基于利益相關(guān)者的突發(fā)事件網(wǎng)絡(luò)輿情演化研究

張教萌，師榮蓉

（1.西北大學(xué)數(shù)學(xué)學(xué)院，西安 710127；2.西北大學(xué)經(jīng)濟與管理學(xué)院，西安 710127）

1 引 言

突發(fā)公共衛(wèi)生事件會威脅到人們的生命安全和財產(chǎn)安全，隨即會產(chǎn)生大范圍的社會輿情。社會輿情的表現(xiàn)形式之一是網(wǎng)絡(luò)輿情，然而社交平臺用戶的發(fā)言存在有主張、少依據(jù)、易于情緒化的特征，在突發(fā)事件出現(xiàn)后容易引發(fā)謠言蔓延、群體極化以及利益相關(guān)群體迅速聚集形成群體壓力等危機，所以需要對突發(fā)事件下的網(wǎng)絡(luò)輿情進行監(jiān)管。微博平臺作為突發(fā)事件期間獨特的網(wǎng)絡(luò)輿情信息來源，蘊含豐富的時空信息，對事件的態(tài)勢感知和防控工作有著重要意義。微博數(shù)據(jù)龐大、內(nèi)容混雜，因此，如何通過從非結(jié)構(gòu)化數(shù)據(jù)中快速提取事件信息，進而有效地監(jiān)督互聯(lián)網(wǎng)輿情，并進行正確的輿論疏導(dǎo)就顯得尤為必要。本文以“新冠肺炎”為關(guān)鍵字搜索相關(guān)微博，剔除偏僻詞和頻繁詞對主題提取的影響，先通過LDA（latent Dirichlet allocation）與LDA2vec串行的方法提取主題，并利用SnowNLP計算文本情感值，再劃分時間切片和突發(fā)事件的利益相關(guān)者，最后分別通過絕對關(guān)注度和相對關(guān)注度兩種統(tǒng)計方式得到利益相關(guān)者的輿論演化模式。通過分析社交平臺的輿論演化過程，發(fā)掘不同利益相關(guān)者的關(guān)注點，厘清利益相關(guān)者之間的影響關(guān)系，將有助于及時掌握網(wǎng)絡(luò)輿情的演化態(tài)勢，為政府介入、引導(dǎo)和研判網(wǎng)絡(luò)輿情態(tài)勢提供理論依據(jù)。另外，及時對突發(fā)事件中社交平臺的信息進行復(fù)盤，也有利于為以后突發(fā)事件的輿論監(jiān)控提供決策參考。

2 相關(guān)研究

近年來，隨著自然語言處理技術(shù)的進步，越來越多的學(xué)者利用機器學(xué)習(xí)和深度學(xué)習(xí)算法研究突發(fā)事件的網(wǎng)絡(luò)輿情，這類研究主要集中于突發(fā)事件的話題識別和情感分析兩個方面。

關(guān)于突發(fā)事件話題的識別主要是利用主題模型對社交平臺上某一段時間內(nèi)的全局話題做演變分析，進而了解不同領(lǐng)域的話題演變過程，發(fā)掘不同時期內(nèi)的熱門話題[1]，其中使用最多的是基于LDA的主題模型。針對突發(fā)社會安全事件，吳曉娟[2]利用LDA模型分析“藍(lán)色錢江縱火案”在不同輿情時期的微博話題演化過程。針對突發(fā)事故災(zāi)難事件，Xiong等[3]基于LDA模型捕捉了“印度金奈水危機”事件中的熱點話題，并通過WordNet計算主題熱度來判別一條文本的主題類別。針對突發(fā)自然災(zāi)害事件，Sadri等[4]和Yuan等[5]利用LDA提取颶風(fēng)期間的Twitter數(shù)據(jù)中公眾關(guān)注的問題。王艷東等[6]將支持向量機（support vector machine，SVM）[7]與LDA結(jié)合，先通過主題建模發(fā)現(xiàn)隱藏在微博文本集合中的主題，再利用SVM進行文本主題分類，實現(xiàn)應(yīng)急主題的實時分類與定位，以獲取突發(fā)自然災(zāi)害的主題趨勢和空間分布。Wu等[8]以“2016年中國合肥暴雨洪澇災(zāi)害”為例，將LDA與密度聚類算法結(jié)合，以探索空間子類別的主題。針對突發(fā)公共衛(wèi)生事件，趙華等[9]對H7N9事件中微博和Twit‐ter兩個平臺的主題演化差異進行了對比。Wang等[10]利用LDA模型識別新冠肺炎疫情期間用戶最常發(fā)布的主題，并結(jié)合點贊量、評論量和轉(zhuǎn)發(fā)量等數(shù)據(jù)對不同話題進行了用戶行為分析，研究了用戶關(guān)注度的變化和話題參與度差異。劉雅姝等[11]在突發(fā)事件網(wǎng)民評論的話題圖譜上，利用LDA模型提取了話題圖譜實體中的話題和時間屬性，從多維特征融合角度追蹤突發(fā)事件輿情的演化過程。

突發(fā)事件網(wǎng)絡(luò)輿情的情感分析是指對社交平臺上發(fā)布的相關(guān)文本進行文本情感分析，包含文本情感分類、情感傳播、情感演化等方面的研究。Nep‐palli等[12]對“桑迪”颶風(fēng)期間發(fā)布的推特文本進行地理標(biāo)記的情感分析，在以颶風(fēng)為中心的地理地圖上可視化在線用戶的情緒，分析用戶地理位置與情緒的關(guān)系。Zhang等[13]利用SVM模型對颶風(fēng)“艾瑪”事件的微博做細(xì)粒度情感分類，并在此基礎(chǔ)上使用負(fù)二項回歸分析了情緒和生命周期對信息傳播的影響，使用雙因素方差分析驗證了情緒與生命周期之間的相互作用。崔彥琛等[14]以“藍(lán)色錢江縱火案”為例，采用詞集合并法、SO-PMI（semantic orientation from pointwise mutual information）、PMIIR（pointwise mutual information and information re‐trieval）等方法構(gòu)建了專屬情感詞典，并基于該情感詞典和時間序列分析方法進行了實證分析。Huang等[15]由微博轉(zhuǎn)發(fā)關(guān)系構(gòu)建微博用戶的社會關(guān)系網(wǎng)絡(luò)，并運用社交網(wǎng)絡(luò)分析方法和情感挖掘分析技術(shù)研究了輿論傳播中主體與環(huán)境之間的相互作用和演化機制。安璐等[16]則在構(gòu)建微博用戶社會關(guān)系網(wǎng)絡(luò)的基礎(chǔ)上，將用戶劃分為不同的利益相關(guān)者類型，利用情感詞典與句法分析的方法進行情感計算，將情感計算結(jié)果嵌入構(gòu)建的社會網(wǎng)絡(luò)中，得到利益相關(guān)者的社會網(wǎng)絡(luò)情感圖譜。

已有文獻無疑是值得肯定和借鑒的，針對突發(fā)事件網(wǎng)絡(luò)輿情的研究，本文在以下三點加以補充和完善：從研究視角來講，較少有加入突發(fā)事件利益相關(guān)者視角的研究，然而突發(fā)事件網(wǎng)絡(luò)輿情從醞釀到爆發(fā)是由多個利益相關(guān)者相互作用產(chǎn)生的結(jié)果，故本文劃分了11類突發(fā)公共衛(wèi)生事件的利益相關(guān)者，分別觀察這11類利益相關(guān)者在事件發(fā)展過程中的輿論主題變化和情感變化；從使用的主題模型來講，已有文獻主要使用基于LDA的改進模型，本文使用LDA與LDA2vec串行的方法，不僅提高了單獨使用LDA模型在大規(guī)模文本數(shù)據(jù)上進行主題提取的準(zhǔn)確率，還提高了單獨使用LDA2vec模型的實現(xiàn)效率；從統(tǒng)計分析方法來講，本文通過統(tǒng)計絕對關(guān)注度和相對關(guān)注度，得到利益相關(guān)者的絕對關(guān)注話題演化和相對關(guān)注話題演化過程，既縱向?qū)Ρ攘死嫦嚓P(guān)者自身對不同話題的關(guān)注程度，又橫向?qū)Ρ攘死嫦嚓P(guān)者相比于其他利益群體對話題的興趣差異。因此，本文使用LDA與LDA2Vec串行模型提取主題，借助SnowNLP判別文本情感傾向，研究突發(fā)公共衛(wèi)生事件中利益相關(guān)者的話題演化與情感演化特征。

3 研究設(shè)計

微博輿情演化模式分為主題演化和情感演化，分別利用LDA與LDA2Vec串行模型和SnowNLP實現(xiàn)。將微博用戶劃分為11類新冠肺炎疫情的利益相關(guān)者，統(tǒng)計并可視化得到每類利益相關(guān)者的話題和情感演化過程，研究路線如圖1所示。

3.1 主題提取

主題提取是指利用主題模型發(fā)掘文檔集合中抽象的主題。本文的主題建模涉及LDA模型和LDA2vec模型，下面對它們分別加以介紹。

3.1.1 LDA主題模型

LDA是由Blei等[17]提出的經(jīng)典主題模型，用來識別隱藏在大規(guī)模文檔集或語料庫中的主題信息。它是一種三層貝葉斯概率模型，包含文檔層、主題層和詞層，它假設(shè)整個文檔集合存在K個互相獨立的主題，每個文檔是K個主題的多項式分布，而每個主題又是詞的多項式分布，且多項式分布的先驗分布是Dirichlet分布，即對于任一文檔d和任一主題k，其主題分布和詞分布滿足

其中，α和β為分布的超參數(shù)。對于任一文檔d中的第n個詞，其主題編號z dn的分布和該主題編號下的詞ωd n的分布滿足

則M篇文檔對應(yīng)M個獨立的Dirichlet-multinomial共軛結(jié)構(gòu)。同樣，K個主題對應(yīng)K個獨立的Dirichletmultinomial共軛結(jié)構(gòu)，由貝葉斯推斷就可以得到基于Dirichlet先驗分布的θd和φk的后驗分布。

3.1.2 LDA2vec主題模型

LDA2vec是一種融合word2vec[18]與LDA的主題模型[19]，結(jié)合了word2vec和LDA的最佳部分。LDA2vec專門在word2vec的skip-gram模型基礎(chǔ)上建模，將詞向量和文檔向量融合進同一個向量空間中同時訓(xùn)練。skip-gram模型通過某個輸入的單詞預(yù)測其上下文詞語的方法來學(xué)習(xí)詞向量，而LDA2vec則使用上下文向量來進行預(yù)測，該上下文向量被創(chuàng)建為詞向量和文檔向量的總和，其中詞向量由skip-gram模型生成，文檔向量是文檔權(quán)重向量和主題矩陣的加權(quán)組合。

LDA2vec模型的損失函數(shù)為

LDA2vec模型在大規(guī)模數(shù)據(jù)上的表現(xiàn)比LDA模型好，但是LDA2vec對設(shè)備GPU的要求比較高，所以會影響到模型實現(xiàn)的效率。然而，如果將LDA模型與LDA2vec模型串行[20]，即先利用word2vec和LDA對語料庫進行訓(xùn)練，再利用LDA2vec中的核心算法進行迭代計算得到文本的主題概率分布，那么不僅能夠有效地提高主題提取的準(zhǔn)確率，還能夠有效地提高程序運行效率。

3.2 文本情感值計算

情感分類是指對帶有感情色彩的文本進行分析，判別其情感傾向的過程。SnowNLP是Python的一個自然語言處理庫，它可以快速且高效地處理中文文本內(nèi)容，并且自帶訓(xùn)練語料，可以直接使用SnowNLP庫做文本情感分類。SnowNLP的情感值計算以樸素貝葉斯分類算法為理論基礎(chǔ)，計算目標(biāo)詞匯屬于正類或負(fù)類的后驗概率，且將該概率值作為情感值，數(shù)值越接近于1，表示文本內(nèi)容越積極，而越接近于0，則越消極。其計算公式為

依據(jù)文獻[21]，將情感值大于等于0.5的微博視為具有積極情感傾向的微博，而情感值小于0.5的微博則視為具有消極情感傾向的微博。

3.3 利益相關(guān)者的劃分

借鑒文獻[22-23]，從新冠肺炎疫情中主要涉及的社會角色——抗疫一線單位、政府、媒體和平民來做利益相關(guān)者的劃分?？紤]到此次疫情還對旅游業(yè)和學(xué)生復(fù)學(xué)升學(xué)產(chǎn)生了重大影響，故將旅游服務(wù)機構(gòu)和學(xué)校加入利益相關(guān)者當(dāng)中。通過提取用戶的微博認(rèn)證標(biāo)志和用戶主頁中的“行業(yè)分類”信息可以直接得知用戶分類；而對于沒有“行業(yè)分類”信息的用戶，則通過用戶名和用戶主頁內(nèi)“簡介”中的關(guān)鍵詞來進行用戶分類。具體分類標(biāo)準(zhǔn)如表1所示。

表1 新冠肺炎疫情利益相關(guān)者的劃分標(biāo)準(zhǔn)

4 實證分析

4.1 數(shù)據(jù)收集與預(yù)處理

以“新冠肺炎”為搜索關(guān)鍵詞，采集2020-01-21至2020-10-31時間段內(nèi)的原創(chuàng)微博，共計69922條。對收集的文本進行數(shù)據(jù)清洗，清洗規(guī)則如下：①刪除無效的微博；②刪除重復(fù)項，只保留一條；③去掉文本中的鏈接、@其他用戶、表情。建立“新冠肺炎”詞庫，防止如“人傳人”“火神山”等特殊詞匯被錯誤分詞。利用Python中的jieba庫對清洗后的數(shù)據(jù)進行分詞、去停用詞，然后通過統(tǒng)計詞頻，刪除在每條微博中出現(xiàn)概率小于0.1%的偏僻詞和出現(xiàn)概率接近100%的頻繁詞，最后刪除剩余字段數(shù)量小于8個的過短文本，得到59034條預(yù)處理后的數(shù)據(jù)。其中，用戶數(shù)量分布為普通群眾占比63%，自媒體占比20%，非衛(wèi)生領(lǐng)域政府部門占比8%，其余占比9%；發(fā)文數(shù)量分布為普通群眾占比36%，主流媒體占比23%，自媒體占比22%，其余占比19%。

4.2 時間切片的劃分

由于微博指數(shù)只保留近90天的數(shù)據(jù)，故參考百度指數(shù)進行時間切片的劃分，截取的“新冠肺炎”百度指數(shù)曲線如圖2所示。

由于“新冠肺炎”的百度指數(shù)具有多峰長尾的特征，不滿足經(jīng)典生命周期理論[24-25]，所以本文依據(jù)疫情的發(fā)展階段進行時間切片的劃分。從圖2中可以觀察到幾個比較具有階段特征的低谷點，分別是4月12日、6月6日和8月2日，再結(jié)合歷史新聞，“4月8日武漢市解除封城”“5月27日美國新冠死亡人數(shù)超過10萬人，成為全球第一個死亡病例超過10萬例的國家”“8月9日，巴西成為全球第二個死亡病例超過10萬例的國家”；因此，我們按這幾個時間節(jié)點將時間切片劃分為國內(nèi)疫情爆發(fā)期、國內(nèi)疫情平穩(wěn)期、國際疫情爆發(fā)期和國際疫情平穩(wěn)期。時間切片的起止日期和期間的微博數(shù)量如表2所示。

圖2 “新冠肺炎”的百度指數(shù)曲線

表2 數(shù)據(jù)清洗后的微博文本分布情況

4.3 新冠肺炎疫情微博主題演化

利用LDA與LDA2vec串行的方法提取“新冠肺炎”微博中的主題。當(dāng)設(shè)置主題數(shù)量K=40時，主題困惑度到達一個低谷點，主題之間具有較好的獨立性，提取結(jié)果也相對穩(wěn)定。經(jīng)過主題提取后，得到每條微博的主題概率分布，視概率最大的主題為對應(yīng)微博的主題，即

其中，Topici表示第i條微博的主題；P(Topici,k)表示第i條微博屬于第k主題的概率。統(tǒng)計不同時間切片內(nèi)各主題的微博數(shù)量，繪制主題熱度演變堆積圖，如圖3所示。

圖3 主題熱度演變

由圖3可以直觀地看出，關(guān)于新冠肺炎疫情的實時報道（T8）是所有話題中熱度最高的，在P3時期的占比高達27%。這是由于國際疫情爆發(fā)與國內(nèi)疫情復(fù)發(fā)，導(dǎo)致疫情通報數(shù)量大幅增加；其次，中央及地方政府防疫工作（T13）熱度排名第二，說明公眾十分關(guān)注政府的抗疫作為；關(guān)于美國政府對新冠肺炎疫情的態(tài)度（T2）位列話題熱度第三，該話題主要包含美國政府未向美國民眾傳達新冠病毒的真實危害、特朗普推薦的“新療法”等內(nèi)容。話題的熱度演變規(guī)律基本符合事實。例如，圍繞火神山、雷神山兩所醫(yī)院的話題（T6）和新冠肺炎患者成功治愈的新聞（T22）在前兩個時間切片中的數(shù)量較多，而后大幅減少，符合國內(nèi)疫情的發(fā)展情況；關(guān)于表彰抗疫工作杰出代表（T15）和致敬最美逆行者（T16）兩個話題在國內(nèi)疫情爆發(fā)期（P1）內(nèi)大量出現(xiàn)，之后減少，是因為9月、10月陸續(xù)舉辦的抗擊新冠肺炎疫情表彰大會而熱度回升；隨著新冠肺炎疫苗的研究和臨床試驗不斷推進，相關(guān)話題（T3）數(shù)量在P4時期大幅增長。

為進一步總結(jié)歸納輿論的分布情況，本文將40個主題歸類為5個大的輿論分支，每個輿論分支包含的主題編號如表3所示。

表3 40個主題的分類情況

統(tǒng)計各時間切片內(nèi)各輿論分支的微博數(shù)量，繪制輿論分支熱度演變堆積圖，如圖4所示。

圖4顯示，在國內(nèi)疫情爆發(fā)期（P1），抗疫行動是被討論最多的輿論分支，主要包含社會對政府工作的關(guān)注，以及如“武漢加油”“致敬最美逆行者”等社會正能量的涌現(xiàn)。隨著國內(nèi)疫情逐漸穩(wěn)定而國際疫情日益嚴(yán)重，關(guān)于國際疫情的話題數(shù)量與P1時期相比明顯增加。雖然有關(guān)經(jīng)濟民生方面的微博數(shù)量相對較少，但是如“企業(yè)破產(chǎn)”“旅游業(yè)重創(chuàng)”“學(xué)生返校復(fù)學(xué)”等話題一度也成為熱議內(nèi)容。

圖4 輿論分支熱度演變

4.4 新冠肺炎疫情利益相關(guān)者的關(guān)注點

依據(jù)3.3節(jié)中的利益相關(guān)者劃分標(biāo)準(zhǔn)，統(tǒng)計各類利益相關(guān)者在每個話題下的微博發(fā)布數(shù)量，得到他們最關(guān)注的5個話題，如圖5所示。

圖5 各類利益相關(guān)者最關(guān)注的5個話題

圖5中每一行表示對應(yīng)利益相關(guān)者最關(guān)注的5個話題。有3組利益相關(guān)者的關(guān)注點在組內(nèi)高度重合，如非衛(wèi)生領(lǐng)域政府部門和學(xué)校最關(guān)注的5個話題完全一致，而醫(yī)療衛(wèi)生部門也有4個話題與上述兩者一致；主流媒體、自媒體和醫(yī)療健康媒體三者最關(guān)注的5個話題完全一致，而普通群眾除了“致敬最美逆行者”話題以外，皆與上述三者一致；醫(yī)院和公益組織也共同關(guān)注了3個話題。由此可見，利益相關(guān)者的關(guān)注點與其在突發(fā)公共衛(wèi)生事件中扮演的社會角色緊密相關(guān)——媒體和普通群眾代表了信息傳播者，政府部門和學(xué)校代表了行政事業(yè)單位，而醫(yī)院和公益組織代表了抗疫一線。

雖然利益相關(guān)者的關(guān)注點受其角色屬性影響，但是不同利益相關(guān)者的關(guān)注傾向仍存在差異。下文將圖5中兩組具有較多共同話題的利益相關(guān)者加以對比，如圖6所示。

圖6 利益相關(guān)者話題分布差異(彩圖請見https://qbxb.istic.ac.cn/CN/volumn/home.shtml)

如圖6所示，主流媒體的話題分布相對均勻，沒有明顯的偏向；醫(yī)療健康媒體主要關(guān)注疾病本身，承擔(dān)了更多的健康知識普及的職責(zé)；自媒體熱衷于國際疫情和經(jīng)濟民生中容易引發(fā)社會討論的話題，因為這類話題能夠為自媒體平臺吸引更多的關(guān)注和粉絲；普通群眾則在疫情通報上投入了更多的關(guān)注。對于同屬于行政事業(yè)單位性質(zhì)的3類利益相關(guān)者，他們關(guān)注的話題在分布上都呈現(xiàn)出了對抗疫行動相關(guān)話題的偏向。不同的是，醫(yī)療衛(wèi)生部門明顯顯示出了其醫(yī)療屬性，學(xué)校則需要關(guān)心如學(xué)生返校復(fù)學(xué)等民生問題。

4.5 新冠肺炎疫情利益相關(guān)者的輿論演化模式

統(tǒng)計各類利益相關(guān)者在各個時間切片下所有話題的微博數(shù)量，即話題的絕對關(guān)注度，得到每類利益相關(guān)者在特定時間段內(nèi)絕對關(guān)注度最高的話題，并計算對應(yīng)的情感值。可視化所有利益相關(guān)者的絕對關(guān)注話題及情感演化過程，如圖7所示。

首先，分析利益相關(guān)者的話題演化特征。從時間流的角度來看，各類利益相關(guān)者關(guān)注的話題在疫情爆發(fā)期內(nèi)比較一致，而在疫情平穩(wěn)期內(nèi)比較分散，這說明在突發(fā)公共衛(wèi)生事件中人們先是關(guān)注于當(dāng)下影響力較強的話題，或者是一些社會上急需解決的問題，而后才逐漸關(guān)注與其利益相關(guān)的話題。從主體的角度來看，在圖6中話題重合度較高的3組利益相關(guān)者——醫(yī)院與公益組織，政府部門與學(xué)校，媒體與普通群眾，他們同樣具有相似的話題演化過程，說明在突發(fā)公共衛(wèi)生事件中相同角色屬性的利益相關(guān)者具有相似的話題演化。前兩組易于理解，而對于媒體與群眾，一個是信息的主要發(fā)布者，一個是信息的主要接收者和擴散者，兩者都是信息傳播過程中的重要角色。在危機傳播的過程中，媒體起著搭起政府與公眾之間信息傳遞通道的“中間人”的作用，是讓信息得以大規(guī)模擴散的主要渠道[26]，其中主流媒體充當(dāng)著輿情的預(yù)警者、引導(dǎo)者以及動員者的角色，而自媒體充當(dāng)著輿情的推動者的角色[27]。在新冠肺炎疫情中，《雷火明書》的輿情監(jiān)測數(shù)據(jù)顯示，主流媒體在2月的多個輿情事件中均配合政府重要舉措及時跟進報道，與網(wǎng)民形成了良性互動[28]。在本文收集的微博中，主流媒體發(fā)布的微博平均每條點贊量為365，評論量為24，轉(zhuǎn)發(fā)量為17，其中最高點贊量高達92萬，最高評論量高達3萬，最高轉(zhuǎn)發(fā)量高達1萬。由此可見，主流媒體的發(fā)文得到了大量普通網(wǎng)民的認(rèn)同和討論，說明主流媒體在一定程度上引導(dǎo)著公眾的輿論話題，從而導(dǎo)致兩者具有相似的話題演化過程。

其次，分析利益相關(guān)者的情感演化特征。從時間流的角度來看，在P1時期，由于國內(nèi)疫情嚴(yán)峻，且當(dāng)時還沒有有效的治療方案，導(dǎo)致社會消極情緒在一定范圍內(nèi)激增；而到了P2時期，國內(nèi)疫情基本穩(wěn)定，輿論也隨之轉(zhuǎn)向積極的一面；P3時期沒有明顯的情感傾向；在P4時期，由于國際疫情的持續(xù)蔓延，輿論又傾向于較消極的一面。從主體的角度來看，政府部門和學(xué)校在整個時間線上以傳播正能量為主，醫(yī)生則相對較多地表現(xiàn)出擔(dān)憂的負(fù)面情緒。利益相關(guān)者中主流媒體、自媒體和普通群眾的話題情感演化過程完全一致。為了進一步探究三者之間是否存在情感上的因果關(guān)系，將主流媒體、自媒體和普通群眾的微博文本日情感值做格蘭杰因果關(guān)系檢驗，發(fā)現(xiàn)普通群眾的情緒與主流媒體的情緒互為因果，說明主流媒體在很大程度上影響著公眾看待事件的情緒（表4）。這也體現(xiàn)了隨著融媒體的不斷發(fā)展，主流媒體能夠在重大突發(fā)公共衛(wèi)生事件中發(fā)揮強大的引導(dǎo)力和共情力，在“營造強信心、暖人心、聚民心的環(huán)境氛圍”中起到講好故事的重要作用[28]。

表4 主流媒體、自媒體和普通群眾的日情感值格蘭杰因果關(guān)系檢驗結(jié)果

由圖7易知，由于主流話題在微博數(shù)量上占據(jù)絕對優(yōu)勢，導(dǎo)致如果僅統(tǒng)計絕對關(guān)注度就無法體現(xiàn)利益相關(guān)者之間的差異。因此，本文提出“相對關(guān)注度”的概念，即在同一時間切片下，利益相關(guān)者相比于其他利益相關(guān)者對一個話題的關(guān)注程度。公式為

圖7 各類利益相關(guān)者的絕對關(guān)注話題及情感演化過程

其中，RAk,l,P m表示利益相關(guān)者l在時間切片P m下對話題k的相對關(guān)注度；n k,l,P m表示利益相關(guān)者l在時間切片P m下發(fā)布關(guān)于話題k的微博數(shù)量；r l表示利益相關(guān)者l在總用戶數(shù)量中的占比，該項用于剔除不同類群用戶數(shù)量對微博發(fā)布數(shù)量的影響。如果相對關(guān)注度較高，說明在對應(yīng)時間切片下利益相關(guān)者l相比于其他利益者更關(guān)注話題k。統(tǒng)計各類利益相關(guān)者在各個時間切片內(nèi)相對關(guān)注度最高的話題，并計算對應(yīng)的情感值，可視化所有利益相關(guān)者的相對關(guān)注話題及情感演化過程，如圖8所示。

由圖8可見，利益相關(guān)者的相對關(guān)注話題在各個時間段都比較分散，也沒有出現(xiàn)一致的演化過程，但是這些話題都與利益相關(guān)者自身密切相關(guān)，例如，普通群眾積極響應(yīng)政府號召自發(fā)減少外出活動（T34），政府部門第一時間進行辟謠（T37），醫(yī)院組織人員馳援武漢（T7），公益組織呼吁團結(jié)社會力量（T32）。相比于絕對關(guān)注度，相對關(guān)注度排除了主流話題在數(shù)量上的優(yōu)勢，能夠更好地體現(xiàn)與利益相關(guān)者自身利益相關(guān)的話題，反映了利益相關(guān)者在突發(fā)公共衛(wèi)生事件中的輿論立場，這一點在相對關(guān)注話題的情感演化上也得到了驗證。觀察相對關(guān)注話題的情感演化，發(fā)現(xiàn)相對關(guān)注話題的情感傾向更能凸顯利益相關(guān)者在不受主流輿論影響下的情感立場，例如，醫(yī)生傾向于發(fā)布警示性、勸告性的言論，自媒體傾向于發(fā)布抨擊、尖銳、引人耳目的言論，政府部門傾向于發(fā)布提振公眾抗疫士氣、展現(xiàn)政府作為的言論，而主流媒體則配合政府發(fā)布暖人心聚人心的言論。正是因為相對關(guān)注話題體現(xiàn)了利益相關(guān)者在利益關(guān)系網(wǎng)中的位置，所以只要利益相關(guān)者的利益關(guān)系沒有發(fā)生改變，其相對關(guān)注話題的情感傾向一般也不會發(fā)生改變，反映在圖7和圖8中就是相比于絕對關(guān)注話題的情感演化，相對關(guān)注話題的情感演化沒有太多的情感轉(zhuǎn)變。

5 結(jié)語

本文從突發(fā)公共衛(wèi)生事件利益相關(guān)者的角度出發(fā)，研究新冠肺炎疫情中11類利益相關(guān)者的網(wǎng)絡(luò)輿情演化過程，得出以下三點研究結(jié)論。第一，按事件發(fā)展的階段來看，利益相關(guān)者們的關(guān)注點在疫情爆發(fā)期內(nèi)比較一致，而在平穩(wěn)期內(nèi)比較分散，最終隨著疫情的逐步控制再次集中。第二，按事件涉及的主體來看，利益相關(guān)者的關(guān)注點與其扮演的社會角色緊密相關(guān)，而且相同角色的利益相關(guān)者具有相似的話題和情感演化過程，例如，媒體與普通群眾，政府部門與學(xué)校，醫(yī)院與公益組織。然而即使是相同角色的利益相關(guān)者，彼此關(guān)注的側(cè)重點也存在差異。第三，按生成輿情演化過程的統(tǒng)計方法來看，絕對關(guān)注度反映了各類利益相關(guān)者在主流輿論影響下的關(guān)注點，因此會出現(xiàn)多個利益相關(guān)者共同關(guān)注一些主流話題的情況；而相對關(guān)注度能夠更好地揭示與利益相關(guān)者自身利益相關(guān)的關(guān)注點，所以利益相關(guān)者彼此相對關(guān)注的話題比較分散，對相對關(guān)注話題的情感傾向也不會頻繁轉(zhuǎn)變。將兩種統(tǒng)計方法相結(jié)合，既能從縱向?qū)Ρ壤嫦嚓P(guān)者自身對不同話題的關(guān)注度，又能從橫向?qū)Ρ壤嫦嚓P(guān)者相比于其他利益群體的話題關(guān)注程度。

本文的研究發(fā)現(xiàn)將有助于政府部門掌握突發(fā)公共衛(wèi)生事件中各類利益相關(guān)者在各個階段的話題和情感演化規(guī)律，及時采取應(yīng)對措施，從而減少社會恐慌和輿論偏激等情況的發(fā)生。在未來的工作中，將進行多個社交平臺和多個突發(fā)公共衛(wèi)生事件的對比分析，以期得到更加具有普遍意義的突發(fā)公共衛(wèi)生事件的網(wǎng)絡(luò)輿情演化規(guī)律。