重大突发传染病事件中网络情绪的类型、演化及传播效果研究——基于新冠肺炎疫情期间微博舆情的分析

杨潇坤 周书环 刘 庸

（1.兰州大学易班发展中心大数据中心 兰州 730030；
2.兰州大学西北少数民族研究中心 兰州 730030；
3.中山大学传播与设计学院 广州 510220；
4.中山大学国家治理研究院 广州 510220）

2003年“非典”疫情发生时，全国网民仅有6 800 万[1]，而在新冠肺炎疫情爆发的当下，网民数量增至8.54 亿，互联网普及率为61.2%[2]。随着社交网络服务（Social Networking Services，SNS）的飞速发展和即时通讯软件的广泛普及，突发事件引发的社会舆论不只是再依靠手机短信、人际沟通等“点对点”的形式传播，而更多地是通过微博、贴吧等社交媒体进行病毒式、指数式、爆炸式的群体化传播。新冠肺炎疫情发生后，人们在各大社交平台上围绕疫情相关话题展开了激烈讨论，推动着信息的聚集和情绪的叠加，迅速形成了舆论热点。作为舆论学研究的重点关注领域，情绪被视为一种舆论形式：潜在舆论是意见的萌芽或潜伏状态，情绪则是其唯一外部形态[3]。在互联网时代，网络情绪作为人们藉由网络互动和媒介传播产生的相对稳定的普遍情绪体验，更成为网络舆情的主要构成内容[4]。网络情绪通过网络动员机制影响网络舆情朝特定方向发展，在舆情的生成扩散中发挥着关键作用[5]。由于新冠肺炎疫情与人们有着重大利害关系，因此易滋生恐慌、焦虑等情绪。一旦任由这类负面情绪通过社交媒体传播弥漫，极有可能导致偏激、片面、非理性的“情绪型舆论”充斥网络空间，进而诱发舆情风险和次生危机。对应的，倘若及时疏导网络舆情中的消极情绪、提升积极情绪，则有助于正确引导网络舆论走向，形成情理交融的“意见自由市场”。

尽管既有研究文献对于各类突发事件舆情中的网络情绪有所考察，也取得了一定的成果，但是较为缺少专门针对重大突发传染病事件的网络情绪研究，加之以往研究关于突发事件舆情中网络情绪的传播效果问题仍存在争议，因此值得进一步展开讨论。新浪微博在国内拥有数量庞大的用户群体和广泛的影响力。与百度贴吧、微信等社交媒体相比，新浪微博具有互动功能强、用户主体类型多元、信息开放式传播等突出特点，是当前国内网络舆情研究的主要阵地，也是网络情绪显现的重要社交平台之一。鉴于此，本文基于对新浪微博平台的舆情数据挖掘，分析新冠肺炎疫情期间网络情绪的类型倾向、演化过程及传播效果，以期为重大突发传染病事件发生后政府相关部门的网络舆情治理和情绪引导工作提供切实的参考。

网络情绪不仅是诸多交叉学科关注的热点，也是舆情研究必然涉及的对象[6]。迄今为止，国内外针对突发事件舆情中的网络情绪问题已经开展了大量研究工作，积累了相当数量的研究成果。以往研究重点讨论的课题归纳起来主要集中在网络情绪的类型、演化和传播效果三个方面。

从海量舆情数据中识别主观的文本信息，将发言者对突发事件的情感态度分门别类是网络情绪研究的主要目的之一。根据方法取向的不同，大体上可将相关研究分为理论分类和技术分类两种。依赖于理论归纳和传统方法，前者通过现象分析或测量工具对网络情绪予以分类。如孙立明基于网络现象理论划分出网络情绪的5 种表现[4]；
Bollen 等人使用心理量表提取出Twitter平台上常见的6 种网络情绪[7]。随着大数据时代用户生成的数据空前增长，理论分类已经无法满足研究需求，学者们开始运用自然语言处理技术识别网络情绪类型。此类研究以情绪倾向性分析为主，将突发事件舆情中的网络情绪倾向分为正面、中性和负面三种或者积极和消极两种[8-10]。然而，网络情绪的复杂性往往无法以单纯的正中负等倾向加以概括，如何通过技术手段识别更细粒度的情绪类型愈发引起研究者的重视。尽管不同情绪之间的黏合性和关联性使得多情绪分类被视为一项复杂的工作，仍有学者在这一方面作出了积极的尝试[11-12]。

在网络情绪的多分类或倾向性分析的基础上，动态地考察网络情绪的演化过程有助于研究者研判舆情形势、把握舆情规律。相关研究或从多个情感维度分析高校舆情事件中微博情绪的变化趋势[13]，或根据网络情绪热度总结灾难事故发生后网络舆情的演化态势[14]，或结合舆情生命周期描画网络情绪的演进过程[15]。总体来看，大部分研究均表明，突发事件舆情中的网络情绪呈现出由消极向积极演化的特点。例如，姜金贵等人以“红黄蓝虐童事件”为例，发现事件初期微博舆情中消极情绪比例较高，随着时间的推移，积极情绪占比逐渐增加[16]；
Nagy 和Stamberger分析2010年9月加州天然气爆炸事故发生后24 小时内Twitter 平台上的用户情绪发现，事故发生后的前12 个小时负面情绪占比远大于正面情绪，随后正面情绪比例逐渐上升并超过负面情绪[17]；
Vo 和Collier 针对日本地震期间Twitter用户情绪的研究也发现，在地震发生后的短时间内，Twitter 发文的内容以消极情绪为主，而在经历了地震带来的恐惧和焦虑后，表达积极情绪的内容数量逐渐增加[18]。

相较于情报学视阈下舆情研究对于网络情绪类型及演化问题的关注，传播学领域的研究者更加感兴趣于网络舆论中的情绪传播问题。情绪传播是指个体或群体的情绪及与其伴随信息的表达、感染和分享的行为[19]。网络舆论中的情绪主要通过网民发布的包含情绪因素或由情绪因素引发的言论传播。情绪社会分享理论（Social Sharing of Emotion）指出，情绪事件发生后，个体倾向于自愿同他者分享自己的情绪体验，情绪的分享又将诱发次级的分享行为，而置身于情绪分享环境中的个体所受到的情绪诱导强度愈高，其分享意愿便愈强烈[20]。这一理论为研究者解释突发事件舆情中网络情绪传播的机制提供了思路。然而，以往研究在不同情绪倾向的网络舆论的传播效果问题上却并未达成一致。一种观点认为，突发事件舆情中相较于正面情绪和负面情绪，表达中性情绪的舆论更易于传播。例如，Neppalli等人分析2012年飓风“桑迪”（Hurricane Sandy）事件的Twitter 舆情发现，情绪倾向性明显的舆论通常是个人观点和情感的宣泄，所包含的信息量较小，而表达中性情绪的舆论更加客观，信息量也更大，因此更容易被传播[21]；
Chen 等人则分析了飓风“哈维”（Hurricane Harvey）事件中网民在Twitter 上的情绪反应，也发现表达中性情绪的舆论转发量最大，正面情绪次之，而负面情绪舆论的传播效果最差[22]。另一种观点则认为，突发事件舆情中具有明显情绪倾向的舆论更易于传播，特别是表达负面情绪的舆论[23-24]。刘丛等人针对2013年24 起舆情事件的微博情绪研究也得出了类似结论，即新浪微博上关注度高的舆情事件以负面事件为主，网民主要将微博作为消极情绪的宣泄口，所以负面情绪更容易在微博上广泛传播，而正面情绪与微博转发量之间并无显著的相关性[25]。

尽管既有研究成果颇为丰硕，但大部分是以单一事件或自然灾害、事故灾难等突发事件为切入点，关于突发公共卫生事件特别是重大突发传染病事件背景下的网络情绪研究较少。不同于其他突发事件，传染病事件具有易扩散、易反复、持续时间较长、涉事人群众多等性质。新冠肺炎疫情被认为是新中国成立以来蔓延速度最快、感染范围最广、防控难度最大的重大突发传染病事件[26]，因而疫情期间的舆情情绪具有一定的研究价值。更重要的是，通过考察重大突发传染病事件中网络情绪的传播效果，本文尝试对以往研究在这一问题上存在的争议作出回应及补充。综上所述，提出的研究问题如下：

研究问题一：疫情期间微博舆情中的网络情绪分为哪些类型？

研究问题二：疫情期间微博舆情中的网络情绪如何演化，呈现出何种特点？

研究问题三：疫情期间不同情绪倾向的微博舆论在传播效果上有何差异？

2.1 研究框架

本文的总体研究流程框架包括数据获取、数据处理和数据分析三个部分（见图1）。第一部分，通过Python 编写网络爬虫程序获取疫情期间新浪微博上的舆情数据；
第二部分，对所采集原始数据进行去重、删失、过滤停用词、中文分词等预处理工作；
第三部分，利用情绪词典、朴素贝叶斯模型和Kruskal-Wallis 检验的方法分析疫情期间微博舆情中的网络情绪。

图1 研究流程框架图

2.2 数据获取

由于在新浪微博网页端（weibo.com）上检索出的信息存在显示数量限制，本文选择新浪微博移动端（m.weibo.cn）作为数据源。利用Python 3.7.0 及其自动化Web 应用程序测试类库Selenuim 3.6.0 编写网络爬虫程序，程序将自动调用浏览器模拟人为登陆并爬取数据。在新浪微博上以“新冠肺炎”和“肺炎疫情”等关键词进行检索，采集自2019年12月31日至2020年3月4日间的微博用户发文及发布时间、转发量等信息。剔除所采集原始数据中重复、缺失、无效或与疫情无关的数据后，获取有效微博数据41612条。需要说明的是，之所以将3月初作为数据采集截止时间，原因在于至3月4日，国内疫情顶峰已过[27]，且当日全国21 个省份下调疫情防控应急响应级别[28]，可以认为此时国内疫情形势已基本稳定，对疫情过程中网络情绪的分析已能够得出较为完整的结论。

2.3 数据预处理

利用Python 的正则表达式（Regular Expression）及自然语言处理类库Jieba 0.42.1对微博文本进行分析之前的预处理工作，具体步骤包括：①清除微博文本中的图片或视频链接、@其他用户的内容及表情符号；
②根据哈工大停用词表和常用中文停用词表过滤微博文本中的停用词，避免冗余词汇对情绪分析的干扰；
③基于隐马尔科夫模型（Hidden Markov Model；
HMM）将微博文本切分为若干有意义的词汇构成的词序列，并将结果储存为向量化的词袋（Bag of Words）形式。本文初步分词后发现，尽管采用Viterbi 算法的HMM 模型在分词时具有发现新词的能力，但是对于“新型冠状病毒”、“瑞德西韦”、“钟南山”等术语人名并不能准确地识别。为此，本文将与此次新冠肺炎疫情相关的专业术语或特定词汇人名整理后添加至自定义词典并导入分词系统，以优化分词效果。

2.4 研究方法

大数据技术的不断发展为研究者捕获数量级空前增长的舆情数据，并从中萃取有价值的情绪信息提供了方法支撑。目前应用于网络情绪分析的主流方法可分为基于词典的方法和基于机器学习的方法两大类[29]。前者依托情绪词典，将舆情文本与词典中表达情绪的关键词加以匹配，通过所提取的情绪关键词进行情绪类型的划分或情绪倾向的计算；
后者主要采用有监督学习（Supervised Learning）算法，训练机器学习模型来测定舆情文本的情绪类型或情绪倾向。两类方法各有利弊，基于词典的方法更能够体现文本的非结构化特点，易于理解与解释，但却严重依赖于情绪词典的容量与质量，词典中情绪词的覆盖率和标注准确率将直接影响分析效果，而基于机器学习的方法虽然在性能上更胜一筹，但是需要人工对训练语料集进行标注，耗费人力成本和时间成本。根据研究问题的不同，本文综合运用两类方法进行网络情绪分析，同时通过统计检验的手段比较不同网络情绪的传播效果差异。

2.4.1 情绪词典匹配

利用基于词典的方法识别疫情期间微博舆情中的网络情绪类型。将大连理工大学信息检索研究室构建的情感词汇本体库与所采集微博文本进行匹配，提取文本中的情绪关键词。情感词汇本体库涵盖27 466 个情感词，所有词汇被划分为7 大类21 小类，分别为：好，包括赞扬、喜爱和祝愿等褒义情绪；
乐，包括快乐、安心等正面情绪；
怒，指愤怒等唤醒度较高的负面情绪；
哀，指悲伤、失望、愧疚等唤醒度较低的消极情绪；
惧，包括恐惧、慌乱等贬义情绪；
恶，指憎恶、贬责、怀疑、妒忌等负面情绪；
惊，包括惊奇、惊讶等情绪[30]。

2.4.2 朴素贝叶斯模型

借助Python 3.7.0 及其机器学习类库Scikitlearn 0.21.2 构建基于朴素贝叶斯（Naive Bayes）算法的机器学习模型测定微博文本的情绪倾向，并以天为时间粒度考察疫情期间网络情绪的演化趋势。作为经典的生成模型（Generative Model），朴素贝叶斯算法具有易于实现、学习和预测效率较高的优点[31]47。模型先通过训练数据学习特征（Feature）与标签（Label）的联合概率分布，然后计算后验概率分布，依据期望风险最小化原则预测给定特征时的标签[32]。根据贝叶斯准则和条件独立性假设进行推导[31]52-53，下式给出了微博文本情绪属于正向的概率：

公式（1）中，h（·）为朴素贝叶斯模型的假设函数，S 为表示正向情绪的标签，w 为向量化的文本特征。公式（1）计算得到的概率即文本的情绪倾向值，用于反映文本情绪趋近于正面的程度。作为概率，情绪倾向值介于0～1 之间，愈接近1 说明微博文本的情绪愈积极，愈接近0 则情绪愈消极。

2.4.3 Kruskal-Wallis 检验

根据朴素贝叶斯模型测定的情绪倾向值将疫情期间的微博情绪分为负面（情绪倾向值介于0 ～0.3 之间）、中性（情绪倾向值介于0.3 ～0.6之间）和正面（情绪倾向值介于0.6 ～1 之间）三类，同时以微博转发量作为衡量传播效果的表征指标，采用Kruskal-Wallis 检验的方法比较疫情期间表达不同情绪的微博舆论在传播效果上的差异。Kruskal-Wallis 检验属于单因素方差分析中的一种非参数方法，基本原理是将连续尺度的数据转化为秩（Rank），从而摆脱总体分布对统计检验的限制[33]。如果数据不满足单因素方差分析的正态性假设或方差齐性假设，则可以选择Kruskal-Wallis 检验作为一种替代的统计检验方法。Kruskal-Wallis 检验构造的H 统计量根据下式计算[34]:

公式（2）中，k 为独立样本组数，本文中即3 组微博情绪类别，ni 为第i 组样本数，N 为样本总数，为第i 组样本秩和的均值，为全部样本秩和的均值。可以证明，在大样本条件下，H统计量近似服从于自由度为k-1 的卡方分布[34]。

3.1 疫情期间网络情绪的类型

将所采集微博文本与情感词汇本体库进行匹配，提取到情绪关键词6 221 个。情绪关键词作为疫情期间微博上网络情绪的高度概括，在一定程度上反映了微博舆情的主导情绪类型。词频数排名前20 的情绪关键词见表1。正面情绪关键词有14 个，表达了祝愿、赞扬、安心、尊敬、相信和喜爱6 种情绪类型，其中传达祝愿含义的“希望”一词出现次数最多，达到3 501 次；
负面情绪关键词有6 个，对应了恐惧、贬责、烦闷和慌乱4 种情绪类型，其中具有恐惧含义的“害怕”一词出现次数最多，为1 242 次。进一步地，对所提取的6 221 个情绪关键词进行分类统计，横坐标为情绪类型大类，纵坐标为情绪大类对应的词频总数（见图2）。可以看出，“好”是疫情期间网民在微博上传达的最主要情绪类型，该类型的词频总数达到89 185 次；
其次是“恶”和“乐”2 种情绪，情绪关键词分别出现了28 713 次和20 272 次；
剩下的情绪类型中，“惧”和“哀”的情绪表达较为突出，词频总数均超过10 000 次，而“怒”和“惊”的情绪词出现频次较低。正面情绪（好、乐）关键词总共出现109 457 次，占总词频数的67.1%；
负面情绪（恶、惧、哀、怒）关键词共计出现52 631次，占32.3%。上述结果表明，疫情期间“好”和“乐”是微博舆情中的主导情绪，具体包括祝愿、赞扬、安心等情绪类型；
“恶”、“惧”、“哀”等负面情绪中则以恐惧、贬责、烦闷和慌乱为主。由此可知，尽管新冠肺炎疫情造成了一定的负面影响，但正面情绪在微博舆情中占据着主流地位，网民总体上保持着积极的情绪状态。

表1 词频数排名前20 的情绪关键词统计

图2 疫情期间网络情绪类型条形图（基于7 大类）

3.2 疫情期间网络情绪的演化

随机选取所采集数据中表达正面情绪与负面情绪的微博文本各300 条，人工标注情绪倾向的正负作为训练语料。训练朴素贝叶斯模型并测定微博文本的情绪倾向值，部分结果见表2。可见传达敬意和美好期愿的微博情绪倾向值较高，表述客观内容的微博情绪倾向值中等，表达抑郁忧惧的微博情绪倾向值较低，说明模型预测结果符合经验认知。

表2 朴素贝叶斯模型预测结果示例

根据情绪倾向值绘制疫情期间网络情绪趋势曲线图，考察各天微博文本平均情绪倾向值随时间的变化过程（见图3）。将微博文本的情绪倾向分为负面（情绪倾向值介于0 ～0.3 之间）、中性（情绪倾向值介于0.3 ～0.6 之间）和正面（情绪倾向值介于0.6 ～1 之间）三类，考察不同情绪分布的时序变化（见图4）。分析发现，尽管存在波动，疫情期间网络情绪总体呈提升趋势。在疫情初期，网络情绪较为消极，情绪倾向值较低，负面情绪所占比重较高；
随着时间的推移，网络情绪开始朝积极的方向演化，情绪倾向值逐渐上升，正面情绪占比也逐渐超过负面情绪并持续增加。此外，中性情绪变化相对平稳，所占比重基本保持在10%～20%之间。这主要是由于此类微博多为通报疫情进展或普及防疫知识，内容不具有明显的情绪性。下面根据图3 和图4 从微观层面对疫情期间网络情绪的主要变化时段加以分析。

图3 2019年12月31日～2020年3月4日微博情绪趋势曲线图

图4 2019年12月31日～2020年3月4日微博情绪分布时序变化图

2019年12月31日至2020年1月4日，情绪倾向值最低跌落至0.1 以下，负面情绪所占比重也一度超过80%，微博舆情中的网络情绪较为消极。这主要是由于在疫情初始阶段形势不明朗、信息不充分的情况下，各种关于疫情的猜测和谣言在网络上传播，引起了网民的疑虑。不过此时人们对疫情尚未产生高度的关注，随着武汉市政府及时发布情况通报、采取必要措施，1月5日之后网民的消极情绪有所缓解，情绪倾向值暂时回升。1月中旬，情绪倾向值骤然降低，负面情绪占比高于正面情绪，微博舆情整体上处于以消极情绪为主导的状态。究其缘由，主要是因为疫情开始向全国范围及海外蔓延，其严重性和危害性充分显露。如国内首次在武汉以外的地区出现确诊病例，日本、泰国等其他国家也相继确诊有患者感染新冠肺炎，加之春运带来的大量人口流动，导致网民对疫情蔓延的恐慌和忧惧情绪弥漫。1月下旬开始，情绪倾向值基本呈增长趋势，特别是1月23日之后，微博舆情中的正面情绪所占比重始终大于负面情绪，网络情绪从之前消极为主的状态转变成积极为主的状态。这一时期，在政府、医院、社会组织及广大人民群众的共同努力下，国内疫情形势逐渐得到控制，全国新增确诊病例数量持续走低，生产生活逐步恢复正常。人们不再谈“疫”色变，网络情绪也愈加高涨，2月中旬以后，情绪倾向值基本维持在0.7以上。

3.3 疫情期间网络情绪的传播效果

负面、中性和正面三组情绪的微博转发量描述统计指标、正态性检验和方差齐性检验结果见表3。无论是偏度（Skewness）还是峰度（Kurtosis），三组数据的分布均表现出显著的非正态；
Levene 检验结果显著（P=0.006），表明三组数据的方差不相等。

表3 描述统计、正态性检验和方差齐性检验结果

由于数据不满足单因素方差分析的正态性假设和方差齐性假设，本文采用Kruskal-Wallis检验的方法比较三种微博情绪的传播效果之间是否存在差异，结果见表4。负面情绪的微博转发量平均秩值为21 029.524，中性情绪的微博转发量平均秩值为19 709.640，正面情绪的微博转发量平均秩值为22 519.328，三组情绪的微博转发量之间具有统计学意义上的显著差异（H=591.150，P=0.001）。通过Bonferroni 法调整显著性水平的多重比较发现，微博转发量在正面情绪和负面情绪之间存在显著差异（P=0.001），平均秩值之差为1 489.804，表明正面情绪较之负面情绪更易于在微博上传播；
微博转发量在正面情绪和中性情绪之间存在显著差异（P=0.001），平均秩值之差为2 809.688，表明正面情绪较之中性情绪更易于在微博上传播；
微博转发量在负面情绪和中性情绪之间存在显著差异（P=0.001），平均秩值之差为1 319.884，表明负面情绪较之中性情绪更易于在微博上传播。

表4 Kruskal-Wallis 检验及多重比较结果（N=41612）

在突发事件舆情中网络情绪的传播效果问题上，此前学者持有两种观点。一种认为中性情绪相较于具有明显倾向性的情绪更易于传播；
另一种则认为负面情绪更易于在网络舆论中传播。然而，不同于以往研究，本文发现较之负面情绪和中性情绪，新冠肺炎疫情期间传达正面情绪的微博舆论传播效果最为突出。如前文所述，根据情绪社会分享理论，个体的情绪分享意愿与其所受到的情绪诱导强度呈正相关。相关实验也发现，情绪唤醒度愈高的信息愈有可能激发人们的分享行为[35]。既然如此，为何同样具有高唤醒度和强刺激性，疫情期间微博舆情中正面情绪的传播效果却优于负面情绪呢？本文认为，最有可能的原因是事件性质的差异。以往研究多关注单一事件或自然灾害、事故灾难等突发事件舆情中的网络情绪，而本文则以新冠肺炎疫情这一重大突发传染病事件为背景。新冠肺炎疫情属于“天灾”，而非人为因素引发的“人祸”，其蔓延速度之快、感染范围之广，威胁到每个人的生命安全和身体健康，严重性和危害性远甚于之前研究关注的事件，因此人们更加需要正面情绪的鼓舞以提升抗击疫情的信心和斗志。况且，人类表达中本就存在着“积极偏见（Positive Bias）”，即人们在谈论美好事物时的心理感觉更好，因而倾向于回避消极话题、讨论积极话题[36]。由于此次疫情持续时间长、各类主体参与范围广，积极偏见容易在网络舆情中显现，从而使得正面情绪得以更持久地传播。

与既有研究发现一致，疫情期间网络情绪也呈现出由消极向积极演化的特点。转变的关键拐点出现在1月23日，结合该时间点前后的相关事件进行分析，本文认为政府举措和媒体报道是促成网络情绪转变的主要原因。一方面，政府采取的一系列干预举措有效安抚了网民因疫情蔓延产生的消极情绪。例如武汉全市暂时关闭离汉通道、湖北省启动重大突发公共卫生事件一级响应、中央部委协同各地方政府开展全国疫情联防联控工作等。这表明，政府相关部门应对突发重大传染病事件的态度、时效和举措在很大程度上影响着网络情绪走向。另一方面，各大媒体配合政府实时报道全国疫情最新动态、派驻记者赴疫情一线实地采访，在满足疫情期间人们信息需求的同时，通过报道战“疫”中的人物事迹振奋人心。焦点事件理论（Focusing Events）认为，公共安全危机中媒体的议程设置（Agenda Setting）将吸引公众的注意力[37]。因此，从1月下旬开始，媒体的报道议程在一定程度上推动了微博舆情朝正能量的方向发展，起到了宽缓消极网络情绪的作用。

5.1 主要结论

网络情绪作为研究网络舆情的重要依据，一定程度上就是网络舆情的主要表现形态。本文通过Python 编写网络爬虫程序获取新浪微博上的舆情数据，经过数据清洗及预处理后，运用情绪词典、朴素贝叶斯模型、Kruskal-Wallis 检验的方法，从类型倾向、演化过程和传播效果三个方面分析了新冠肺炎疫情期间的网络情绪。研究主要得到如下结论：①正面情绪是疫情期间微博舆情中的主导情绪，而负面情绪则以恐惧、贬责、烦闷和慌乱为主；
②疫情期间网络情绪经历了由消极为主向积极为主的演化过程，总体呈提升趋势；
③不同网络情绪的传播效果之间存在显著差异，正面情绪较之负面情绪和中性情绪更易于传播。

5.2 实务建议

结合分析结果，本文对重大突发传染病事件发生后政府相关部门的网络舆情治理和情绪引导工作提出几点参考建议。①及时回应诉求，防范次生舆情。所谓“次生舆情”，即舆情过程中出现新的刺激性因素引发的针对舆情主体或其他主体的新的舆情事件[38]，其生成发酵的重要原因是负面情绪的激发推动，根本原因则是民众诉求无法得到及时满足[39]。此次新冠肺炎疫情过程中次生舆情事件时有发生，“主体舆情”与“次生舆情”之间的“变焦转换”使得网络情绪间或波动，图3 中1月下旬以后情绪倾向值出现数次回落便与之有关。研究表明，情绪累积效应在突发公共事件中对于舆情走向具有重要影响[40]。因此，政府相关部门在重大突发传染病事件中应实时关注舆情动向、及时回应民众诉求，特别是需要加强与医院、慈善机构、公益组织等多元社会主体的联动协作，相互配合与监督，防范次生舆情事件导致的负面网络情绪累积，从而稳定网络舆情。②强化信息公开，警惕信息疫情。“信息寻求（Information Seeking）”是人们在公共危机中的本能反应[41]，权威信息缺失或模糊易使人们对不实消息的辨识能力下降[42]，助长网络谣言滋生，引起恐慌、不安或疑惧情绪。从“谣言”一词频繁出现在微博用户发文中可窥知（见表1），新冠肺炎疫情期间，网络谣言是网民负面情绪的诱发性来源之一。这说明，重大突发传染病事件中政府相关部门应时刻警惕“信息疫情（Infodemic）”，充分贯彻信息发布的透明性和及时性原则，第一时间将事件的起因进展等信息公之于众，并配合媒体科普预防知识、辟谣虚假信息。③多措并举，提升正面情绪。本文发现重大突发传染病事件下正面情绪更易于在网络舆情中传播，这启示政府相关部门应通过采取加大正面宣传报道力度、选用培育网络意见领袖、疏通情绪宣泄渠道、构建利益表达机制等多种举措提升网民的正面情绪，促进网络舆情朝积极方向发展。

猜你喜欢 负面舆情情绪 小情绪风流一代·青春(2018年2期)2018-02-26小情绪风流一代·青春(2017年6期)2018-02-14小情绪风流一代·青春(2017年5期)2018-02-14正面的人和负面的人知识窗(2017年12期)2018-01-02数字舆情领导决策信息(2017年13期)2017-06-21数字舆情领导决策信息(2017年9期)2017-05-04消费舆情消费电子(2016年12期)2017-01-19情绪认同商业评论(2014年6期)2015-02-28涉及商业伦理的负面事件中国新时代 (2011年7期)2011-02-05

相关热词搜索：舆情 肺炎 疫情