高職院校網(wǎng)絡(luò)輿情應(yīng)對與處理

鄧飛

網(wǎng)絡(luò)對于高職院校學(xué)生具有極強(qiáng)的粘度和網(wǎng)絡(luò)傳播連鎖效應(yīng)，因此高職網(wǎng)絡(luò)輿情的應(yīng)對和處理就尤為重要?；谇楦芯S度的大數(shù)據(jù)網(wǎng)絡(luò)輿情情感傾向性分析的研究，可對高職院校網(wǎng)絡(luò)輿情應(yīng)對與處理進(jìn)行實(shí)證分析。利用網(wǎng)絡(luò)爬蟲技術(shù)和機(jī)器學(xué)習(xí)技術(shù)方法對高職院校學(xué)生關(guān)注的網(wǎng)絡(luò)輿情進(jìn)行情感趨勢和維度要素的實(shí)例分析，根據(jù)模型決策結(jié)果為高職輿情預(yù)警程度的判定、情感維度及狀況提供參考。

問題的提出

新聞輿論工作是黨的一項(xiàng)重要工作，輿論引導(dǎo)能力是國家治理能力的重要內(nèi)容。隨著社會對網(wǎng)絡(luò)輿情重視程度的不斷提高，很多學(xué)者對高校網(wǎng)絡(luò)輿情涉及到的各領(lǐng)域問題進(jìn)行了系統(tǒng)研究，包括高校網(wǎng)絡(luò)輿情的傳播路徑、形成機(jī)制、影響效果、事前、事中和事后的應(yīng)對與處理等方面。這些豐碩的研究成果無疑為高職院校網(wǎng)絡(luò)輿情應(yīng)對和處理提供了豐富的理論基礎(chǔ)和知識背景支撐。但縱觀這些研究，仍然存在一些不足之處。

首先，現(xiàn)有研究方法一般采用整體描述，缺乏有針對性的聚焦研究，特別是在實(shí)證研究方面缺少數(shù)據(jù)支撐，使得結(jié)果難以得到科學(xué)的驗(yàn)證;其次在研究內(nèi)容上，現(xiàn)有的研究局限于事件本身而忽視了與之高度關(guān)聯(lián)的社會結(jié)構(gòu)和社會文化;最后，在研究視角上，現(xiàn)有的研究主要集中在學(xué)生思想教育方面，而忽視了情感維度分析對輿情形式的研判、預(yù)警和系統(tǒng)引導(dǎo)作用。綜上所述，本文基于情感維度的大數(shù)據(jù)網(wǎng)絡(luò)輿情情感傾向性分析的研究對高職院校網(wǎng)絡(luò)輿情應(yīng)對與處理進(jìn)行實(shí)證分析，利用網(wǎng)絡(luò)爬蟲技術(shù)和機(jī)器學(xué)習(xí)技術(shù)對高職院校學(xué)生關(guān)注的網(wǎng)絡(luò)輿情進(jìn)行情感趨勢和維度要素實(shí)例分析，根據(jù)模型決策結(jié)果為預(yù)警程度的判定，為情感維度及狀況提供參考。

高職院校網(wǎng)絡(luò)輿情模型構(gòu)建

輿情理論分析

結(jié)合高職院校學(xué)生群體和網(wǎng)絡(luò)平臺的特點(diǎn)，可以發(fā)現(xiàn)：第一，高職學(xué)生的需求具有方向一致性和內(nèi)容個(gè)性化的特點(diǎn)。一致性是指高職學(xué)生關(guān)注點(diǎn)的認(rèn)同是類似的，個(gè)性化是指評論主體由于個(gè)體需求及所處環(huán)境不同，關(guān)注的具體問題不同;第二，高職院校網(wǎng)絡(luò)輿情情感態(tài)度存在對立面且具有動(dòng)態(tài)性，對于同一社會現(xiàn)象的評論風(fēng)向往往存在3種情緒：正向情緒、負(fù)向情緒和客觀情緒;第三，網(wǎng)絡(luò)輿情情感態(tài)度表現(xiàn)出顯性和隱基金項(xiàng)目：2019年度全國統(tǒng)計(jì)科學(xué)研究項(xiàng)目（2019LY69）性的特征。

基于情感維度的大數(shù)據(jù)網(wǎng)絡(luò)輿情情感傾向性分析模型構(gòu)建

1.構(gòu)建情感維度變量

情感維度是指群體在網(wǎng)絡(luò)輿論語境環(huán)境下，需要一些變量來指代情感態(tài)度的級別，如輿情強(qiáng)度、輿情情緒以及輿情關(guān)注對象。輿情強(qiáng)度變量標(biāo)簽使用低、中、高表示;輿情情緒使用中性、負(fù)向和正向表示;輿情關(guān)注對象使用切身利益、關(guān)注他人、關(guān)注社會表示。

2.分析模型構(gòu)建基本流程

基于情感維度的大數(shù)據(jù)網(wǎng)絡(luò)輿情情感傾向性分析模型構(gòu)建步驟包括：利用requests模塊和Xpath模塊編寫微博爬蟲程序，使用SnowNLP模塊進(jìn)行中文分詞和詞性標(biāo)注，構(gòu)建情感詞典、提取情感傾向詞、測算微博輿情情感分值以及數(shù)據(jù)可視化。

3.輿情數(shù)據(jù)抓取

本文以2020年8月14目的微博熱搜主題“北京高校秋季開學(xué)的疫情防控規(guī)定”為數(shù)據(jù)來源，利用Python語言編寫的爬蟲程序來抓取該主題下的轉(zhuǎn)發(fā)數(shù)量、評論數(shù)量和具體文本內(nèi)容以及點(diǎn)贊數(shù)量。截止到2020年8月22日，轉(zhuǎn)發(fā)數(shù)量為2636條，評論文本為5547條，點(diǎn)贊數(shù)量為139007條。

4.利用抓取的微博數(shù)據(jù)進(jìn)行情感分析

本文微博網(wǎng)絡(luò)輿情文本分析庫采用的是Pyhon第三方庫中的Snow自然語言處理庫。Snow自然語言處理庫使用了基于字符生成的模型進(jìn)行中文分詞，利用三階隱馬算法進(jìn)行詞性標(biāo)注，應(yīng)用樸素貝葉斯算法進(jìn)行文本分類，最后基于文本分級算法進(jìn)行提取文本關(guān)鍵詞。情感詞提取利用構(gòu)建的情感詞典對該微博評論文本的情感詞進(jìn)行判別、抽取，將情感詞映射到所屬類型上，最后計(jì)算該網(wǎng)絡(luò)輿情所包含的情感類別頻次。

本文參考情感測算公式，計(jì)算文本中正向情緒詞、負(fù)向情緒詞以及中性情緒詞的數(shù)量進(jìn)行傾向性計(jì)算。微博評論抓取的分析結(jié)果集中在0.6以下，因此輿論風(fēng)向傾向于消極，積極情感較為欠缺。

網(wǎng)絡(luò)輿情應(yīng)對與處理

從上述模型的分析結(jié)果看出，假如輿情表現(xiàn)出強(qiáng)烈的負(fù)向傾向，將會像導(dǎo)火索一樣引爆某個(gè)群體，引導(dǎo)整個(gè)校園輿論論調(diào)的滾動(dòng)方向。因此，高職院校網(wǎng)絡(luò)輿情應(yīng)對與處理應(yīng)該考慮如下方法：

一是利用信息手段構(gòu)建網(wǎng)絡(luò)輿情情感分析系統(tǒng)，重視事前應(yīng)對。本文通過程序設(shè)計(jì)構(gòu)建了一個(gè)輿情分析模型，從結(jié)果來看能夠比較真實(shí)地反映網(wǎng)絡(luò)用戶群體的思想動(dòng)態(tài)。

二是利用網(wǎng)絡(luò)輿情分析系統(tǒng)中的關(guān)鍵詞抽取，找到學(xué)生訴求而消解誤解和矛盾。在本文的模型分析中通過文本分析可以得到一些高頻詞匯，這些詞匯背后往往蘊(yùn)含著學(xué)生的訴求導(dǎo)向。

三是培養(yǎng)輿論領(lǐng)袖，引導(dǎo)“羊群效應(yīng)”。從網(wǎng)絡(luò)輿情的發(fā)展來看，在微博、朋友圈或自媒體上看到了熱點(diǎn)事件后，部分學(xué)生一開始還是不會表現(xiàn)出積極的意識形態(tài)，但是在少數(shù)的學(xué)生個(gè)體表達(dá)完具有“感召力”的言論后，輿論論調(diào)迅速攀升。