(duì)新冠相關(guān)科學(xué)研究主題更多的關(guān)注，且其自網(wǎng)絡(luò)結(jié)構(gòu)更加聚集；造謠者和傳謠者的個(gè)人情緒則更為負(fù)面.

3) 在謠言所引發(fā)的輿情方面，近半數(shù)謠言評(píng)論持中性態(tài)度，在此之外，消極評(píng)論則整體多于積極評(píng)論；疫情相關(guān)奇聞異事和名人軼事類謠言熱度最高，但疫情防控類謠言評(píng)論最正面，病毒傳播類謠言評(píng)論則最負(fù)面，其中“封城”相關(guān)謠言引發(fā)大量積極輿論；謠言評(píng)論情感往往向負(fù)面演變，其中辟謠信息的出現(xiàn)也是其中原因之一.

據(jù)我們所知，本文是較早全面地從信息傳播的各基礎(chǔ)構(gòu)成要素角度對(duì)新冠肺炎疫情相關(guān)社交媒體謠言傳播展開量化分析的工作.通過(guò)本文的研究，可以對(duì)疫情相關(guān)社交媒體謠言傳播有更全面深入地認(rèn)識(shí)，對(duì)突發(fā)公共事件的謠言傳播研究和謠言治理具有重要意義.

1 新冠肺炎相關(guān)謠言數(shù)據(jù)

本文使用的新冠肺炎疫情相關(guān)謠言數(shù)據(jù)來(lái)源于新浪微博社區(qū)管理中心和舉報(bào)處理大廳(7)https://service.account.weibo.com/?type=5&status=0，該中心接受微博用戶對(duì)于不良信息的舉報(bào)，我們選擇其中受舉報(bào)并已公示的不實(shí)信息數(shù)據(jù)作為謠言數(shù)據(jù).圖1展示了疫情期間一條不實(shí)信息的處理公示頁(yè)面.

Fig. 1 Web page of Weibo misinformation processing platform圖1 微博社區(qū)管理中心不實(shí)信息處理公示頁(yè)面

具體來(lái)說(shuō)，我們爬取了2020-01-22—2020-07-27的不實(shí)信息數(shù)據(jù)，并人工篩選出其中疫情相關(guān)的謠言數(shù)據(jù)，共448條(8)數(shù)據(jù)集已公開于https://github.com/thunlp/COVID19-Social-Datasets/tree/master/rumor.其數(shù)量隨時(shí)間變化如圖2所示,可以看出，疫情謠言主要集中在2020年1—4月，這一時(shí)期是國(guó)內(nèi)疫情爆發(fā)和國(guó)外疫情開始階段，疫情謠言涉及的話題涵蓋了病毒信息、疫情防控與國(guó)際軼事，同時(shí)后期6月中旬至7月出現(xiàn)了疫情謠言小高峰，主要涉及的話題與當(dāng)時(shí)北京疫情小范圍2次爆發(fā)有關(guān).

Fig. 2 Number of COVID -19 related rumors over time (2020-01-22—2020-07-22)圖2 疫情謠言數(shù)量隨時(shí)間變化(2020-01-22—2020-07-22)

進(jìn)一步地，為了對(duì)謠言傳播中的傳播者和受眾進(jìn)行量化分析，我們爬取了謠言傳播中參與用戶的用戶數(shù)據(jù)，包括其基本屬性數(shù)據(jù)(用戶認(rèn)證、關(guān)注數(shù)和粉絲數(shù)等)、和歷史微博數(shù)據(jù)(時(shí)間為2019-07-31—2020-07-31).我們將謠言傳播參與用戶分為3類：辟謠者(舉報(bào)人)、造謠者(被舉報(bào)人)、傳謠者(轉(zhuǎn)發(fā)用戶).經(jīng)過(guò)統(tǒng)計(jì)，疫情相關(guān)謠言的造謠者共468人(9)由于包括內(nèi)容已被刪除的謠言發(fā)布信息，所以較前文的謠言數(shù)量更多.，傳謠者共1 321人，辟謠者共1 076人.

最后，為了分析謠言的傳播效果，我們爬取了謠言的轉(zhuǎn)發(fā)和評(píng)論數(shù)據(jù)，共45 638條(統(tǒng)稱為評(píng)論).圖3展示了疫情謠言評(píng)論數(shù)量隨時(shí)間的變化.

由圖3可知，謠言評(píng)論主要集中在2020年1—4月，即國(guó)內(nèi)疫情爆發(fā)的主要階段和國(guó)外疫情流行初期.2020年6月出現(xiàn)了評(píng)論數(shù)量的小高峰，與疫情2次爆發(fā)相關(guān).進(jìn)入2020年7月后，基本未再出現(xiàn)新的疫情相關(guān)謠言，評(píng)論數(shù)也隨之趨向于零.

Fig. 3 Number of COVID -19 related rumor comments over time(2020-01-22—2020-09-18)圖3 疫情謠言評(píng)論數(shù)量隨時(shí)間變化(2020-01-22—2020-09-18)

2 謠言內(nèi)容分析

內(nèi)容是信息傳播過(guò)程的核心.本節(jié)我們首先對(duì)疫情相關(guān)謠言的內(nèi)容進(jìn)行分析，具體維度包括主題分析、涉及地區(qū)分析、事件傾向性分析和情感分析.

2.1 謠言主題分析

我們基于爬取的疫情謠言數(shù)據(jù)，結(jié)合已有研究對(duì)謠言的劃分[14-15,18]，將疫情謠言分為5類,如表1所示.我們招募了2名新聞與傳播專業(yè)的學(xué)生作為標(biāo)注員對(duì)數(shù)據(jù)進(jìn)行標(biāo)注.正式標(biāo)注之前，我們首先對(duì)標(biāo)注員進(jìn)行培訓(xùn)，要求其閱讀包含規(guī)則和案例的標(biāo)注指南，并標(biāo)注測(cè)試樣本.最終經(jīng)過(guò)培訓(xùn)，2名標(biāo)注員的標(biāo)注結(jié)果一致占比為95%，并進(jìn)一步完成所有數(shù)據(jù)的標(biāo)注.

謠言主題分布.由表1可以看到，數(shù)量最多的疫情謠言類型是疫情防控類謠言，共計(jì)226條，占總量的一半以上，顯示了疫情期間謠言熱點(diǎn)主要與防疫抗疫相關(guān)事件相關(guān).疫情期間，預(yù)防方法、防控措施與民生息息相關(guān)，涉及生命安全的保障，這反映出謠言主要圍繞在公眾所關(guān)心的話題領(lǐng)域.主題分布第2位是國(guó)際相關(guān)類謠言，共計(jì)206條.此類謠言大部分涉及“中國(guó)人”“國(guó)籍”“美國(guó)”等民族主義相關(guān)詞語(yǔ)[19].此類謠言主要憑借受眾的民族主義情緒獲得討論度和關(guān)注度[19].此外，這類謠言也善于通過(guò)迎合人們的認(rèn)知來(lái)獲取認(rèn)同感、博取可信度.

Table 1 Topic Categories of Rumors表1 謠言主題分類

謠言階段性分布.我們進(jìn)一步根據(jù)《抗擊新冠肺炎疫情的中國(guó)行動(dòng)》白皮書(10)http://www.gov.cn/zhengce/2020-06/07/content_5517737.htm將疫情按照國(guó)內(nèi)外形勢(shì)劃分為4個(gè)階段，分別分析了這4個(gè)階段的謠言主題.這4個(gè)階段分別是：疫情爆發(fā)階段(2020-01-20至2020-02-20)、國(guó)內(nèi)疫情得到控制階段(2020-02-21至2020-04-28)、疫情全球大流行階段(2020-03-11以來(lái))和疫情常態(tài)化階段(2020-04-29以來(lái)).如圖4所示，通過(guò)對(duì)比發(fā)現(xiàn)，謠言具有明顯的階段性分布特點(diǎn)，具體表現(xiàn)為：

Fig. 4 Numbers of different categories of rumors (2020-01-22—2020-07-26)圖4 謠言分類數(shù)量隨疫情階段變化(2020-01-22—2020-07-26)

1) 病毒傳播類謠言主要分布的階段包括：疫情爆發(fā)階段和疫情控制階段.在疫情爆發(fā)階段，傳播類謠言涉及各地確診隱瞞出逃的謠言事件；在國(guó)內(nèi)疫情得到控制這一階段，隨著國(guó)內(nèi)疫情得到控制，對(duì)于復(fù)工復(fù)產(chǎn)的猜測(cè)、聚集性爆發(fā)的謠言增加；在疫情全球大流行階段，病毒傳播類謠言又出現(xiàn)了關(guān)于境外輸入性傳播的小高峰.

2) 病毒信息類謠言主要分布的階段包括：疫情爆發(fā)階段和疫情控制階段早期.在疫情爆發(fā)階段，諸如“人工病毒”“犬類傳播”之類的謠言盛行，主要是由于疫情開始爆發(fā)時(shí)公眾對(duì)病毒的認(rèn)識(shí)不足，缺少權(quán)威介紹，此時(shí)對(duì)病毒信息的猜測(cè)較多；而在國(guó)內(nèi)疫情得到控制初期出現(xiàn)了一些有關(guān)病毒后遺癥和傳播途徑導(dǎo)致二次爆發(fā)的病毒信息類謠言.

3) 疫情防控類謠言在各個(gè)階段都有分布，屬于民生相關(guān)、民眾持續(xù)關(guān)注類謠言，主要涉及事件包括：疫情爆發(fā)階段關(guān)于封城等防控措施的虛假信息；國(guó)內(nèi)控制階段對(duì)于復(fù)工復(fù)學(xué)的謠傳；疫情全球大流行階段對(duì)于國(guó)外防控措施的謠言.

4) 國(guó)際相關(guān)類謠言主要分布在疫情全球大流行階段早期，隨著疫情震中從國(guó)內(nèi)轉(zhuǎn)移到全球范圍，海外相關(guān)類謠言數(shù)量開始增加，包括一些國(guó)際軼事，國(guó)際抗疫防控相關(guān)的謠言.在疫情全球大流行階段后期，謠言的總體數(shù)量回落，疫情謠言主要包括海外相關(guān)、疫情防控，例如境外輸入與國(guó)內(nèi)小范圍爆發(fā)聯(lián)系、簽證政策等.

從不同主題謠言的時(shí)序分布占比可以看出：謠言的出現(xiàn)具有明顯的階段性，其主題隨疫情的形勢(shì)變化而不斷演變.這對(duì)于謠言的治理和預(yù)防有重要的借鑒意義，在疫情不同階段，社會(huì)關(guān)切不同，應(yīng)該加強(qiáng)相應(yīng)信息的公開性、透明度.

2.2 謠言涉及地區(qū)分析

本節(jié)主要研究海外國(guó)家和國(guó)內(nèi)具體省市謠言討論與該地區(qū)疫情關(guān)系.首先我們通過(guò)人工標(biāo)注提取謠言中出現(xiàn)的地名，我們招募了地理信息科學(xué)專業(yè)的標(biāo)注員進(jìn)行標(biāo)注，標(biāo)注員必須閱讀包含規(guī)則和案例的標(biāo)注指南，而后才可開始標(biāo)注.標(biāo)注結(jié)束后，我們根據(jù)提取出來(lái)的地名集合將謠言進(jìn)行歸類，與相應(yīng)討論地區(qū)關(guān)聯(lián)起來(lái).根據(jù)標(biāo)注結(jié)果統(tǒng)計(jì)，謠言討論度排名前5的地區(qū)分別是湖北、美國(guó)、俄羅斯、日本、北京.

謠言涉及地區(qū)多為疫情嚴(yán)重地區(qū).我們進(jìn)一步將謠言討論地區(qū)進(jìn)行歸類，得出謠言涉及的不同國(guó)家的謠言數(shù)目、國(guó)內(nèi)不同省份的謠言數(shù)目、國(guó)內(nèi)不同城市的謠言數(shù)目.根據(jù)統(tǒng)計(jì)，我們發(fā)現(xiàn)疫情涉及的國(guó)內(nèi)城市謠言數(shù)排行榜中，武漢、北京最多，分別為47條和40條.謠言涉及的省份主要是湖北省，包含76條.在涉外謠言數(shù)目分布中，美國(guó)、俄羅斯、日本排名前三，涉及謠言數(shù)目分別為104條、39條和23條.可以發(fā)現(xiàn)，不論是國(guó)內(nèi)還是國(guó)外，疫情謠言討論的熱點(diǎn)地區(qū)都是疫情比較嚴(yán)重的地區(qū).

地區(qū)相關(guān)謠言集中產(chǎn)生在地區(qū)疫情早期階段.基于統(tǒng)計(jì)數(shù)據(jù)，我們進(jìn)一步分析謠言討論地區(qū)隨該地區(qū)疫情變化特征.如圖5所示，對(duì)于各地區(qū)本身的謠言，大多出現(xiàn)在該地區(qū)疫情剛剛興起的時(shí)候.其可能的原因包括：首先是疫情初期信息的不確定性[20]，即在疫情初期，大多數(shù)公眾對(duì)疫情的認(rèn)識(shí)十分模糊，對(duì)新冠肺炎信息有很多的誤解，給謠言的傳播以可乘之機(jī).其次是疫情初期人心恐慌，不安定因素加劇了謠言傳播[21].最后是新聞的助推效應(yīng)[22]，即疫情初期，新冠肺炎成為新聞報(bào)道焦點(diǎn)，公眾對(duì)其關(guān)注程度陡然上升，也會(huì)助長(zhǎng)相關(guān)謠言的傳播.

Fig. 5 Relevance between number of rumors and its related regions’ confirmed cases (2020-01-22—2020-07-25)圖5 謠言討論地與該地區(qū)新增確診病例關(guān)系(2020-01-22—2020-07-25)

2.3 謠言事件傾向性分析

事件傾向性分析是關(guān)于謠言涉及事件正負(fù)面的研究.正面性是指文本內(nèi)容釋放的事件消息是積極的，負(fù)面性是指文本內(nèi)容涉及的事件消息是消極的.我們通過(guò)人工標(biāo)注的方法將謠言涉及事件分為正面、中性、負(fù)面3類.標(biāo)注方法與2.1節(jié)中主題標(biāo)注相同.

“壞消息”居多.通過(guò)對(duì)疫情謠言的正負(fù)面分類分析，我們發(fā)現(xiàn)負(fù)面謠言在疫情謠言中數(shù)量最多，為269條，占比60%;正面謠言111條，占比25%;中立謠言最少，69條，占比15%.這一方面體現(xiàn)出謠言往往伴隨具有傾向性和話題度的事件產(chǎn)生；另一方面表現(xiàn)出負(fù)面事件更容易引發(fā)謠言，這可能是由于負(fù)面信息更容易引發(fā)公眾的恐慌心理，而當(dāng)人們身處惶恐緊張情況下，負(fù)面信息再經(jīng)過(guò)加工渲染后更易受到關(guān)注并廣泛傳播.

此外，我們還探究了不同傾向謠言的內(nèi)容分布.正面的疫情謠言主要包括國(guó)際援助、復(fù)工復(fù)學(xué)、疫情防控工作、醫(yī)護(hù)人員等相關(guān)的事件和消息；負(fù)面的疫情謠言主要包括病毒傳播、病毒危害、恐怖事件和國(guó)際關(guān)系等相關(guān)事件和消息.

2.4 謠言情感分析

謠言的情感分析主要包括情感分類和用詞特征分析，我們參考Allport等人[3]和阮璋瓊等人[23]的謠言情緒分類類型，疫情謠言按照所投射出來(lái)的心理將謠言情感分為5類，分類標(biāo)準(zhǔn)如表2所示.我們采用人工標(biāo)注的方法，對(duì)疫情謠言進(jìn)行情感分類標(biāo)注.標(biāo)注方法與2.1節(jié)中主題標(biāo)注相同.

Table 2 Different Sentiment Types Rumor表2 謠言情感分類

1) 消極情感謠言占上風(fēng).如表3所示，可以發(fā)現(xiàn)，充滿消極情感的恐懼類型和敵意類型的謠言總數(shù)多于充滿積極情感的善意類型謠言和愿望類型謠言的總數(shù)，一定程度上反映人們?cè)谝咔閴毫χ?，易尋找?fù)面情緒的宣泄口，并可能促進(jìn)分裂與焦慮情緒在社交媒體上進(jìn)一步蔓延.

Table 3 Cross Comparison Between Rumor Content Categories and Rumor Sentiment Types表3 謠言主題類型與情感類型的交叉分析

但值得注意的是，對(duì)比來(lái)看，善意類型的疫情謠言占比也并不低，例如一則關(guān)于鐘南山出征北京參與新冠肺炎治療的謠言一時(shí)間引起很高的關(guān)注度和轉(zhuǎn)發(fā)量，可見(jiàn)人們?cè)诿鎸?duì)疫情的壓力時(shí)，不僅存在恐慌、宣泄的心理狀態(tài)，也存在尋求希望寄托、自我安慰的心理狀態(tài).

2) 謠言內(nèi)容類型與情感類型的交叉分析.如表3所示，我們通過(guò)分析不同謠言內(nèi)容類型與其情感類型之間的聯(lián)系，發(fā)現(xiàn)在病毒傳播類型的疫情謠言中恐懼型謠言最多，主要涉及內(nèi)容包括確診病例隱瞞潛逃等；在病毒信息類謠言中也是恐懼類謠言最多，主要包括病毒傳播途徑和病毒對(duì)人體造成的危害相關(guān)謠言；在疫情防控謠言中善意類型謠言最多，主要包括對(duì)管控城市的祈福、對(duì)復(fù)工復(fù)產(chǎn)的期待和愿望；在國(guó)際相關(guān)類謠言中敵意和中立類型的謠言最多，敵意類型的國(guó)際謠言主要包括一些病毒溯源陰謀論、二次輸入的猜測(cè)，中立型謠言主要包括對(duì)國(guó)外疫情防控措施的討論和調(diào)侃.這反映了不同主題類型謠言背后的社會(huì)心理，對(duì)于病毒信息、病毒傳播類謠言，出于恐慌心理，人們往往“寧可信其有，不可信其無(wú)”，是一種恐慌心理下急于求證的自我保護(hù)機(jī)制[24].對(duì)于疫情防控類謠言人們面對(duì)疫情長(zhǎng)期的壓抑，傾向于尋求心理慰藉，因此出現(xiàn)較多對(duì)于復(fù)工復(fù)產(chǎn)、醫(yī)護(hù)人員奔赴前線的善意類謠言.而對(duì)于國(guó)際類謠言往往充斥著攻擊性言論，善于挑起民族主義情緒[19]，因此出現(xiàn)大量敵意型情感.

3) 謠言情感類型與特征詞.我們進(jìn)一步利用詞云分別展示不同情感下的疫情謠言的詞語(yǔ)分布，分析不同情感疫情謠言的關(guān)鍵詞和用詞特點(diǎn)(11)由于中立型謠言不包含感情色彩，以及愿望型謠言數(shù)量過(guò)少，其特征詞的分析予以省略..具體分析為：

① 如圖6(a)所示，敵意類型謠言主要包括“口罩”“綠卡”“女子”“捐贈(zèng)”“物資”“順豐”等主題詞.對(duì)比文本，我們發(fā)現(xiàn)情緒的表達(dá)大都使用類似“這么猖狂”“這么無(wú)恥”“根本沒(méi)有考慮我們的公民”“沒(méi)有任何隔離措施”“你們都干了些什么?”“你們的良心過(guò)得去？”的語(yǔ)句來(lái)加強(qiáng)語(yǔ)氣、增加情緒激烈程度、增強(qiáng)情緒感染力.可以看出，敵意類型的謠言一方面內(nèi)容上通過(guò)與國(guó)家利益關(guān)系、群體沖突、物資等敏感話題和涉及普通民眾安全的話題相關(guān)聯(lián)，另一方面語(yǔ)言上利用具有強(qiáng)烈、夸張感情色彩的詞語(yǔ)加深語(yǔ)言的情感張力，煽動(dòng)民眾情緒.

Fig. 6 Word cloud of different sentiment types rumor圖6 不同情感謠言詞云圖

①圖中將“瑞德西韋”折詞成“瑞德”“西韋”2詞.

② 如圖6(b)所示，恐懼類型謠言主要包括“復(fù)工”“酒精”“新冠肺炎”“肺部”“確認(rèn)”等主題詞.為了強(qiáng)調(diào)恐慌情緒，謠言中常使用程度副詞，例如“一定不要”“千萬(wàn)注意”“引以為戒”等，以達(dá)到渲染恐慌氛圍、引起人們注意的作用.可以發(fā)現(xiàn)，恐懼類型的謠言一方面內(nèi)容上大多涉及死亡相關(guān)的恐嚇性新聞，另一方面用詞上利用警戒性詞語(yǔ)引起關(guān)注，聳人聽聞，達(dá)到擴(kuò)散的目的.

③ 如圖6(c)所示，善意類型謠言主要包括“北京”“鐘南山”“加油”“藥物”“瑞德西韋”“日本”“救護(hù)車”等主題詞，內(nèi)容主要涉及對(duì)醫(yī)護(hù)人員的贊賞、對(duì)國(guó)際援助的感謝等，多利用“加油”等正能量的詞語(yǔ)來(lái)帶動(dòng)積極情緒.善意類型謠言的產(chǎn)生大多是在信息未經(jīng)證實(shí)的情況下，網(wǎng)友對(duì)于不實(shí)信息的誤傳，對(duì)社會(huì)治安不會(huì)造成很大程度的威脅，但是此類謠言的出現(xiàn)也反映了人們?cè)诿鎸?duì)疫情時(shí)尋求心理寄托和安慰的現(xiàn)象.

3 謠言參與用戶分析

在拉斯韋爾的傳播模型中，傳播者與受眾位于傳播過(guò)程的兩端.而微博上的謠言傳播是一個(gè)復(fù)雜的過(guò)程.除了造謠者作為原始的傳播者之外，當(dāng)謠言的受眾轉(zhuǎn)發(fā)這則謠言，也在無(wú)形之中成為了傳謠者.此外，辟謠者也是謠言傳播的重要角色.正是辟謠者的參與，抑制了謠言的傳播.本節(jié)我們對(duì)造謠者、傳謠者與辟謠者3類人群的謠言接觸歷史、基礎(chǔ)畫像、個(gè)體情緒、自網(wǎng)絡(luò)屬性以及歷史微博內(nèi)容進(jìn)行分析，以期對(duì)參與謠言傳播的各類人群獲得更為深入的認(rèn)識(shí).

本節(jié)我們采用降采樣的方式，對(duì)微博不實(shí)信息舉報(bào)平臺(tái)上新冠疫情相關(guān)謠言所涉及的3類用戶，即造謠者、傳謠者和辟謠者，分別隨機(jī)抽樣200人，利用其用戶屬性數(shù)據(jù)和歷史微博數(shù)據(jù)，開展謠言用戶分析.

3.1 3類人群的基礎(chǔ)屬性分析

本節(jié)基于此前得到的用戶數(shù)據(jù)，我們對(duì)用戶在過(guò)去一年中的原創(chuàng)微博數(shù)量、轉(zhuǎn)發(fā)微博數(shù)量、原創(chuàng)微博平均字?jǐn)?shù)、轉(zhuǎn)發(fā)微博平均字?jǐn)?shù)、用戶認(rèn)證情況、用戶影響力指標(biāo)(用戶被關(guān)注數(shù)與關(guān)注數(shù)的比值)、發(fā)博時(shí)間分布等這些基礎(chǔ)屬性指標(biāo)展開分析.需要注意的是，由于微博的隱私訪問(wèn)限制，我們只能抓取每位用戶關(guān)注列表的前20頁(yè)，這可能導(dǎo)致對(duì)用戶的關(guān)注列表獲取不全.但我們認(rèn)為用戶近期的關(guān)注者，正反映了用戶近期的關(guān)注導(dǎo)向，故用此數(shù)據(jù)進(jìn)行后續(xù)分析.

1) 造謠者原創(chuàng)微博更多，傳謠者轉(zhuǎn)發(fā)微博更多.在我們隨機(jī)抽樣得到的各200位造謠者、傳謠者和辟謠者中，在過(guò)去一年時(shí)間段內(nèi)，造謠者發(fā)表原創(chuàng)微博數(shù)量的中位數(shù)為293條，傳謠者為18條，辟謠者為5條，如圖7(a)所示.方差分析結(jié)果表示3組人群的差異顯著(p<0.000).事后檢驗(yàn)顯示，造謠者的原創(chuàng)發(fā)博量顯著高于另外兩者，而傳謠者和辟謠者之間則沒(méi)有顯著差異.對(duì)于轉(zhuǎn)發(fā)微博數(shù)量而言，傳謠用戶的轉(zhuǎn)發(fā)微博數(shù)量則是顯著高于另外兩者(p<0.000)，傳謠者在過(guò)去一年中轉(zhuǎn)發(fā)微博數(shù)的中位數(shù)為399條，造謠者為35條，辟謠者為8條，如圖7(b)所示.

2) 造謠者發(fā)微博字?jǐn)?shù)更多.如圖7(c)所示，三者的原創(chuàng)微博平均字?jǐn)?shù)有顯著差異(p<0.000)，造謠者的原創(chuàng)微博字?jǐn)?shù)(中位數(shù)為81)高于傳謠者(中位數(shù)為42)，后者又高于辟謠者(中位數(shù)為32).根據(jù)圖7(d)進(jìn)一步發(fā)現(xiàn)，辟謠者在轉(zhuǎn)發(fā)微博的平均字?jǐn)?shù)上也顯著低于另外兩者(p<0.001)，其中位數(shù)為101，而造謠者為124，傳謠者為116.

Fig. 7 The number of original Weibo and forwarded Weibo, the average length of words of original Weibo and forwarded Weibo圖7 原創(chuàng)微博數(shù)和轉(zhuǎn)發(fā)微博數(shù)、原創(chuàng)微博平均字?jǐn)?shù)和轉(zhuǎn)發(fā)微博平均字?jǐn)?shù)

綜合圖7可知，造謠者偏好發(fā)表原創(chuàng)微博，且原創(chuàng)與轉(zhuǎn)發(fā)的博文字?jǐn)?shù)較多；而過(guò)往更偏好轉(zhuǎn)發(fā)的用戶，則在接觸了此次新冠疫情相關(guān)謠言后，以轉(zhuǎn)發(fā)行為再一次參與到了謠言的傳播之中.與這二者相比，辟謠者發(fā)博數(shù)量、發(fā)博字?jǐn)?shù)都更少，展現(xiàn)出一種“沉默寡言”的用戶形象和“冷靜謹(jǐn)慎”的發(fā)言姿態(tài).

3) 造謠者上午更活躍.從用戶在一天中的發(fā)微博比例分布圖8中可以看出，造謠者在上午6點(diǎn)到11點(diǎn)最為活躍.相比之下，傳謠者在午后13至15時(shí)階段性活躍后，在傍晚再度活躍起來(lái)，并在深夜24點(diǎn)左右達(dá)到發(fā)微博數(shù)量的峰值.辟謠者的活躍時(shí)間有2個(gè)小峰值，分別在12時(shí)至14時(shí)與22時(shí)至次日凌晨1時(shí).這一定程度反映造謠者傾向于在早上發(fā)表言論，其可能有引導(dǎo)當(dāng)日輿論的意圖.

Fig. 8 The distribution of the creation time of Weibo圖8 3類用戶在一天24 h的發(fā)微博比例分布圖

4) 造謠者影響力遠(yuǎn)大于其他人群.從圖9所示的3類人群被關(guān)注數(shù)和關(guān)注數(shù)的比例看來(lái)，較傳謠者、辟謠者來(lái)說(shuō)，造謠者的相對(duì)影響力是顯著更大的.

Fig. 9 The boxplot of the ratio of followers and followees圖9 3類用戶被關(guān)注數(shù)與關(guān)注者數(shù)的比例圖

基于分析可以看出，微博雖然日益被詬病為“泛娛樂(lè)平臺(tái)”，但其中意見(jiàn)領(lǐng)袖的引導(dǎo)機(jī)制本質(zhì)上沒(méi)有發(fā)生變化，有影響力的造謠者仍然是那些本身把握信息影響力優(yōu)勢(shì)的人，他們或出于有意“蹭熱點(diǎn)”，或是無(wú)意地輕信了錯(cuò)誤信息而將謠言引入微博空間之中.

3.2 3類人群的關(guān)注主題分析

本節(jié)基于用戶的歷史發(fā)博數(shù)據(jù)，包括原創(chuàng)博文內(nèi)容和轉(zhuǎn)發(fā)微博的轉(zhuǎn)發(fā)內(nèi)容，我們進(jìn)行微博主題層面的分析.

我們利用STM[25-26](structural topic model)模型對(duì)用戶自疫情發(fā)生以來(lái)的疫情相關(guān)微博進(jìn)行主題分類.STM模型是一種無(wú)監(jiān)督文本主題模型，可以通過(guò)納入?yún)f(xié)變量在主題建模中取得更好地效果.為了更好地訓(xùn)練STM主題模型，我們爬取微博平臺(tái)中2020年1—5月疫情相關(guān)的微博數(shù)據(jù)(12)我們參考官方報(bào)道[27]并結(jié)合微博平臺(tái)在不同階段對(duì)新型病毒的命名，選取“肺炎”“SARS”“新冠”“冠狀”以及“COVID -19”作為疫情相關(guān)微博的抽取關(guān)鍵詞.，隨機(jī)抽取其中10%的微博作為訓(xùn)練文本，共1 211 760條微博.我們?cè)O(shè)置發(fā)博時(shí)間作為協(xié)變量，將疫情相關(guān)微博的主題劃分為“緬懷與致敬”“國(guó)內(nèi)疫情形勢(shì)”“控制疫情擴(kuò)散”“醫(yī)療救治”“復(fù)工復(fù)產(chǎn)”“海外疫情形勢(shì)”“全球疫情影響”“新冠科學(xué)研究”“社會(huì)互助行動(dòng)”“生活日常記錄”10個(gè)類別.進(jìn)一步，我們同樣通過(guò)關(guān)鍵詞抽取出3類用戶的疫情相關(guān)微博，分別得到26 515條造謠者微博、1 006條辟謠者微博和25 229條傳謠者微博，并利用本節(jié)在大規(guī)模疫情相關(guān)微博中訓(xùn)練的STM模型計(jì)算每位用戶的微博隸屬于各個(gè)主題的概率分布.

辟謠者更偏好新冠科學(xué)研究.如圖10所示，我們發(fā)現(xiàn)辟謠者發(fā)布的微博中“新冠科學(xué)研究”主題占比最高，且顯著高于造謠者和傳謠者.由此可以推測(cè)，辟謠者對(duì)新冠科學(xué)研究話題的偏好，顯示出相對(duì)更高的科學(xué)素養(yǎng)，對(duì)謠言有更強(qiáng)的甄別能力.

Fig. 10 The bar of topic distribution of users on Weibo圖10 3類用戶的微博主題分布圖

3.3 3類人群的個(gè)體情緒分析

本節(jié)我們將針對(duì)用戶的歷史微博數(shù)據(jù)對(duì)3類人群的個(gè)體情緒進(jìn)行探究.

我們使用基于BERT[28](bidirectional encoder representations from transformers)與TextCNN[29]結(jié) 合的方式對(duì)3類用戶的歷史微博數(shù)據(jù)進(jìn)行情感分類.BERT是谷歌團(tuán)隊(duì)提出的預(yù)訓(xùn)練語(yǔ)言模型，被廣泛用于文本分類、問(wèn)答等下游任務(wù)中[30-31].TextCNN模型由Kim提出，其核心思想是利用卷積神經(jīng)網(wǎng)絡(luò)捕獲文本的局部特征并用于最終的文本分類.由于疫情相關(guān)文本的領(lǐng)域特殊性，與日常微博表達(dá)不同，我們使用北京市經(jīng)濟(jì)和信息化局和中國(guó)計(jì)算機(jī)學(xué)會(huì)等單位發(fā)布的“疫情期間網(wǎng)民情緒識(shí)別”數(shù)據(jù)集(13)https://www.datafountain.cn/competitions/423/datasets訓(xùn)練情感分類模型.該數(shù)據(jù)集包含10萬(wàn)條2020-01-01—2020-02-20期間的疫情微博，每條微博被人工標(biāo)注為3類情感之一，3類情感分別為積極、中性和消極.我們使用這10萬(wàn)條數(shù)據(jù)進(jìn)行訓(xùn)練和交叉驗(yàn)證，訓(xùn)練得到的模型在比賽測(cè)試集上的預(yù)測(cè)F1值為73.6%，相比于只基于BERT的模型提升了4.1%.

造謠者和傳謠者情緒更為負(fù)面.基于這一模型，以用戶發(fā)表的負(fù)面微博數(shù)占總微博數(shù)的比例作為對(duì)用戶負(fù)面情緒傾向程度的測(cè)量標(biāo)尺，我們對(duì)3類人群的負(fù)面情緒傾向進(jìn)行統(tǒng)計(jì)分析.3類人群負(fù)面情緒傾向分布如圖11所示.就中值而言，造謠者負(fù)面情緒的比例高于傳謠者，傳謠者負(fù)面情緒的比例高于辟謠者.方差分析結(jié)果顯示，造謠者的負(fù)面情緒程度顯著高于傳謠者(p=0.0169<0.05).

Fig. 11 The boxplot of negative emotion of users on Weibo圖11 3類用戶的負(fù)面情緒傾向圖

既有的研究已經(jīng)討論了不同情感在微博中傳遞的效果差異[32]，憤怒相較于喜悅、甚至悲傷都更有傳染性.一方面，造謠者由于其本身的負(fù)面情緒，可能使得其產(chǎn)生的謠言更具感染力.另一方面，根據(jù)Na等人的研究[33]，在公共健康危機(jī)中，如果流言所激發(fā)的情緒與受眾本身所處的情緒一致，則受眾會(huì)更傾向于相信這一流言.面對(duì)此次新冠肺炎疫情，長(zhǎng)期身處于負(fù)面情緒的社交媒體用戶則更為輕易被負(fù)面謠言所欺騙和感染，并成為其中的一名傳播者.

3.4 3類人群的自網(wǎng)絡(luò)屬性分析

本節(jié)我們將基于用戶的關(guān)注列表數(shù)據(jù)，對(duì)3類人群構(gòu)建自網(wǎng)絡(luò)來(lái)探究其所處網(wǎng)絡(luò)結(jié)構(gòu).自網(wǎng)絡(luò)(Ego network)由中心節(jié)點(diǎn)(Ego，“自我”)、與之直接連接到的節(jié)點(diǎn)(Alter，“他者”)以及“他者”之間的聯(lián)系(如果這些連邊存在)組成.因此，我們抓取了3類用戶的關(guān)注列表以及這些受關(guān)注用戶的下一級(jí)關(guān)注列表來(lái)構(gòu)建其二級(jí)網(wǎng)絡(luò)結(jié)構(gòu).

大量既有的研究從社會(huì)網(wǎng)絡(luò)視角研究了謠言傳播現(xiàn)象，其考察的網(wǎng)絡(luò)屬性包括連邊強(qiáng)度和節(jié)點(diǎn)屬性等基礎(chǔ)網(wǎng)絡(luò)屬性[34-37].相比之下，Burt經(jīng)典的結(jié)構(gòu)洞理論[38]對(duì)這一問(wèn)題提供了更為深層次的洞見(jiàn).根據(jù)這一理論，處于結(jié)構(gòu)洞位置的節(jié)點(diǎn)為網(wǎng)絡(luò)中的其他節(jié)點(diǎn)提供了非冗余的聯(lián)系，因而擁有更大的信息優(yōu)勢(shì).基于包括臉書、推特在內(nèi)的7個(gè)真實(shí)網(wǎng)絡(luò)開展的實(shí)驗(yàn)表明，若是移除結(jié)構(gòu)洞位置的重要用戶，將會(huì)阻斷多達(dá)24%的信息傳播[39].這表明，結(jié)構(gòu)洞理論在社會(huì)化媒體上依舊適用.因此，本文將基于結(jié)構(gòu)洞理論，探究在本次疫情謠言傳播中，3類用戶在社交媒體中所處網(wǎng)絡(luò)結(jié)構(gòu)的差異.

辟謠者的自網(wǎng)絡(luò)聚集系數(shù)更高.我們以局域聚集系數(shù)(local clustering coefficient)作為測(cè)量用戶自網(wǎng)絡(luò)結(jié)構(gòu)的關(guān)鍵指標(biāo)[40]，就網(wǎng)絡(luò)屬性對(duì)謠言用戶參與行為的影響展開探究.如圖12所示，對(duì)辟謠者、造謠者和傳謠者的局域聚集系數(shù)分布進(jìn)行對(duì)比，結(jié)果顯示，就中值而言，辟謠者的聚集系數(shù)高于造謠者，造謠者的聚集系數(shù)高于傳謠者.事后檢驗(yàn)顯示，辟謠者和傳謠者的網(wǎng)絡(luò)結(jié)構(gòu)聚集系數(shù)存在顯著差異(p=0.0078<0.01).

Fig. 12 The boxplot of local clustering coefficient of users圖12 3類用戶的局域聚集系數(shù)分布圖

這擴(kuò)充了我們對(duì)于結(jié)構(gòu)洞的認(rèn)識(shí)，即結(jié)構(gòu)洞屬性高的節(jié)點(diǎn)盡管擁有信息優(yōu)勢(shì)，但也容易受到虛假信息的影響.辟謠者的自網(wǎng)絡(luò)聚集系數(shù)更高反映出辟謠者所處網(wǎng)絡(luò)更聚集穩(wěn)定，其關(guān)注者之間往往也相互關(guān)注，形成一個(gè)較為閉合的關(guān)注網(wǎng)絡(luò).而造謠者和傳謠者的自網(wǎng)絡(luò)結(jié)構(gòu)則更為松散，這可能使得他們的信息獲取渠道更加開放，但也同時(shí)失去了信息源之間較為穩(wěn)定的信任關(guān)系，失去信息“交叉驗(yàn)證”的質(zhì)量保證.

4 謠言輿情分析

傳播效果指的是來(lái)自傳播者的訊息對(duì)受眾產(chǎn)生的效果.本文謠言微博所引發(fā)的輿情，無(wú)疑是謠言傳播的一種重要效果.在本節(jié)中，我們通過(guò)對(duì)謠言的評(píng)論進(jìn)行情感分析來(lái)研究謠言引發(fā)的輿情，并探索其與謠言主題、關(guān)鍵詞以及涉及地區(qū)的關(guān)系，最后進(jìn)一步探索公眾輿情演變的原因.

4.1 謠言評(píng)論情感整體分析

本節(jié)我們使用3.3節(jié)中所述模型對(duì)謠言的評(píng)論進(jìn)行情感分類.圖13展示了謠言評(píng)論情感傾向的整體分布.

近半數(shù)謠言評(píng)論持中性態(tài)度.在剔除“轉(zhuǎn)發(fā)微博”等微博自動(dòng)生成的關(guān)鍵詞后，中性評(píng)論仍然在3類情感中占據(jù)主導(dǎo)地位，達(dá)到了48%.通過(guò)歸納整理，我們將中性評(píng)論概括為3種主要類型：冷靜辟謠型評(píng)論、質(zhì)疑打探型評(píng)論和無(wú)關(guān)評(píng)論.中性評(píng)論占比較大反映出相當(dāng)一部分網(wǎng)絡(luò)用戶對(duì)于謠言具有一定的辨別能力，在消息未證實(shí)前持觀望態(tài)度，在辟謠后會(huì)要求博主進(jìn)行澄清或刪除，以防止更多用戶被誤導(dǎo).

Fig. 13 Sentiment distribution of COVID -19 rumor comments圖13 疫情謠言評(píng)論情感分布

消極評(píng)論多于積極評(píng)論.消極評(píng)論可概括為恐慌、矛盾爭(zhēng)議和激烈辟謠3類，積極評(píng)論則主要包括加油祝福、贊美英雄和善意調(diào)侃3種類型.除中性評(píng)論外，消極情感評(píng)論數(shù)量整體領(lǐng)先于積極情感評(píng)論，前者數(shù)量約為后者的3倍.圖14展示了每周積極和消極的評(píng)論在該周總評(píng)論數(shù)中的占比隨時(shí)間的變化.可以看出，消極情感在疫情各個(gè)階段均基本占據(jù)主導(dǎo)地位.

Fig. 14 Sentiment of COVID -19 rumor comments over time圖14 疫情謠言評(píng)論情感隨時(shí)間變化

4.2 謠言主題與評(píng)論情感分析

本節(jié)我們對(duì)第2節(jié)劃分的5類主題謠言的評(píng)論進(jìn)行統(tǒng)計(jì)和分析(分類標(biāo)準(zhǔn)如表2所示).5類主題中，疫情防控、國(guó)際相關(guān)和其他類主題謠言獲得的評(píng)論數(shù)量較多，分別為33 616，17 283和27 132條.病毒傳播和病毒信息類謠言的評(píng)論數(shù)量較少，分別為591和249條.

奇聞異事和名人軼事熱度最高.為了進(jìn)一步了解用戶對(duì)各個(gè)主題謠言的關(guān)注程度，我們對(duì)五大主題謠言的平均評(píng)論數(shù)進(jìn)行統(tǒng)計(jì).結(jié)果顯示，其他類主題謠言的平均評(píng)論數(shù)最高，平均每條謠言獲得了335條評(píng)論，這表明用戶對(duì)于其他類中占主要部分的坊間奇聞異事、名人軼事十分熱衷.其次是疫情防控主題謠言，平均每條謠言被評(píng)論146.6次，這表明人們對(duì)于疫情的防控情況較為關(guān)注，會(huì)通過(guò)評(píng)論來(lái)對(duì)一些表達(dá)利好消息的謠言表達(dá)喜悅和支持，對(duì)描述違反防控相關(guān)政策的謠言予以譴責(zé).

疫情防控最正面，病毒傳播最負(fù)面.5類主題的謠言評(píng)論情感分布如圖15所示.其中疫情防控相關(guān)謠言的積極情感評(píng)論占比最多，為12.99%，這反映了大眾對(duì)防疫政策的理解和支持.病毒傳播相關(guān)謠言的消極情感評(píng)論占比較多，達(dá)44.16%，原因可能是人們對(duì)于新冠病毒的傳播持有警惕心理，此類謠言容易引發(fā)公眾對(duì)于疫情蔓延的恐懼和擔(dān)憂.

Fig. 15 Sentiment distribution of comments under different topics圖15 5類主題對(duì)應(yīng)的評(píng)論情感分布

4.3 謠言關(guān)鍵詞與評(píng)論情感分析

隨著新冠疫情的出現(xiàn)，一些疫情相關(guān)的特色詞匯成為了公共討論的焦點(diǎn)，也為謠言制造者提供了素材.本節(jié)中我們統(tǒng)計(jì)了在謠言中出現(xiàn)頻率位居前30且具有疫情特色的關(guān)鍵詞對(duì)應(yīng)的謠言評(píng)論數(shù)量和情感指數(shù),如圖16所示.在選取過(guò)程中對(duì)近義詞進(jìn)行了合并處理，例如“瑞德西韋”“雙黃連”等詞被歸入藥品類.這里，我們將情感指數(shù)定義為謠言評(píng)論情感傾向(消極為-1，中性為0，積極為1)的均值.

Fig. 16 Sentiment distribution of rumors with different keywords圖16 含有不同關(guān)鍵詞謠言的評(píng)論情感分布

從數(shù)量上看，“藥品”和“防疫”謠言最受關(guān)注.在藥品相關(guān)的謠言中，獲得轉(zhuǎn)評(píng)最多的謠言大多與瑞德西韋有關(guān)，這些轉(zhuǎn)評(píng)的高峰均出現(xiàn)在1月底到2月初，彼時(shí)人們對(duì)于疫情了解較少，更容易輕信治療病癥的謠言.防疫則一直是公眾關(guān)心的熱點(diǎn)，相關(guān)謠言主要圍繞國(guó)內(nèi)外的疫情防控形勢(shì)展開.

“封城”謠言引發(fā)積極輿論.從情感指數(shù)上看，“封城”謠言引發(fā)了最多的正面情感.封城相關(guān)的謠言評(píng)論主要來(lái)自1月25日“襄陽(yáng)封城”謠言，突出湖北為防控疫情做出的犧牲和奉獻(xiàn)，喚起公眾的感動(dòng)情緒.因此盡管封城意味著抗疫形勢(shì)愈發(fā)嚴(yán)峻，網(wǎng)友仍然留下大量“感動(dòng)祝?！鳖愋偷脑u(píng)論.這一定程度上反映了謠言的情緒感染作用.

4.4 謠言涉及地區(qū)與評(píng)論情感分析

本節(jié)中我們對(duì)涉及不同地區(qū)的謠言評(píng)論進(jìn)行統(tǒng)計(jì)和分析.圖17為武漢和國(guó)內(nèi)4個(gè)一線城市的謠言評(píng)論數(shù)量對(duì)比.通過(guò)柱形圖可以看出，武漢作為1～3月疫情的中心，獲得了最多的關(guān)注，之后依次為北京、上海、廣州、深圳，這表明地區(qū)謠言受到的關(guān)注不僅與其受影響程度，同時(shí)與地區(qū)的政治、經(jīng)濟(jì)等發(fā)展水平具有相關(guān)性.

Fig. 17 Comment sentiment distribution regarding different cities圖17 不同城市相關(guān)謠言評(píng)論情感分布

從不同地區(qū)的情感指數(shù)對(duì)比可以看到，北京相關(guān)的謠言評(píng)論平均情感指數(shù)最高(-0.03)，廣州相關(guān)的謠言評(píng)論平均情感指數(shù)最低(-0.53).與北京相關(guān)的積極評(píng)論主要來(lái)自疫情防控相關(guān)的利好消息.公眾對(duì)疫情防控中英雄人物的敬佩和崇拜某種程度上使其對(duì)“救世”類的謠言更寬容，在評(píng)論時(shí)會(huì)降低語(yǔ)言的攻擊性.與廣州相關(guān)的負(fù)面轉(zhuǎn)評(píng)則主要圍繞防疫形勢(shì)惡化消息，此類謠言利用了普通民眾對(duì)疫情、種族等問(wèn)題的恐慌情緒，在短時(shí)間內(nèi)獲得大量傳播，一度成為新聞熱點(diǎn).偏負(fù)面的謠言評(píng)論情感也反映出一些潛在的社會(huì)問(wèn)題，例如這里涉及的民眾對(duì)廣州外國(guó)人聚居現(xiàn)象的觀點(diǎn)之爭(zhēng)，值得引起相關(guān)部門的重視.

4.5 謠言評(píng)論中的情感演變

在謠言不斷傳播，評(píng)論數(shù)量不斷增長(zhǎng)的過(guò)程中，謠言引發(fā)的輿情往往會(huì)發(fā)生時(shí)序的變化[41-42].因此，本節(jié)從情感傾向隨時(shí)間的變化入手，剖析疫情期間謠言的情感演變.

謠言評(píng)論情感傾向于向負(fù)面演變.根據(jù)謠言評(píng)論的初始情感和最終情感，可以將謠言劃分為4種類型，即始終保持積極和消極、初始為積極最終為消極以及初始為消極最終轉(zhuǎn)向積極謠言數(shù)量，其分布如表4所示.由表4可知，疫情相關(guān)謠言中初始評(píng)論為負(fù)面、最終轉(zhuǎn)化為正面謠言的比例只占了全部初始為負(fù)面謠言的8.05%，遠(yuǎn)低于初始正面向負(fù)面轉(zhuǎn)化的比例56.60%，表明謠言引發(fā)的評(píng)論情感傾向于向負(fù)面演變.

Table 4 Number of Comments with Different Initial or Final Sentiment Orientation表4 不同初始和最終情感傾向的評(píng)論數(shù)量

4.6 辟謠對(duì)評(píng)論情感演變的影響

已有研究[41]證明辟謠對(duì)謠言引發(fā)輿情演變具有重要影響，其發(fā)現(xiàn)辟謠后公眾情感通常會(huì)由負(fù)面轉(zhuǎn)向正面或者中立.因此，本節(jié)我們進(jìn)一步探究辟謠對(duì)于疫情相關(guān)謠言的評(píng)論情感演變的影響.

在所有微博謠言評(píng)論中，存在著一類特殊的評(píng)論，這些評(píng)論的發(fā)布者試圖通過(guò)發(fā)布評(píng)論表達(dá)“此條微博是謠言”的含義，我們稱之為辟謠評(píng)論.辟謠評(píng)論的出現(xiàn)能夠使之后的評(píng)論者意識(shí)到該微博可能為不實(shí)信息，從而影響后繼評(píng)論的情感傾向.通過(guò)標(biāo)記出辟謠評(píng)論的出現(xiàn)時(shí)間，可以將謠言評(píng)論在時(shí)間上分為2個(gè)類別：辟謠前評(píng)論與辟謠后評(píng)論.我們使用關(guān)鍵詞篩選的方式提取辟謠評(píng)論，選取的關(guān)鍵詞如表5所示.如果一條評(píng)論中包含任意一個(gè)關(guān)鍵詞(keywords)，且不含有任何的停用詞(stop words)時(shí)，我們就認(rèn)為這條謠言評(píng)論為辟謠評(píng)論.

Table 5 Keywords of Refutation Comments表5 辟謠評(píng)論關(guān)鍵詞

通過(guò)這方法，我們對(duì)所有評(píng)論數(shù)量大于10條的謠言提取其辟謠評(píng)論.根據(jù)謠言中辟謠評(píng)論的出現(xiàn)時(shí)間，我們將謠言分為3類：發(fā)布至今未出現(xiàn)辟謠評(píng)論的謠言、第1條評(píng)論就是辟謠評(píng)論的謠言、其他(即一般謠言).3類的謠言的數(shù)量如表6所示(注：受限于微博時(shí)間的表示形式，評(píng)論的發(fā)布時(shí)間只精確到分鐘).通過(guò)表6可以發(fā)現(xiàn)，大部分謠言(74.11%)，即“一般謠言”，都經(jīng)歷了在公眾中發(fā)酵之后被辟謠的過(guò)程，只有少數(shù)謠言(9.14%)一經(jīng)發(fā)布即被公眾識(shí)別.這一方面體現(xiàn)了公眾對(duì)于疫情相關(guān)謠言的辨別力不高，但同時(shí)也說(shuō)明了謠言檢測(cè)中謠言評(píng)論的重要作用，可以輔助公眾對(duì)信息的甄別和自動(dòng)化謠言檢測(cè).

Table 6 Number of Three Types of Rumors Divided According to the Time that Refutation Comments Occurr表6 根據(jù)辟謠評(píng)論出現(xiàn)時(shí)間劃分的3類謠言數(shù)量

辟謠使得謠言評(píng)論情感向負(fù)面演變.對(duì)于“一般謠言”類，我們記錄其對(duì)應(yīng)的最早辟謠評(píng)論和最晚辟謠評(píng)論，比最早辟謠評(píng)論更早的評(píng)論被劃分為辟謠前的評(píng)論，比最晚辟謠評(píng)論更晚的評(píng)論被劃分為辟謠后的評(píng)論.通過(guò)對(duì)辟謠前后評(píng)論的情感傾向進(jìn)行統(tǒng)計(jì)分析得到表7，可以發(fā)現(xiàn)，與Zeng等人[41]的研究不同，謠言的評(píng)論中正面情感的占比從辟謠前的18.3%下降到了辟謠后的11.9%，而負(fù)面情感的占比從辟謠前的31.2%上升到了辟謠后的33.9%.通過(guò)卡方檢驗(yàn)驗(yàn)證，在置信水平為0.005的條件下，是否辟謠與謠言評(píng)論的情感演變具有顯著相關(guān)性，這種相關(guān)性表現(xiàn)在正面評(píng)論的顯著減少和負(fù)面評(píng)論的顯著增加.

Table 7 Number of Comments of Different Sentiment Types Before and After the Refutation表7 辟謠前后不同情感類型的評(píng)論數(shù)量

辟謠導(dǎo)致輿情向負(fù)面變化的原因也是直觀的：用戶在識(shí)破謠言后感受到被欺騙，傾向于表達(dá)負(fù)面情感.在新冠疫情的背景下，這一點(diǎn)尤為突出，謠言被辟謠后造謠者和傳謠者常常會(huì)被大量的負(fù)面評(píng)論攻擊，引發(fā)負(fù)面輿情，一定程度上污染網(wǎng)絡(luò)信息環(huán)境.因此，對(duì)于突發(fā)公共新冠疫情類似的公眾事件而言，在辟謠的同時(shí)，也應(yīng)注意疏導(dǎo)謠言被揭發(fā)后引發(fā)的負(fù)面情緒級(jí).

5 總 結(jié)

本文基于新浪微博社交媒體平臺(tái)，從信息傳播的基本要素出發(fā)，對(duì)新冠肺炎疫情相關(guān)謠言傳播展開較為全面的量化分析，包括謠言的傳播內(nèi)容分析、謠言的參與用戶分析、謠言引發(fā)輿情分析.據(jù)我們所知，這是首次從信息傳播的各個(gè)基本構(gòu)成要素角度對(duì)新冠肺炎疫情相關(guān)謠言傳播展開量化分析，對(duì)新冠肺炎疫情相關(guān)的謠言傳播有了更全面深入的認(rèn)識(shí).此次新冠肺炎疫情是一次全球性的突發(fā)公共事件，針對(duì)突發(fā)公共事件的謠言傳播展開研究不論是對(duì)于學(xué)術(shù)研究還是社會(huì)治理都具有重要意義.

本文開展的疫情相關(guān)社交媒體謠言分析基于新浪微博社區(qū)管理中心中被舉報(bào)和核查的不實(shí)信息數(shù)據(jù)，其難免存在覆蓋度不全和人工判斷的誤差.同時(shí)對(duì)謠言的判斷具有不確定性，隨著更多信息的引入可能會(huì)發(fā)生變化.因此，本文對(duì)疫情期間的社交媒體謠言研究聚焦于對(duì)其傳播結(jié)構(gòu)和傳播要素的分析，不對(duì)謠言的真實(shí)性做探討.未來(lái)可以進(jìn)一步探索不同傳播平臺(tái)的謠言傳播差異，實(shí)現(xiàn)對(duì)謠言不同傳播途徑的分析.同時(shí)可以進(jìn)一步將本文的量化分析結(jié)論應(yīng)用到謠言的自動(dòng)檢測(cè)技術(shù)中，當(dāng)突發(fā)公共事件再次來(lái)臨時(shí)，助力于社交媒體謠言的自動(dòng)檢測(cè).

作者貢獻(xiàn)聲明：陳慧敏負(fù)責(zé)文章選題、實(shí)驗(yàn)設(shè)計(jì)及文章撰寫工作；金思辰主要參與謠言內(nèi)容分析工作，林微、朱澤宇主要參與謠言用戶分析工作，仝凌波主要參與謠言輿情分析工作.金思辰、林微、朱澤宇、仝凌波4位排名不分先后，同等貢獻(xiàn)；劉一芃主要負(fù)責(zé)數(shù)據(jù)的收集和整理；姜維翰參與謠言輿情分析工作；葉奕寧參與謠言用戶分析工作；劉知遠(yuǎn)、孫茂松、金兼斌老師為論文開展提供了寶貴的經(jīng)驗(yàn)，并對(duì)論文進(jìn)行修改.