重大突發(fā)傳染病事件中網(wǎng)絡(luò)情緒的類型、演化及傳播效果研究
——基于新冠肺炎疫情期間微博輿情的分析

楊瀟坤 周書環(huán) 劉 庸

（1.蘭州大學(xué)易班發(fā)展中心大數(shù)據(jù)中心 蘭州 730030；2.蘭州大學(xué)西北少數(shù)民族研究中心 蘭州 730030；3.中山大學(xué)傳播與設(shè)計學(xué)院 廣州 510220；4.中山大學(xué)國家治理研究院 廣州 510220）

0 引言

2003年“非典”疫情發(fā)生時，全國網(wǎng)民僅有6 800 萬[1]，而在新冠肺炎疫情爆發(fā)的當下，網(wǎng)民數(shù)量增至8.54 億，互聯(lián)網(wǎng)普及率為61.2%[2]。隨著社交網(wǎng)絡(luò)服務(wù)（Social Networking Services，SNS）的飛速發(fā)展和即時通訊軟件的廣泛普及，突發(fā)事件引發(fā)的社會輿論不只是再依靠手機短信、人際溝通等“點對點”的形式傳播，而更多地是通過微博、貼吧等社交媒體進行病毒式、指數(shù)式、爆炸式的群體化傳播。新冠肺炎疫情發(fā)生后，人們在各大社交平臺上圍繞疫情相關(guān)話題展開了激烈討論，推動著信息的聚集和情緒的疊加，迅速形成了輿論熱點。作為輿論學(xué)研究的重點關(guān)注領(lǐng)域，情緒被視為一種輿論形式：潛在輿論是意見的萌芽或潛伏狀態(tài)，情緒則是其唯一外部形態(tài)[3]。在互聯(lián)網(wǎng)時代，網(wǎng)絡(luò)情緒作為人們藉由網(wǎng)絡(luò)互動和媒介傳播產(chǎn)生的相對穩(wěn)定的普遍情緒體驗，更成為網(wǎng)絡(luò)輿情的主要構(gòu)成內(nèi)容[4]。網(wǎng)絡(luò)情緒通過網(wǎng)絡(luò)動員機制影響網(wǎng)絡(luò)輿情朝特定方向發(fā)展，在輿情的生成擴散中發(fā)揮著關(guān)鍵作用[5]。由于新冠肺炎疫情與人們有著重大利害關(guān)系，因此易滋生恐慌、焦慮等情緒。一旦任由這類負面情緒通過社交媒體傳播彌漫，極有可能導(dǎo)致偏激、片面、非理性的“情緒型輿論”充斥網(wǎng)絡(luò)空間，進而誘發(fā)輿情風(fēng)險和次生危機。對應(yīng)的，倘若及時疏導(dǎo)網(wǎng)絡(luò)輿情中的消極情緒、提升積極情緒，則有助于正確引導(dǎo)網(wǎng)絡(luò)輿論走向，形成情理交融的“意見自由市場”。

盡管既有研究文獻對于各類突發(fā)事件輿情中的網(wǎng)絡(luò)情緒有所考察，也取得了一定的成果，但是較為缺少專門針對重大突發(fā)傳染病事件的網(wǎng)絡(luò)情緒研究，加之以往研究關(guān)于突發(fā)事件輿情中網(wǎng)絡(luò)情緒的傳播效果問題仍存在爭議，因此值得進一步展開討論。新浪微博在國內(nèi)擁有數(shù)量龐大的用戶群體和廣泛的影響力。與百度貼吧、微信等社交媒體相比，新浪微博具有互動功能強、用戶主體類型多元、信息開放式傳播等突出特點，是當前國內(nèi)網(wǎng)絡(luò)輿情研究的主要陣地，也是網(wǎng)絡(luò)情緒顯現(xiàn)的重要社交平臺之一。鑒于此，本文基于對新浪微博平臺的輿情數(shù)據(jù)挖掘，分析新冠肺炎疫情期間網(wǎng)絡(luò)情緒的類型傾向、演化過程及傳播效果，以期為重大突發(fā)傳染病事件發(fā)生后政府相關(guān)部門的網(wǎng)絡(luò)輿情治理和情緒引導(dǎo)工作提供切實的參考。

1 文獻綜述

網(wǎng)絡(luò)情緒不僅是諸多交叉學(xué)科關(guān)注的熱點，也是輿情研究必然涉及的對象[6]。迄今為止，國內(nèi)外針對突發(fā)事件輿情中的網(wǎng)絡(luò)情緒問題已經(jīng)開展了大量研究工作，積累了相當數(shù)量的研究成果。以往研究重點討論的課題歸納起來主要集中在網(wǎng)絡(luò)情緒的類型、演化和傳播效果三個方面。

從海量輿情數(shù)據(jù)中識別主觀的文本信息，將發(fā)言者對突發(fā)事件的情感態(tài)度分門別類是網(wǎng)絡(luò)情緒研究的主要目的之一。根據(jù)方法取向的不同，大體上可將相關(guān)研究分為理論分類和技術(shù)分類兩種。依賴于理論歸納和傳統(tǒng)方法，前者通過現(xiàn)象分析或測量工具對網(wǎng)絡(luò)情緒予以分類。如孫立明基于網(wǎng)絡(luò)現(xiàn)象理論劃分出網(wǎng)絡(luò)情緒的5 種表現(xiàn)[4]；Bollen 等人使用心理量表提取出Twitter平臺上常見的6 種網(wǎng)絡(luò)情緒[7]。隨著大數(shù)據(jù)時代用戶生成的數(shù)據(jù)空前增長，理論分類已經(jīng)無法滿足研究需求，學(xué)者們開始運用自然語言處理技術(shù)識別網(wǎng)絡(luò)情緒類型。此類研究以情緒傾向性分析為主，將突發(fā)事件輿情中的網(wǎng)絡(luò)情緒傾向分為正面、中性和負面三種或者積極和消極兩種[8-10]。然而，網(wǎng)絡(luò)情緒的復(fù)雜性往往無法以單純的正中負等傾向加以概括，如何通過技術(shù)手段識別更細粒度的情緒類型愈發(fā)引起研究者的重視。盡管不同情緒之間的黏合性和關(guān)聯(lián)性使得多情緒分類被視為一項復(fù)雜的工作，仍有學(xué)者在這一方面作出了積極的嘗試[11-12]。

在網(wǎng)絡(luò)情緒的多分類或傾向性分析的基礎(chǔ)上，動態(tài)地考察網(wǎng)絡(luò)情緒的演化過程有助于研究者研判輿情形勢、把握輿情規(guī)律。相關(guān)研究或從多個情感維度分析高校輿情事件中微博情緒的變化趨勢[13]，或根據(jù)網(wǎng)絡(luò)情緒熱度總結(jié)災(zāi)難事故發(fā)生后網(wǎng)絡(luò)輿情的演化態(tài)勢[14]，或結(jié)合輿情生命周期描畫網(wǎng)絡(luò)情緒的演進過程[15]?？傮w來看，大部分研究均表明，突發(fā)事件輿情中的網(wǎng)絡(luò)情緒呈現(xiàn)出由消極向積極演化的特點。例如，姜金貴等人以“紅黃藍虐童事件”為例，發(fā)現(xiàn)事件初期微博輿情中消極情緒比例較高，隨著時間的推移，積極情緒占比逐漸增加[16]；Nagy 和Stamberger分析2010年9月加州天然氣爆炸事故發(fā)生后24 小時內(nèi)Twitter 平臺上的用戶情緒發(fā)現(xiàn)，事故發(fā)生后的前12 個小時負面情緒占比遠大于正面情緒，隨后正面情緒比例逐漸上升并超過負面情緒[17]；Vo 和Collier 針對日本地震期間Twitter用戶情緒的研究也發(fā)現(xiàn)，在地震發(fā)生后的短時間內(nèi)，Twitter 發(fā)文的內(nèi)容以消極情緒為主，而在經(jīng)歷了地震帶來的恐懼和焦慮后，表達積極情緒的內(nèi)容數(shù)量逐漸增加[18]。

相較于情報學(xué)視閾下輿情研究對于網(wǎng)絡(luò)情緒類型及演化問題的關(guān)注，傳播學(xué)領(lǐng)域的研究者更加感興趣于網(wǎng)絡(luò)輿論中的情緒傳播問題。情緒傳播是指個體或群體的情緒及與其伴隨信息的表達、感染和分享的行為[19]。網(wǎng)絡(luò)輿論中的情緒主要通過網(wǎng)民發(fā)布的包含情緒因素或由情緒因素引發(fā)的言論傳播。情緒社會分享理論（Social Sharing of Emotion）指出，情緒事件發(fā)生后，個體傾向于自愿同他者分享自己的情緒體驗，情緒的分享又將誘發(fā)次級的分享行為，而置身于情緒分享環(huán)境中的個體所受到的情緒誘導(dǎo)強度愈高，其分享意愿便愈強烈[20]。這一理論為研究者解釋突發(fā)事件輿情中網(wǎng)絡(luò)情緒傳播的機制提供了思路。然而，以往研究在不同情緒傾向的網(wǎng)絡(luò)輿論的傳播效果問題上卻并未達成一致。一種觀點認為，突發(fā)事件輿情中相較于正面情緒和負面情緒，表達中性情緒的輿論更易于傳播。例如，Neppalli等人分析2012年颶風(fēng)“桑迪”（Hurricane Sandy）事件的Twitter 輿情發(fā)現(xiàn)，情緒傾向性明顯的輿論通常是個人觀點和情感的宣泄，所包含的信息量較小，而表達中性情緒的輿論更加客觀，信息量也更大，因此更容易被傳播[21]；Chen 等人則分析了颶風(fēng)“哈維”（Hurricane Harvey）事件中網(wǎng)民在Twitter 上的情緒反應(yīng)，也發(fā)現(xiàn)表達中性情緒的輿論轉(zhuǎn)發(fā)量最大，正面情緒次之，而負面情緒輿論的傳播效果最差[22]。另一種觀點則認為，突發(fā)事件輿情中具有明顯情緒傾向的輿論更易于傳播，特別是表達負面情緒的輿論[23-24]。劉叢等人針對2013年24 起輿情事件的微博情緒研究也得出了類似結(jié)論，即新浪微博上關(guān)注度高的輿情事件以負面事件為主，網(wǎng)民主要將微博作為消極情緒的宣泄口，所以負面情緒更容易在微博上廣泛傳播，而正面情緒與微博轉(zhuǎn)發(fā)量之間并無顯著的相關(guān)性[25]。

盡管既有研究成果頗為豐碩，但大部分是以單一事件或自然災(zāi)害、事故災(zāi)難等突發(fā)事件為切入點，關(guān)于突發(fā)公共衛(wèi)生事件特別是重大突發(fā)傳染病事件背景下的網(wǎng)絡(luò)情緒研究較少。不同于其他突發(fā)事件，傳染病事件具有易擴散、易反復(fù)、持續(xù)時間較長、涉事人群眾多等性質(zhì)。新冠肺炎疫情被認為是新中國成立以來蔓延速度最快、感染范圍最廣、防控難度最大的重大突發(fā)傳染病事件[26]，因而疫情期間的輿情情緒具有一定的研究價值。更重要的是，通過考察重大突發(fā)傳染病事件中網(wǎng)絡(luò)情緒的傳播效果，本文嘗試對以往研究在這一問題上存在的爭議作出回應(yīng)及補充。綜上所述，提出的研究問題如下：

研究問題一：疫情期間微博輿情中的網(wǎng)絡(luò)情緒分為哪些類型？

研究問題二：疫情期間微博輿情中的網(wǎng)絡(luò)情緒如何演化，呈現(xiàn)出何種特點？

研究問題三：疫情期間不同情緒傾向的微博輿論在傳播效果上有何差異？

2 研究框架與方法

2.1 研究框架

本文的總體研究流程框架包括數(shù)據(jù)獲取、數(shù)據(jù)處理和數(shù)據(jù)分析三個部分（見圖1）。第一部分，通過Python 編寫網(wǎng)絡(luò)爬蟲程序獲取疫情期間新浪微博上的輿情數(shù)據(jù)；第二部分，對所采集原始數(shù)據(jù)進行去重、刪失、過濾停用詞、中文分詞等預(yù)處理工作；第三部分，利用情緒詞典、樸素貝葉斯模型和Kruskal-Wallis 檢驗的方法分析疫情期間微博輿情中的網(wǎng)絡(luò)情緒。

圖1 研究流程框架圖

2.2 數(shù)據(jù)獲取

由于在新浪微博網(wǎng)頁端（weibo.com）上檢索出的信息存在顯示數(shù)量限制，本文選擇新浪微博移動端（m.weibo.cn）作為數(shù)據(jù)源。利用Python 3.7.0 及其自動化Web 應(yīng)用程序測試類庫Selenuim 3.6.0 編寫網(wǎng)絡(luò)爬蟲程序，程序?qū)⒆詣诱{(diào)用瀏覽器模擬人為登陸并爬取數(shù)據(jù)。在新浪微博上以“新冠肺炎”和“肺炎疫情”等關(guān)鍵詞進行檢索，采集自2019年12月31日至2020年3月4日間的微博用戶發(fā)文及發(fā)布時間、轉(zhuǎn)發(fā)量等信息。剔除所采集原始數(shù)據(jù)中重復(fù)、缺失、無效或與疫情無關(guān)的數(shù)據(jù)后，獲取有效微博數(shù)據(jù)41612條。需要說明的是，之所以將3月初作為數(shù)據(jù)采集截止時間，原因在于至3月4日，國內(nèi)疫情頂峰已過[27]，且當日全國21 個省份下調(diào)疫情防控應(yīng)急響應(yīng)級別[28]，可以認為此時國內(nèi)疫情形勢已基本穩(wěn)定，對疫情過程中網(wǎng)絡(luò)情緒的分析已能夠得出較為完整的結(jié)論。

2.3 數(shù)據(jù)預(yù)處理

利用Python 的正則表達式（Regular Expression）及自然語言處理類庫Jieba 0.42.1對微博文本進行分析之前的預(yù)處理工作，具體步驟包括：①清除微博文本中的圖片或視頻鏈接、@其他用戶的內(nèi)容及表情符號；②根據(jù)哈工大停用詞表和常用中文停用詞表過濾微博文本中的停用詞，避免冗余詞匯對情緒分析的干擾；③基于隱馬爾科夫模型（Hidden Markov Model；HMM）將微博文本切分為若干有意義的詞匯構(gòu)成的詞序列，并將結(jié)果儲存為向量化的詞袋（Bag of Words）形式。本文初步分詞后發(fā)現(xiàn)，盡管采用Viterbi 算法的HMM 模型在分詞時具有發(fā)現(xiàn)新詞的能力，但是對于“新型冠狀病毒”、“瑞德西韋”、“鐘南山”等術(shù)語人名并不能準確地識別。為此，本文將與此次新冠肺炎疫情相關(guān)的專業(yè)術(shù)語或特定詞匯人名整理后添加至自定義詞典并導(dǎo)入分詞系統(tǒng)，以優(yōu)化分詞效果。

2.4 研究方法

大數(shù)據(jù)技術(shù)的不斷發(fā)展為研究者捕獲數(shù)量級空前增長的輿情數(shù)據(jù)，并從中萃取有價值的情緒信息提供了方法支撐。目前應(yīng)用于網(wǎng)絡(luò)情緒分析的主流方法可分為基于詞典的方法和基于機器學(xué)習(xí)的方法兩大類[29]。前者依托情緒詞典，將輿情文本與詞典中表達情緒的關(guān)鍵詞加以匹配，通過所提取的情緒關(guān)鍵詞進行情緒類型的劃分或情緒傾向的計算；后者主要采用有監(jiān)督學(xué)習(xí)（Supervised Learning）算法，訓(xùn)練機器學(xué)習(xí)模型來測定輿情文本的情緒類型或情緒傾向。兩類方法各有利弊，基于詞典的方法更能夠體現(xiàn)文本的非結(jié)構(gòu)化特點，易于理解與解釋，但卻嚴重依賴于情緒詞典的容量與質(zhì)量，詞典中情緒詞的覆蓋率和標注準確率將直接影響分析效果，而基于機器學(xué)習(xí)的方法雖然在性能上更勝一籌，但是需要人工對訓(xùn)練語料集進行標注，耗費人力成本和時間成本。根據(jù)研究問題的不同，本文綜合運用兩類方法進行網(wǎng)絡(luò)情緒分析，同時通過統(tǒng)計檢驗的手段比較不同網(wǎng)絡(luò)情緒的傳播效果差異。

2.4.1 情緒詞典匹配

利用基于詞典的方法識別疫情期間微博輿情中的網(wǎng)絡(luò)情緒類型。將大連理工大學(xué)信息檢索研究室構(gòu)建的情感詞匯本體庫與所采集微博文本進行匹配，提取文本中的情緒關(guān)鍵詞。情感詞匯本體庫涵蓋27 466 個情感詞，所有詞匯被劃分為7 大類21 小類，分別為：好，包括贊揚、喜愛和祝愿等褒義情緒；樂，包括快樂、安心等正面情緒；怒，指憤怒等喚醒度較高的負面情緒；哀，指悲傷、失望、愧疚等喚醒度較低的消極情緒；懼，包括恐懼、慌亂等貶義情緒；惡，指憎惡、貶責(zé)、懷疑、妒忌等負面情緒；驚，包括驚奇、驚訝等情緒[30]。

2.4.2 樸素貝葉斯模型

借助Python 3.7.0 及其機器學(xué)習(xí)類庫Scikitlearn 0.21.2 構(gòu)建基于樸素貝葉斯（Naive Bayes）算法的機器學(xué)習(xí)模型測定微博文本的情緒傾向，并以天為時間粒度考察疫情期間網(wǎng)絡(luò)情緒的演化趨勢。作為經(jīng)典的生成模型（Generative Model），樸素貝葉斯算法具有易于實現(xiàn)、學(xué)習(xí)和預(yù)測效率較高的優(yōu)點[31]47。模型先通過訓(xùn)練數(shù)據(jù)學(xué)習(xí)特征（Feature）與標簽（Label）的聯(lián)合概率分布，然后計算后驗概率分布，依據(jù)期望風(fēng)險最小化原則預(yù)測給定特征時的標簽[32]。根據(jù)貝葉斯準則和條件獨立性假設(shè)進行推導(dǎo)[31]52-53，下式給出了微博文本情緒屬于正向的概率：

公式（1）中，h（·）為樸素貝葉斯模型的假設(shè)函數(shù)，S 為表示正向情緒的標簽，w 為向量化的文本特征。公式（1）計算得到的概率即文本的情緒傾向值，用于反映文本情緒趨近于正面的程度。作為概率，情緒傾向值介于0～1 之間，愈接近1 說明微博文本的情緒愈積極，愈接近0 則情緒愈消極。

2.4.3 Kruskal-Wallis 檢驗

根據(jù)樸素貝葉斯模型測定的情緒傾向值將疫情期間的微博情緒分為負面（情緒傾向值介于0 ～0.3 之間）、中性（情緒傾向值介于0.3 ～0.6之間）和正面（情緒傾向值介于0.6 ～1 之間）三類，同時以微博轉(zhuǎn)發(fā)量作為衡量傳播效果的表征指標，采用Kruskal-Wallis 檢驗的方法比較疫情期間表達不同情緒的微博輿論在傳播效果上的差異。Kruskal-Wallis 檢驗屬于單因素方差分析中的一種非參數(shù)方法，基本原理是將連續(xù)尺度的數(shù)據(jù)轉(zhuǎn)化為秩（Rank），從而擺脫總體分布對統(tǒng)計檢驗的限制[33]。如果數(shù)據(jù)不滿足單因素方差分析的正態(tài)性假設(shè)或方差齊性假設(shè)，則可以選擇Kruskal-Wallis 檢驗作為一種替代的統(tǒng)計檢驗方法。Kruskal-Wallis 檢驗構(gòu)造的H 統(tǒng)計量根據(jù)下式計算[34]:

公式（2）中，k 為獨立樣本組數(shù)，本文中即3 組微博情緒類別，ni 為第i 組樣本數(shù)，N 為樣本總數(shù)，為第i 組樣本秩和的均值，為全部樣本秩和的均值。可以證明，在大樣本條件下，H統(tǒng)計量近似服從于自由度為k-1 的卡方分布[34]。

3 結(jié)果與分析

3.1 疫情期間網(wǎng)絡(luò)情緒的類型

將所采集微博文本與情感詞匯本體庫進行匹配，提取到情緒關(guān)鍵詞6 221 個。情緒關(guān)鍵詞作為疫情期間微博上網(wǎng)絡(luò)情緒的高度概括，在一定程度上反映了微博輿情的主導(dǎo)情緒類型。詞頻數(shù)排名前20 的情緒關(guān)鍵詞見表1。正面情緒關(guān)鍵詞有14 個，表達了祝愿、贊揚、安心、尊敬、相信和喜愛6 種情緒類型，其中傳達祝愿含義的“希望”一詞出現(xiàn)次數(shù)最多，達到3 501 次；負面情緒關(guān)鍵詞有6 個，對應(yīng)了恐懼、貶責(zé)、煩悶和慌亂4 種情緒類型，其中具有恐懼含義的“害怕”一詞出現(xiàn)次數(shù)最多，為1 242 次。進一步地，對所提取的6 221 個情緒關(guān)鍵詞進行分類統(tǒng)計，橫坐標為情緒類型大類，縱坐標為情緒大類對應(yīng)的詞頻總數(shù)（見圖2）?？梢钥闯觯昂谩笔且咔槠陂g網(wǎng)民在微博上傳達的最主要情緒類型，該類型的詞頻總數(shù)達到89 185 次；其次是“惡”和“樂”2 種情緒，情緒關(guān)鍵詞分別出現(xiàn)了28 713 次和20 272 次；剩下的情緒類型中，“懼”和“哀”的情緒表達較為突出，詞頻總數(shù)均超過10 000 次，而“怒”和“驚”的情緒詞出現(xiàn)頻次較低。正面情緒（好、樂）關(guān)鍵詞總共出現(xiàn)109 457 次，占總詞頻數(shù)的67.1%；負面情緒（惡、懼、哀、怒）關(guān)鍵詞共計出現(xiàn)52 631次，占32.3%。上述結(jié)果表明，疫情期間“好”和“樂”是微博輿情中的主導(dǎo)情緒，具體包括祝愿、贊揚、安心等情緒類型；“惡”、“懼”、“哀”等負面情緒中則以恐懼、貶責(zé)、煩悶和慌亂為主。由此可知，盡管新冠肺炎疫情造成了一定的負面影響，但正面情緒在微博輿情中占據(jù)著主流地位，網(wǎng)民總體上保持著積極的情緒狀態(tài)。

表1 詞頻數(shù)排名前20 的情緒關(guān)鍵詞統(tǒng)計

圖2 疫情期間網(wǎng)絡(luò)情緒類型條形圖（基于7 大類）

3.2 疫情期間網(wǎng)絡(luò)情緒的演化

隨機選取所采集數(shù)據(jù)中表達正面情緒與負面情緒的微博文本各300 條，人工標注情緒傾向的正負作為訓(xùn)練語料。訓(xùn)練樸素貝葉斯模型并測定微博文本的情緒傾向值，部分結(jié)果見表2?？梢妭鬟_敬意和美好期愿的微博情緒傾向值較高，表述客觀內(nèi)容的微博情緒傾向值中等，表達抑郁憂懼的微博情緒傾向值較低，說明模型預(yù)測結(jié)果符合經(jīng)驗認知。

表2 樸素貝葉斯模型預(yù)測結(jié)果示例

根據(jù)情緒傾向值繪制疫情期間網(wǎng)絡(luò)情緒趨勢曲線圖，考察各天微博文本平均情緒傾向值隨時間的變化過程（見圖3）。將微博文本的情緒傾向分為負面（情緒傾向值介于0 ～0.3 之間）、中性（情緒傾向值介于0.3 ～0.6 之間）和正面（情緒傾向值介于0.6 ～1 之間）三類，考察不同情緒分布的時序變化（見圖4）。分析發(fā)現(xiàn)，盡管存在波動，疫情期間網(wǎng)絡(luò)情緒總體呈提升趨勢。在疫情初期，網(wǎng)絡(luò)情緒較為消極，情緒傾向值較低，負面情緒所占比重較高；隨著時間的推移，網(wǎng)絡(luò)情緒開始朝積極的方向演化，情緒傾向值逐漸上升，正面情緒占比也逐漸超過負面情緒并持續(xù)增加。此外，中性情緒變化相對平穩(wěn)，所占比重基本保持在10%～20%之間。這主要是由于此類微博多為通報疫情進展或普及防疫知識，內(nèi)容不具有明顯的情緒性。下面根據(jù)圖3 和圖4 從微觀層面對疫情期間網(wǎng)絡(luò)情緒的主要變化時段加以分析。

圖3 2019年12月31日～2020年3月4日微博情緒趨勢曲線圖

圖4 2019年12月31日～2020年3月4日微博情緒分布時序變化圖

2019年12月31日至2020年1月4日，情緒傾向值最低跌落至0.1 以下，負面情緒所占比重也一度超過80%，微博輿情中的網(wǎng)絡(luò)情緒較為消極。這主要是由于在疫情初始階段形勢不明朗、信息不充分的情況下，各種關(guān)于疫情的猜測和謠言在網(wǎng)絡(luò)上傳播，引起了網(wǎng)民的疑慮。不過此時人們對疫情尚未產(chǎn)生高度的關(guān)注，隨著武漢市政府及時發(fā)布情況通報、采取必要措施，1月5日之后網(wǎng)民的消極情緒有所緩解，情緒傾向值暫時回升。1月中旬，情緒傾向值驟然降低，負面情緒占比高于正面情緒，微博輿情整體上處于以消極情緒為主導(dǎo)的狀態(tài)。究其緣由，主要是因為疫情開始向全國范圍及海外蔓延，其嚴重性和危害性充分顯露。如國內(nèi)首次在武漢以外的地區(qū)出現(xiàn)確診病例，日本、泰國等其他國家也相繼確診有患者感染新冠肺炎，加之春運帶來的大量人口流動，導(dǎo)致網(wǎng)民對疫情蔓延的恐慌和憂懼情緒彌漫。1月下旬開始，情緒傾向值基本呈增長趨勢，特別是1月23日之后，微博輿情中的正面情緒所占比重始終大于負面情緒，網(wǎng)絡(luò)情緒從之前消極為主的狀態(tài)轉(zhuǎn)變成積極為主的狀態(tài)。這一時期，在政府、醫(yī)院、社會組織及廣大人民群眾的共同努力下，國內(nèi)疫情形勢逐漸得到控制，全國新增確診病例數(shù)量持續(xù)走低，生產(chǎn)生活逐步恢復(fù)正常。人們不再談“疫”色變，網(wǎng)絡(luò)情緒也愈加高漲，2月中旬以后，情緒傾向值基本維持在0.7以上。

3.3 疫情期間網(wǎng)絡(luò)情緒的傳播效果

負面、中性和正面三組情緒的微博轉(zhuǎn)發(fā)量描述統(tǒng)計指標、正態(tài)性檢驗和方差齊性檢驗結(jié)果見表3。無論是偏度（Skewness）還是峰度（Kurtosis），三組數(shù)據(jù)的分布均表現(xiàn)出顯著的非正態(tài)；Levene 檢驗結(jié)果顯著（P=0.006），表明三組數(shù)據(jù)的方差不相等。

表3 描述統(tǒng)計、正態(tài)性檢驗和方差齊性檢驗結(jié)果

由于數(shù)據(jù)不滿足單因素方差分析的正態(tài)性假設(shè)和方差齊性假設(shè)，本文采用Kruskal-Wallis檢驗的方法比較三種微博情緒的傳播效果之間是否存在差異，結(jié)果見表4。負面情緒的微博轉(zhuǎn)發(fā)量平均秩值為21 029.524，中性情緒的微博轉(zhuǎn)發(fā)量平均秩值為19 709.640，正面情緒的微博轉(zhuǎn)發(fā)量平均秩值為22 519.328，三組情緒的微博轉(zhuǎn)發(fā)量之間具有統(tǒng)計學(xué)意義上的顯著差異（H=591.150，P=0.001）。通過Bonferroni 法調(diào)整顯著性水平的多重比較發(fā)現(xiàn)，微博轉(zhuǎn)發(fā)量在正面情緒和負面情緒之間存在顯著差異（P=0.001），平均秩值之差為1 489.804，表明正面情緒較之負面情緒更易于在微博上傳播；微博轉(zhuǎn)發(fā)量在正面情緒和中性情緒之間存在顯著差異（P=0.001），平均秩值之差為2 809.688，表明正面情緒較之中性情緒更易于在微博上傳播；微博轉(zhuǎn)發(fā)量在負面情緒和中性情緒之間存在顯著差異（P=0.001），平均秩值之差為1 319.884，表明負面情緒較之中性情緒更易于在微博上傳播。

表4 Kruskal-Wallis 檢驗及多重比較結(jié)果（N=41612）

4 討論

在突發(fā)事件輿情中網(wǎng)絡(luò)情緒的傳播效果問題上，此前學(xué)者持有兩種觀點。一種認為中性情緒相較于具有明顯傾向性的情緒更易于傳播；另一種則認為負面情緒更易于在網(wǎng)絡(luò)輿論中傳播。然而，不同于以往研究，本文發(fā)現(xiàn)較之負面情緒和中性情緒，新冠肺炎疫情期間傳達正面情緒的微博輿論傳播效果最為突出。如前文所述，根據(jù)情緒社會分享理論，個體的情緒分享意愿與其所受到的情緒誘導(dǎo)強度呈正相關(guān)。相關(guān)實驗也發(fā)現(xiàn)，情緒喚醒度愈高的信息愈有可能激發(fā)人們的分享行為[35]。既然如此，為何同樣具有高喚醒度和強刺激性，疫情期間微博輿情中正面情緒的傳播效果卻優(yōu)于負面情緒呢？本文認為，最有可能的原因是事件性質(zhì)的差異。以往研究多關(guān)注單一事件或自然災(zāi)害、事故災(zāi)難等突發(fā)事件輿情中的網(wǎng)絡(luò)情緒，而本文則以新冠肺炎疫情這一重大突發(fā)傳染病事件為背景。新冠肺炎疫情屬于“天災(zāi)”，而非人為因素引發(fā)的“人禍”，其蔓延速度之快、感染范圍之廣，威脅到每個人的生命安全和身體健康，嚴重性和危害性遠甚于之前研究關(guān)注的事件，因此人們更加需要正面情緒的鼓舞以提升抗擊疫情的信心和斗志。況且，人類表達中本就存在著“積極偏見（Positive Bias）”，即人們在談?wù)撁篮檬挛飼r的心理感覺更好，因而傾向于回避消極話題、討論積極話題[36]。由于此次疫情持續(xù)時間長、各類主體參與范圍廣，積極偏見容易在網(wǎng)絡(luò)輿情中顯現(xiàn)，從而使得正面情緒得以更持久地傳播。

與既有研究發(fā)現(xiàn)一致，疫情期間網(wǎng)絡(luò)情緒也呈現(xiàn)出由消極向積極演化的特點。轉(zhuǎn)變的關(guān)鍵拐點出現(xiàn)在1月23日，結(jié)合該時間點前后的相關(guān)事件進行分析，本文認為政府舉措和媒體報道是促成網(wǎng)絡(luò)情緒轉(zhuǎn)變的主要原因。一方面，政府采取的一系列干預(yù)舉措有效安撫了網(wǎng)民因疫情蔓延產(chǎn)生的消極情緒。例如武漢全市暫時關(guān)閉離漢通道、湖北省啟動重大突發(fā)公共衛(wèi)生事件一級響應(yīng)、中央部委協(xié)同各地方政府開展全國疫情聯(lián)防聯(lián)控工作等。這表明，政府相關(guān)部門應(yīng)對突發(fā)重大傳染病事件的態(tài)度、時效和舉措在很大程度上影響著網(wǎng)絡(luò)情緒走向。另一方面，各大媒體配合政府實時報道全國疫情最新動態(tài)、派駐記者赴疫情一線實地采訪，在滿足疫情期間人們信息需求的同時，通過報道戰(zhàn)“疫”中的人物事跡振奮人心。焦點事件理論（Focusing Events）認為，公共安全危機中媒體的議程設(shè)置（Agenda Setting）將吸引公眾的注意力[37]。因此，從1月下旬開始，媒體的報道議程在一定程度上推動了微博輿情朝正能量的方向發(fā)展，起到了寬緩消極網(wǎng)絡(luò)情緒的作用。

5 結(jié)論與建議

5.1 主要結(jié)論

網(wǎng)絡(luò)情緒作為研究網(wǎng)絡(luò)輿情的重要依據(jù)，一定程度上就是網(wǎng)絡(luò)輿情的主要表現(xiàn)形態(tài)。本文通過Python 編寫網(wǎng)絡(luò)爬蟲程序獲取新浪微博上的輿情數(shù)據(jù)，經(jīng)過數(shù)據(jù)清洗及預(yù)處理后，運用情緒詞典、樸素貝葉斯模型、Kruskal-Wallis 檢驗的方法，從類型傾向、演化過程和傳播效果三個方面分析了新冠肺炎疫情期間的網(wǎng)絡(luò)情緒。研究主要得到如下結(jié)論：①正面情緒是疫情期間微博輿情中的主導(dǎo)情緒，而負面情緒則以恐懼、貶責(zé)、煩悶和慌亂為主；②疫情期間網(wǎng)絡(luò)情緒經(jīng)歷了由消極為主向積極為主的演化過程，總體呈提升趨勢；③不同網(wǎng)絡(luò)情緒的傳播效果之間存在顯著差異，正面情緒較之負面情緒和中性情緒更易于傳播。

5.2 實務(wù)建議

結(jié)合分析結(jié)果，本文對重大突發(fā)傳染病事件發(fā)生后政府相關(guān)部門的網(wǎng)絡(luò)輿情治理和情緒引導(dǎo)工作提出幾點參考建議。①及時回應(yīng)訴求，防范次生輿情。所謂“次生輿情”，即輿情過程中出現(xiàn)新的刺激性因素引發(fā)的針對輿情主體或其他主體的新的輿情事件[38]，其生成發(fā)酵的重要原因是負面情緒的激發(fā)推動，根本原因則是民眾訴求無法得到及時滿足[39]。此次新冠肺炎疫情過程中次生輿情事件時有發(fā)生，“主體輿情”與“次生輿情”之間的“變焦轉(zhuǎn)換”使得網(wǎng)絡(luò)情緒間或波動，圖3 中1月下旬以后情緒傾向值出現(xiàn)數(shù)次回落便與之有關(guān)。研究表明，情緒累積效應(yīng)在突發(fā)公共事件中對于輿情走向具有重要影響[40]。因此，政府相關(guān)部門在重大突發(fā)傳染病事件中應(yīng)實時關(guān)注輿情動向、及時回應(yīng)民眾訴求，特別是需要加強與醫(yī)院、慈善機構(gòu)、公益組織等多元社會主體的聯(lián)動協(xié)作，相互配合與監(jiān)督，防范次生輿情事件導(dǎo)致的負面網(wǎng)絡(luò)情緒累積，從而穩(wěn)定網(wǎng)絡(luò)輿情。②強化信息公開，警惕信息疫情?！靶畔で螅↖nformation Seeking）”是人們在公共危機中的本能反應(yīng)[41]，權(quán)威信息缺失或模糊易使人們對不實消息的辨識能力下降[42]，助長網(wǎng)絡(luò)謠言滋生，引起恐慌、不安或疑懼情緒。從“謠言”一詞頻繁出現(xiàn)在微博用戶發(fā)文中可窺知（見表1），新冠肺炎疫情期間，網(wǎng)絡(luò)謠言是網(wǎng)民負面情緒的誘發(fā)性來源之一。這說明，重大突發(fā)傳染病事件中政府相關(guān)部門應(yīng)時刻警惕“信息疫情（Infodemic）”，充分貫徹信息發(fā)布的透明性和及時性原則，第一時間將事件的起因進展等信息公之于眾，并配合媒體科普預(yù)防知識、辟謠虛假信息。③多措并舉，提升正面情緒。本文發(fā)現(xiàn)重大突發(fā)傳染病事件下正面情緒更易于在網(wǎng)絡(luò)輿情中傳播，這啟示政府相關(guān)部門應(yīng)通過采取加大正面宣傳報道力度、選用培育網(wǎng)絡(luò)意見領(lǐng)袖、疏通情緒宣泄渠道、構(gòu)建利益表達機制等多種舉措提升網(wǎng)民的正面情緒，促進網(wǎng)絡(luò)輿情朝積極方向發(fā)展。