突發(fā)性公共事件微博輿情中熱點網民關注偏好研究

摘要：[目的/意義]旨在通過對熱點網民微博詞匯頻率進行量化處理，總結其在突發(fā)性公共事件中的關注點，以實現在輿情防控與治理方面找到新的突破口。[方法/過程]通過爬取微博熱點網民的微博數據，利用Word2vec向量模型和TF-IDF權值算法得到熱點網民微博詞云圖中的詞類、詞性占比和詞匯相似比等指標，最后對自然災害、事故災難、公共衛(wèi)生事件和社會安全事件的指標進行匯總分析。[結果/結論]在突發(fā)事件輿情中，熱點網民對包括事件人物、事件名稱和事件過程在內的事件基本組成部分較為關注，且4類突發(fā)性事件輿情中熱點網民的關注指向性均表現出差異且較為分散，但仍存在共性。同時，通過分析熱點網民詞云圖發(fā)現了明星超話、傳播能量層級化以及相似度極端化等傳播現象。

關鍵詞：突發(fā)性公共事件? 微博輿情? 熱點網民? 關注偏好

分類號：G210.7

DOI：10.13266/j.issn.2095-5472.2020.026

引用格式：王琳煒. 突發(fā)性公共事件微博輿情中熱點網民關注偏好研究[J/OL]. 知識管理論壇， 2020， 5（5）： 271-282[引用日期]. http：//www.kmf.ac.cn/p/222/.

1? 引言

根據2007年11月1日起施行的《中華人民共和國突發(fā)事件應對法》規(guī)定，突發(fā)事件是指突然發(fā)生、造成或可能造成嚴重社會危害，需要采取應急處置措施予以應對的自然災害、事故災難、公共衛(wèi)生事件和社會安全事件[1]。美國危機管理機構ICM則將危機分為突發(fā)危機（sudden crises）與積發(fā)危機（smoldering crises）[2]。

突發(fā)性公共事件因其具有事態(tài)多變的特征與后果無法預估的特性，政府與各應急部門對其關注度日益提高。政府部門對公共政策的發(fā)布，需要基于突發(fā)性公共事件的防控與應急角度，對應急措施作出相應調整，其體現了國家機構及社會公共團體的一致目的。在政府部門對社會輿情掌握與公共政策發(fā)布執(zhí)行、調整修訂等過程進行渠道選擇時，新浪微博以其獨特的開放平臺與公共資源成為政府選擇的必然渠道。我國目前也形成了以新浪微博、微信朋友圈、知乎等為代表的網絡互動平臺，其中新浪微博用戶已有3.5億，在網民中使用率達到42.3%[3]。在突發(fā)性公共事件微博輿情中，熱點網民的關注偏好成為網絡輿情的隱形推動力，其傳播效力可以幫助政府部門不斷根據實際情況出臺相應措施以及修訂完善相關政策。

2? 研究綜述

2.1? 現狀調研

突發(fā)性公共事件因其自身具有的獨特性質和對社會造成的嚴重危害成為學界的研究熱點。國內微博研究涉及的突發(fā)事件共有70余件，2017年至2019年國內微博研究主要關鍵詞排行中，用戶、詞頻、網民的排位分別為：4、13、48，相對應的詞頻分別為：573、230、88[4]。圖情領域對微博突發(fā)事件的研究，在2010和2011年集中在危機公關事件及應對上，隨著突發(fā)事件的頻發(fā)和類型的擴展，研究熱點轉移到突發(fā)事件微博輿情傳播和擴散規(guī)律上。在2007年至2017年網絡輿情關聯研究主題排名中，突發(fā)事件排名第一，最熱年份為2014年。在2016年后，圖情領域逐漸將微博輿情的傳播作為重點研究方向，通過傳播學基礎規(guī)律與數學學科、統(tǒng)計學科、計算機學科等模型算法的有機結合，得到了眾多具有創(chuàng)新性的研究成果。對該類話題的研究，眾多學科通過不同的研究方法參與其中：圖情和計算機學科對于突發(fā)事件的研究傾向于通過技術、建模和挖掘來解決問題，新聞學科則傾向于討論和提出問題。通過對相關文獻的研究，眾多學者針對民眾和網民的觀點、立場進行研究，國內學者普遍認為網民對于事件主角的社會身份極為敏感，輿情審判先于司法審判，民眾意見甚至會影響司法獨立[4]。

2.2? 輿情傳播研究

在以微博網民為主題的研究中，首先根據網民在網絡輿情傳播中的作用對網民做身份認定與劃分，其次在輿情傳播機制中對各類網民的傳播價值做分析研究。熱點網民作為身份劃分中重要的一類，其傳播價值受到國內學者越來越多的關注，并且隨著許多在微博上發(fā)酵的公共事件在熱點網民的推動下得以解決，其研究價值越來越被認可[5]。

鑒于網絡信息的浩瀚無邊，網絡輿情事件首先被關注的就是支撐技術問題。網絡輿情研究技術包括各種信息采集、特征抽取、數據挖掘、文本分析、自動分類、自動聚類、自動摘要、智能檢索等。其中，聚類分析方法又有概念語義空間與相似性度、基于支持向量機與無監(jiān)督聚類相結合的網頁分類等[6]。

通過分析有關網絡輿情的研究成果，部分學者對網絡輿情基礎理論進行了集中研究，具體包括網絡輿情的概念、構成要素、演化機制等。從宏觀角度看，網絡輿情的影響作用研究是比較有實際使用價值的，對網絡突發(fā)事件輿情的治理與管控、各類事件輿情的預警都提供了有價值的方向。但目前該領域的研究仍存在很多不足，具體如下：①研究技術稍顯單一，總體水平略顯滯后。由于網絡的更新速度快，網絡輿情也在不斷地發(fā)展與變異，國內高水平高質量的研究成果大多基于現階段對網絡輿情的認知與探索，對未來網絡輿情發(fā)展的預見性較為欠缺。②研究結果與現實應用之間存在銜接斷裂問題。此類研究是致力于為政府和相關部門解決輿情治理難題與輿情防控預警處理，研究結果不僅要體現學術價值更要體現實際應用價值。就目前的研究成果來看，學術價值與實際應用價值之間存在銜接斷裂。換言之，研究成果并不能很好地在現實生活中應用，實際應用價值遠遠小于學術價值，背離了研究初衷。

筆者以對實際輿情治理較有價值的網民關注作為切入口，盡可能提升實際應用價值，為不同類型事件的網絡輿情治理提供更為新穎、有效的途徑。

2.3? 網民關注點與關注度研究

網民關注點具有廣泛多樣的特點，在新聞傳播領域起到非常重要的作用。目前國內學者以網民關注點、關注度為對象所進行的研究尚少，通過整理分析現有的研究，主要包括以下3個方面：①以網民關注度作為輿情傳播過程中的量化值，通過相關計算得到各參與因素對輿情關注度的影響。以分析突發(fā)公共衛(wèi)生事件網絡輿情網民關注度的區(qū)域分布為目的，利用回歸方程、聚類分析等方法，最終得到網民數量、城市經濟發(fā)展水平與輿情發(fā)展水平之間的關系。②以網民關注點作為出發(fā)點分析網絡建設組成和網民內在需要。通過分析網絡發(fā)展報告和近幾年網民關注的熱點問題，深刻分析網民的關注點及其內在需要。③將網民關注點作為網絡傳播中的一個節(jié)點，民眾關注點轉移現象屬于網絡輿論的一部分，分析其在不同類型事件中轉移和變化的規(guī)律。

通過總結目前的研究，眾多學者均認為網民的關注點與關注度已經成為網絡輿情傳播中非常重要的影響因素。網民的關注點不僅可以反映網民對網絡生活真實的內在需求，還反映了網絡結構的組成和網絡輿情的變化規(guī)律。該領域的研究包含量化分析和質化分析，研究網民關注點在各類事件中的變化規(guī)律，有利于政府正確管理和引導網絡輿情，打造健康和牢固的網絡環(huán)境。

3? 實證研究設計

3.1? 研究素材

研究素材的選取原則主要包括：①在事件性質方面應滿足事件發(fā)展過程曲折起伏，社會反響較大，對網民的情緒與觀點激發(fā)產生較大影響;②在傳播效果方面應該滿足輿情發(fā)酵程度高且能激發(fā)產生參與行為的受眾范圍廣;? ? ③在傳播范圍方面應該滿足以微博為主要傳播平臺，傳播覆蓋面廣。④在輿情傳播方面應該滿足發(fā)展周期長，包含輿情階段性起伏變化。同時按照突發(fā)性公共事件分類，均勻覆蓋自然災害、事故災難、公共衛(wèi)生事件和社會安全事件。依據上述選取素材原則，可全面地分析熱點網民在突發(fā)事件輿情中的傳播與關注偏好。

案例數據源的獲取使用新浪微博輿情通系統(tǒng)，以“事件名稱+地點+人物”為關鍵詞創(chuàng)建事件方案，該方案包含20起案例事件，在事件從發(fā)生到結束的時間窗內，爬取事件相關熱點網民名稱、熱點網民發(fā)博數量、熱點網民發(fā)博數量排名、各網民微博詞云圖和詞匯詞頻數量等數據。

3.2? 操作化定義

基于研究素材內容，對熱點網民、詞匯密度、熱點網民微博相似度進行具體定義：①熱點網民。基于新浪輿情通系統(tǒng)，在事件發(fā)展全程中，發(fā)布有關輿情事件微博數量排名前10的微博用戶。②詞匯密度。詞云圖中某一詞匯（目標詞匯）所涉及的所有字號權值與對應字號出現次數的乘積的加和，加和結果代表目標詞匯在所處輿情事件熱點網民微博中的提及程度，也能夠反應熱點網民的關注焦點。③熱點網民微博相似度。熱點網民發(fā)布相關微博詞云圖中出現相同詞匯數量與出現次數的加權值。

3.3? 研究變量及其操作化

熱點網民關注偏好實證研究中，有詞云詞類、詞云圖相似度、詞匯密度和微博用戶類型4個關鍵變量，本節(jié)將對關鍵變量的計算展開分析。

3.3.1? 熱點網民微博詞云詞類劃分

LDA模型（Latent Dirichlet Allocation，文檔主題生成模型，也稱為三層貝葉斯概率模型）是自然語言處理領域的常用模型，它能夠提取文本主題，以概率分布的形式給出，主題與描述詞展示清晰。但在實際應用中，LDA模型無法準確計算詞匯之間位置關系變化這一常見場景，方法存在缺陷，并且模型限制了文本長度、內容和格式，使用便捷性降低。而Word2vec模型將詞語轉化為詞向量，實現以詞向量來表示文本相似度的功能，不限文本長度和格式，計算準確性高。

筆者在構造向量空間過程中使用了Word2vec模型，將熱點網民微博的詞云圖詞匯轉化成詞向量，在向量空間計算結果的基礎上，對詞匯語義的相似度進行表示。多目標事件的場景下，會出現大量干擾信息，影響聚類效果。因此，在構造了向量空間后采取TF-IDF算法，將詞云圖詞匯的重要程度進行量化，根據量化結果得出詞匯與輿情事件的關聯度。在得到聚類結果后將詞云詞類通過詞性進行區(qū)分，例如單位名稱、地點、時間等，再結合輿情事件的傳播要素：輿情主體、輿情客體、輿情本體、輿情媒體、輿情空間，經過人為細粒度劃分，得出突發(fā)公共事件輿情微博詞云圖的11類詞云詞類。例如，山東平度退役老兵聚集事件中熱點網民微博詞云圖中的“犯罪分子”“退役軍人”屬于輿情主體部分，因此這兩個詞匯就被劃分到“事件人物/企業(yè)/單位”這一類別當中。

詞云詞類的劃分方法首先基于Word2vec模型對詞云圖進行詞向量轉化處理，生成熱點網民微博詞云語料庫后，再使用特征詞權重計算方法TF-IDF對初始數據的詞向量進行提取，最后利用Word2vec將提取出來的詞向量組成最終的目標向量集，將該向量集導入SPSS 26.0進行聚類處理，從而得到每起事件中熱點網民微博詞云詞匯分布及頻次量化值。

3.3.2? 詞云圖相似度

首先對每起輿情事件熱點微博詞料庫進行分析，統(tǒng)計出語料中的所有詞匯，然后對每個詞匯進行編號，統(tǒng)計編號詞匯的出現頻率;其次，由于熱點網民詞云圖中的詞匯均為漢字詞語，極少數字字符，沒有出現英文字符、標點符號等停用詞且字節(jié)數均大于等于2，因此過濾操作需要重復進行兩次。第一次對應中文停用詞表過濾停用詞，第二次過濾出出現次數大于等于2的詞匯，并對這些詞匯頻率進行處理。最后，匯總得出每起輿情事件熱點網民微博相似度。其中對出現次數大于等于2的詞匯標記為重復詞匯，出現次數區(qū)間為[2，10]。針對出現不同次數的詞匯，對其進行統(tǒng)一量化處理，得出熱點網民微博詞云圖中詞匯相似度公式，如公式（1）所示：

其中，U代表詞云圖中單個詞匯重復率，n表示詞云圖中詞匯數量。W代表單個詞匯重復出現的次數;T=10，代表單個詞匯在每起事件熱點網民微博詞云圖中能夠出現的次數最大值為10。對單個詞匯重復率進行統(tǒng)計后，通過將所有重復詞匯的重復率進行相加運算，可以得到10位熱點網民微博詞云圖的相似度，如公式（2）所示：

根據所獲得的微博詞云圖，并根據不同詞頻水平將圖中詞匯通過5個層次字號呈現。綜合20起事件案例熱點網民微博詞云圖詞頻水平，筆者將5個不同的字號所代表的詞頻計算權重，如公式（3）所示：

其中，TF（ti， d）表示特征ti在文本d中的詞頻，即表示文本集合中含有ti的文本的個數;a表示一個常數，通常取值為0.01;式中的分母為歸一化因子。目標詞匯在熱點網民微博中出現的次數區(qū)間為[0，10]。詞匯密度計算如公式（4）所示：

其中，w（0.1，0.2，0.3，0.4，0.5），代表詞云圖中5種詞匯字號所代表的詞頻權重， k[0，10]，代表目標詞匯在每起輿情事件熱點網民微博詞云圖中出現的次數。

在計算詞匯密度時，首先要做的是對詞云圖詞匯進行統(tǒng)計并編號，利用Word2vec建立每個詞匯對應的空間向量，并創(chuàng)建每起輿情事件的詞料庫向量集。其次，將詞料庫向量集導入SPSS對同一緯度與相同長度的詞向量在單位詞云圖中的詞頻權重與出現次數進行乘積計算，也就是詞匯密度。在此步驟操作中，因考慮到并非詞云圖中所有詞匯都涉及事件輿情，無關詞匯在某種程度上也代表了網民參與輿情傳播的一種模式，因此研究并沒有將無關詞匯進行過濾，而是將其作為一個詞性分類作為對詞匯數據的分類加工步驟。

3.3.4? 熱點網民類型

突發(fā)性公共事件中輿情具有不定性、移動化、碎片化等特點，再加之微博平臺的開放性、多元性、互動化特點，使得參與輿情傳播的微博用戶始終保持自由發(fā)言的權利。網民作為參與輿情演化重要環(huán)節(jié)的主體，不同類型和身份的微博用戶對輿情演化所起到的作用并不相同，因此筆者對參與自然災害、事故災難、公共衛(wèi)生事件和社會安全事件的微博用戶進行分類統(tǒng)計，并總結不同類型微博用戶參與輿情的演化機制特征，以此作為突發(fā)性事件應急與管理的重要突破口。

首先，將突發(fā)事件相關的微博博文涉及的用戶根據其在輿情事件環(huán)節(jié)中所處位置的不同歸納為包含名人、媒體、當事企業(yè)、政府部門、當事人、普通網民在內的6種微博用戶類型;其次對微博熱點網民6種用戶類型進行統(tǒng)計，再匯總四大類事件微博用戶類別數據;最后，進行類別對比分析。

4? 實證研究分析

4.1? 案例來源

筆者根據突發(fā)性公共事件四大分類選取2018年所發(fā)生的20起社會事件作為研究案例。該20起事件案例在微博平臺傳播速度快、傳播范圍廣，是符合研究素材選取原則的輿情事件。本著所涉及對象多、輿論密集、事件發(fā)展周期長的原則選取，選取這20起事件作為研究案例能夠產生更有價值和說服力的研究結果，具體案例名稱如表1所示：

4.2? 詞云詞類劃分

11個詞云詞類分別為：①事件類型;②事件人物/企業(yè)/單位;③事件過程;④事件結果;⑤事件地點;⑥事件相關數據;⑦事件相關名詞;⑧事件涉及政府單位/部門/領導;⑨網民觀點;⑩明星超話;無關詞類。

20起案例事件熱點網民微博詞云詞性量化見表2。

將20起事件按照事件類型進行匯總處理，可以得到4類突發(fā)性事件熱點網民微博的詞云詞性特征分布情況，結果見表3。

在不同類型的突發(fā)性公共事件中，微博用戶通過其微博傳達出的關注點也不盡相同。根據對熱點網民微博詞云圖的詞匯進行詞性分類并計算其詞向量，將每類事件中詞性排名前3名的詞類進行統(tǒng)計得到圖1。4類事件中，排名前3的詞類（事件人物/企業(yè)/單位、事件過程、網民觀點）較為集中，且4類事件的前3詞類均能夠產生交集。

整體來說，4類突發(fā)性事件微博輿情中，網民對輿情事件的基本組成部分（事件人物/企業(yè)/單位+事件名稱+事件過程）較為關注，同時通過網民的詞云圖也能夠反映出網民在參與輿情傳播的過程中擔任的角色和目前已經形成的一種統(tǒng)一化操作模式。由表3可得，在公共衛(wèi)生和社會安全兩類事件輿情中，“網民觀點”均位列第3位，而事故災難和自然災害微博輿情中排名前3均未出現“網民觀點”這一詞類，4類事件兩兩組合形成鮮明的對比。

從橫向角度對比分析，發(fā)現社會安全類、公共衛(wèi)生類和事故災難類事件微博輿情中，網民的關注點都包含了事件涉及的人物/企業(yè)/單位、事件過程和事件中相關名詞細節(jié)。3類事件都是以人為主體源進行發(fā)散，人物、過程和事物成為組成事件的重要成分，也是事件輿情的重要元素。自然災害類事件的突發(fā)性來源于自然力量，通過網民的關注點也可以明顯地看到其更加關注事件地點與事件類型。網民在該類事件與其他3類事件中關注點的不同，反映的是事件性質的區(qū)分，同時也是事件突發(fā)性來源的區(qū)別。針對此特點，可以為政府部門提供治理輿情的應急出口，利用該類事件中與其他類型事件相區(qū)別的網民關注點作為切入口，統(tǒng)籌掌握網民關注的心理與情緒，根據網民關注的熱點、焦點、頭條事件置頂報道，同時針對該事件相關報道的頻率、次數、報道版面來進行議程設置，從而扭轉輿情態(tài)勢，削弱負面輿情的擴散力度。

在突發(fā)性輿情事件中，明確突發(fā)性來源是判斷輿情發(fā)展和采取治理措施的首要工作。所謂突發(fā)性來源，是指在突發(fā)性事件中促使事件誘發(fā)的某種人為因素或自然因素。突發(fā)公共事件網絡輿情的內部因素包括有意圖的傳播者、網絡媒體和受眾。首先要明確的是，確定突發(fā)性來源，并非所有的突發(fā)事件的突發(fā)性來源均為非人為因素。其次，要評估突發(fā)性來源的推動因素。

（1）社會安全類事件微博輿情。一般是群體性事件，涉及的人數較多，具有人為性、預謀性、暴力性和政治敏感性。相較于其他類型突發(fā)事件來說，網民對該類事件的發(fā)展過程表現出較高的關注度，這與此類事件性質普遍惡劣存在密切關系。此類事件的突發(fā)性存在兩面性：一方面，事件的組織者或主要參與人物在事件發(fā)生之前對事件的發(fā)起過程和社會影響進行了規(guī)劃，事件為達到預設目而發(fā)生。另一方面，該類事件所產生的的社會影響惡劣，事件的組織者或參與者往往會得到法律制裁，對公眾產生消極影響。事件組織者的動機可分為兩類：①試圖通過事件的爆發(fā)產生一定社會影響，擴大其目的的宣傳范圍，再通過群體動員的方式帶動更多的社會公眾投入情感達成共識，最終實現其目的。②基于對事件預設的基礎上，并不期望事情公之于眾而產生社會效應，但對社會造成的危害存在隱匿性與潛伏性。一旦事件爆發(fā)，其突發(fā)性危害極大;若事件就此進入潛伏期直至平穩(wěn)期，其隱匿的社會安全危害會更為嚴重，增加了演化為該類事件爆發(fā)的隱形動機的幾率。

網民對事件人物和事件名詞的關注度較高，可以認為是網民對輿情事件事態(tài)發(fā)展水平的一種判斷。若事件中涉及的事件人物、企業(yè)、單位在橫向同類事物中處于較高地位或者影響力較大，或者事件中涉及的相關名詞數據水平較高，例如傷亡人數、救援車輛數量、醫(yī)藥費用等，則代表事件的輿情發(fā)展已經到了需要人為干預控制的局面。一般來說，事件輿情發(fā)展迅速、影響力大且社會效應不能隨時間淡化的事件更能夠引起網民的關注，并能夠通過輿情的傳播使網民的情感爆發(fā)值降低，從而通過微博參與輿情討論。

（2）公共衛(wèi)生事件微博輿情中。通常會涉及到衛(wèi)生部門、相關企業(yè)及醫(yī)護類工作人員。事件的性質多種且靈活多變。此類事件中，網民對“事件人物/單位/部門”的關注度與網民觀點、事件過程形成了明顯的差異。由此，可以推斷出在公共衛(wèi)生類突發(fā)事件中，事件的利益相關者在各類輿情要素中的牽制性最強。同時，輿情的發(fā)展也是圍繞事件的利益相關者而展開。所謂“利益相關者”，是在斯坦福研究院首次的學術研究法中引入的概念，此后學界逐漸出現了對該概念的幾十種定義。這些定義都從不同的角度認識到以企業(yè)為中心進行擴散而產生利害關系的個人和群體。從輿情事件的本質來說，事件產生的結果涉及到多個行為主體的利益，這些行為主體將通過自己的行為來影響這種結果的發(fā)生，從而可能由于各行為主體的不同行為及其組合，而產生不同的結果，這些行為主體就稱之為利益相關者[7]。

“網民觀點”這一詞類在4類事件微博輿情熱點網民的詞云圖詞匯排名中表現出明顯的差異性。在公共衛(wèi)生和社會安全兩類事件中詞類排名中均處于第3位，但在自然災害和事故災難事件中均未出現于前3位中。就此現象分析，4類事件兩兩成組存在共性，現將公共衛(wèi)生事件和社會安全事件歸為A組，自然災害事件和事故災難事件歸為B組。A組事件輿情具有典型的傳播特性，因事件主體在事件的首次爆發(fā)后會伴隨出現衍生話題從而形成衍生輿情，例如傳染病防治、醫(yī)療救治、暴動、吸毒、失業(yè)、疫苗和傷亡等話題。隨著衍生話題對爆發(fā)事件議題熱度的沖擊，媒體也開始加入對新興話題的報道，因此網民的觀點輸出場域從一個話題變?yōu)槎鄠€話題，網絡媒體對事件的報道呈現出接連不斷的趨勢，因此A組事件在網絡媒體中的生存時間最長，網民觀點的積累量自然就最多。B組事件中，災難和事故均非建立在人為意愿之上，突發(fā)性來源基本屬于自然不可控力量，通常從事件爆發(fā)到處理結果公布期間是媒體的沉寂期。

從縱向角度對比分析，事故災難與自然災害類突發(fā)事件在突發(fā)程度上居首位。通過對比分析案例事件中的自然災害事件，可以發(fā)現事件的類型和地點是自然災害類突發(fā)事件具有代表性的屬性標簽，所以網民對自然災害類事件輿情的關注點集中在事件地點和事件類型兩個方面。網民對這兩方面的關注凸顯了對事件詳盡情況進行了解的需求。他們對于事件輿情的關注有兩個出發(fā)點：①關注災害的最新發(fā)展情況。②關注政府及相關部門對災情的控制和治理情況。

4.3? 詞云圖相似度分析

詞云圖由眾多詞匯組成，計算詞云圖相似度的第一步是計算詞云圖中重復出現的所有詞匯的單個重復率，其次再對每個熱點網民微博詞云圖的相似度進行加權操作，最后得到詞云圖相似度。根據4類事件中5個相似度數值計算出最終4大類型事件的相似度均值，如表4所示：

熱點網民詞云相似度在一定程度上能夠反映出網民在關注輿情的發(fā)展動態(tài)中是否能夠產生自己獨特的見解。若相似度高，說明詞云圖中相同詞匯多，微博內容相似，基本可以認為這些網民是站在相同立場與角度發(fā)布微博，個人獨特見解近似為零。在對輿情關注的范疇之內，也能表現出網民對事件輿情的關注力度有所不同。通過研究發(fā)現，熱點網民的詞云圖相似度呈現一定的規(guī)律性特點，其具體表現有以下兩點：①在出現詞云相似現象的輿情事件中，10位熱點網民的詞云相似度呈現極端化特點。所謂極端化，是針對熱點網民詞云圖而言，詞云圖中詞匯呈現出相似度極低或相似度極高現象。換言之，熱點網民對目標事件輿情的關注力度也呈現單向極端化現象。②通過對4類事件相似度均值計算之后，可以發(fā)現事件的突發(fā)性來源會直接影響熱點網民的詞云相似度。

筆者通過統(tǒng)計詞云中詞匯相似個數，發(fā)現出現相似詞匯的詞云圖中相似詞匯數基本都超過總數的一半，因此以單個熱點網民詞云圖中完全相同的詞匯數與總詞匯數比值為0.5設定為判定臨界值。在目標事件輿情中，熱點網民的詞云詞匯相似比值基本分布在[0.5，+∞）區(qū)間。也就是說，熱點網民詞云圖中一旦出現相似現象，相似比都會超過0.5，整個詞云圖中接近70%-80%的詞匯都呈現完全相同狀態(tài)的頻率極高。同時，在出現相似現象的輿情事件中，10位熱點網民中持有相似詞云圖的網民有5位以上，在某些事件中還出現了近九成熱點網民詞云圖完全相似的現象。通過分析，可以判斷詞云圖詞匯相似比在0.5以上的熱點網民微博是對該事件輿情中轉發(fā)率較高的微博進行轉發(fā)或復制，在此基礎上沒有任何個人觀點產出。

根據表4，將微博詞云詞匯相似比按照事件類型進行匯總得出：自然災害與事故災難兩類突發(fā)性事件微博輿情中熱點網民詞云相似度均值低于1，公共衛(wèi)生與社會安全兩類突發(fā)性事件微博輿情中熱點網民詞云相似度均值高于1。前兩類突發(fā)性事件的突發(fā)性來源屬于非人為因素，人們對于事件的發(fā)生完全沒有預料與準備。在這種未知的情況下，網民潛意識中會根據事件的不確定性進行發(fā)散思維聯想，能夠從事件涉及的各類因素出發(fā)而產生不同的觀點。同時，這兩類事件在空間地理位置與涉及的利益人群兩個方面相較于其他兩類事件有更強的影響力，能夠在交錯的影響關系下拉長輿情發(fā)展的時間戰(zhàn)線。較長的時間戰(zhàn)線為網友提供了充足的客觀條件，促使事件在潛伏期、萌動期、加速期、成熟期、衰退期5個階段保持較高的輿論生產率。即使是在完全不確定因素面前，也不可避免部分網友站在“從眾”角度來表現其對事件輿情的關注，即對高熱度微博的轉發(fā)和復制行為。

公共衛(wèi)生與社會安全兩類突發(fā)性事件熱點網民詞云相似度均值高于1，是兩類事件輿情中輿論產生率較低與重復率較高的量化表征。結合熱點網民詞云圖中詞匯類型進行分析，兩類事件中排名前3的詞匯類型完全一致，網民對這兩類事件輿情的關注點停留在事件具體細節(jié)信息和社會輿論。

4.4? 微博熱點網民類型分析

根據熱點網民在微博輿情事件中的角色對其身份進行分析劃分，確定出六大身份類型：名人、媒體、當事企業(yè)、政府部門、當事人、普通網民，見表5。

4.5? ?熱點網民詞云現象回歸分析

4.5.1? 輿情傳播能量層級化

由表5可知，參與輿情傳播與帶動輿情發(fā)展的微博用戶多數為普通網民，其次為媒體微博與政務微博。熱點事件的微博輿情傳播需要各類身份的網民共同參與，其在輿情傳播過程中所起到的作用不盡相同。熱點事件作為微博輿情的傳播客體，會由多個傳播主體對其進行分散能量傳播，根據傳播主體的傳播動機可將其分為4類[8]：①自媒體時代應運而生的自由主體，與輿情事件不存在某種直接或間接關聯;②個人影響力催生的領袖主體，由記者、評論員、作家、微博大V等組成，既表達媒體的觀點又反映民眾的意見;③政府法規(guī)的發(fā)聲者——管控主體，對輿論走向起到引導作用;④與輿論事件密切相關的利益相關主體，是輿論發(fā)展的關鍵性因素[9]。

輿情事件是各類社會事件與矛盾的集體反映，微博用戶通過微博平臺發(fā)表具體的態(tài)度或情緒，當參與的微博用戶達到一定規(guī)模，該事件在微博中便構成熱點話題。當熱點事件輿情擴散到一定范圍時，主要引導作用歸功于具有高關注度、高流量和較大影響力的微博意見領袖，例如微博大V、明星、營銷賬號等。普通微博用戶由于個體能量較小，只有當一定數量的用戶聚合傳播時，其傳播作用才得以顯現。

熱點事件輿情在達到一定討論熱度與傳播廣度之前，媒體報道作為輿情演化開端的契機將事件信息由新聞形式轉化為微博形式。事件信息在微博中得以傳播，依靠的主要動力來自普通身份的微博用戶對事件的關注、轉發(fā)與評論，因此產生熱點網民。當信息、輿論觀點、意見評論大量聚集涌入微博平臺后，事件輿情的發(fā)展會進入白熱化階段，輿情發(fā)展速度與微博用戶關注度呈正比例線性增長。經過這一階段，事件輿情的第一能量級已達到飽和狀態(tài)，輿情傳播能量將由普通微博用戶上升至微博達人，例如公眾人物、著名媒體等。此后，位于不同能量級的微博用戶迅速聚集共振后，將事件的輿情范圍不斷擴大。

因此，根據研究數據可以得出，微博輿情的形成、演化與傳播所遵循的能量由微博用戶影響力從低到高逐漸分層，且微博用戶影響力與能量飽和點呈反比例線性關系，與能量級別呈正比例線性關系，能量級別越低，對輿情傳播的推動作用越弱，所需儲蓄的能量越多。

4.5.2? 明星超話傳播現象

超話，作為網絡流行詞，是超級話題的簡稱，是新浪微博推出的一項功能，指擁有共同興趣的人集合在一起形成的圈子，類似于騰訊QQ上的興趣部落，大多以明星偶像為主，只不過在微博的這種環(huán)境下，粉絲可以與明星偶像進行溝通，這項功能旨在加強明星與粉絲之間的溝通[10]。通過數據統(tǒng)計，在20起案例事件中詞云詞匯涉及明星超話的案例為4起，其中兩起詞云圖相似度較高。熱點網民詞云圖的明星超話現象表明突發(fā)事件可以為明星跨界形象塑造、粉絲能動行為提供充足的空間。因突發(fā)事件能夠在短時間內使網絡用戶聚焦于此，明星的參與可以保證其曝光量與粉絲流量。明星在事件中可以圍繞捐贈物資、參與實地救險與慰問等展開公益行動，為突發(fā)事件后勤保障貢獻力量，提升公眾好感度，同時也可以為其粉絲提供尋求快感和貢獻力量的自由場域。在案例事件中，出現明星超話現象代表熱點網民所關注的重心受明星效應影響而產生轉移，圍繞所關注明星發(fā)生的一切相關活動。對于明星的粉絲而言，他們關注明星的一舉一動，比起娛樂消息、工作通告和負面新聞來說，粉絲們對明星的正面公益行動的響應力度會更大。

自然災害類事件屬于4類突發(fā)性事件中危害程度較高的事件類型，明星超話現象也較為集中的出現在自然災害類突發(fā)事件輿情當中，表明自然災害類突發(fā)事件對社會各階層公眾的影響較大，易產生各類社會效應。這類事件對傳播系統(tǒng)造成的噪聲較少，不會對社會的核心制度、價值觀和結構造成根本性的挑戰(zhàn)與改變。同時，對于明星這樣的公眾人物來說易于找到傳遞其正能量的突破口。事件輿情的無限次傳播潛能將本身屬于附屬地位的社會公益能量進行了無限放大。網民對事件輿情的關注將輿情的邊界無限制擴大，由明星參與事件本身而引發(fā)的話題將事件輿情的信息量抬高到一個非正常的水平。自然災害類事件成為明星超話關注的主要事件類型，主要原因有：①該類型事件自身具有不可預估性和危害性，完全由自然因素所決定的突發(fā)事件往往會造成嚴重的人身傷害與財物損失，從人類情感接近性角度來講，該類事件最能引發(fā)社會關注與同情。②該類事件不涉及人性與其他復雜社會關系類問題，事件的輿情雖涉及廣泛但各階段周期能夠在較短時間內進行切換并快速消退。該類事件的“單純性”是以明星為代表的公眾人物選擇其進行公益活動的主要原因，一方面希望為公益事業(yè)貢獻一己之力，另一方面希望通過公益事業(yè)樹立正能量的公眾形象。同時要盡量避免在一系列的參與活動中引發(fā)的不必要的負面輿論。? ③該類事件造成的社會危害基本屬于“物理傷害”，基本不存在對人類心理和精神造成傷害，易于產生社會公益活動的切入點，易于明星人設樹立。

5? 結語

研究結果表明，4類突發(fā)性公共事件的微博輿情中，熱點網民的關注點會根據不同類型事件的特點而呈現出分布變化。熱點網民作為微博輿情傳播中的重要輸出和傳播環(huán)節(jié)，其關注度是能夠反映出輿情發(fā)展態(tài)勢和輿情治理方向的重要指標，不同類型的突發(fā)性事件在該環(huán)節(jié)所產生的指向性呈現出互異性，同時也表現出共性。

4類突發(fā)事件輿情中熱點網民的關注點和關注度的不同體現了事件本身在微博網絡中擴散形式和傳播模式的差異。研究結果顯示，熱點網民對自然災害、事故災難、公共衛(wèi)生事件和社會安全事件4類事件的基本信息最為關注，同時證明了4類突發(fā)事件易于產生網絡輿論，對網民的參與帶動性強。傳播過程中的各種現象說明熱點網民關注力為輿情傳播奠定了堅固的根基，對事件的不同關注點是區(qū)分4類事件突發(fā)性質的重要依據。

熱點網民的關注度指向性說明突發(fā)性公共事件的網絡輿情呈現出熱點網民內部分化、分層的態(tài)勢。隨著互聯網絡的發(fā)展，可被看成一個整體的網民群體逐漸演變?yōu)橛^點各異和傳播路徑分散的多樣化復合群體。在關注點聚集處易產生網民情緒，更可能會激發(fā)網民做出過激行為。因此，可以將網民關注點作為突發(fā)事件輿情治理的切入點，消解網民在關注點聚集處產生的負面情緒是治理輿情的有力方式。

參考文獻：

[1] 中華人民共和國國務院.中國人民共和國突發(fā)事件應對法[Z]. 北京： 國務院， 2007.

[2] 張一文. 突發(fā)性公共危機事件與網絡輿情作用機制研究[D]. 北京： 北京郵電大學， 2012.

[3] 中國互聯網絡信息中心. 第43次中國互聯網絡發(fā)展狀況統(tǒng)計報告[EB/OL]. [2019-04-20]. http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201902/t20190228_70645.htm.

[4] 周金元， 張莎莎， 劉桂鋒， 等. 國內微博研究綜述[J].情報雜志， 2013， 32（9）： 46-51.

[5] 王艷. 民意表達與公共參與： 微博意見領袖研究[D].北京： 中國社會科學院， 2014.

[6] 李曉黎. Web信息檢索與分類中的數據采掘研究[D].北京： 中國科學院計算技術研究所， 2001.

[7] 方潔. 微博輿情利益相關者的分類及行為動因研究[D].南京： 南京大學， 2014.

[8] 楊延圣. 微圈與微圈輿情解析[J]. 情報雜志， 2017（4）： 146-149.

[9] 段峰峰， 朱娟. 微博輿情傳播要素空間重構及互動關系[J]. 新聞傳播， 2018（23）： 4-6.

[10] 超話. 秀目網[EB/OL]. [2020-04-20]. http：//www.xiumu.cn/question/6480.html.

[11] 李丹. 公民社會視角下中國微博輿情的發(fā)展與走向[J].東南傳播， 2011， 81（5）： 6-8.

[12] 饒元. 輿情計算方法與技術[M]. 北京： 電子工信出版集團， 2016.

[13] 王國華. 突發(fā)事件網絡輿情的動力要素及其治理[M].武漢： 華中科技大學出版社， 2017.

[14] 文晴. 微博自然災害輿情傳播要素及網絡結構研究[D].長春： 吉林大學， 2018.