熱點事件情境下微博輿情反轉(zhuǎn)預(yù)測

安 璐 惠秋悅

(1.武漢大學(xué)信息資源研究中心,武漢,430072; 2.武漢大學(xué)信息管理學(xué)院,武漢,430072)

1 引言

隨著互聯(lián)網(wǎng)和新媒體的飛速發(fā)展，信息的發(fā)布和傳播門檻以及信息發(fā)布者和信息受眾的溝通門檻大大降低，各大社交媒體平臺成為輿論產(chǎn)生和發(fā)酵的主要場所。 網(wǎng)民從傳統(tǒng)媒體時代被動的信息接受者轉(zhuǎn)變?yōu)閾碛凶陨碓捳Z權(quán)的信息發(fā)布者和信息傳播者，形成了“全民記者”局面[1]。 此外，部分主流媒體為搶占新聞先機，將未經(jīng)證實或未能還原事件全貌的消息報道傳播。“全民記者”的非專業(yè)性和部分主流媒體的急功近利導(dǎo)致突發(fā)事件發(fā)生時，缺乏深度、片面且單一的具有明顯輿論傾向性的信息在網(wǎng)絡(luò)中迅速擴散，事件被錯誤或者片面解讀，造成網(wǎng)民觀點一邊倒的局面。 隨著事件信息不斷補充，事件真相被還原，又導(dǎo)致輿論倒向相反方向，形成輿情反轉(zhuǎn)。 網(wǎng)絡(luò)輿情頻繁發(fā)生反轉(zhuǎn)降低了媒體公信力，也造成了對當(dāng)事人的傷害，更危害了網(wǎng)絡(luò)生態(tài)環(huán)境和諧發(fā)展。

2021 年3 月12 日， 新浪微博發(fā)布《2020新浪微博用戶發(fā)展報告》[2]，報告顯示，截至2020 年9 月，微博月活躍用戶達5.11億，日活躍用戶達2.24 億，現(xiàn)已成為重要的輿論產(chǎn)生和發(fā)酵場所。 本研究利用新浪微博上熱點事件微博數(shù)據(jù)，采用定性和定量相結(jié)合的方式構(gòu)建輿情反轉(zhuǎn)預(yù)測特征體系，基于多種機器學(xué)習(xí)算法對熱點事件是否會發(fā)生輿情反轉(zhuǎn)進行預(yù)測，并通過特征重要性排序分析影響熱點事件輿情反轉(zhuǎn)的因素。對輿情是否發(fā)生反轉(zhuǎn)進行預(yù)測，一方面可以揭示信息平衡性、事件類型、事件曝光者類型等因素與輿情反轉(zhuǎn)之間的關(guān)聯(lián)，豐富輿情反轉(zhuǎn)預(yù)測的理論與方法，另一方面有助于突發(fā)事件管理部門、社交媒體平臺以及公眾根據(jù)輿情反轉(zhuǎn)影響因素對熱點事件輿情走向作出預(yù)判，并為輿情引導(dǎo)和危機治理提供方法與數(shù)據(jù)支持。

2 相關(guān)理論與研究現(xiàn)狀

2.1 相關(guān)理論

議程設(shè)置理論、刻板印象理論和社會燃燒理論，是研究者分析公眾輿論以及社會事件時常用的理論，多用于網(wǎng)絡(luò)輿情的成因、傳播、演化、應(yīng)對等方面的研究。 本文選擇上述三個理論從網(wǎng)絡(luò)輿情的事件、用戶、信息、傳播四個維度作為本文特征構(gòu)建和結(jié)果分析的理論依據(jù)來研究熱點事件情境下微博輿情反轉(zhuǎn)預(yù)測。

（1）議程設(shè)置理論

議程設(shè)置理論是1972 年美國傳播學(xué)家McCombs和Shaw[3]在《大眾傳媒的議程設(shè)置功能》一文中提出的，指媒體可以通過設(shè)置“議事日程”影響公眾對事件的關(guān)注點。

佛羅里達大學(xué)新聞系Wayne Wanta教授認為，在某些問題上，社交媒體平臺的帖子強化了新聞媒體的議程設(shè)置功能[4]；張敏等[5]從議程設(shè)置視角出發(fā)，剖析了議程設(shè)置與媒體行為失范之間的相關(guān)關(guān)系，并以“手術(shù)臺自拍照片”這一反轉(zhuǎn)事件為例，分析了媒體行為失范對于醫(yī)療突發(fā)事件網(wǎng)絡(luò)輿情演化的影響；王國華等[6]的研究顯示，網(wǎng)絡(luò)媒體微博議程與網(wǎng)民議程之間的相關(guān)性達到顯著水平，說明網(wǎng)絡(luò)媒體通過議程設(shè)置對微博網(wǎng)民的態(tài)度產(chǎn)生了較大影響。

（2）刻板印象理論

1922年，美國著名政治家Walter[7]提出刻板印象理論，指出刻板印象是“以高度簡單化和概括化的符號，對特殊群體所做的社會分類，它或隱或現(xiàn)地體現(xiàn)著一系列關(guān)乎其行為、個性及歷史的價值、判斷與假定”。王楠等[8]將網(wǎng)絡(luò)輿情事件中“是否存在刻板印象”作為輿情反轉(zhuǎn)預(yù)測的特征之一，其實驗結(jié)果顯示，刻板印象與輿情事件反轉(zhuǎn)的相關(guān)性較大，存在刻板印象的事件更可能發(fā)生反轉(zhuǎn)。 根據(jù)刻板印象理論，本文將事件類型、事件主體階層標(biāo)簽、事件結(jié)果等加入輿情反轉(zhuǎn)預(yù)測特征體系。

（3）社會燃燒理論

社會燃燒理論[9]是牛文元教授根據(jù)自然界燃燒現(xiàn)象提出的社會物理學(xué)理論。 該理論將人與人或人與環(huán)境之間的矛盾類比為燃燒所必需的燃燒物質(zhì)，將媒體誤導(dǎo)、群眾的非理性等類比為助燃劑，將具有一定規(guī)模和影響的事件類比為點火溫度。 黃遠等[10]從社會物理學(xué)角度，依據(jù)社會燃燒理論分析網(wǎng)絡(luò)輿論反轉(zhuǎn)的原因認為，外在信息（社會燃燒物質(zhì)）刺激網(wǎng)民內(nèi)在情緒（社會助燃劑）導(dǎo)致了突發(fā)事件（社會點火溫度）發(fā)生之后網(wǎng)絡(luò)輿論反轉(zhuǎn)現(xiàn)象的出現(xiàn)。 在本研究中，各類型的熱點事件包含了不同方面的矛盾，如醫(yī)患矛盾、貧富差距矛盾等，這些矛盾即為社會燃燒物質(zhì)；媒體片面、偏離事實或虛構(gòu)的報道、受眾的非理性“站隊”、輿論攻擊等即為社會助燃劑；各大熱點事件即為社會點火溫度。

2.2 輿情反轉(zhuǎn)

目前，學(xué)界對于輿情反轉(zhuǎn)的概念還沒有統(tǒng)一的界定，夏一雪等[11]認為輿情反轉(zhuǎn)即網(wǎng)絡(luò)輿情在傳播過程中，網(wǎng)民通過互聯(lián)網(wǎng)表達和傳播意見、態(tài)度和情緒的反向轉(zhuǎn)化的現(xiàn)象和趨勢；Proietti[12]認為輿情反轉(zhuǎn)是在輿情演變過程中，反轉(zhuǎn)或沖突信息介入后，不同群體的觀點傾向于在相反方向上發(fā)展的過程。本文認為，輿情反轉(zhuǎn)是指由于信源報道片面化、偏離事實或虛構(gòu)等原因，使帶有明顯輿論傾向性的消息在網(wǎng)絡(luò)迅速擴散，網(wǎng)民在失真信息引導(dǎo)下對某事件持集中傾向的觀點，而在事件真相曝光或得到?jīng)_突性補充信息之后網(wǎng)民觀點傾向至與之前相反的方向。 關(guān)于輿情反轉(zhuǎn)的研究主要有以下幾個方面。

首先，許多學(xué)者用案例分析的方法對輿情反轉(zhuǎn)的成因、影響與應(yīng)對[6,13]等方面進行了定性研究。 輿情反轉(zhuǎn)的成因主要有媒體和網(wǎng)民兩方面。 一方面是因為媒體的無意識議程設(shè)置，如媒體以往對某類事件的頻繁報道導(dǎo)致網(wǎng)民形成刻板印象，媒體跟進報道實時糾偏，倒逼真相；另一方面是因為媒體的有意識議程設(shè)置，如媒體為爭奪話語權(quán)而發(fā)布未核實信息、使用帶有主觀傾向性的報道框架引導(dǎo)輿論、大量類似信息連續(xù)重復(fù)傳播等。 媒體的議程設(shè)置會引導(dǎo)輿論風(fēng)向偏離事實，最后形成輿情反轉(zhuǎn)。 網(wǎng)民的碎片化閱讀方式、趨同心理、刻板印象等造成其對事件片面、錯誤地解讀，也是引發(fā)輿情反轉(zhuǎn)的關(guān)鍵因素。 輿情反轉(zhuǎn)會降低媒體公信力、削弱公眾熱情、激化社會矛盾。 王國華等[6]認為，應(yīng)加大媒體審核力度和網(wǎng)絡(luò)環(huán)境監(jiān)督力度，提高公眾素養(yǎng)，正確引導(dǎo)輿論；鄧春林等[14]從情緒和歸因兩個維度，對事件各生命周期的微博用戶評論進行分類及演化分析，發(fā)現(xiàn)影響微博用戶情緒變化的關(guān)鍵因素。

其次，有學(xué)者利用仿真實驗?zāi)M各影響因素對輿情反轉(zhuǎn)演化過程的影響。 陳一新等[15]對Hegselmann-Krause 模型進行改進，研究了意見領(lǐng)袖數(shù)量和觀點變化強度對輿情反轉(zhuǎn)中群體觀點穩(wěn)定的影響；夏一雪等[11]以信息量代表輿情演化程度，構(gòu)建函數(shù)模型預(yù)測常態(tài)輿情演化趨勢，通過監(jiān)測實時數(shù)據(jù)與預(yù)測數(shù)據(jù)的差值進行輿情反轉(zhuǎn)預(yù)警，并構(gòu)建了反轉(zhuǎn)后輿情演化預(yù)測函數(shù)模型；Zhu等[16]利用有界置信模型，研究了四種信息對抗模式對最終輿論方向的影響；Chen等[17]研究了外部信息干預(yù)強度、個體注意力和個體保守性對反轉(zhuǎn)事件輿情逆轉(zhuǎn)強度和方向的影響；Jiang 等[18]提出了一個新的二階段SPNR 模型，證明反轉(zhuǎn)事件中失真信息傳播率、失真信息傳播者轉(zhuǎn)變?yōu)檎孑浾搨鞑フ叩母怕屎凸俜綄κ聦嵳嫦嗟耐▓髸r間都不同程度地影響失真信息的傳播；Wu等[19]研究了新沖突性消息的傳播率、可信度和新消息源在網(wǎng)絡(luò)中的節(jié)點中心度對輿情反轉(zhuǎn)速率和幅度的影響。

此外，有學(xué)者對識別輿情反轉(zhuǎn)事件所屬類別進行了研究。 袁野等[20]識別出事件性質(zhì)、報道傾向、報道形式、首發(fā)平臺和網(wǎng)民相關(guān)度五個維度的輿情反轉(zhuǎn)風(fēng)險要素，采用Q 型聚類和Fisher判別式將輿情事件自動分為各抒己見、嚴肅慎對、戾氣擴散和督錯維權(quán)四類。 田俊靜等[21]以事件持續(xù)時長、事件類型、反轉(zhuǎn)時段、反轉(zhuǎn)次數(shù)、事件規(guī)模、反轉(zhuǎn)渠道、是否引起線下事件為分類屬性，對屬性進行人工賦值，構(gòu)建了基于決策樹的輿情反轉(zhuǎn)事件類型識別模型，將輿情反轉(zhuǎn)事件自動分類為情感與教育、社會公德與倫理、行政執(zhí)法事件、影響重大事件等四類。

輿情反轉(zhuǎn)預(yù)測的研究目標(biāo)是對輿情是否發(fā)生反轉(zhuǎn)進行預(yù)測，通常使用的方法是從不同研究角度構(gòu)建輿情反轉(zhuǎn)預(yù)測特征體系，使用不同模型進行輿情反轉(zhuǎn)預(yù)測。 田世海等[22]從平臺控制性、信息準(zhǔn)確性、主體批判性、傳播突變性四方面識別輿情反轉(zhuǎn)影響因素，將其作為輿情反轉(zhuǎn)預(yù)測的特征并進行人工賦值，使用貝葉斯算法構(gòu)建了輿情反轉(zhuǎn)預(yù)測模型。 王楠等[8]從事件本身、當(dāng)事人、網(wǎng)民、第三方平臺、政府以及其他因素等六個方面來識別輿情反轉(zhuǎn)影響因素并作為輿情反轉(zhuǎn)預(yù)測的特征進行人工賦值，選擇Adam 優(yōu)化的前饋神經(jīng)網(wǎng)絡(luò)模型進行輿情反轉(zhuǎn)預(yù)測；江長斌等[23]以輿情事件性質(zhì)、輿情熱度、輿情首發(fā)主體權(quán)威性、輿情傳播形式、網(wǎng)民情感傾向等七個特征構(gòu)建輿情反轉(zhuǎn)特征體系，采用人工賦值和定量計算相結(jié)合的方法獲得特征值，構(gòu)建了基于SVM 的輿情反轉(zhuǎn)預(yù)測模型。

綜上所述，現(xiàn)有輿情反轉(zhuǎn)方面的研究主要是對輿情反轉(zhuǎn)的成因、治理、影響等方面的定性研究、利用仿真模型分析各因素對輿情反轉(zhuǎn)過程的影響、構(gòu)建模型實現(xiàn)輿情反轉(zhuǎn)事件類型自動分類和少量基于機器學(xué)習(xí)算法的輿情反轉(zhuǎn)預(yù)測研究。 而現(xiàn)有輿情反轉(zhuǎn)預(yù)測研究中，在特征構(gòu)建方面，雖有些研究對于輿情反轉(zhuǎn)預(yù)測特征體系的構(gòu)建較為全面，但特征粒度較粗且均需人工賦值的二分類特征，其他研究中所構(gòu)建的特征大多局限于媒體報道的情感傾向、信息結(jié)構(gòu)、首發(fā)媒體的權(quán)威性、事件性質(zhì)、輿情熱度等方面，特征體系較單薄，缺少針對信息的影響力、全面性、可信度以及傳播過程中受眾等方面的特征。 在特征值計算方面，學(xué)者們大多采用人工賦值的方法對特征進行賦值，如“是/否存在刻板印象”“是/否進行了議程設(shè)置”，具有一定的主觀性，且成本較高，較少利用社交媒體數(shù)據(jù)對特征進行定量化計算。

因此，本文從事件、用戶、信息、傳播四個方面，在現(xiàn)有研究的基礎(chǔ)上對已有特征進行更細粒度的劃分，提出新的輿情反轉(zhuǎn)預(yù)測特征，定義特征的定量化計算方法，構(gòu)建適用于社交媒體數(shù)據(jù)的輿情反轉(zhuǎn)預(yù)測特征體系，計算特征重要性得分，對特征重要性進行排序，找出影響輿情反轉(zhuǎn)預(yù)測的重要特征。 采用機器學(xué)習(xí)的方法構(gòu)建輿情反轉(zhuǎn)預(yù)測模型，在事件發(fā)生之初對輿情是否會發(fā)生反轉(zhuǎn)進行預(yù)測。

3 研究方法設(shè)計

微博輿情反轉(zhuǎn)預(yù)測的方法共分為五步：①使用爬蟲軟件采集相關(guān)微博數(shù)據(jù)和用戶數(shù)據(jù)；②微博數(shù)據(jù)預(yù)處理；③構(gòu)建輿情反轉(zhuǎn)預(yù)測特征體系，使用人工賦值、描述統(tǒng)計、情感分類、文本相似度測量等方法計算特征值；④基于多種機器學(xué)習(xí)算法構(gòu)建輿情反轉(zhuǎn)預(yù)測模型，采用五折交叉驗證的方法評估模型預(yù)測效果；⑤使用XGBoost（eXtreme Gradient Boosting）算法計算各特征重要性并進行排序。 本文研究方法流程圖如圖1所示。

3.1 數(shù)據(jù)獲取與預(yù)處理

本文中的熱點事件選取自人民網(wǎng)[24]、搜狐網(wǎng)[25]、觀察者網(wǎng)[26]、蟻坊軟件輿情監(jiān)測系統(tǒng)平臺[27]等以及輿情反轉(zhuǎn)相關(guān)學(xué)術(shù)論文。 將2.2 節(jié)中本文給出的輿情反轉(zhuǎn)定義作為判定標(biāo)準(zhǔn)，結(jié)合各大網(wǎng)站每年末的“反轉(zhuǎn)事件”盤點以及核心期刊中輿情反轉(zhuǎn)相關(guān)論文所選取的事件，對本研究中的反轉(zhuǎn)事件樣本進行選取；根據(jù)定義以及輿情分析平臺上的分析報告，選取未出現(xiàn)公眾觀點反轉(zhuǎn)現(xiàn)象的熱點事件，作為未反轉(zhuǎn)事件研究樣本。 在事件選取過程中，某些熱點事件因其事件規(guī)模過大或事件數(shù)據(jù)難以獲取而未被選取，如新冠疫情爆發(fā)事件延續(xù)時間長、數(shù)據(jù)量大，可能導(dǎo)致其在整個數(shù)據(jù)集中占據(jù)主導(dǎo)地位；個別事件的相關(guān)話題詞條被屏蔽，無法獲取相關(guān)微博數(shù)據(jù)等。 新浪微博話題下的微博被劃分為“綜合”“實時”“熱門”“圖片”“視頻”五類，本文選定上述事件微博話題下的“熱門”微博，使用爬蟲軟件爬取微博數(shù)據(jù)和用戶數(shù)據(jù)。 爬取的熱門微博字段包括博文、發(fā)布時間、轉(zhuǎn)發(fā)數(shù)、評論數(shù)、點贊數(shù)、評論內(nèi)容及評論時間、轉(zhuǎn)發(fā)內(nèi)容及轉(zhuǎn)發(fā)時間；爬取的用戶資料字段包括博主昵稱、博主id、博主主頁鏈接、性別、認證、簡介、認證類型、行業(yè)、關(guān)注數(shù)、粉絲數(shù)、微博數(shù)、所在地。 刪除原始數(shù)據(jù)中的無關(guān)、冗余數(shù)據(jù)以及反轉(zhuǎn)事件中微博發(fā)布于事件反轉(zhuǎn)之后的數(shù)據(jù)。

3.2 輿情反轉(zhuǎn)預(yù)測模型的特征構(gòu)建

本文依據(jù)議程設(shè)置、刻板印象、社會燃燒三個理論，從熱點事件本身、信息發(fā)布者、信息發(fā)布者發(fā)布內(nèi)容、信息傳播四個方面構(gòu)建輿情反轉(zhuǎn)預(yù)測的特征體系，即①事件特征，②用戶特征，③信息特征，④傳播特征，并定義了特征的定量化計算方法。 各特征賦值如表1所示。

表1 熱點事件情境下微博輿情反轉(zhuǎn)預(yù)測模型的特征賦值

3.2.1 事件特征

有關(guān)社會熱點或具有爭議性的事件往往更能吸引媒體爭先報道，社會廣泛關(guān)注的敏感群體更能引起人們熱議，具有更高的討論熱度。 本文認為，輿情是否可能發(fā)生反轉(zhuǎn)與事件本身特征有關(guān)。 根據(jù)刻板印象理論，若公眾對某類人或者某類事形成了固定、籠統(tǒng)、概括的看法，如性別歧視等，多數(shù)情況下，事件發(fā)生之后，公眾在未了解事實之前會將自己對群體的慣性認知施加于個體，造成對事件的錯誤判斷。 因此，本文將事件相關(guān)因素，如事件的類型、涉事群體、事件結(jié)果等因素納入輿情反轉(zhuǎn)預(yù)測模型的特征體系。 根據(jù)社會燃燒理論，本研究認為各類型的熱點事件代表了不同方面的矛盾，如醫(yī)患矛盾、貧富差距矛盾等，這些矛盾構(gòu)成社會燃燒物質(zhì)，因此，本文將事件類型作為輿情反轉(zhuǎn)預(yù)測模型的特征。 綜上，本文將事件特征劃分為事件類型、事件曝光者類型、事件主體階層標(biāo)簽、事件結(jié)果和事件信息平衡性五個特征。 結(jié)合田俊靜等[21]對輿情反轉(zhuǎn)事件類型的劃分，本研究將事件類型劃分為自然災(zāi)害、事故災(zāi)害、公共衛(wèi)生、社會道德、行政執(zhí)法、醫(yī)患關(guān)系和文化教育七類。 瀏覽事件相關(guān)微博、輿情分析報告等查找事件最初的曝光者，并將曝光者劃分為當(dāng)事人、自媒體、主流媒體、政府部門和普通群眾五類。 根據(jù)廖夏夢[28]對輿情反轉(zhuǎn)事件中的人群敏感性的劃分，將事件主體劃分為四類：①弱勢群體，包括老人、兒童、女性等自然性弱勢群體和下崗失業(yè)人員、農(nóng)民工等社會性弱勢群體；②職業(yè)群體，包括醫(yī)生、大學(xué)生、教師等；③特殊人群，包括名人、患者、外國人、知名企業(yè)高層人員等；④不特別針對某類人群。 事件結(jié)果特征包含財產(chǎn)損失、生命健康損失、名譽損失、權(quán)利損失、精神損失五類。 事件信息平衡性是指已發(fā)布的事件相關(guān)信息中，包含了幾方說法，傳統(tǒng)媒體中僅包含一方說法的報道不被允許發(fā)布，而當(dāng)事雙方的說法往往尖銳對立，要采納三方及以上的說法才能形成新聞的平衡面，將事件全面地呈現(xiàn)出來，本研究中該特征劃分為僅包含一方說法，包含雙方說法，包含三方及以上說法。

3.2.2 用戶特征

熱門微博是新浪微博上提供最新最熱優(yōu)質(zhì)內(nèi)容閱讀服務(wù)的一項產(chǎn)品，熱門微博的轉(zhuǎn)發(fā)、評論、點贊數(shù)和閱讀量均較大，相對于普通微博具有更大的影響力。 本文用戶特征中的用戶是指采集到的各個事件微博話題下熱門微博的博主。 根據(jù)議程設(shè)置理論，具有一定影響力的媒體可以對公眾進行議程設(shè)置，對公眾的觀點造成影響，因此本文把媒體影響力等因素納入輿情反轉(zhuǎn)預(yù)測模型的特征體系。根據(jù)社會燃燒理論，媒體片面、偏離事實或虛構(gòu)的報道等構(gòu)成了社會助燃劑的一部分，本文考慮了輿情反轉(zhuǎn)中媒體可信度和權(quán)威性等因素，將其作為輿情反轉(zhuǎn)預(yù)測模型的特征。 綜上，本文將用戶特征劃分為用戶性別、關(guān)注數(shù)、粉絲數(shù)、微博總數(shù)、相對影響力、賬號類型、認證類型、首發(fā)熱門微博認證類型、與事發(fā)地距離、可信度。 用戶相對影響力是考慮到避免用戶通過“互粉行為”來增加粉絲數(shù)，以粉絲數(shù)和關(guān)注數(shù)的比值作為用戶相對影響力指標(biāo)。 新浪微博的賬號認證類型分為個人認證和機構(gòu)認證，機構(gòu)認證包含企業(yè)、機構(gòu)團體、政府、媒體、校園、公益認證。 本文按照新浪微博的賬號認證類型，通過識別用戶基本資料中的“認證”信息和“行業(yè)”信息對用戶的賬號類型進行劃分，劃分的賬號類型與其對應(yīng)的關(guān)鍵詞如表2所示，若用戶“認證”信息或 “行業(yè)”信息中含有對應(yīng)的關(guān)鍵詞，則劃分為相應(yīng)的類。 若用戶無“認證”信息和“行業(yè)”信息，或“認證”信息和“行業(yè)”信息中均不含表2中的任一類別下的關(guān)鍵詞，則將用戶劃分為“普通群眾”。

表2 微博用戶賬號類型的關(guān)鍵詞

用戶認證類型即根據(jù)用戶的認證劃分為無認證、黃V和藍V，其中，黃V為新浪微博中的個人認證，藍V 為新浪微博中的機構(gòu)認證。 首發(fā)熱門微博認證類型即每個事件的熱門微博中最先發(fā)布微博的博主的認證類型。用戶與事發(fā)地距離特征根據(jù)用戶基本資料中的位置信息與各熱點事件的發(fā)生地點信息進行標(biāo)注，若用戶與事發(fā)地點處于同一城市或同一省份或同一國家，則分別標(biāo)注為“同城市”或“同省份”或“同國家”，若用戶位置信息與事發(fā)地點分別位于不同國家，則標(biāo)注為“海外”，若用戶地理位置信息為“其他”或空白，則標(biāo)注為“其他”。 本文采取曾子明等[29]的用戶可信度計算方法計算用戶可信度，使用z-score 規(guī)范化后的粉絲數(shù)、關(guān)注數(shù)、微博總數(shù)和是否認證作為用戶可信度評估指標(biāo)，如等式（1）所示：

其中user_reliability(u)表示用戶u的可信度，z_follower、z_following和z_weibo_sum 分別表示經(jīng)z-score標(biāo)準(zhǔn)化后的粉絲數(shù)、關(guān)注數(shù)和微博總數(shù)，verify表示用戶是否認證，若認證則取值為1，若未認證則取值為0。

3.2.3 信息特征

根據(jù)議程設(shè)置理論，具有一定影響力的媒體對各類信息的報道頻率、篇幅等潛移默化地影響公眾對事件重要性的判斷，媒體報道的雷同性和統(tǒng)一側(cè)重點可以使公眾聚焦于經(jīng)過選擇的信息而忽略其他信息，關(guān)注媒體想要公眾關(guān)注的，忽略媒體想要公眾忽略的，能夠影響公眾“想什么”以及“怎么想”。 因此，本文在構(gòu)建特征體系時考慮了熱門微博之間的文本相似性、報道篇幅、報道頻率等方面的信息因素，并將信息特征劃分為熱門微博長度、信源數(shù)量、熱門微博影響力、熱門微博時效性、首發(fā)熱門微博時效性、首發(fā)熱門微博信息結(jié)構(gòu)、熱門微博議程設(shè)置度、熱門微博情感傾向八個特征。 熱門微博長度即為熱門微博文本的字數(shù)。 信源數(shù)量是指以各個事件的首發(fā)熱門微博的發(fā)布時間為起始時間，設(shè)置時間窗口為10分鐘，將從起始時間開始10分鐘內(nèi)發(fā)布的熱門微博定義為信源，則10分鐘內(nèi)發(fā)布的熱門微博條目數(shù)量為信源數(shù)量，有研究表明，信源對于網(wǎng)絡(luò)輿情擴散具有顯著影響[30]。 本文采用曾子明等[29]的微博影響力計算方法，將z-score規(guī)范化后的粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(shù)作為熱門微博影響力的評估指標(biāo)，如等式（2）所示：

其中，weibo_influence(w)表示熱門微博w 的影響力，z_follower、z_repost、z_comment和z_like分別表示經(jīng)z-score標(biāo)準(zhǔn)化后的粉絲數(shù)、轉(zhuǎn)發(fā)數(shù)、評論數(shù)和點贊數(shù)。

首發(fā)熱門微博時效性即各個事件中首發(fā)熱門微博發(fā)布時間與事件發(fā)生時間相差的小時數(shù)。 不少網(wǎng)絡(luò)輿情反轉(zhuǎn)事件的報道都“空口無憑”，僅有文字描述，或利用了公眾“眼見為實”的心理，通過片面、篡改或虛構(gòu)的圖文誤導(dǎo)公眾輿論走向[15]，因此，本文將首發(fā)熱門微博的信息結(jié)構(gòu)特征納入信息特征當(dāng)中，將信息結(jié)構(gòu)分為僅文本、文本和圖片、文本和視頻、僅圖片和僅視頻五類。 輿情反轉(zhuǎn)事件中，眾多媒體口徑一致，大量發(fā)布片面、有誤導(dǎo)性的信息，對公眾形成議程設(shè)置，導(dǎo)致輿論一邊倒。 本文用各事件下的熱門微博博文的相似度來表示議程設(shè)置度，使用Python中的自然語言處理包——genism 進行文本相似度計算。 首先對原始微博數(shù)據(jù)進行分詞、去停用詞、獲得詞袋模型等操作，調(diào)用gensim 提供的API 建立語料特征的索引詞典， 使用doc2bow 將文本轉(zhuǎn)化成稀疏向量，并將稀疏向量轉(zhuǎn)換成TF-IDF向量，文本向量化完成后，將各事件下的所有熱門微博兩兩配對進行余弦相似度計算，將計算得到的所有相似度值相加并取均值，作為各事件下熱門微博的議程設(shè)置度，如等式（3）所示。 對于同一事件下的熱門微博，其議程設(shè)置度特征值相同。

其中，E_sim(e)表示事件e的議程設(shè)置度，T i和T j分別表示事件下第i條和第j條微博，sim(T i,T j)表示T i和T j之間的文本相似度，m表示事件下包含的熱門微博數(shù)。

對于熱門微博情感傾向特征，本文使用Python中的snownlp進行計算，snownlp 中的sentiment模塊可以對微博文本進行情感分析，其將情感分析當(dāng)作二分類任務(wù)，即將微博文本分類為正向情感和負向情感，輸出值為微博文本為正向情感的概率，本文將此概率作為微博文本的情感值。 但原始的sentiment模塊是由電商評論數(shù)據(jù)進行訓(xùn)練的，對微博文本數(shù)據(jù)的適用性較差，因此，本文使用weibo_senti_100k數(shù)據(jù)集[31]對sentiment模塊進行重新訓(xùn)練，weibo_senti_100k 數(shù)據(jù)集實際包含近12萬條帶情感標(biāo)注的微博數(shù)據(jù)，其中分別包含正向情感和負向情感微博各近6萬條。 在實驗過程中發(fā)現(xiàn)，snownlp在評論內(nèi)容和轉(zhuǎn)發(fā)內(nèi)容這種短文本數(shù)據(jù)集上的情感分析表現(xiàn)較好，但在微博文本這種相對較長的文本數(shù)據(jù)集上表現(xiàn)很差，因此，本文根據(jù)微博文本中的“?！薄?；”“？”“！”“～”和空格符號，將每條微博文本劃分成若干短句，使用sentiment模塊計算每個短句的情感值，將每條微博文本中的若干短句的情感值求和后取均值，作為微博文本的情感值，如等式（4）所示：

其中，w i表示微博i的情感傾向，senti(t ij)表示微博i中的第j個分句的情感值，m表示微博i中的分句個數(shù)。

3.2.4 傳播特征

根據(jù)社會燃燒理論，社會助燃劑包括受眾的非理性“站隊”、輿論攻擊等，因此，本文將受眾表達是否理性的因素納入輿情反轉(zhuǎn)預(yù)測模型的特征體系。 將傳播特征劃分為熱門微博轉(zhuǎn)發(fā)數(shù)、評論數(shù)、點贊數(shù)、評論和轉(zhuǎn)發(fā)時效性、評論和轉(zhuǎn)發(fā)內(nèi)容情感傾向。 本文將熱門微博評論和轉(zhuǎn)發(fā)時效性定義為每條微博自發(fā)布起1小時內(nèi)獲得的評論數(shù)和轉(zhuǎn)發(fā)數(shù)。 使用weibo_senti_100k 數(shù)據(jù)集重新訓(xùn)練過的snownlp中的sentiment模塊，對微博評論和轉(zhuǎn)發(fā)內(nèi)容進行情感分析，將每條微博的所有評論情感值和轉(zhuǎn)發(fā)情感值分別求和并取均值，作為微博的評論情感傾向和轉(zhuǎn)發(fā)情感傾向特征值，如等式（5）和等式（6）所示：

其中，com_senti(i)和repo_senti(i)分別表示熱門微博i的評論情感傾向和轉(zhuǎn)發(fā)情感傾向，senti(comij)和senti(repoik)分別表示熱門微博i中第j條評論和第k條轉(zhuǎn)發(fā)的情感值，p和q分別表示熱門微博的評論數(shù)和轉(zhuǎn)發(fā)數(shù)。

3.3 輿情反轉(zhuǎn)預(yù)測模型的構(gòu)建

輿情反轉(zhuǎn)預(yù)測本質(zhì)上屬于分類問題，即把樣本分為反轉(zhuǎn)和未反轉(zhuǎn)兩類。 邏輯回歸（Logistic Regression，LR）[32]、決策樹（Decision Tree,DT）[33]、隨機森林（Random Forest,RF）[25]、XGBoost[34]、 高斯樸素貝葉斯（Gaussian Naive Bayes,GNB）[35]是目前常用的且性能較好的分類預(yù)測方法。 因此，本文分別基于以上五種機器學(xué)習(xí)方法構(gòu)建輿情反轉(zhuǎn)預(yù)測模型。 模型的輸入為X i（x1,x2,x3,x4,…,x n），其中X i表示樣本微博i，x1,x2,x3,x4,…,x n表示樣本微博i的特征值。因為模型的輸入必須為數(shù)值型變量，所以需要對特征值中的文本型變量進行編碼。 其中，使用pandas的.get_dummies函數(shù)對分類變量進行獨熱編碼，編碼之后返回一個稀疏矩陣，每一列是一個特征中的一個類別，含有該類別的樣本表示為1，不含有的表示為0；對于有序變量，本文采用人工編碼的方式，將每個特征中的類別依次轉(zhuǎn)換為[0，1，2，3…]。 模型的輸出Y∈（0,1），其中0表示輿情不發(fā)生反轉(zhuǎn)，1表示輿情發(fā)生反轉(zhuǎn)。 采用五折交叉驗證的方法對輿情反轉(zhuǎn)預(yù)測模型進行訓(xùn)練和評估，五折交叉驗證是指將原始數(shù)據(jù)集隨機劃分為5份，每次選擇其中4份作為訓(xùn)練集，剩余1份作為測試集，交叉驗證重復(fù)5次，可以有效避免過擬合和欠擬合發(fā)生。 用準(zhǔn)確率（accuracy）、精確率（precision）、召回率（recall）、F1值、AUC 值作為評估指標(biāo)。 其中，準(zhǔn)確率是指所有預(yù)測正確的樣本占總樣本的比例，如等式（7）所示；精確率是指所有正確預(yù)測為正的樣本占全部預(yù)測為正的樣本的比例，如等式（8）所示；召回率是指正確預(yù)測為正的樣本占實際為正的樣本的比例，如等式（9）所示；F1是用來衡量精確率和召回率的值，是兩個值的調(diào)和均值，如等式（10）所示；AUC是ROC 曲線下的面積，ROC 曲線是以假正率為橫軸和真正率為縱軸的曲線。

3.4 特征重要性排序

特征重要性是指每個特征對于最終的預(yù)測性能提高的貢獻大小，特征的貢獻越大則越重要。 XGBoost是常用的特征重要性分析方法[36]，是在GBDT（Gradient Boosting D ecision Tree）算法基礎(chǔ)上進行改進的算法，其核心思想是不斷地添加樹，每添加一棵樹就是學(xué)習(xí)一個新函數(shù)，去擬合上次預(yù)測的殘差。 當(dāng)訓(xùn)練完成得到k棵樹，預(yù)測一個樣本的分數(shù)時，就是根據(jù)樣本的特征，將每棵樹中特征所落到的葉子節(jié)點的分數(shù)相加即為該樣本的預(yù)測值。本文選擇XGBoost計算特征重要性，根據(jù)樹分裂前后目標(biāo)函數(shù)的減少情況，即增益（gain）來衡量每個特征的優(yōu)劣。 增益計算公式如等式（11）所示：

4 實驗研究

4.1 數(shù)據(jù)采集

本文對反轉(zhuǎn)事件和非反轉(zhuǎn)事件的選取遵循以下標(biāo)準(zhǔn)：第一，根據(jù)人民網(wǎng)、央視網(wǎng)新聞、觀察者網(wǎng)等各大權(quán)威網(wǎng)站的“反轉(zhuǎn)事件盤點”中認證的反轉(zhuǎn)事件，以及專業(yè)領(lǐng)域核心期刊中輿情反轉(zhuǎn)相關(guān)學(xué)術(shù)論文所選取的反轉(zhuǎn)事件和非反轉(zhuǎn)事件，對本研究中的事件樣本進行初步選取。 第二，根據(jù)本文2.2節(jié)中給出的輿情反轉(zhuǎn)定義并借助輿情分析平臺上的分析報告，對事件屬于反轉(zhuǎn)或非反轉(zhuǎn)事件進行進一步判定。 最終，本文選取了2017—2020年間的38 個熱點事件，其中19 個為反轉(zhuǎn)事件，19個為未反轉(zhuǎn)事件。 本研究以新浪微博熱點事件話題下的熱門微博為研究對象，以各事件閱讀量最大的微博話題詞條進行搜索，若話題詞條被刪除但關(guān)鍵詞搜索結(jié)果較準(zhǔn)確，則以被刪除的話題詞條為關(guān)鍵詞進行搜索。 38個事件及其話題詞條或關(guān)鍵詞如表3所示。 選擇微博話題內(nèi)的“熱門”微博，使用集搜客爬蟲軟件（https://www.gooseeker.com/）爬取熱門微博數(shù)據(jù)和用戶數(shù)據(jù)，經(jīng)刪除無關(guān)、冗余微博后，共獲得346745條數(shù)據(jù)。 其中反轉(zhuǎn)事件微博、用戶、評論和轉(zhuǎn)發(fā)數(shù)據(jù)共174701條，未反轉(zhuǎn)事件微博、用戶、評論和轉(zhuǎn)發(fā)數(shù)據(jù)共172044條。

表3 2017—2020年38個熱點事件

4.2 特征重要性排序

為判斷各個特征對輿情反轉(zhuǎn)預(yù)測的影響，本研究采用XGBoost算法計算特征重要性得分，并對特征進行重要性排序，去除重要性為0的特征后，特征重要性排序的結(jié)果如圖2所示。 實驗結(jié)果顯示，信息平衡性、事件曝光者類型和事件類型對輿情反轉(zhuǎn)預(yù)測的影響最為顯著。

事件特征方面，本研究發(fā)現(xiàn)，事件類型（重要性0.1089）特征對輿情反轉(zhuǎn)預(yù)測較為重要，這與江長斌等[23]的研究有相似之處。 而本研究提出的信息平衡性（重要性0.5902）、事件曝光者類型（重要性0.1107）特征對輿情反轉(zhuǎn)預(yù)測的影響最為顯著，以往研究都忽略了這兩點。 信息平衡性方面，實驗結(jié)果顯示，19個反轉(zhuǎn)事件中，僅包含1方說法的有7個，包含2方說法的有12個，無包含3方及以上說法的反轉(zhuǎn)事件；19 個未反轉(zhuǎn)事件中，僅包含1方說法的有1個，包含2方說法的有6個，包含3方及以上說法的有12個。 結(jié)果表明，報道所包含的發(fā)聲方越少，輿情越容易發(fā)生反轉(zhuǎn)，媒體在發(fā)布事件報道時應(yīng)采納事件相關(guān)的多方說法，構(gòu)成新聞事實的基本面，達到信息平衡，客觀全面地傳達事件概況。事件曝光者類型特征中，事件當(dāng)事人（重要性0.1058）重要性最高，其次為主流媒體（重要性0.0034）和普通群眾（重要性0.0015），由事件當(dāng)事人主動曝光或者由普通群眾曝光的熱點事件需嚴格審查所曝光信息的真實性，而主流媒體曝光的事件發(fā)生反轉(zhuǎn)的概率相對較低。 王楠等[8]研究發(fā)現(xiàn)，刻板印象特征與輿情反轉(zhuǎn)相關(guān)性較大，本研究從事件類型、事件主體階層標(biāo)簽和事件結(jié)果三個方面進一步揭示了刻板印象對輿情反轉(zhuǎn)的影響。 在所有熱點事件類型中，社會道德（重要性0.0614）和事故災(zāi)害（重要性0.0005）重要性相對較高。社會道德類事件發(fā)生反轉(zhuǎn)的概率最高，而事故災(zāi)害類事件不易發(fā)生反轉(zhuǎn)。 事件主體階層標(biāo)簽（重要性0.0043）和事件結(jié)果（重要性0.0029）特征均低于上述三個事件特征，其中事件主體階層標(biāo)簽中職業(yè)群體（重要性0.0029）、不特別針對某類人群（重要性0.0011）和自然弱勢群體（重要性0.0003）較重要，女性、兒童等自然弱勢群體和醫(yī)生、教師等職業(yè)群體是公眾較關(guān)注的敏感群體，當(dāng)涉及到此類敏感群體的時間發(fā)生時，公眾易憑借自己的刻板印象在未全面了解事件之前先行作判斷，隨著后續(xù)補充信息的加入極有可能發(fā)生輿情反轉(zhuǎn)。 事件結(jié)果特征中，生命健康損失（重要性0.0029）較重要，涉及到生命健康損失的輿情事件發(fā)生反轉(zhuǎn)的概率低。

用戶特征方面，研究發(fā)現(xiàn)，用戶關(guān)注數(shù)（重要性0.0028）特征相對重要，現(xiàn)有研究中未提及這一點。 本研究反轉(zhuǎn)事件中的用戶平均關(guān)注數(shù)為1397，而未反轉(zhuǎn)事件中的用戶平均關(guān)注數(shù)相對略高，為1490。

信息特征方面，本研究提出的信源數(shù)量（重要性0.0908）特征對輿情反轉(zhuǎn)預(yù)測最為重要，此外，使用本文提出的定量化計算方法得出的首發(fā)熱門微博時效性（重要性0.0714）、 熱門微博時效性（重要性0.0415）、議程設(shè)置度（重要性0.0211）均為重要特征，表明熱點事件發(fā)生后，媒體為爭奪話語權(quán)，盲目追求時效性，可能在未全面了解事件之前就向公眾發(fā)布大量的、雷同的、不準(zhǔn)確甚至有誤導(dǎo)性的信息，導(dǎo)致事件發(fā)生之初輿論一邊倒，事件真相還原之后發(fā)生輿論反轉(zhuǎn)。 首發(fā)熱門微博信息結(jié)構(gòu)特征中，文本+視頻（重要性0.0007）特征較重要，這與江長斌等[23]的研究結(jié)果有相似之處。 熱點事件微博中，純圖片和純視頻這兩種信息結(jié)構(gòu)較少，而純文本易偽造且沒有其他模態(tài)的信息佐證，可信度較低，圖片信息相比于視頻信息較片面，容易導(dǎo)致公眾斷章取義，視頻信息能相對全面地向公眾展示事件的過程，還原事件真相。 熱門微博情感傾向（重要性0.0009）、 熱門微博影響力（重要性0.0002）、熱門微博長度（重要性0.0001）特征也具有一定重要性，但重要程度較低。

傳播特征方面，以往研究大多忽略了轉(zhuǎn)發(fā)評論區(qū)的相關(guān)特征，本研究發(fā)現(xiàn)，熱門微博轉(zhuǎn)發(fā)數(shù)（重要性0.0002）、評論數(shù)（重要性0.0002）以及本文提出的熱門微博轉(zhuǎn)發(fā)內(nèi)容情感傾向（重要性0.0002）和評論時效性（重要性0.0001）特征對輿情反轉(zhuǎn)預(yù)測較為重要。 輿情反轉(zhuǎn)事件與未反轉(zhuǎn)事件相比，其傳播規(guī)模往往更大，公眾在面對突發(fā)事件時，不應(yīng)急于發(fā)表自己的言論，而應(yīng)盡量全面地了解事件，客觀地評價事件，維護良好的網(wǎng)絡(luò)生態(tài)環(huán)境。

4.3 輿情反轉(zhuǎn)預(yù)測模型構(gòu)建與評估

根據(jù)3.2 節(jié)提出的輿情反轉(zhuǎn)特征體系和3.3節(jié)的輿情反轉(zhuǎn)預(yù)測模型構(gòu)建方法，基于邏輯回歸、決策樹、隨機森林、高斯樸素貝葉斯和XGBoost構(gòu)建熱點事件情境下微博輿情反轉(zhuǎn)預(yù)測模型。 根據(jù)3.2節(jié)中的特征值計算方法計算每條微博的特征值，通過輿情反轉(zhuǎn)預(yù)測模型對每條微博中所報道的熱點事件是否會發(fā)生輿情反轉(zhuǎn)進行預(yù)測，采用五折交叉驗證的方法對模型性能進行評估。 各預(yù)測模型的評估結(jié)果如表4 所示，加粗的數(shù)值表示該列的最大值。 實驗結(jié)果顯示，基于XGBoost和隨機森林的輿情反轉(zhuǎn)預(yù)測模型表現(xiàn)較好，XGBoost在精確率上表現(xiàn)最好，即擅長準(zhǔn)確地發(fā)現(xiàn)輿情反轉(zhuǎn)事件；隨機森林在召回率上表現(xiàn)最好，即擅長找出大部分輿情反轉(zhuǎn)事件。因此，可將XGBoost和隨機森林作為本文構(gòu)建輿情反轉(zhuǎn)預(yù)測模型的主要算法。 基于決策樹的預(yù)測模型的準(zhǔn)確率和精確率僅次于基于XGBoost的預(yù)測模型，分別達到0.9103 和0.8889，其召回率、F1值和AUC 值次于基于隨機森林的預(yù)測模型和基于XGBoost的預(yù)測模型，分別達到0.9095、0.8979和0.9103。此外，基于邏輯回歸的預(yù)測模型效果次于上述三個模型，基于高斯樸素貝葉斯的預(yù)測模型表現(xiàn)最差。

表4 輿情反轉(zhuǎn)預(yù)測模型評估結(jié)果

5 結(jié)論

本文針對熱點事件情境下微博輿情反轉(zhuǎn)預(yù)測問題，從事件特征、用戶特征、信息特征、傳播特征四個方面構(gòu)建了包含30個特征的特征體系，分別基于邏輯回歸、決策樹、隨機森林、XGBoost和高斯樸素貝葉斯五種機器學(xué)習(xí)方法構(gòu)建了輿情反轉(zhuǎn)預(yù)測模型，采用五折交叉驗證方法對模型效果進行評估。 實驗結(jié)果顯示，基于XGBoost和隨機森林的預(yù)測模型綜合表現(xiàn)最好，分別在精確率和召回率上取得最高值。 使用XGBoost計算特征預(yù)測模型的重要性并進行排序，結(jié)果顯示，信息平衡性、事件曝光者類型、事件類型、信源數(shù)量、首發(fā)熱門微博時效性、熱門微博時效性、熱門微博議程設(shè)置度、事件主體階層標(biāo)簽、事件結(jié)果等特征均對輿情反轉(zhuǎn)預(yù)測有較重要的作用。 本文在已有輿情反轉(zhuǎn)特征的基礎(chǔ)上，提出了議程設(shè)置度、信息平衡性、熱門微博時效性、評論時效性、事件曝光者類型等特征，并證明了這些特征對于輿情反轉(zhuǎn)預(yù)測的有效性，補充了現(xiàn)有的輿情反轉(zhuǎn)預(yù)測特征體系；同時也為應(yīng)急管理部門及時發(fā)現(xiàn)可能會反轉(zhuǎn)的熱點事件提前進行輿論引導(dǎo)，為維護健康的網(wǎng)絡(luò)生態(tài)環(huán)境提供方法支持。

通過分析對輿情反轉(zhuǎn)預(yù)測有重要影響的特征，本文根據(jù)研究結(jié)果從媒體、公眾和平臺三個方面提出以下建議：

（1）媒體方面。 第一，媒體應(yīng)保證報道內(nèi)容的信息平衡，從事件相關(guān)的多方收集信息，構(gòu)成事實的基本面，避免信息偏倚，客觀、全面地向公眾傳達事實概況。 第二，在事件發(fā)生之初，固定時間窗口內(nèi)，信源數(shù)量多，首發(fā)熱門微博時效性和熱門微博時效性強，均表明媒體在事件發(fā)生之后的短時間內(nèi)便對事件進行快速報道，爭奪話語權(quán)和閱讀量，忽視報道內(nèi)容的質(zhì)量。 媒體報道應(yīng)先盡量了解事件全貌，將現(xiàn)有的信息準(zhǔn)確、全面地傳達給受眾，以內(nèi)容質(zhì)量為導(dǎo)向而非話語權(quán)和閱讀量，將質(zhì)量置于流量之上，提高自身公信力。 第三，媒體應(yīng)合理減弱有意識的議程設(shè)置，媒體報道的內(nèi)容應(yīng)該符合了解到的實際情況，而非相互復(fù)制粘貼，導(dǎo)致輿論場被高頻率更新的海量雷同信息淹沒。 第四，媒體報道應(yīng)該客觀公正，尤其在事實模糊時應(yīng)向公眾傳達客觀的信息，引導(dǎo)公眾理性思考，避免帶有明顯輿論傾向的觀點煽動公眾情緒。

（2）公眾方面。 第一，面對突發(fā)事件，公眾應(yīng)理性、客觀地思考，盡量從主流媒體處獲取事件信息，對非官方來源的消息需謹慎對待。 造成生命健康損失的事件輿情反轉(zhuǎn)傾向較低，但由事件當(dāng)事人或普通群眾曝光的涉及到教師、醫(yī)生等職業(yè)或弱勢群體的社會道德類事件的輿情反轉(zhuǎn)傾向較高，公眾應(yīng)提高識別能力，避免因刻板印象而在事實未明之前草率作出判斷。 第二，有圖不一定有真相，主觀且易造假的文字描述和片面的圖片均具有很強的誤導(dǎo)性，公眾應(yīng)提高辨別能力，對于沒有證據(jù)的文字以及模糊不清、無前因后果或有明顯編輯痕跡的圖片乃至視頻均需提高警惕。 第三，理性分析事件緣由，耐心觀察事件進展，了解事件全貌，不急于“站隊”發(fā)表評論甚至實施網(wǎng)絡(luò)暴力，不輕易轉(zhuǎn)發(fā)擴散真假不明的信息，在輿情傳播階段減少包括對事件主體的污名化和對社會秩序的破壞等在內(nèi)的負面影響。

（3）平臺方面。 各類社交媒體平臺成為當(dāng)今主要的輿論發(fā)酵場所，平臺應(yīng)該主動承擔(dān)維護網(wǎng)絡(luò)輿論環(huán)境和諧文明健康發(fā)展的責(zé)任。 第一，謹慎推廣非官方來源的具有較強爭議性的信息，提高熱點事件中官方信息的曝光度和覆蓋量。 第二，對于平臺賬號管理適當(dāng)引入獎懲機制，引導(dǎo)平臺上各類型媒體和普通用戶加強對自身發(fā)表內(nèi)容的質(zhì)量把控，一定程度上彌補新媒體中“新聞把關(guān)人”的缺失，提升平臺上發(fā)布內(nèi)容的規(guī)范性。 第三，社交媒體平臺可實行用戶實名制措施，責(zé)任明確到個人，減少網(wǎng)絡(luò)匿名化給予用戶的保護傘和僥幸心理。

本研究的不足之處在于，將輿情反轉(zhuǎn)事件默認為全部由信源失真所導(dǎo)致，并從這一角度構(gòu)建輿情反轉(zhuǎn)預(yù)測特征體系，但實際中仍存在部分如“格斗孤兒”這類不存在信源失真，而是因為議題事件本身存在極大爭議，輿論傾向在爭議過程當(dāng)中發(fā)生移動最后趨于穩(wěn)定的輿情反轉(zhuǎn)事件。 未來工作中將考慮到輿情的動態(tài)演化性，納入時間因素，提高輿情反轉(zhuǎn)預(yù)測的準(zhǔn)確性。

致謝: 感謝圖書情報國家級實驗教學(xué)示范中心為本研究提供的實驗支持!