随着信息技术的发展,网络越来越成为公众参与公共事件的重要场域,也日益成为社会治理的关键阵地。互联网破除了时空局限,实现了人人皆可“上网冲浪”,大幅降低了公民参与的门槛与成本,扩充了公民参与的规模。数据显示,截至2018年6月30日,我国网民规模达8.02亿人, 其中58.6%的网民,约4.7亿人曾通过网络接受政务服务①。
① 数据来源:中国互联网络信息中心第42次《中国互联网络发展状况统计报告》, http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201808/t20180820_70488.htm
网络公共事件中,公民参与主要表现为网民在网络空间内的发帖及评论,通过图文、音视频等媒体形式为载体表达观点。这些内容借助网站,尤其是新浪微博等网络社交平台实现广泛传播,将舆论大量聚集从而形成舆情。区别于传统媒介,网络社交平台整合了网民的社会关系网络,因此在传播功能上具有传播成本低、辐射范围广、扩散能力强的特点。信息传播的链路及速度在每一个节点发生裂变,因而公共事件网络舆情的规模能够在短时间内迅速扩张,甚至演变为全网热议的社会性话题。倘若舆情衍生出消极、负面内涵,亦将随网络的爆发式增长发展为舆情危机,从而催生网络社会风险。因此,需要对网络舆情进行必要的干预及疏导,化危机为契机,维护网络空间秩序。
然而,众多实践表明,政府常常面临网络舆情干预低效甚至失效的困境,导致公众满意度低下以及网络情绪的消极化。一旦干预困境无法破局,意味着负面网络情绪将随事件舆情的结束无法舒缓,以一种悬而未决的姿态影响公众信任,损伤政府公信力,导致更深层次的社会后果。
近年来,国内外学者对网络舆情及其干预方面的研究不断升温。有学者从宏观理论视角切入,归纳舆情治理工作中的缺陷,总结政府治理困境并提出消解办法[1]。部分学者聚焦于具体案例,剖析舆情要素,进而提出舆情治理策略[2]。如王旭、孙瑞英通过舆情传播结构分析,认为识别并控制传播关键节点有助于提升政府对网络舆情的干预效果[3];刘怡君、陈思佳等运用仿真工具分析了重大突发事件的舆情形成及演化规律,并以此提出舆情处置策略[4];王英、龚花萍关注具体舆情的情感维度,通过统计情感值变化趋势,建构舆情预警研判机制[5]。
以往研究提供了网络舆情认知维度,介绍了内容分析法、自然语言处理技术在同类研究中的应用场景,对本文具有一定启发意义,但同时仍存在一些局限性。第一,偏重于对舆情传播性的探讨,舆情内容的挖掘较为不足;其二,文本素材全面性欠缺,较少研究能将博文类型文本、评论类型文本同时纳入研究;其三,仅仅梳理浅层现象,缺乏对现象背后实质原因的剖析,导致相关策略浮于表面,实用价值欠佳。
本文认为,个体行动是其意志的表达,行为背后的逻辑由诉求与期望建构。因此,解构及把握网民参与公共事件网络舆情的特定动因,增强政府回应与网民诉求及期望的适配度,是破除干预困境,进而消减公共事件网络舆情社会成本,达成网络空间善治的关键。
综上所述,本文将从主题、情感两个考察要件入手,借助计算机技术及大数据思维,通过自然语言分析矩阵,构建对寿光洪水事件网络舆情意涵的完整认知。首先,对构成事件舆情主要部分的热门微博进行LDA主题归类[6],提炼微博博文的主题,将网络舆情基本面梳理清晰;接着,对分布于不同主题的微博,挖掘其引导、动员产生的网民评论,通过TF-IDF关键词提取法[7],以及机器学习情感分析法[8-9],掌握网民的关注点及情绪变迁[10]。
基于上述过程,本文构建了网络舆情干预策略转化漏斗模型(如图 1所示),接下来将揭示网络舆情内涵中蕴含的网民期望以及行为逻辑,并以此为切入点,提出网民期望所指向的政府角色以及任务,从而论述网络舆情善治的达成要件及具体策略。
![]() |
图 1 网络舆情干预策略转化漏斗 |
本文以“寿光洪水”“寿光水灾”“寿光洪灾”“寿光大雨”为关键词,检索新浪微博中聚集转发、点赞、评论数量最多的热门微博共548篇,借助Python 3计算机语言自行编写爬虫程序,按照特定字段(见表 1)进行数据抓取、记录。另外,使用八爪鱼采集器对上述微博所聚集的网民评论进行采集和输出,再通过必要的数据清洗及处理,共获得数据30 573条。
![]() |
表 1 数据字段说明 |
数据清洗和处理。为保证文本分析的准确性,需要对数据进行清洗和处理。首先,对采集工具重复抓取产生的数据,以及@、[]等无实义的html标签、字符进行清洗;其次,对“蹭热点”、打广告或其他包含检索关键词,但实际语意与本文案例不符的内容,进行人工识别、剔除;最后,对繁体字进行简体转化。
中文分词、去除停用词。对原始文本进行分词处理①,以满足中文自然语言处理所要求的文本特征;此外,进一步对分词后的文本去除无实际意义的停用词,如关联词、语气词等,提高关键词提取、主题凝练的精确性②。
①使用jieba分词工具实现。
②使用《哈尔滨工业大学停用词表》实现。
(三) 数据分析(1) 主题挖掘。考虑到微博博文、微博评论两类文本在题材、字数方面的差异,为保证主题挖掘的效率及准确性,对主题明确、字数较多、段落化特征显著的微博博文采取基于无监督机器学习的LDA(Latent Dirichlet Allocation)模型方法进行主题挖掘和提取,最后人工赋予主题具体内涵;对表达随意、字数较少、口语化倾向明显的微博评论,LDA模型的准确性将降低,因此采用TF-IDF关键词提取法,输出权重较高的关键词(如表 2所示)作为定位点,返回原始文本并进行人工主题归纳和分类。
![]() |
表 2 TF-IDF关键词提取表节选 |
(2) 情感分析。本文采用基于朴素贝叶斯(Naive Bayes)的机器学习分类法进行微博评论的情感得分测算[11]。从前文所述爬取得到的微博评论文本中,随机选取1 200条微博评论,划分为“积极”“消极”两类并赋值标记,如表 3所示,作为机器学习训练语料。在此基础上,建立朴素贝叶斯文本分类模型,对剩余所有微博评论进行“积极”概率预测,输出数值为0-1概率值。其中,任一微博预测数值愈趋近于1,则该微博的情感倾向愈趋近于“积极”;反之,预测数值愈趋近于0,则情感倾向愈趋近于“消极”。本文对0-1数值采取等间距分类,得到情感得分s的五个级别:“非常消极”(0 ≤s < 0.2)、“比较消极”(0.2 ≤s < 0.4)、“一般”(0.4 ≤s < 0.6)、“比较积极”(0.6 ≤s < 0.8)、“非常积极”(0.8 ≤s≤1)。
![]() |
表 3 情感标注语料库节选 |
从时间序列来看,网络舆情具有阶段性,主要可分为酝酿、高潮、延续、消退四个阶段,详见图 2。从热门微博发文数、评论数的分布状况可知,“寿光洪水”事件网络舆情主要集中在2018年8月20日至2018年9月7日。经过短时间酝酿,事件舆情自8月22日爆发进入高潮期,其中热门微博数量迅速上升并于24日达到峰值,对应评论数量则于22日触顶且呈现大幅震荡。此后,舆情进入延续阶段,自8月31日开始逐渐消退。可见,“寿光洪水”呈现出公共事件网络舆情的典型特征,即“爆发快”“消退快”,极大压缩了政府应对的操作空间。
![]() |
图 2 “寿光洪水”事件舆情生命周期 |
网络舆情呈现明显的主体集中特征。单从微博发布数量来看,普通用户占据最大比重,达到38.93%;媒体机构、意见领袖紧随其后,分别达到31.68%、24.24%(详见图 3)。然而,以微博评论数量而言,媒体机构却以75.22%的占有率远远高于意见领袖、普通用户及政府机构。这说明媒体机构能够更为高效地覆盖、动员网民参与舆情(见图 4)。
![]() |
图 3 不同主体发布的微博数量占比 |
![]() |
图 4 不同主体引发的网民评论占比 |
同时,不同主体介入网络舆情的时机存在差异(见表 4)。其中,在舆情酝酿期,政府、媒体等权威声音出现较少,主要由意见领袖、普通用户引导舆情,此时发文量、评论量亦呈现较低水平;在舆情高潮期及延续期,媒体机构开始发挥主导作用,意见领袖、普通用户话语影响力相对下降,舆情规模及热度也急剧上升;而在舆情消退期,意见领袖的作用重新得到发挥,与媒体机构一同掌控着舆情走向直至终结,发文量、评论量出现明显的下降,以致低于酝酿期水平。
![]() |
表 4 发文主体阶段分布 |
调用LDA文本分类模型进行多次拟合,发现当主题个数定为7个时,文本分布及主题萃取情况最为合理。此时,依据模型提取的关键词返回微博原文,结合语境提炼主题含义,最终得到灾害原因、社会赈灾、灾害情况、灾害影响、村民遭遇、村民自救、官方救援7个主题及其文本占有率,操作结果如表 5所示。
![]() |
表 5 LDA主题萃取结果 |
基于分类结果可知,事件热门微博舆情主要聚焦于灾害情况、社会赈灾、灾害原因三大主题,文本占比达到60.3%。此外,灾害影响、村民遭遇、村民自救等主体亦得到一定关注,而官方救援行动相关内容则占比较少。
接下来,调用事先建立的情感分析模型,得到不同主题微博所引发网民评论的情感得分(见图 5)。结果显示,全样本情感得分均值为0.54;灾害情况类微博评论情感得分最低,为0.26;社会赈灾类情感得分最高,达到0.74。根据前文订立的情感得分级别①,灾害情况类微博引发的网民评论情感判定为“比较消极”;灾害原因、村民遭遇类判定为“一般”;灾害影响、村民自救、官方救援、社会赈灾类判定为“比较积极”。
①情感得分s的五个级别:“非常消极”(0 ≤s < 0.2)、“比较消极”(0.2 ≤s < 0.4)、“一般”(0.4 ≤s < 0.6)、“比较积极”(0.6 ≤s < 0.8)、“非常积极”(0.8 ≤s≤1)。
![]() |
图 5 网民情绪的主题分布 |
主题分类与情感分析为舆情研究搭建了操作框架以及认知维度,本文将区分事件舆情的酝酿期、高潮期、延续期、消退期四个阶段,深入挖掘寿光洪水事件网络舆情的主题、情感时序变迁。
1. 舆情酝酿期本阶段,洪水灾害仍在发展中,热门微博舆情主要集中在灾害情况、灾害原因、村民遭遇、官方救援四个主题如图 6所示。
![]() |
图 6 酝酿期各主题微博数量占比 |
介绍、讨论灾害情况的微博占比最高,达到48.57%。相关文本主要围绕央视某记者声称“上游水库泄洪并未导致寿光洪水”展开反驳,包括陈述当前灾害状况,以及表达对记者及其言论的不满。此外,有部分网友将不满上升为对“央视”新闻可信度的质疑。
情感分析结果显示,网民情绪等级为“非常消极”(情感得分仅为0.08)。关键词归纳语义发现,评论大多为对记者、央视言论的批评和攻击,对媒体机构泛娱乐化、不报道灾情的失望,以及对事实真相、当前实际灾情的关切。
反思、总结灾害原因的微博也占据此阶段舆情较大比重,达到34.29%。其中大部分内容持有“不是天灾而是人祸”的核心观点,认为是上游水库的突然泄洪导致了寿光洪灾的发生。有部分言论立场偏激,认为水库囤水牟利,因而直到水满突破库容才放水,导致寿光地区洪水泛滥。
网民情绪等级为“一般”(情感得分为0.42)。关键词归纳语义发现,消极评论主要指向声讨上游政府,要求增加事件报道等;积极言论主要围绕为灾区加油祈福,商讨救灾赈灾事宜等。
描述村民遭遇以及官方救援行动的微博占比较少,分别仅占11.43%、5.71%。前者主要通过发布视频的方式,描述受灾群众的具体状况来表达对“央视”记者的不满;后者主要提及两名辅警落水失踪,表达了对一线救援人员的感激和关切。
情感分析结果显示,两类微博引发的网民情绪为“一般”(情感得分分别为0.54、0.51)。关键词归纳语义发现,消极评论表现为批评官方行动不足,包括缺少关注及报道、援助迟缓等;积极评论主要以鼓励灾民克服困难,赞美辅警及一线救援者为主。
2. 舆情高潮期本阶段,媒体机构开始参与舆情传播,凭借其强大的话题动员能力迅速提升了事件舆情的广度、热度,成功推动话题站上微博热搜榜。随着洪水事件的不断发展,以及不同立场网民的加入,急剧增加的文本推动了议题多元化,上文所提炼的7大主题皆在此阶段有所体现。各主题文本量排序依次为:灾害情况、灾害影响、灾害原因、社会赈灾、村民遭遇、官方救援、村民自救(如图 7)。
![]() |
图 7 高潮期各主题微博数量占比 |
通报灾害情况的微博占据样本总量的最大比重,达28.50%。其中,《人民日报》、头条新闻、澎湃新闻、凤凰网等主流媒体主要围绕时间、地点、受灾状况等客观因素发布通告式内容,立场中立且无评论性观点。意见领袖及普通用户则出现观点分化。对事件有较多了解的网民仍对此前“央视”记者的言论进行抨击,初闻事件者则主要表达对事件发展的关注,表达对当地人民群众的祈祷和祝福。值得注意的是,存在较大比例的网友指认新浪微博平台及其他利益相关方存在干预舆情封锁消息的行为。
情感分析结果显示,网民情绪等级为“比较消极”(情感得分仅为0.37),较上一阶段有所改观。通过关键词归纳语义可知,媒体机构加入事件报道,极大扩充了舆情覆盖的用户规模,引导大量非受灾地中立网民加入讨论。此类网民的言论较为温和,多抒发对事件的关切,或祝福与鼓励受灾地区群众,从而提升情感得分。另一方面,关于消息封锁、撤热搜等议题的评论仍占据大多数,此类评论言语较为激烈,导致总体得分依旧保持于消极状态。
随着洪水灾害的持续发展,讨论灾害影响、损失方面的文本也迅速攀升,占比达到20.61%。媒体机构着墨于洪水退去后受灾当地状况的总体描述,并强调灾后病害防御等工作,且各大媒体所发布的内容较为趋同,存在直接原文转发现象。意见领袖及普通用户持有立场鲜明的观点,细致化描述寿光灾后的农业经济损失,表达了对寿光灾后恢复生产工作的担忧。
网民情绪等级为“比较积极”(情感得分为0.60)。通过关键词归纳语义可知,导致情感得分较高的原因主要包括两个方面:一是部分网民针对某些报道所称“损毁房屋9999间”的细节进行评论,使用较多嘲讽话语,用词随意;二是以凤凰网为代表的媒体率先对事件进行详尽报道,引发了网民的赞许。
探讨洪水灾害原因方面,文本占比达到18.83%。随着事件的持续发展,加之上游水库方面关于泄洪的回应,网民对洪水灾害原因的分析和反思较之前一阶段更为深入,出现了客观、理性探讨受灾原因的分析性文本。此外,除继续表达对泄洪行为的愤慨情绪,部分网民呼吁对相关灾害原因进行彻查,对相关责任人进行问责。
网民情绪等级为“一般”(情感得分为0.54)。通过关键词归纳语义可知,网民评论围绕微博内容存在立场分化,由此导致情感得分的拉锯。部分网友带有明确的情感立场,对客观分析灾害原因的微博存在主观负向认知并表达质疑。
从前文介绍的主题总体分布状况可知,社会领域自发的赈灾援助构成了样本的重要语篇。事实上,相关舆情在高潮期开始出现且占据了较大比重,达到16.79%。具体而言,大部分舆情指向娱乐明星号召其“粉丝团”组织的自发性募捐活动。相关文本表达了对受灾群众的关切,亦阐发了对自家“偶像”的崇拜和赞许。
网民情绪等级为“非常积极”(情感得分为0.91),在所有阶段、主题样本中情感得分最高。此类主题动员的网民多为明星“粉丝”,评论主要体现为“粉丝”网民向明星表忠心,对明星慈善行为表示赞许并跟随;此外,灾区网民亦对明星及其“粉丝”赈灾活动表示感谢。上述结果表明了娱乐元素在突发公共事件中的传播效力及价值,充分反映了此类议题对网络情绪的调节能力。
村民遭遇、官方救援、村民自救等议题也占据了一定的舆情分布(分别为7.64%、5.34%、2.29%)。其中村民遭遇主题包括两类文本,一是媒体机构对部分灾民现状的报道,二是网民在了解受灾情况后表达对灾民遭遇的同情和关切。官方救援主题所属文本则主要围绕对因救灾失踪两名辅警展开的救援行动进行议论。村民自救主题则表现出一定程度对政府救援工作的不满。
情感分析结果显示,村民遭遇、村民自救网民情绪等级为“一般”但接近“比较消极”(情感得分均为0.40),官方救援网民情绪等级为“比较积极”(情感得分为0.69)。村民遭遇、村民自救两类主题所聚集的评论相似度较高,主要为了解村民经历后阐发的同情及关切,因此表现为一般偏消极的情绪倾向。官方救援类主题具有辅警、救援、失踪等要素,因此所引发的探讨主要以为辅警祈福,感谢一线救援者为主,情感表现较为积极。
3. 舆情延续期随着洪水逐渐消退,网络舆情的关注度、文本量随之下降,舆情议题的分布也出现结构性转变,由关注灾害发展动态转向介绍灾害事件中的人、事等要素,各主题分布比例较为均衡。各主题文本量排序依次为:社会赈灾、村民自救、官方救援、灾害情况、灾害影响、村民遭遇及灾害原因,如图 8所示。
![]() |
图 8 延续期各主题微博数量占比 |
此阶段社会赈灾类文本占据最大比重,达到23.53%。其中,媒体机构加入舆情,广泛宣传、褒扬明星捐款以及粉丝募捐活动等相关内容,此类文本能唤起较大规模的网民转发行为。此外,其他社会公益组织的赈灾援助行动也凝聚了大量文本,主要传播中国社会福利基金会等机构实地开展的物资发放、灾后病害防御援助工作及相关内容。
情感分析结果显示,网民情绪等级为“一般”(情感得分为0.46)。具体而言,明星及粉丝募捐议题持续聚集了积极情感立场的评论。然而,以新浪娱乐为例,媒体机构发表的赈灾倡议却引发了情感立场的波动,如部分网友借机抨击此前新浪等官方媒体封锁消息、弱化事件报道等行为。此类言论情绪较为消极,对整体网民情绪得分产生负向作用。
村民自救类文本达到17.65%,为本阶段舆情占比第二。议题关注点主要集中在自救中的好人好事,如多家媒体机构集中对当地一村主任开卡车堵决口导致骨折的事件予以详细报道。
网民情绪等级为“比较积极”(情感得分为0.64)。因议题集中表现为自救过程中的正面事件,因此绝大部分网民评论表现出积极倾向,表达对事迹当事人的敬意、称赞,从而维持了整体情绪等级。
官方救援类文本占比16.67%,且同样存在主体差异。媒体机构集中对救援辅警失踪、牺牲事件进行跟踪报道。以新浪山东为代表的灾害当地媒体则主要通报了山东省对寿光洪灾的援助细节及相关救援救助工作进度。
网民情绪等级为“比较积极”(情感得分为0.70)。其中,关乎辅警的微博聚集了较多正向情绪评论,主要表达对牺牲辅警的敬意;其余微博则主要引发外地网民对受灾当地的祝福与鼓励,以及当地网民对救援人员的致谢。
随着洪水退去,介绍灾害情况类文本显著下降,为13.73%。其中,媒体机构主要以陈述事实的方式对洪灾事件进行回顾及总结。而意见领袖、普通网民则继续质疑言论封锁行为,指出新浪“利用滴滴事件转移大家的注意”,百度设置违禁词限制对寿光洪水事件的讨论等。
网民情绪等级为“比较消极”(情感得分为0.33)。在控诉言论封锁的议题引导下,网民评论普遍呈现消极情感倾向。评论内容与博文内容趋同,表达了对媒体机构及其他相关方的失望。
灾害影响类议题讨论热度较前一阶段有所下降,为12.75%。其间意见领袖、普通网民掌握了绝大部分议题份额,主要关注洪水对菜价的影响。少数微博继续表达了对灾后经济社会损失、病害防御的关切。
网民情绪等级为“一般”(情感得分为0.59)。对菜价的关注引导网民评论中心议题的偏离,广泛讨论微观经济生活中的细节而非洪灾事件本身,此类文本无明确情绪立场。对灾后当地影响进行评论的微博大多表现为同情与祝福,导致整体舆情趋向缓和。
村民遭遇类主题占有文本量较低,为10.78%。主要介绍村民们的实际损失以及灾后面貌,其中有部分受灾当地网友现身说法,讲述受灾以来的身心历程。网民情绪等级为“比较积极”(情感得分为0.67)。对于灾民发布的内容,网民普遍表现出积极情感倾向,对博主表达关心及祝福,推动了整体舆情情感导向的上升。
灾害原因类主题仅贡献4.89%文本量,主要围绕@微博辟谣发布的声明进行讨论。该类博文引发了广大网民的讨论,网民情绪表现“比较消极”(情感得分为0.29)。一部分认为泄洪时机“很难精准预测”,情感倾向中立;大部分坚持认为上游水库工作人员存在“行政懒惰”导致集中泄洪,情感倾向呈现负向。此外,还存在两种立场网民之间的论战,用词较为激烈,导致整体舆情急转直下。
4. 舆情消退期由于洪水已退去多日,灾害救援基本结束,受灾地区亦进入恢复重建期,社会对本次事件的关注热度随之迅速下降,网络舆情文本总量亦急剧减少。主题范围收缩,仅在社会赈灾、村民自救、官方救援、灾害影响、灾害情况等方面存在舆情延续,如图 9所示,且具体内容多以历程回顾为主,突出洪灾过程中的单点事件及人物。
![]() |
图 9 消退期各主题微博数量占比 |
讨论社会赈灾方面的文本占据最大比重,达到43.75%。其中主要由媒体机构以案例的方式介绍志愿者前往寿光开展的救援救助、慰问消防官兵等活动。村民自救类文本贡献了25.00%的占有率,主要由意见领袖延续对村主任开卡车堵决口事迹的讨论。官方救援议题占比18.75%,主要表现为媒体机构对消防官兵的日常工作,以及救灾任务完成之后集体撤退等相关内容的报道。
上述三个主题所引发的网民评论较为趋同,主要表达对一线救援工作者、志愿者,以及对灾害中具有突出表现个人的感谢及祝福,情感得分分别为0.85、0.78、0.66,均呈现出“比较积极”的情感倾向。
最后,12.50%的文本延续了对灾害影响议题的讨论,主要涉及对洪灾造成经济损失的回顾以及村庄重建工作的展望。其引发的网民评论主要体现为外地网民对当地灾民的祝福及鼓励,语意情感得分达到0.63,亦呈现出“比较积极”的情感倾向。
综上所述,在舆情生命周期的不同阶段,话题结构存在差异,各方关注点也随着事件及舆情的发展产生变迁,具体表现为各主题微博占有率的增减。灾害情况、村民遭遇等描述灾情即时状况的话题,以及探讨灾害原因的反思类话题,其文本占比随舆情周期发展逐渐下降。由于灾害类事件固有的发展逻辑,社会赈灾、村民自救、官方救援等后发主题呈现上升趋势。此外,对灾害影响的讨论,则呈现波动并在舆情中后期保持平稳。
进一步探索微博博文所引发的网民情绪变迁,发现随着事件热度消退,舆情后期的网民情绪较前期趋于缓和。更为重要的是,不同微博主题对网民情绪的影响存在显著差异(见表 5)。社会赈灾、官方救援、村民自救类主题传播较多正能量内容,灾害影响类主题引发了网民的同情与关切,皆表现出“比较积极”的网络情绪倾向。灾害情况类主题承载着网民对知情权、表达权、被报道的诉求,乃至对政府、媒体角色的期望,诉求与期望的落空导致了“比较消极”的情绪倾向。
![]() |
表 5 网民情绪分布 |
在自然语言分析矩阵的帮助下,本文形成了对寿光洪灾事件网络舆情主题、情感内涵的结构化认知。每个主题内部网民着重议论的要素,实际上是其诉求、期望的落脚点;而在这些事件要素上的网民情绪分布,则反映了其诉求、期望的实现状况。总的来说,网络舆情中的公民诉求与期望可以归纳为认知事件,表达观点,以及创造、维护网络虚拟价值三个方面。
第一,迅速、清晰认知公共事件。寿光洪灾暴发初期,具有强大网络影响力的政府、媒体机构对事件关注较少,仅由意见领袖及部分知情网民对灾害进展进行报道。绝大部分发文者在网络社交平台上的影响力不足,限制了事件相关舆情的触达范围。非官方消息的话语风格缺乏严谨,个体观点表达多于客观事实陈述,导致信息接受方难以形成对当前事件发展动态的准确认知。因此,在舆情酝酿阶段,网民普遍对寿光洪灾状况略知一二,知之甚少,对事实真相的渴望通过博文、评论予以呈现,最终演变为对官方声音缺位的不满。值得注意的是,网民普遍倾向于根据第一时间掌握的信息、证据,快速做出事实评判;选择坚持理性,等待可靠消息再形成事件认知者甚少。对此,本文将其理解为网民在公共事件认知方面存在急迫性及惰性,即希望以最快的速度获得事物的清晰认知。
第二,自由地表达对公共事件的观点、见解。发布内容是网民参与公共事件的主要行动方式,无法自由地表达即意味着网络空间内公民参与受限。在公民意识日渐觉醒,网络政治参与常态化的当代,合法、合理、自由地进行表达是网民固有的期望。案例中,网民质疑网络社交平台采用撤热搜、撤话题、屏蔽相关搜索词等手段,缩小议事空间,压制舆情规模;对已发表的内容,尤其是灾害情况、原因等议题,平台则进行删帖干预。上述行为引发了网民热议,开辟了洪灾要素之外的言论战场。坚持言论自由,谴责平台等批评话语规模迅速扩大,成为舆情的重要部分,并以“火上浇油”之势,进一步推动整体舆情消极化。
此外,公共事件网络舆情,既聚集了大批“围观者”,同时也调动了大批“当事者”。后者发布的内容往往能够提供更为丰富的细节,能够满足前者的认知欲、表达欲;前者推动相关内容的传播与扩散,也有利于后者利益诉求的表达。在本案例中,洪灾当地网民频频通过网络发布受灾情况、影响等内容与外界互动,获得来自社会的关注、慰问,一定程度上推动了社会性援助与赈灾活动的发生,是“当事者”利益诉求的集中体现。
第三,创造、维护网络虚拟价值。网民通过“上网冲浪”输入资讯,亦产生了时间和精力的输出,这个过程创造并积累了信息、数据、社交关系等无形资产及价值。具体而言,网络虚拟价值方面的诉求包括如下三点:
扩大网络影响力。对于意见领袖而言,制造话题并提升与网民的互动性,是其参与公共事件舆情传播的重要诱因。在网络社交平台,粉丝数量及互动程度是衡量意见领袖网络影响力的重要指标,而借助热门舆情,发表新颖、独到且具有煽动性的观点,是提高互动活跃度并实现“涨粉”的重要途径。本案例中,意见领袖活跃于舆情过程的始终,尤其在舆情酝酿阶段,发挥了引领舆情方向的作用。其发布的内容往往观点鲜明,极具话题性,能够切合网民立场引发大规模评论、转发,形成局部议题的热烈讨论。
蹭热点,提升网络空间存在感。在核对、筛选网民评论的过程中,发现较多无明确语意的评论文本,如仅仅为字母、标点以及无情感倾向的表情符号,或是“转发微博”等无观点用语。对此,本文选取若干样本,详细审查对应网民的微博主页及其发文行为,发现大多数网民仅仅作为寿光洪灾事件的“过客”,参与舆情传播的动机并非是认知事件、表达观点,而仅仅为了借助热点舆情留下足迹,提升自己在社交网络圈中的“存在感”。
私人网络资产得到认可及保护。在网络虚拟空间,网民依靠多种形式的付出获得的等级、积分、勋章、荣誉称号等无形物品,属于其拥有的网络私人资产。而网民发表的博文、评论,是其创造的思想观点等内容要素,及花费的时间精力等成本要素共同构成的价值载体,同样具有私人物品的属性。网络社交平台对网民发表内容进行封锁、屏蔽甚至删除,对大量网民参与形成的舆情热点、热搜进行撤销、降权,本质上而言是对网民付出与回报、投入与产出的剥夺与否定,也造成了本案例中网民对相关干预行为的抗议及申诉。
五、结语上述分析明确了网民参与公共事件网络舆情的诉求与期望,主要包括认知事件,表达观点,以及创造、维护网络虚拟价值三个方面。网络舆情有效干预应做到“顺势而为”。首先,本案例中网民的言论及情绪的负向性在“认知事件”需求的语境中集中呈现,表达了网民对权威声音归位的期望。为此,要提高官方消息渠道(政府、媒体机构)的参与意识,做到第一时间介入,增加报道频次,细化输出内容,满足网民的知情权。第二,网民对事件认知的诉求具有时间延续性,不但关注事件的开端,亦对事件后续发展过程具备明确的认知需求。因此,应当建立全过程舆情引导机制,跟踪、公开事件最新动态,实时把控网络舆情的走势及变迁并及时作出回应,引导网民对事件的正确认知,提升对政府的信任度[12]。第三,围绕社交媒体平台是否采取言论封锁行动,网民言论及情绪亦呈现出显著负向性。对此,应当树立网络舆论表达可充当“减压阀”的认知,调整观念意识,认可言论合理表达对宣泄社会心理、调适社会秩序所具有的正面作用,减少非必要舆论管控。第四,借助网络公共事件营造话题、牵引民意,是意见领袖培育网络影响力、存在感的重要手段。故应加强对意见领袖的引导及扶持,促进舆情治理目标与意见领袖个人动机相结合,利用意见领袖与网民粉丝的强互动性达成有效舆情疏导。第五,遵循“以人为本”原则的内容显著地激发了网民参与讨论的热情。因而可主动传播事件中的人、故事等要素,准确还原现实情境,增强舆情内容吸引力,促使围观网民形成对公共事件的正确认知。此外,案例中“好人好事”事件在整体舆情中起到了显著的调节作用,这启发我们应当重视“正能量”议题构建,挖掘公共事件中的好人好事加以宣传,加码传播力度,促进网络舆情积极化[13]。
本文选取新近发生的公共事件典型案例——“寿光洪灾”,搜集相关新浪微博博文及评论,梳理事件网络舆情的具体内涵,并按照舆情生命周期进行阶段划分,审视不同阶段下舆情主题、情感的分布及变迁规律,分析网络言论表达背后蕴含的网民诉求及期望。最后以此为破局点,提出公共事件网络舆情干预中“顺势而为”的原则及具体对策,为有关部门、机构开展科学有效的舆情治理提供了实践素材及理论线索。
当然,本文亦存在一定的局限性。内容性是网络舆情的基础属性,因此本文主要挖掘博文、评论中的主题、情感以构建网络舆情意涵的认知。除此以外,传播路径以及虚拟空间社会网络亦蕴含较为丰富的信息,可思考作为进一步研究的考察要件。此外,主要采用基于大数据的自然语言处理工具对海量非结构化文本进行处理与分析,如使用无监督机器学习输出博文主题,利用朴素贝叶斯分类实现文本情感赋分等。此类方法的应用大大提升了内容分析效率,其过程严格遵照算法,亦能够减少研究者主观意愿造成的认知误差。然而,目前尚未存在完美匹配研究目标、研究素材的模型及算法,这既反映出目前大数据研究方法仍然存在分析误差,也启发了未来研究的目标及方向。
[1] | 刘伟. 论转型时期我国网络舆情治理的思路与对策[J]. 理论与改革, 2016(3): 93–101. |
[2] | 尚红利. 自媒体时代网络舆情政府治理的困境及其消解[J]. 行政论坛, 2016, 23(2): 59–62. DOI: 10.3969/j.issn.1005-460X.2016.02.012 |
[3] | 王旭, 孙瑞英. 基于SNA的突发事件网络舆情传播研究——以"魏则西事件"为例[J]. 情报科学, 2017, 35(3): 87–92. |
[4] | 刘怡君, 陈思佳, 黄远, 等. 重大生产安全事故的网络舆情传播分析及其政策建议——以"8·12天津港爆炸事故"为例[J]. 管理评论, 2016, 28(3): 221–229. |
[5] | 王英, 龚花萍. 基于情感维度的大数据网络舆情情感倾向性分析研究——以"南昌大学自主保洁"微博舆情事件为例[J]. 情报科学, 2017, 35(4): 37–42. |
[6] | 张培晶, 宋蕾. 基于LDA的微博文本主题建模方法研究述评[J]. 图书情报工作, 2012, 56(24): 120–126. |
[7] | 邓丹君, 姚莉. 基于改进TF-IDF的微博短文本特征词提取算法[J]. 软件导刊, 2016, 15(6): 48–50. |
[8] | 刘志明, 刘鲁. 基于机器学习的中文微博情感分类实证研究[J]. 计算机工程与应用, 2012, 48(1): 1–4. DOI: 10.3778/j.issn.1002-8331.2012.01.001 |
[9] | 梁军, 柴玉梅, 原慧斌, 等. 基于深度学习的微博情感分析[J]. 中文信息学报, 2014, 28(5): 155–161. DOI: 10.3969/j.issn.1003-0077.2014.05.019 |
[10] | 周胜臣, 瞿文婷, 石英子, 等. 中文微博情感分析研究综述[J]. 计算机应用与软件, 2013, 30(3): 161–164, 181. DOI: 10.3969/j.issn.1000-386x.2013.03.043 |
[11] | 林江豪, 阳爱民, 周咏梅, 等. 一种基于朴素贝叶斯的微博情感分类[J]. 计算机工程与科学, 2012, 34(9): 160–165. |
[12] | 宋广文, 董存妮. 社会媒体、说服传播与环境群体性事件——对PX事件的社会心理学分析[J]. 华南理工大学学报(社会科学版), 2017, 19(1): 65–70. |
[13] | 夏雨禾. 2010年以来的突发事件微博舆论及其变化趋势——基于新浪微博的实证研究[J]. 新闻与传播研究, 2014, 21(3): 52–67, 127. |