網民心理視角下突發公共事件情感主題研究

鄭杏冉 黃衛東

摘要：[目的/意義]引入網民心理理論研究情感主題，探究突發公共事件中網民情緒爆發以及負面輿情現象的觸發和生成的心理原因，為突發公共事件輿論引導提供幫助。[方法/過程]以“東航墜機”為關鍵詞爬取微博評論作為研究對象，利用情感分析、LDA主題挖掘，結合輿情生命周期和社交網絡方法，對事件發生不同階段的不同情感下用戶所關注的主題進行可視化分析，并結合網民心理對網絡輿情中情感主題展開更加深入的挖掘，找出網民消極情緒形成和導致負面輿論行為背后的心理問題。[結果/結論]研究表明，引起網民消極行為的原因除了事件本身的因素外，還有網民的個體心理和群體心理以及潛在心理活動的催化。研究結果可為減輕輿情危機風險和有效引導輿論方向提供幫助。

關鍵詞：深度學習；突發事件；情感主題；輿情引導；網民心理

分類號：G206

引用格式：鄭杏冉， 黃衛東. 網民心理視角下突發公共事件情感主題研究[J/OL]. 知識管理論壇， 2024， 9（1）： 93-107 [引用日期]. http：//www.kmf.ac.cn/p/380/. （Citation： Zheng Xingran， Huang Weidong. Research on the Emotional Theme of Public Emergencies from the Perspective of Netizen Psychology[J/OL]. Knowledge Management Forum， 2024， 9（1）： 93-107 [cite date]. http：//www.kmf.ac.cn/p/380/.）

1? 引言/Introduction

突發公共事件是指突然發生，導致重大人員傷亡、財產損失、生態環境破壞和嚴重的社會危害，公共安全受到危及的緊急事件，包括自然災害、事故災難、公共衛生事件和社會安全事件[1]。移動互聯網在方便人們獲取信息的同時，也成為大眾發泄情緒和表達觀點的主要陣地。一方面，突發公共事件的復雜性、突發性和持續性容易讓部分網民在社交網絡上發表過激言論，事件發布的滯后性更會導致謠言和不實信息在網絡上傳播；另一方面，突發公共事件帶來的沖擊極易影響到公眾的心理，且事件發酵過程中出現的新情況不斷影響大眾的情緒和關注主題的走向，這種影響可能是積極的，但也可能是消極的，而消極的輿情會惡化突發公共事件的態勢，帶來輿論危機。因此，網民心理在突發公共事件的整個傳播過程中起著重要的推動作用。面對一系列突發公共事件相關信息，網民自身往往帶有主觀情緒，影響情緒的因素之一就是網民的心理，網絡信息的傳播往往就是網民情緒的傳播，嚴重時將會影響事件走向。同時相關心理學研究表明，情緒會顯著影響我們的行為，所以探究網民情緒形成和負面行為爆發背后的網民心理，對引導網絡輿情、推動社會穩定治理具有重要的研究意義。

目前國內外學者大多數對突發公共事件的網絡輿情研究集中在輿論傳播與演化路徑等方面，缺少基于網民心理研究突發公共事件輿情生成原因。本文旨在提出一種將網民心理相關理論融合情感主題的研究方法以對突發公共事件輿情演化進行梳理，挖掘網民負面行為和消極情緒形成的心理原因。因此，以突發事件“東航墜機”為例，挖掘網民情感主題，構建事件不同階段中的輿情主題關系圖譜，找出網民出現極端消極傾向行為的各個節點，分析各個階段出現負面行為狀況的心理原因，為政府、媒體和意見領袖等治理主體在突發事件網絡輿情控制和引導方面提供數據和理論支持。

2? 文獻綜述/Literature review

2.1? 突發公共事件網絡輿情研究現狀

目前，對于突發公共事件輿情治理相關研究主要集中在于輿情的形成過程、傳播演化、監測預警和回應引導4個方面：

（1）突發公共事件網絡輿情形成和觸發過程的研究。突發公共事件一旦發生極容易引發社會輿情，而輿情的觸發往往是多種因素綜合作用的結果[2]。其中輿情的主體、客體、本體和媒介以及過程是輿情形成的最重要的五大要素[3]。事件的屬性、主體、范圍、傾向都能夠對熱點話題的形成產生影響，大范圍的權威信息更能夠成為熱點[4]。同時個人的受教育程度、個人頑固性、個人初步意見等外部特征也會對輿情的形成產生影響[5]。

（2）突發公共事件輿情的傳播與演化。這一過程是學者們的重點關注對象，從總體上分為階段和要素兩個視角。從階段視角看，學者們結合生命周期對輿情傳播演化的階段過程進行分析，提出輿情生命周期從生成到結束分為三階段[6]、四階段[7]、五階段[8]等過程理論。從要素視角看，現有研究主要集中在主體內容[9]、客體的情感態度和意見[10]等方面。姚艾昕等利用LDA主題分析法研究新冠疫情謠言內容的分布特征和熱門謠言的主題特征，得出醫療類謠言占比最高[11]；S. Wang等提出一種動態網絡結構，對主題感知偏好和用戶鄰接信息被用戶影響之間的二元關系所反映的先驗信息進行分解[12]；V. Schoenmueller等對Twitter上虛假新聞發布、傳播者歷史帖子的語言進行語義分析、主題挖掘，并分析其發布虛假新聞的情感動機[13]。

（3）突發公共事件的監測和預警。學者們利用不同的監測指標和構建不同的模型對其進行研究，如采用層次分析法與專家調查法[14]、解釋結構模型（Interpretative Structural Modeling Method， ISM）和貝葉斯網絡模型（Bayesian Network， BN）[15]等。L. J. Peng等甚至在考慮發展特點和傳播特點的基礎上，構建了包括4個一級指標和13個二級指標的網絡輿情預警指標體系[16]。

（4）突發公共事件輿情的回應與引導。以民眾角度，利用情感分析和主體提取，提出基于民眾反應制定政府回應策略的方法[17]；以政府角度，從思路、模式、手段、政府信息供給決策、效果評價等5個方面進行輿情引導與治理的創新[18]。

綜上所述，當前圍繞突發公共事件網絡輿情熱點分布在輿情的傳播演化和回應引導方面，學者們從不同角度、利用不同技術方法為治理主體把握事件輿情傳播演化規律并為引導治理提供參考。但現有研究也存在著較為薄弱的地方，如在研究方向上對輿情的生成上研究關注度較少，在研究視角上需要強化跨學科融合的視角。

2.2? 情感分析和主題挖掘研究

目前，情感分析主要有三種方法：①基于情感詞典的情感分析方法。除了常用的知網HowNet情感詞典[19]、大連理工大學情感詞典[20]和臺灣大學NTUSD簡體中文詞典[21]外，學者們為提高情感分類準確率考慮到顏文字和語氣詞對于細粒度情感分類的影響[22]；也有將三層神經網絡結構融入動態情感詞典的構建中提高準確度[23]。②基于機器學習的情感分析方法，樸素貝葉斯（Naive Bayesian， NB）[24]和SVM（Support Vector Machine， SVM）[25]是文本分類效果較好的算法。研究者在此基礎上不斷改進，為獲得更高的準確率。楊妥等結合情感分析和SVM-LSTM模型來提高股指預測精度，與傳統股指預測方法相比實現結果均方差縮小約0.083[26]；楊爽等從詞特性特征、情感特征、句式特征和語義特征4個方面，提取動詞、名詞等14個特征，使用SVM方法對微博情感進行5級分類[27]。③基于深度學習的情感分析方法，通過模擬人腦的組織構造，形成更有效的情感語義表達技能。其中卷積神經網絡（Convolutional Neural Network，CNN）是廣泛用于情感表達的深度學習模型之一[28]。程艷等提出的基于注意力機制的多通道CNN和雙向門控循環單元，能夠彌補CNN不能高效提取上下文語義信息的問題[29]。綜上所述，利用深度學習的分類方法準確率更高，因此本文使用改進的CNN模型進行情感分類，對評論文本進行積極、消極情感分類處理。

微博平臺噪音大和短文本的特點使得微博輿情主題挖掘主要采用文本聚類法，如K-means聚類法[30]和LDA（Latent Dirichlet Allocation）模型[31]等主題挖掘模型。蔡永明等基于傳統的LDA模型加入共詞網絡分析，提高短文本中主題挖掘的準確性[32]。安璐等利用潛在狄利克雷分配模型和自組織映射（Self-organizing map， SOM）方法對比Twitter與微博上關于西非埃博拉暴發的微博熱點主題特征，指出了演化模型和時序趨勢的相似點和不同點[33]。T. T. ZHAO等在動態人類認知過程模型的基礎上引入基于概率增益的動態模型來檢測潛在主題，提高主題挖掘效果[34]。趙常煜等基于LDA主題模型對Twitter中內容按照中英文挖掘“一帶一路”的討論主題，尋求融合主題和情感的分析方法[35]。綜上可見，LDA主題生成模型應用廣泛，且能高效、準確地挖掘出評論文本的主題特征。

3? 模型設計/Model design

3.1? 研究總體框架

本研究主要對突發事件“東航墜機”相關的微博評論進行文本采集、數據清洗、情感主題挖掘，結合網民心理理論對網民產生的負面行為進行分析。最終，為在突發公共事件輿情傳播過程中產生主要影響的主體（政府部門、主流媒體、意見領袖等）提出針對性的輿情治理策略。研究框架如圖1所示：

（1）使用數據管家軟件的網絡爬蟲采集“東航墜機”這一突發公共事件的微博評論數據集，包括發布時間、發布者、微博內容等存放在本地CSV文件中。

（2）對微博評論數據集進行清洗，包括刪除無關和空白數據、數據去重、異常值數據處理等。

（3）根據生命周期理論，結合選取的突發事件熱度變化，劃分出輿情演化生命周期。對劃分后的數據以時間為單位進行積極和消極情感的分類處理。對完成分類后的文本進行關鍵詞提取以及LDA主題挖掘，挖掘出不同時間段內積極和消極評論的主題內容，結合共詞分析和社交網絡分析對突發事件內評論關鍵詞進行可視化呈現。

（4）根據網民心理相關理論分析產生消極情感行為和負面現象的原因，為相關輿情治理部門了解真實網絡世界提供參考建議。

3.2? 數據采集和數據清洗

本文使用數據管家軟件的自定義網絡爬蟲對微博上以“東航墜機”為關鍵詞的微博博文信息進行采集，得到從2022年3月21日至3月31日共計43 737條原始數據。收集到的數據比較零散，含有英文、表情符號等噪聲數據，考慮到這些噪聲數據會影響文本情感分析的準確性和確定挖掘主題的個數，筆者首先對數據進行清洗，包括重復和異常值處理、中文分詞、過濾停用詞等，為后續文本分析做準備。其中，中文分詞采用jieba工具實現，停用詞過濾通過自定義詞典和正則化表示進行，經過這一系列步驟能夠獲得更高效的評論內容，從而提高輿情分析效果。為挖掘突發事件主題特征詞，本文使用TF-IDF方法計算特征詞的權重，該方法的計算公式如（1）所示：

公式（2）表示特征詞出現在評論中的詞頻，ni，j為特征詞ti在文本dj中出現的次數，分母

為文本中所有特征詞的個數。公式（3）表示的倒文檔頻率，分子N表示整個的文本的數量，分母包含特征詞的評論數量，并進行log和數字加1的處理。

3.3? 情感主題模型構建

在情感主題獲取過程中，本文利用改進的CNN卷積神經網絡對積極和消極的評論進行分類，并結合LDA主題對文本進行挖掘，最后融合網民心理理論探討導致網民極端情緒行為的原因。

在情感分類過程中，微博文本具有短文本、碎片化等特征，利用傳統的CNN情感分類模型存在文本信息過短，容易導致提取特征和情感分類有誤。傳統的LSTM模型能夠捕捉長距離的依賴關系，確保結構完整但是無法編碼從后到前的信息[36]。為解決此問題，本文選擇通過雙向的LSTM算法，從全局考慮文本上下文語義關系，完整地將信息進行融合和分類，獲取更準確的情感特征，并與提取的主題詞向量結合形成BiLSTM模型。因此，為了獲得更好的突發公共事件情感分類模型，筆者利用融合思想，將兩個模型得到的特征進行非線性連接構成CNN-BiLSTM模型。將CNN與BiLSTM進行融合，使得BiLSTM解決LSTM無法處理信息的缺點，利用CNN模型對局部特征高效提取的優點，同時又可以使用BiLSTM進行雙向的特征學習提取全文本的優勢，然后對CNN和BiLSTM獲取特征進行合并，經過全連接層最后由Softmax進行分類并輸出分類結果。CNN-BiLSTM結構模型如圖2。利用本文提出的情感分類模型能夠更精準獲取信息并實現文本數據的高效分類。

由于微博文本數量大、內容繁雜多樣，為了更好地分析在生命周期下突發公共事件不同情感的主題演化，本文借助LDA主題模型從評

論文本中提取共同主題，用于分析每個生命周期下，不同主題的輿情關注度演化過程。LDA具有預測單詞關聯和記憶任務的優勢，不需要人工進行標注就能夠在大量的微博評論文本中推斷出規定數量的主題，極大提高了主題提取的效率。同時本文利用基于Relevence公式的LDA文本主題挖掘，采用Sievert等搭建的交互式可視系統LDAvis進行主題挖掘可視化。通過交互式調整可以更明確地確定主題數量和主題詞，從而提高情感話題的可讀性和獨立性。Relevence公式如（8）所示：

其中，w代表詞庫中的詞語，k是主題。Pw表示詞語w在主題—詞語分布矩陣f中的邊際概率，fkw代表詞語w與主題k的相關度。通過調節λ改變詞語與主題的相關性r。當r接近1時，主題相關性高。當r接近0時，其中排他性的詞較高。

3.4? 網民心理理論

網民心理具有復雜性、層次多樣性，在趙成玉對網民心理的態勢感知的研究基礎上，本文將從網民的個體心理、群體心理兩個維度去考慮對輿情傳播中情感主題演化的影響[37]。強化突發公共事件輿情治理研究方面多學科融合的研究視角為突發公共事件輿情治理中的參與主體提出正確積極的引導策略。網民個體心理主要體現在這幾個方面：①恐懼和不安情緒表達。隨著經濟社會的發展，網民看到關于突發公共事件的負面信息時候，會不由自主地產生焦慮、恐懼、坐立不安和抑郁等正常應激反應，并迫切地希望進行彼此交流。當事件信息不全面時候，這種情緒極易轉化成謠言。②受個體已有認知的影響。面對外部刺激時，個體會根據自己對已有的認知結構對事件進行解讀，并對已有的信息選擇性地加工和完善，進而做出反應。③利益驅使的個人私欲。心理學家馬斯洛在需求層次理論中提到，個體有自我實現的需求[38]。在虛擬網絡中發表觀點，試圖獲得更多人的關注和認可。微博輿論容易被有心人用來謀取個人利益。

網民的群體心理主要體現在這幾個方面：①從眾心理。個體受到群體壓力時，容易改變原有的觀點或認知，形成與公眾或多數人相似的觀點意見[39]。②去個體化。個體融入群體后，容易失去自己獨有個性，來降低獨自承擔責任的風險[40]。③社會期望落空產生相對剝奪感。在某種狀態下按照某種標準或某種參照物與自己的情況進行比較、發現自己處于弱勢時所產生的剝奪感，通常表現為不滿、憤恨。

4? 實驗分析/Experimental analysis

4.1? 實驗數據與輿情周期劃分

2022年3月21日，一架東航波音737-800客機確認墜毀，該事件迅速在社會上引發廣泛關注。網民通過微博平臺積極參與該事件的討論，相關話題登上熱榜。本文以此作為研究案例進行分析，以微博用戶發布的博文作為輿情數據來源，進行實證分析。根據百度指數數據統計，東航事件輿情周期是從2022年3月21日至2022年3月31日。綜合考慮爬蟲程序的效率和微博的搜索特點，使用數據管理采集器，以“東航墜機”為搜索關鍵詞，抓取輿情周期內所有微博數據。獲取微博文本、用戶等信息后，經過刪除信息缺失評論，去除@、#、URL鏈接、表情等預處理步驟后，保留10 052條評論。根據輿情發展態勢，結合本次事件特征，整個輿情的熱度峰值出現在2022年3月22日，2022年3月23日之后事件熱度迅速大幅度地下降并趨于平緩，這一變化符合網絡輿情周期三階段模型[41]。本文將“東航墜機”的輿情周期劃分成形成期、爆發期和消退期三個階段，見圖3。形成期為2022年3月21日至2022年3月22日；爆發期為2022年3月22日至2022年3月23日；消退期為2022年3月23日至2022年3月31日。筆者將每個階段的微博評論進行整理合并，獲得的評論中形成期有2 698條，爆發期有4 498條，消退期有2 904條，最后以CSV格式儲存。

4.2? 輿情周期內情感分布

在輿情周期內，本文采用基于深度學習的情感分析方法，對開源情感分析模型CNN-BiLSTM進行訓練后，利用此模型對微博評論文本進行情感分類，將文本分為積極和消極兩種情感。首先，創建對CNN-BiLSTM模型進行訓練的樣本數據集。筆者將獲得的微博評論樣本部分進行人工標記，作為訓練模型的樣本，共有5 026條。在人工標注的時候，若評論傳達積極情感時，則標注“+1”；若評論傳達的是消極情感時，則標注為“-1”。在本文所選擇的“東航墜機”事件話題中，如“希望大家平安”“奇跡出現”“不傳謠”等事件結果是滿足網民對事件結果的期盼，可判定為文本屬于正向積極的情感；“造謠”“害怕”“傷心”屬于網民消極負面情感。其次，根據上述規則進行模型訓練。經過訓練的分類模型，性能指標準確率為0.73，達到了較為滿意的效果，證明本次構建的情感分類器可以對剩余評論進行分類。最后，使用訓練后的分類模型對全部文本的情感進行預測，得到情感分類結果。為進一步分析文本情感特點，將三個輿情演化階段的情感分類結果做統計分析，分析結果如表1所示：

輿情周期內，情感傾向分布情況見圖4。根據表1和圖4分析可得，在“東航墜機”事件整個生命周期內，總體負面評論占比多于正面評論，除了形成期正面情感文本多于負面情感10個百分點外，爆發期和消退期的負面情感都遠多于正面26個百分點。因此，消極情感是整個輿情周期內的主導情感，且在爆發期負面情感更為激烈。

4.3? 輿情周期內情感主題分析

網民情感傾向是由話題觸發，并受心理機制影響形成的。所以，探究不同情感背后的評論主題和心理機制具有重要意義。為研究周期內不同階段中用戶評論的主題變化，建立“情感—主題”的映射關系，筆者以形成期積極情感的數據為例進行說明。文本使用jieba進行分詞，然后利用TF-IDF將文檔進行向量化。使用LDAvis工具，先設定預估的主題數量是8。經過反復調試，保證主題之間沒有交集后，最終確認主題數為4。經過多次的迭代、聚類之后獲得形成期積極評論主題的識別結果見圖5。LDAvis工具直觀地顯示出不同主題在二維向量空間上的距離，不同大小的圓圈代表主題包含文本數量的差異。在二維空間向量上，這4個主題之間沒有重疊。由此表明，指定的4個類別結果是可行的。

通過調整LDAvis中的參數λ以提高主題詞匯的準確性。LDA主題模型會采用高頻詞對主題進行描述，為確保描述主題的全面性，在參考以往研究的基礎上，本文將輸出的關鍵詞設為30，其中某一主題（沒有先后順序）的描述關鍵字序列為“平安—希望—奇跡—墜機—東航—祈禱—平平安安—發生—出現—飛機……”。

使用此方法對剩余的形成期消極評論、爆發期積極和消極評論以及消退期積極和消極評論做主題聚類分析。為進一步挖掘事件微博評論主題特征詞之間的關系，基于社交網絡方法，利用Gephi軟件進行主題關聯分析。將前文中獲得的主題關鍵詞的低頻部分過濾掉，獲得核心關鍵詞，并利用這些關鍵詞構建共現關系。使用Gephi軟件繪制不同輿情階段中積極和消極的關鍵詞社交網絡關系。以顏色區分不同的主題，相同顏色的節點代表同一主題中的關鍵詞。最終實現結果見圖6—圖11所示。

通過對圖6—圖11的分析研究發現，網民對于此次墜機關注的話題是偏消極的。形成期的積極評論圖譜主題討論分布較為均勻，圍繞的大都是對于墜機事件的相關報道，產生網民祈禱遇難者平安、出現奇跡，發出要把握當下的期盼等行為，消極的評論中比重更多的主題是關于對此突發墜機意外的難過、悲痛和害怕的負面情緒內容，以及自己對墜機遇難者的感同身受的心情，引起群體的同理心情；爆發期中的積極評論主題更多圍繞對災難的祈福和網友在面對大量不實報道發出呼吁不信謠不傳謠等言論，消極評論更多圍繞墜機事件的負面情緒，對于這場空難發生的悲傷和痛心包括對遇難者的情感、對人生無常的感慨等；消退期積極評論更偏重于遇難現場的報道真實狀況和搜救結果，此時關注點重新回到墜機的情況上，伴隨著事件的真相還原，“平安”“注意安全”和“尋找真相”等具有積極情感增加，公眾的討論逐漸趨于平緩。網民消極評論的主要關注更偏重于墜機這件事給群眾和遇難者家屬帶來的痛苦情感以及對營銷、蹭熱度、造謠者的厭惡憎恨和為遇難者祈福默哀等內容。綜合上述內容，總結突發公共事件網民的積極和消極行為見表2。

過多消極的評論會給網絡用戶帶來負面影響，了解產生這些輿論的因素所在有利于采取有針對性的引導措施。因此筆者將分析重點放在負面情感主題上。眾所周知，網民的評論往往圍繞突發事件報道內容進行，圖12為官方發布的墜機事件幾個重要節點的新聞信息，將其與表2詞

匯主題表進行對照分析，可以看出網民的情感主題與部分新聞報道吻合，但存在大量衍生的負面行為內容。從表中得出，網民情感主題內容不僅涉及事件本身的討論，更摻雜著由網民心理催化后所產生的消極情緒。因此，事件的進一步發酵往往和這一階段的網民心理問題有著一定的關系，筆者結合第三章中提到的網民心理理論進一步研究情感主題的生成演化規律，見圖13。

從圖13中看出，在形成期，網上發布的部分不完整墜機事件信息以圖片、文字、視頻、音頻等傳播方式轉發，使得大眾產生對突發事件未知傷亡、死亡的恐懼與害怕，好奇心促使群眾從各種渠道獲取墜機真相，這讓部分媒體、營銷號有機可乘，在認知偏差和獲取流量博得熱度的心理下對墜機事件進行過度解讀和營銷，開始在網絡上發布大量不實言論，極易左右大眾的判斷，造成不知真相的網民產生進一步的不安和焦慮情緒。在爆發期，隨著墜機事件的搜尋工作進一步開展，事件信息不斷被整合和擴大化傳播，關注這一事件的群眾急速增長，同時出現更多受利益驅使的人加入對事故的無底線造謠和蹭流量行為，在網絡上形成不良之風，群體效應顯著，網民情緒受到感染，部分網民為了獲得達成一致的認同感，失去理性判斷，使信息傳播過程中出現更多的造謠言論，對事件發展走向和社會和諧帶來負面影響。在消退期，墜機真相被進一步揭開，網民情緒有所緩解，但是網民容易將自己和遇害者納入一個群體范圍之中，被共同命運的情緒影響，對遇難者產生共情，進而產生的悲傷、失望、痛苦會在重大突發事件結束后很長時間內影響公眾情緒，別有用心的人會利用網民對社會的不滿或者消極的情緒散布影響國家安全和社會穩定的信息。

4.4? 小結

本文針對網絡輿情的研究缺乏網民心理視角、輿情實時分析較差等問題，提出了一種利用情感分析和主題挖掘獲取輿情周期內大眾產生的正面和負面情感主題的方法。以“東航墜機”的微博評論為研究對象，從網民心理理論的角度對突發事件輿情信息傳播過程中各種負面現象和負面情緒進行剖析，相關管理部門可以在不同階段根據文本分析結果進行輿論引導。

（1）形成期。這一時期主要圍繞墜機事件內容討論，這一階段由于個人心理的激化出現網絡謠言爆發以及相關媒體從業者無下限地蹭流量等行為，網民整體的情緒和行為都偏消極，并且此時對突發事件的討論分散，辨別能力較差的群眾更易受到迷惑。這一系列行為持續影響用戶的情緒。因此，當地政府管理部門應該及時做好墜機事件的信息核實和篩查，并與主流媒體合作，由媒體對墜機事件的現場以及網民關注的各類問題進行詳細報道，對受害者家屬表達出人文關懷，對救援情況進行追蹤，對事故原因進行追問，讓網民負面情緒得到排解。

（2）爆發期。在爆發期公眾的討論主題除了為遇難者祈福外，由于墜機現場信息爆發式上升，部分營銷號等為利益發布不實信息，群眾在認知偏差、從眾心理等因素的作用下，極易受到謠言信息的誤導，進一步加深公眾的負面情緒并在社交平臺上發布消極言論。該階段政府管理部門應該及時和民眾進行溝通，保證信息交流的暢通，對謠言內容及時澄清，對謠言的發布者進行警告處罰，從源頭避免謠言的產生。主流媒體要對當事人、知情者進行多方報道，對墜機事件的各個角度進行解讀，避免謠言的散布和蔓延，同時將網民的注意力轉移到積極向上的內容中，比如聚焦于救災過程中的救援主體的行動等。

（3）消退期。消退期的情感主題雖回到墜機事件本身上，輿論熱度逐漸下降，但是潛在的同情心理使得網民將長時間沉浸在悲傷情緒中，不利于社會的穩定發展。相關的管理部門要及時介入，發布對遇難者的處理政策，及時開展對事故遇難者家屬的心理疏導，穩固群眾的信心。主流媒體應持續關注事件處理進度，增加對墜機事故的相關責任以及對遇難者家屬進行人文關懷的報道。意見領袖可以增加在政府政策、官方救援力度、法律普及以及災后如何運營同類飛機等方面為網民提供專業的解讀。

5? 研究結論及建議/Conclusions and recommendations

本文研究結果表明，網民在社交平臺上表達自身觀點時除了受事件本身的影響外，網民心理問題也會導致網民產生負面行為和在網絡上形成消極氛圍。因此正確有效地把握公眾心理變化問題是研究突發公共事件輿論應對的關鍵環節，網民心理特點影響著重大突發事件處置、應對的理念和策略。而在整個突發公共事件中能夠影響網民心理整體走向的主體包括政府、媒體、意見領袖等。因此，基于該突發公共事件的研究結論，筆者從以上幾類參與主體的角度對突發公共事件輿情不同時間段提出各自的輿情引導和治理建議：

5.1? 政府部門

（1）形成期。突發公共事件具有突發性，因此在形成期政府需要持續保持警覺并在第一時間將現場情況或者調查結果公布，即使事件還未掌握全部真實情況，也應如實向大眾通報，保證官方與群眾的信息順暢溝通，不給虛假信息傳播的機會，并在遏制負面情緒爆發的最佳時機進行控制。避免造成政府失去公信力，造成網民憤怒、焦慮、恐懼等負面情緒的產生。

（2）爆發期。政府應該通過分析大量的社交媒體評論、用戶評論和新聞報道等數據，建立社交平臺的情緒監測系統，通過技術化的手段隨時掌握網民情緒變化，建立情感預警指標，當平臺負面情感指標持續降低時，第一時間進行輿情預警，快速從負面情緒中辨別產生消極情緒的原因，及時制定符合當前社會需求的引導機制，穩定輿情局面，避免事態進一步惡化。

（3）消退期。政府需要給突發事件一個合理解釋，對事故責任方進行問責，切忌出現搪塞現象。在事件結束后，政府相關部門要對數據進行收集整理并對輿論情況進行評估，從事件中總結經驗教訓，避免此類輿論事件的再次發生。

5.2? 主流媒體

（1）形成期。主流媒體要在事發后迅速做出正確判斷，選擇合適的標題，把握報道時機，對事件進行真實客觀的報道，讓大眾了解盡可能多的真相，避免因部分被利益蒙蔽的自媒體用戶和小媒體散布虛假消息，讓輿論變得更加復雜且難以控制。

（2）爆發期。部分網民因認知偏差會產生恐慌、焦慮等負面情感，極易形成身體功能紊亂或造成心理障礙，主流媒體在發文時需要設置多樣化的選題，轉移民眾對突發公共事件的關注點，鎮定網民心理，對其情緒進行有效疏導。

（3）消退期。及時跟蹤報道事件后續的處理結果和受害者家屬的近況，避免因信息斷裂而導致負面情緒的產生。

5.3? 意見領袖

（1）形成期。意見領袖在社交平臺上發布文章，獲得大量的粉絲點贊、轉發和評論，使得突發事件的相關信息得到迅速擴散，因此意見領袖需要從海量的信息中挖掘出高價值的內容，明確事件的積極發展方向，確保所發布信息的真實性，進而引導普通大眾正確地看待突發事件，使事件在發生初期就能形成積極向上的網絡討論氛圍。

（2）爆發期。突發事件發酵后，意見領袖需要提高對事件相關信息篩選、分析和加工的準確性，要結合自身特點和事件信息選擇發文內容，引導網民情緒往積極向上的方向靠近。

（3）消退期。意見領袖在事件的消退期仍然要堅持正確的價值觀，傳遞正能量，促進問題的解決。選擇符合主流價值觀的科學分析和專業解讀進行發布，利用自身影響力幫助網民提高科學素養。

參考文獻/References：

[1] 徐曉日， 劉丹琳. 我國突發公共事件輿情治理研究的熱點主題與演進趨勢[J]. 行政與法， 2023（6）： 15-27. （XU X R， LIU D L. Hot topics and evolutionary trends of research on the governance of public opinion on public emergencies in China[J]. Administration and law， 2023（6）： 15-27.）

[2] 劉勇， 王雅琪. 公共危機中“次生輿情”的生成與演化——基于對“8·12天津港爆炸事故”的考察[J]. 國際新聞界， 2017， 39（9）： 116-133. （LIU Y， WANG Y Q. The generating and evolution of “Secondary Public Sentiment” in public crisis： based on the focus on “8·12 Tianjin Port Explosion”[J]. Chinese journal of journalism & communication， 2017， 39（9）： 116-133.）

[3] 王平， 謝耘耕. 突發公共事件網絡輿情的形成及演變機制研究[J]. 現代傳播（中國傳媒大學學報）， 2013（3）： 63-69．（WANG P， XIE J Y. Research on the formation and evolution mechanism of network public opinion in sudden public events[J]. Modern Communication （Journal of Communication University of China）， 2013（3）： 63-69.）

[4] 呂鯤， 施涵一， 靖繼鵬. 突發公共衛生事件網絡輿情熱點話題形成組態路徑研究——基于微博熱搜數據的模糊集定性比較分析[J]. 情報理論與實踐， 2022， 45（9）： 148-156. （L? K， SHI H Y， JING J P. Research on the configuration path of online public opinion hot topics in public health emergencies： fuzzy set qualitative comparative analysis based on microblogging hot search data[J]. Information studies： theory & application， 2022， 45（9）： 148-156.）

[5] CHEN T， PENG L， YANG J， et al. Modeling， simulation， and case analysis of COVI D‐19 over network public opinion formation with individual internal factors and external information characteristics[J]. Concurrency and computation： practice and experience， 2021： e6201.

[6] 杜洪濤， 王君澤， 李婕. 基于多案例的突發事件網絡輿情演化模式研究[J]. 情報學報， 2017， 36（10）： 1038-1049. （DU H T， WANG J Z， LI J. Research on evolution model for online public opinion of emergent events based on multiple cases[J]. Journal of the China Society for Scientific and Technical Information， 2017， 36（10）： 1038-1049.）

[7] 宋海龍， 巨乃岐， 張備， 等. 突發事件網絡輿情的形成、演化與控制[J]. 河南工程學院學報（社會科學版）， 2010， 25（4）： 12-16. （SONG H L， JU N Q， ZHANG B， et al. Formation， evolution and control of network public opinion for emergencies[J]. Journal of Henan University of Engineering （social science edition）， 2010， 25（4）： 12-16.）

[8] 佘廉， 葉金珠. 網絡突發事件蔓延及其危險性評估[J]. 工程研究-跨學科視野中的工程， 2011， 3（2）： 157-163. （SHE L， YE J Z. The Assessment on internet emergency spread and its risk[J]. Journal of engineering studies， 2011， 3（2）： 157-163.）

[9] 任中杰， 張鵬， 李思成， 等. 基于微博數據挖掘的突發事件情感態勢演化分析——以天津8·12事故為例[J]. 情報雜志， 2019， 38（2）： 140-148. （RENG Z J， ZHANG P， LI S C， et al. Analysis of emotion evolution of emergencies based on Weibo data mining： taking “8·12 Accident in Tianjin” as an example[J]. Journal of intelligence， 2019， 38（2）： 140-148.）

[10] ALMARS A， LI X， ZHAO X. Modelling user attitudes using hierarchical sentiment-topic model [J]. Data & knowledge engineering， 2019， 119： 139-149.

[11] 姚艾昕， 馬捷， 林英， 等. 重大突發公共衛生事件謠言演化與治理策略研究[J]. 情報科學， 2020， 38（7）： 22-29. （YAO A X， MA J， LIN Y， et al. The rumor evolution and governance strategy of major public health emergencies[J]. Information science， 2020， 38（7）： 22-29.）

[12] WANG S， LI L， YANG C， et al. Regularized topic-aware latent influence propagation in dynamic relational networks [J]. Geoinformatica， 2019， 23（3）： 329-352.

[13] SCHOENMUELLER V， BLANCHARD S J， JOHAR G V. Who will share fake-news on Twitter？psycholinguistic cues in online post histories discriminate between actors in the misinformation ecosystem[J]. Computers and society， 2022， 39（2）： 11-18.

[14] 王英杰， 胡漠， 張津赫， 等. 信息疫情下短視頻網絡輿情預警指標體系構建研究[J]. 情報科學， 2021， 39（11）： 38-44. （WANG Y J， HU M， ZHANG J H. Early warning index system of short video network public opinion under infodemic[J]. Information science， 2021， 39（11）： 38-44.）

[15] 李玥琪， 王晰巍， 王楠阿雪， 等. 突發事件下社交媒體網絡輿情風險識別及預警模型研究[J]. 情報學報， 2022， 41（10）： 1085-1099. （LI Y Q， WANG X W， WANG N A X， et al. Risk identification and early warning model of social media network public opinion in emergencies[J]. Journal of the China Society for Scientific and Technical Information， 2022， 41（10）： 1085-1099.）

[16] PENG L J， SHAO X G， HUANG W M. Research on the early-warning model of network public opinion of major emergencies[J]. IEEE access， 2021， 9：44162-44172.

[17] 馬寧， 于光， 閆相斌. 基于輿情評論數據挖掘的政府回應策略優化方法研究——以新冠疫情援助物資使用輿情事件為例[J]. 電子政務， 2021（9）： 23-35. （MA N， YU G， YAN X B. Taking the public opinion event of COVID-19 aid use as an example， research on the optimization method of government response strategy based on public opinion comment data mining-taking the public opinion event of COVID-19 aid use as an example[J]. E-government， 2021（9）： 23-35.）

[18] 齊佳音， 方濱興. 重大突發事件中網絡輿情引導及治理研究——以新型冠狀病毒肺炎疫情為例[J]. 上海對外經貿大學學報， 2020， 27（3）： 5-13. （QI J Y， FANG B X. Network public opinion response and governance innovation in serious emergencies： take the COVID-19 epidemic as an example[J]. Journal of Shanghai University of International Business and Economics， 2020， 27（3）： 5-13.）

[19] 王李冬， 張慧熙. 基于HowNet的微博文本語義檢索研究[J]. 情報科學， 2016， 34（9）： 134-137. （WANG L D， ZHANG H X. Microblog text semantic retrieval based on HowNet[J]. Information science， 2016， 34（9）： 134-137.）

[20] 崔彥琛， 張鵬， 蘭月新， 等. 面向時間序列的微博突發事件衍生輿情情感分析研究：以“6.22”杭州保姆縱火案衍生輿情事件為例[J]. 情報科學， 2019， 37（3）： 119-126. （CUI Y C， ZHANG P， LAN Y X， et al. Time series-oriented study on the sentiment analysis of the derived public opinion for microblog emergencies[J]. Information science， 2019， 37（3）： 119-126.）

[21] 臺灣大學自然語言處理實驗室．“NTUSD”[EB/OL]. [2023-10-12]. http：//nlg.csie.ntu.edu.tw/. （Natural Language Processing Laboratory of Taiwan University．“NTUSD”[EB/OL]. [2023-10-12]. http：//nlg.csie.ntu.edu.tw/.）

[22] 邱全磊， 崔宗敏， 喻靜. 基于表情和語氣的情感詞典用于彈幕情感分析[J]. 計算機技術與發展， 2020， 30（8）： 178-182. （QIU Q L， CUN Z M， YU J. Emotional dictionary based on emoticons and modal for barrage sentiment analysis[J]. Computer technology and development， 2020， 30（8）： 178-182.）

[23] 李永帥， 王黎明， 柴玉梅， 等.基于雙向LSTM的動態情感詞典構建方法研究[J]. 小型微型計算機系統， 2019， 40（3）： 503-509. （LI Y S， WANG L M， CHAI Y M， et al. Research on construction method of dynamic sentiment dictionary based on bidirectional LSTM[J]. Journal of Chinese computer systems， 2019， 40（3）： 503-509.）

[24] 李靜梅， 孫麗華， 張巧榮， 等.一種文本處理中的樸素貝葉斯分類器[J]. 哈爾濱工程大學學報， 2003（1）： 71-74. （LI J M， SUN L H， ZHANG Q R， et al. Application of native Bayes classifier to text classification[J]. Journal of Harbin Engineering University， 2003（1）： 71-74.）

[25] ZHAO Q．Social emotion classification of Japanese text information based on SVM and KNN[J]. Journal of Ambient intelligence and humanized computing， 2021， 8（6）： 1-12．

[26] 楊妥， 李萬龍， 鄭山紅. 融合情感分析與SVM＿LSTM模型的股票指數預測[J]. 軟件導刊， 2020， 19（8）： 14-18. （YANG T， LI W L， ZHENG S H. Stock index prediction based on SVM_LSTM model with emotion analysis[J]. Software guide， 2020， 19（8）： 14-18.）

[27] 楊爽， 陳芬. 基于SVM多特征融合的微博情感多級分類研究[J]. 數據分析與知識發現， 2017， 1（2）： 73-79. （YANG S， CHENG F. Analyzing sentiments of micro-blog posts based on support vector machine[J]. Data analysis and knowledge discovery， 2017， 1（2）： 73-79.）

[28] KIM Y. Convolutional neural networks for sentence classification[EB/OL]. [2023-09-01]. https：//doi.org/10.48550/arXiv.1408.5882.

[29] 程艷， 堯磊波， 張光河， 等. 基于注意力機制的多通道CNN和BiGRU的文本情感傾向性分析[J]. 計算機研究與發展， 2020， 57（12）： 2583-2595. （CHENG Y， YAO L B， ZHANG G H， et al. Text sentiment orientation analysis of multi-channels CNN and BiGRU based on attention mechanism[J]. Journal of computer research and development， 2020， 57（12）： 2583-2595.）

[30] 馮傳蕾. 基于多模網絡模型的個性化信息推薦算法及應用[J]. 微型電腦應用， 2023， 39（8）： 83-85. （FENG C L. Personalized information recommendation algorithm based on multimode network model and its application[J]. Microcomputer applications， 2023， 39（8）： 83-85.）

[31] BLEI D M， NG A Y， JORDAN M L， et al. Latent Dirichlet allocation[J]. Journal of machine learning research， 2003， 3（4）： 993-1022.

[32] 蔡永明， 長青. 共詞網絡LDA模型的中文短文本主題分析[J]. 情報學報， 2018， 37（3）： 305-317. （CAI Y M， CHANG Q. Chinese short text topic analysis by Latent Dirichlet Allocation model with co-word network analysis[J]. Journal of the China Society for Scientific and Technical Information， 2018， 37（3）： 305-317.）

[33] 安璐， 杜廷堯， 余傳明， 等. 突發公共衛生事件的微博主題演化模式和時序趨勢——以Twitter和Weibo的埃博拉微博為例[J]. 情報資料工作， 2016（5）： 44-52. （AN L， DU T Y， YU C M， et al. Microblogging topic evolution pattern and timing trends of public health emergencies： taking Ebola microblogging on Twitter and Weibo for example[J]. Information and documentation services， 2016（5）： 44-52.）

[34] ZHAO T T， LUO X F， QIN W， et al. Topic detection model in a single-domain corpus inspired by the human memory cognitive process[J]. Concurrency and computation： practice and experience， 2018， 30（19）： e4642．

[35] 趙常煜， 吳亞平， 王繼民. “一帶一路”倡議下的Twitter文本主題挖掘和情感分析[J]. 圖書情報工作， 2019， 63（19）： 119-127. （ZHAO C Y， WU Y P， WANG J M. Twitter text topic mining and sentiment analysis under the belt and road lnitiative[J]. Library and information service， 2019， 63（19）： 119-127.）

[36] 胡萬鐘. 從馬斯洛的需求理論談人的價值和自我價值[J]. 南京社會科學， 2000（6）： 25-29. （HU W Z. On human value and self worth from Maslows theory of needs[J]. Nanjing journal of social sciences， 2000（6）： 25-29.）

[37] GAN C Q， FENG Q D， ZHANG Z F. Scalable multi-channel dilated CNN-BiLSTM model with attention mechanism for Chinese textual sentiment analysis[J]. Future generation computer systems， 2021， 118（1）： 297-309.

[38] 趙成玉. 突發公共事件中微博網民心理的態勢感知及引導研究[D]. 濟南：山東師范大學， 2020. （ZHAO C Y. Research on the situation awareness and guidance of Weibo netizens psychology in public emergencies[D]. Jinan： Shandong Normal University， 2020.）

[39] ASCH S E. Effects of group pressure upon the modification and distortion of judgments [J]. Journal of Marketing Research， 1951， 16（17）： 394-400.

[40] 王靈芝. 網絡輿情群體極化的心理學動因及二維效應[J]. 宜春學院學報， 2015， 37（5）： 34-39. （WANG L Z. Psychological inducements to group polarization for network public opinion and sentiment and analysis of its two-dimensional effects[J]. Journal of Yichun University， 2015， 37（5）： 34-39.）

[41] 陳福集， 張燕. 基于E-Divisive的網絡輿情演化分析[J]. 情報雜志， 2016， 35（4）： 75-79. （CHEN F J， ZHANG Y. Quantitative analysis method for long-term network public opinion events[J]. Journal of intelligence， 2016， 35（4）： 75-79.）

作者貢獻說明/Author contributions：

鄭杏冉：負責數據獲取、文獻調研分析及論文撰寫；

黃衛東：負責論文選題、研究設計、核心框架設計，修改初稿。

Research on the Emotional Theme of Public Emergencies from the Perspective of Netizen Psychology

Zheng Xingran? Huang Weidong

School of Management， Nanjing University of Posts and Telecommunications， Nanjing? 210003

Abstract： [Purpose/Significance] The psychological theory of netizens is introduced to study the of emotional theme and explore the psychological causes of the outbreak of netizens emotions and the triggering and generation of negative public opinion phenomena in public emergencies， so as to provide help for the guidance of public opinion in public emergencies. [Method/Process] Taking “China Eastern Airlines crash” as the keyword to crawl Weibo comments as the research object， using sentiment analysis， LDA theme mining， combined with public opinion life cycle and social network methods， the themes that users are concerned about under different emotions at different stages of the incident were visually analyzed. And combining with netizens psychology， a more in-depth excavation of emotional themes in online public opinion were carried out to find out the psychological problems behind the formation of negative emotions of netizens and the behaviors that lead to negative public opinion. [Result/Conclusion] The study shows that in addition to the factors of the incident itself， the causes of negative behaviors of netizens are catalyzed by the individual psychology and group psychology of netizens as well as their potential psychological activities. The research results can help alleviate the risk of public opinion crisis and effectively guide the direction of public opinion.

Keywords： deep learning? ? emergencies? ? ?emotional themes? ? public opinion guidance? ? ?psychology of netizens

Fund project（s）： This work is supported by the National Natural Science Fund of China titled “Research on the Guidance and Blocking Mechanism of Public Opinion Transmission from the Perspective of Emotional Model” （Grant No. 7227011403）.

Author（s）： Zheng Xingran， master candidate， E-mail： 1171532207@qq.com; Huang Weidong， dean， professor， doctoral supervisor.

Received： 2023-08-21? ? Published： 2024-02-28