微博輿情情緒表達(dá)差異研究
——以“中美貿(mào)易戰(zhàn)”為例

王志剛 邱長(zhǎng)波 崔 晶

(吉林大學(xué)管理學(xué)院 長(zhǎng)春 130022)

近年來(lái)，隨著互聯(lián)網(wǎng)的發(fā)展，社會(huì)輿情常常借助網(wǎng)絡(luò)平臺(tái)迅速傳播，輿情的表現(xiàn)形式也發(fā)生了變化，包括論壇發(fā)帖、微博、電子郵件等[1]，這種新形式的輿情被稱為網(wǎng)絡(luò)輿情[2]。

網(wǎng)絡(luò)輿情一詞是我國(guó)獨(dú)創(chuàng)的概念，極具中國(guó)特色。目前學(xué)術(shù)界對(duì)網(wǎng)絡(luò)輿情的概念還沒(méi)有統(tǒng)一認(rèn)識(shí)。林海霞認(rèn)為網(wǎng)絡(luò)輿情是用戶對(duì)自己關(guān)心或與自身利益緊密相關(guān)的公共事務(wù)所持有的多種態(tài)度、意見(jiàn)的總和[3]。蔣知義認(rèn)為網(wǎng)絡(luò)輿情是用戶通過(guò)互聯(lián)網(wǎng)平臺(tái)表達(dá)自己對(duì)社會(huì)發(fā)生的熱點(diǎn)事件所持有的不同看法，是用戶態(tài)度、認(rèn)知、行為和情感傾向的集合[4]。宋海龍認(rèn)為網(wǎng)絡(luò)輿情是指在網(wǎng)絡(luò)空間內(nèi)圍繞輿情因變事項(xiàng)的發(fā)生、發(fā)展和變化，用戶對(duì)政府管理以及現(xiàn)實(shí)社會(huì)中各種事件、現(xiàn)象、問(wèn)題所表達(dá)的社會(huì)政治態(tài)度[5]。學(xué)者們對(duì)網(wǎng)絡(luò)輿情這一概念的定義雖有差異，但也有共同之處，即網(wǎng)絡(luò)輿情是用戶發(fā)表的觀點(diǎn)、態(tài)度以及情緒。

網(wǎng)絡(luò)輿情之所以含有大量的情緒，原因有三點(diǎn)：a.當(dāng)前我國(guó)社會(huì)正處于轉(zhuǎn)型期，社會(huì)矛盾雖然發(fā)生了變化，但仍然存在，容易引起用戶的關(guān)注和討論[6]。b.用戶參政意識(shí)逐漸提高[7]，對(duì)于接觸到的社會(huì)事件，都會(huì)傾向于表達(dá)自己觀點(diǎn)和情緒。c.網(wǎng)絡(luò)平臺(tái)擴(kuò)大了信息的傳播范圍[8]，使事件的發(fā)展過(guò)程透明化，成為了民眾獲取信息和發(fā)表觀點(diǎn)的重要窗口。又由于網(wǎng)絡(luò)平臺(tái)的匿名性特點(diǎn)，減輕了用戶的言論報(bào)復(fù)。

可見(jiàn)，情緒已經(jīng)成為了網(wǎng)絡(luò)輿情的關(guān)鍵要素。本研究針對(duì)網(wǎng)絡(luò)情緒，以“中美貿(mào)易戰(zhàn)”為研究案例，在了解事件整體情緒分布的基礎(chǔ)上，探究用戶身份和事件主題在情緒表達(dá)上的差異，有助認(rèn)識(shí)網(wǎng)絡(luò)輿情中的情緒特點(diǎn)，制定有針對(duì)性的情緒管控策略。

1 文獻(xiàn)回顧

本文的情緒表達(dá)指的是微博內(nèi)容所表現(xiàn)出的情緒類型和情緒強(qiáng)度，情緒表達(dá)差異的研究，主要涉及兩個(gè)問(wèn)題：一是需要識(shí)別出微博內(nèi)容中的情緒；二是找出引起情緒差異化的因素，下面分別對(duì)這兩方面的研究現(xiàn)狀進(jìn)行綜述和分析。

1.1情緒的測(cè)量網(wǎng)絡(luò)情緒測(cè)量的實(shí)質(zhì)是文本分類問(wèn)題，目前的分類方法主要包括：基于詞典的方法、基于監(jiān)督學(xué)習(xí)的方法[9]?；谠~典的情緒分類方法可以根據(jù)需要將情緒分為多種類型進(jìn)行研究，基于監(jiān)督學(xué)習(xí)方法的微博文本情感分析主要研究目標(biāo)是實(shí)現(xiàn)文本的分類，主要將文本分為積極、消極和中立三種類型[10]。敦欣卉等人采用了大連理工大學(xué)情感詞匯本DUTIR的分類方法對(duì)微博進(jìn)行情感分析，并計(jì)算了情感強(qiáng)度，該方法有較高的識(shí)別率和可靠性[11。王志濤指出針對(duì)微博而言，對(duì)比基于情感詞典和機(jī)器學(xué)習(xí)方法下的文本情感分類效果，實(shí)驗(yàn)發(fā)現(xiàn)，隨著測(cè)試語(yǔ)料數(shù)量的增加，基于情感詞典的分類性能保持穩(wěn)定，并優(yōu)于機(jī)器學(xué)習(xí)方法[12]。Tang等人設(shè)計(jì)了一種用于情感分析的深度學(xué)習(xí)系統(tǒng)．該系統(tǒng)通過(guò)將特定情感詞向量與手工選擇的表情符號(hào)、語(yǔ)義詞典等特征相結(jié)合，并利用SVM進(jìn)行情感分類．該系統(tǒng)在Twitter情感語(yǔ)料庫(kù)上的準(zhǔn)確率可達(dá)87.61%[13]。雷龍艷提出了一種基于情感詞匯本體的多策略集成分析法，實(shí)現(xiàn)對(duì)中文微博的細(xì)粒度情緒分析，實(shí)驗(yàn)表明該算法對(duì)情緒的分類效果良好[14]。

本文的分析需要將情緒分為多種類型，因此采用敦欣卉的情緒分類方法最為合適，該方法基于大連理工大學(xué)情感詞匯本體庫(kù)[15]，將情緒分為7類：高興、喜好、悲傷、憤怒、恐懼、厭惡、驚訝。并且為了計(jì)算出每類情緒的情緒強(qiáng)度，還綜合考慮了否定詞以及程度副詞對(duì)情感強(qiáng)度的影響，引用了否定詞表和程度詞表，并將其賦予不同的權(quán)重，以便計(jì)算情緒強(qiáng)度。

1.2網(wǎng)絡(luò)情緒表達(dá)的影響因素根據(jù)現(xiàn)有研究，用戶情緒主要受到社會(huì)因素、個(gè)體因素和事件因素的影響。社會(huì)因素主要包括社會(huì)環(huán)境和大眾傳媒，就社會(huì)環(huán)境而言，我國(guó)正處于社會(huì)轉(zhuǎn)型期，現(xiàn)有監(jiān)管機(jī)制不完善，因此中國(guó)更傾向于抑制情緒表達(dá)，特別是消極情緒的表達(dá)[16]。就個(gè)體因素而言，目前對(duì)性別差異的研究比較豐富，很多學(xué)者[17-20]的研究都表明女性比男性具有更豐富的情緒并表達(dá)的更充分，但個(gè)體情緒也受到年齡、教育水平等因素的影響，Levenson和Carstensen采用實(shí)驗(yàn)的方法研究了年齡對(duì)情緒表達(dá)的影響，都證明出了情緒表達(dá)行為隨年齡下降這一可能性。盧家楣從教育水平的角度出發(fā)，證明?？粕憩F(xiàn)出比本科生更強(qiáng)的情緒表達(dá)能力[21]。就事件因素而言，不同特征的事件，會(huì)影響到用戶的情緒表達(dá)，周莉的研究證明事件特征會(huì)影響到網(wǎng)絡(luò)情緒的歸因[22]，葉勇豪的研究表明包含不同道德基礎(chǔ)的事件與不同的道德情緒相關(guān)聯(lián)[23]。

影響情緒表達(dá)的因素，除現(xiàn)有研究以外，用戶身份和事件主題兩個(gè)因素也會(huì)起到重要的作用。就用戶身份而言，網(wǎng)絡(luò)輿情相比傳統(tǒng)輿情，具有匿名性的特點(diǎn)。一些研究證明了匿名性對(duì)網(wǎng)絡(luò)去抑制化效應(yīng)的影響[24]，處于匿名狀態(tài)下，普通用戶在互聯(lián)網(wǎng)中的表達(dá)將更加開(kāi)放，尤其是負(fù)面情緒，這也使網(wǎng)絡(luò)輿情呈現(xiàn)出全新的特點(diǎn)。就媒體用戶而言，新媒體的報(bào)道不再僅闡述客觀事實(shí)，而是越來(lái)越具有爭(zhēng)議的話題、越來(lái)越出格的言論，而這些要素都直接推動(dòng)了情緒的發(fā)酵[25]。與普通用戶和媒體用戶相比，政府在網(wǎng)絡(luò)輿情中肩負(fù)著社會(huì)責(zé)任，主要發(fā)揮著四種功能：拓展溝通的觸角、更新信息、發(fā)布和分享信息、與外界建立良好的關(guān)系與協(xié)作[26]，以達(dá)到穩(wěn)定民眾情緒的目的。就事件主題而言，微博用戶對(duì)事件的認(rèn)知和關(guān)注程度是有差異的，因此對(duì)事件中的不同主題產(chǎn)生的反應(yīng)也不一致。趙曉航對(duì)主題情感進(jìn)行研究，結(jié)果顯示不同的主題內(nèi)容能夠影響輿情負(fù)面情緒的升降[27]。姜金貴對(duì)主題和情緒之間的相互作用進(jìn)行了研究，結(jié)果顯示主題會(huì)嚴(yán)重影響到事件中用戶的情緒[28]。黃發(fā)良的研究也表明微博情感與其討論主題密切相關(guān)[29]。

當(dāng)前研究已經(jīng)驗(yàn)證了用戶身份和事件主題兩個(gè)因素對(duì)用戶情緒的影響，并沒(méi)有闡述這兩個(gè)因素的情緒表達(dá)差異，在前人的基礎(chǔ)上，本研究將情緒表達(dá)特點(diǎn)分為是否表達(dá)情緒和情緒強(qiáng)度，采用內(nèi)容分析技術(shù)對(duì)網(wǎng)絡(luò)表達(dá)文本進(jìn)行細(xì)粒度的情緒分類以及主題提取，并識(shí)別出用戶的身份，研究以下兩個(gè)問(wèn)題：

問(wèn)題1：不同用戶身份和事件主題的相關(guān)微博在是否表達(dá)情緒上存在哪些差異？

問(wèn)題2：不同用戶身份和事件主題的相關(guān)微博在情緒表達(dá)強(qiáng)度上存在哪些差異？

2 研究設(shè)計(jì)

2.1研究數(shù)據(jù)研究數(shù)據(jù)來(lái)源于新浪微博平臺(tái)，使用Python爬取“中美貿(mào)易戰(zhàn)”事件的相關(guān)微博內(nèi)容以及用戶身份，共計(jì)50 000條，微博文本中含有大量的html字符，并且轉(zhuǎn)發(fā)的微博中會(huì)存在原微博內(nèi)容，會(huì)對(duì)之后的分析產(chǎn)生干擾，因此對(duì)數(shù)據(jù)進(jìn)行清洗，確保文本的所有內(nèi)容只表達(dá)了該用戶自身的觀點(diǎn)。經(jīng)過(guò)數(shù)據(jù)清洗后，微博文本會(huì)出現(xiàn)空值以及無(wú)意義的值，這樣的微博不予保留，最后保留35 331條有效數(shù)據(jù)。

2.2變量設(shè)定研究中涉及的自變量為用戶身份和事件主題，用戶身份分為政府、媒體和普通用戶，在原始數(shù)據(jù)中可直接得到；事件主題是采用LDA方法從微博文本中提出得到的(主題詞表見(jiàn)表1)，分為產(chǎn)生原因、爭(zhēng)端影響、應(yīng)對(duì)措施和未來(lái)展望。

表1 微博主題提取結(jié)果

研究的因變量有兩個(gè)：一是用戶發(fā)布的微博中是否含有情緒(1為有情緒，0為無(wú)情緒)；二是用戶發(fā)布的微博的情緒強(qiáng)度，本文參照大連理工大學(xué)情緒詞典的分類方法，將情緒分為7類，并可計(jì)算出情緒強(qiáng)度，具體計(jì)算方式如下：

用p表示一條微博，使用jieba工具對(duì)其分詞后，識(shí)別出每一個(gè)情緒詞以及情緒詞前的否定詞和程度詞。由于在情緒詞典中將情緒分為7類，因此，計(jì)算一條微博的情緒時(shí)，需要計(jì)算每一種情緒的情緒強(qiáng)度，對(duì)于第i種情緒，第j個(gè)情緒詞，其情緒強(qiáng)度為：

pij=(-1)naijeij(1≤i≤7；j>0；n≥0)

(1)

其中，n為第i種情緒第j個(gè)情緒詞前否定詞的個(gè)數(shù)，aij為第i種情緒第j個(gè)情緒詞前的程度詞對(duì)應(yīng)的程度倍數(shù)，eij為第i種情緒第j個(gè)情緒詞對(duì)應(yīng)的情緒強(qiáng)度。對(duì)一種情緒的情緒強(qiáng)度進(jìn)行綜合計(jì)算，即將屬于該種情緒的所有情緒詞的情緒強(qiáng)度進(jìn)行加和，公式如下：

(2)

其中，m表示第i種情緒的情緒詞數(shù)量。根據(jù)此公式，每條微博都可以得到7種情緒的情緒強(qiáng)度，微博最終情緒強(qiáng)度取其中最大值，情緒值為最大情緒強(qiáng)度對(duì)應(yīng)的情緒，公式如下：

E=maxpi(1≤i≤7)

(3)

3 數(shù)據(jù)分析

3.1描述性統(tǒng)計(jì)分析對(duì)用戶身份、時(shí)間主題和情緒進(jìn)行統(tǒng)計(jì)，結(jié)果見(jiàn)表2。

表2 微博變量信息

在發(fā)布微博的主體中，媒體有1 632個(gè)(占比4.6%)，普通用戶有3 354個(gè)(占比94.4%)，政府有345個(gè)(占比1.0%)。這也符合網(wǎng)絡(luò)輿情的主體特點(diǎn)，普通用戶是網(wǎng)絡(luò)輿情的主要力量，媒體和政府的數(shù)量較少。

根據(jù)微博中是否含有情緒詞將微博分為有情緒微博和無(wú)情緒微博。據(jù)統(tǒng)計(jì)，在收集到的35 331條微博中，有情緒微博有26 974條(占比76.3%)，無(wú)情緒微博有8 357條(占比23.7%)，這也符合微博的整體環(huán)境，用戶傾向于表達(dá)自己的觀點(diǎn)和態(tài)度。微博在情緒類型分布上，喜好的占比最高，為40.5%；厭惡的占比次之，占比17.7%；悲傷、驚訝、恐懼、高興和憤怒5種情緒的占比較低。在情緒強(qiáng)度分布上，高興和厭惡的情緒強(qiáng)度較高，均值分別為18.79和16.90，其次是喜好和憤怒，均值分別為10.19和9.30，恐懼、驚訝和悲傷的情緒強(qiáng)度較低，分別為8.76、7.72和6.89?？梢钥闯觯埠煤蛥拹旱那榫w占比和情緒強(qiáng)度都較高，成為此事件中的主導(dǎo)情緒。

微博主題的統(tǒng)計(jì)結(jié)果顯示，產(chǎn)生原因有6 615條(占比18.7%)，未來(lái)展望有1 214條(占比3.45%)，應(yīng)對(duì)措施有1 854條(占比5.2%)，爭(zhēng)端影響有25 648(占比78.3%)。可見(jiàn)網(wǎng)民對(duì)事件產(chǎn)生原因和爭(zhēng)端影響的討論較多，對(duì)未來(lái)展望和應(yīng)對(duì)措施的討論較少。

3.2情緒表達(dá)差異分析

3.2.1 微博情緒表達(dá)的概率差異 問(wèn)題1中，是否表達(dá)情緒作為因變量，是二分類變量，自變量即各相關(guān)因素均為分類變量，綜合考慮采用 Logistic 回歸模型最適合分析解釋變量對(duì)被解釋變量的影響。Logistic回歸模型的表達(dá)形式為：

(4)

其中，Pi為在給定解釋變量xi值時(shí)的發(fā)生概率，βi為回歸系數(shù)。

本研究分別以用戶身份和主題作為自變量，是否表達(dá)情緒作為因變量建模，結(jié)果顯示以用戶身份和事件主題作為自變量的模型系數(shù)都通過(guò)了檢驗(yàn)(Sig.=0.000),說(shuō)明用戶身份和事件主題在是否表達(dá)情緒上存在顯著差異。

不同身份、不同主題的微博在表達(dá)情緒概率上的差異情況見(jiàn)表3。

表3 不同用戶身份、主題的情緒表達(dá)概率差異

對(duì)于用戶身份，由于參照水平為政府用戶，因此媒體用戶較政府用戶使Logitp平均增長(zhǎng)0.369個(gè)單位，正向影響情緒表達(dá)概率，結(jié)合OR值可知，媒體用戶的OR值是政府用戶的1.447倍，且有95%的把握在1.502～1.990之間，說(shuō)明媒體用戶表達(dá)情緒的概率是政府用戶的1.447倍。普通用戶相比政府用戶而言，使Logitp平均增長(zhǎng)-0.462個(gè)單位，負(fù)向影響情緒表達(dá)概率，結(jié)合OR值可知，普通用戶的OR值是政府用戶的0.630倍，且有95%的把握在0.475～0.837之間，說(shuō)明普通用戶表達(dá)情緒的概率是政府用戶的0.630倍。

對(duì)于事件主題，由于參照水平為爭(zhēng)端影響，從系數(shù)來(lái)看，產(chǎn)生原因相比爭(zhēng)端影響使Logitp平均增長(zhǎng)0.133個(gè)單位，正向影響情緒表達(dá)概率，結(jié)合OR值可知，產(chǎn)生原因的OR值是爭(zhēng)端影響的1.142倍，且有95%的把握在1.071～1.218之間，這說(shuō)明產(chǎn)生原因的情緒表達(dá)概率是爭(zhēng)端影響的1.142倍。未來(lái)展望未通過(guò)驗(yàn)證，因此不具有統(tǒng)計(jì)學(xué)意義。應(yīng)對(duì)措施較爭(zhēng)端影響使Logitp平均增長(zhǎng)0.500個(gè)單位，正向影響情緒表達(dá)概率，結(jié)合OR值可知，應(yīng)對(duì)措施的OR值是爭(zhēng)端影響的1.649倍，且有95%的把握在1.372～1.982之間，說(shuō)明應(yīng)對(duì)措施的情緒表達(dá)概率是爭(zhēng)端影響的1.649倍。

總之，政府、媒體和普通用戶在表達(dá)情緒上存在顯著差異，媒體表達(dá)情緒的概率更高，其次是政府，最后是普通用戶；在不同主題中，相關(guān)微博含有情緒的可能性存在顯著差異，產(chǎn)生原因和應(yīng)對(duì)措施兩個(gè)主題的相關(guān)微博含有情緒的概率更高，爭(zhēng)端影響和未來(lái)展望兩個(gè)主題的相關(guān)微博含有情緒的概率較低。

3.2.2 微博情緒表達(dá)的強(qiáng)度差異 問(wèn)題2中，由于因變量情緒強(qiáng)度連續(xù)變量，自變量即各相關(guān)因素均為分類變量，因此采用單因素方差分析的方法，分別分析用戶身份在用戶情緒強(qiáng)度上的差異以及不同事件主題中用戶情緒強(qiáng)度上的差異，見(jiàn)表4。

表4 用戶身份與事件主題和情緒強(qiáng)度的單因素方差分析

續(xù)表4 用戶身份與事件主題和情緒強(qiáng)度的單因素方差分析

由表4可知，用戶身份在事件主題在憤怒、驚訝兩種情緒的顯著性大于0.05，未通過(guò)檢憤怒、高興、悲傷、恐懼和驚訝這5種情緒的顯著性均大于0.05，未通過(guò)檢驗(yàn)，因此用戶身份在情緒表達(dá)強(qiáng)度上不存在顯著差異，而在厭惡、喜好這兩種情緒的顯著性小于0.05，且F值較高，因此在情緒表達(dá)強(qiáng)度有著顯著影響。驗(yàn)，因此在情緒表達(dá)強(qiáng)度上不存在顯著差異；而在厭惡、喜好、高興、悲傷和恐懼五種情緒的顯著性均小于0.05，且F值較高，因此事件主題在情緒表達(dá)強(qiáng)度上有著顯著影響。

單因素方差分析只能檢驗(yàn)控制變量對(duì)觀測(cè)變量是否會(huì)產(chǎn)生顯著影響，并不能檢驗(yàn)控制變量在不同水平下對(duì)觀測(cè)變量的影響程度如何。因此需要用事后多重比較的方法來(lái)檢驗(yàn)控制變量在不同水平對(duì)測(cè)試變量的影響程度，由于方差齊性檢驗(yàn)結(jié)果顯示觀測(cè)變量存在顯著差異(Sig=0)，所以選擇未假定方差齊性的方法Tamhane’s T2來(lái)進(jìn)行檢驗(yàn)。

用戶身份的多重比較檢驗(yàn)結(jié)果見(jiàn)表5。

表5 用戶身份的多重比較檢驗(yàn)

由表5中的平均差異可以看出，對(duì)于厭惡情緒，政府用戶和媒體用戶的厭惡情緒表達(dá)強(qiáng)度顯著高于普通用戶。對(duì)于喜好情緒，政府用戶在表達(dá)情緒喜好時(shí)的強(qiáng)度最高，媒體用戶次之，普通用戶的情緒強(qiáng)度最低。

事件主題的多重比較檢驗(yàn)結(jié)果見(jiàn)表6。

表6 事件主題的多重比較檢驗(yàn)

由表中的平均差異可以看出，用戶在表達(dá)厭惡情緒時(shí)，產(chǎn)生原因相關(guān)微博的情緒強(qiáng)度低于另外3個(gè)主題。用戶在表達(dá)喜好情緒時(shí)，應(yīng)對(duì)措施相關(guān)微博的情緒強(qiáng)度最高，爭(zhēng)端影響和未來(lái)展望次之，產(chǎn)生原因的情緒強(qiáng)度最低。用戶在表達(dá)高興情緒時(shí)，應(yīng)對(duì)措施相關(guān)微博的情緒強(qiáng)度最高，爭(zhēng)端影響次之，產(chǎn)生原因和未來(lái)展望的情緒強(qiáng)度最低。用戶在表達(dá)悲傷情緒時(shí)，爭(zhēng)端影響相關(guān)微博的情緒強(qiáng)度最高，產(chǎn)生原因和應(yīng)對(duì)措施的情緒強(qiáng)度較低。用戶在表達(dá)恐懼情緒時(shí)，應(yīng)對(duì)措施相關(guān)微博的情緒強(qiáng)度較高，未來(lái)展望的情緒強(qiáng)度較低。

4 總結(jié)與討論

本研究以“中美貿(mào)易戰(zhàn)”事件為例，參照大連理工大學(xué)情緒詞典的分類方法，將情緒分為7類，根據(jù)用戶身份和微博主題內(nèi)容來(lái)研究情緒表達(dá)特點(diǎn)，得到以下結(jié)論：

4.1不同身份類型的用戶在表達(dá)情緒上存在顯著差異其中，情緒表達(dá)概率最高的是媒體，其次是政府，普通用戶表達(dá)情緒的概率最低；并且用戶身份在表達(dá)厭惡和喜好的情緒強(qiáng)度上存在顯著差異，其中，政府用戶和媒體用戶的厭惡情緒表達(dá)強(qiáng)度顯著高于普通用戶，政府用戶在表達(dá)情緒喜好時(shí)的強(qiáng)度最高，媒體用戶次之，普通用戶的情緒強(qiáng)度最低。

產(chǎn)生這種差異的原因，與用戶身份在事件中作用以及事件的性質(zhì)有關(guān)，與普通網(wǎng)絡(luò)輿情事件不同，“中美貿(mào)易戰(zhàn)”的兩個(gè)涉事主體為兩個(gè)國(guó)家，政府作為國(guó)家的代表，成為了事件中的關(guān)鍵要素，面對(duì)特朗普政府對(duì)華的頻頻挑釁和限制，中國(guó)政府需要謹(jǐn)慎應(yīng)對(duì)，不能隨意表達(dá)情緒，但需要的時(shí)候必須要表明自己的觀點(diǎn)和態(tài)度，穩(wěn)定民眾的情緒，發(fā)揮政府在信息發(fā)布和分享方面的功能，引導(dǎo)輿情向好的方向發(fā)展，這在本研究中也得到了驗(yàn)證。而普通用戶對(duì)該事件最直觀的感受是股市的動(dòng)蕩、物價(jià)的上漲等，對(duì)于事件背后的政治陰謀，并沒(méi)有很清楚的認(rèn)識(shí)，因此在表達(dá)情緒的可能性和強(qiáng)度相對(duì)較低。媒體相較于普通用戶來(lái)說(shuō)，在輿情傳播方面具有權(quán)威性，同時(shí)也兼具一定的社會(huì)責(zé)任，媒體會(huì)對(duì)網(wǎng)絡(luò)事件進(jìn)行深入挖掘，形成專業(yè)性報(bào)道，并發(fā)表自己的觀點(diǎn)態(tài)度來(lái)引導(dǎo)普通用戶，媒體的情緒通常會(huì)建立在事實(shí)的基礎(chǔ)上，因此情緒強(qiáng)度不會(huì)偏高?？傮w來(lái)看，普通用戶在表達(dá)情緒上更保守，媒體用戶在表達(dá)情緒上更開(kāi)放，政府用戶相對(duì)謹(jǐn)慎。

除厭惡和喜好之外，不同身份的用戶在憤怒、高興、悲傷、恐懼、驚訝5種情緒的表達(dá)強(qiáng)度上無(wú)顯著差異，主要原因是，厭惡和高興是整個(gè)事件重點(diǎn)中的主導(dǎo)情緒，占比較高(見(jiàn)表1)，而其作5種情緒在事件中的占比較低，代表性弱，導(dǎo)致結(jié)果不顯著。

4.2不同主題中微博的情緒特征存在差異其中，不同主題中微博是否含有情緒的概率存在顯著差異，產(chǎn)生原因和應(yīng)對(duì)措施兩個(gè)主題的相關(guān)微博含有情緒的概率更高，爭(zhēng)端影響和未來(lái)展望兩個(gè)主題的相關(guān)微博含有情緒的概率較低；并且，不同主題中微博在厭惡、喜好、高興、悲傷和恐懼5種情緒的表達(dá)強(qiáng)度上存在差異，綜合來(lái)看，事件產(chǎn)生原因和未來(lái)展望的相關(guān)微博的情緒強(qiáng)度較低，應(yīng)對(duì)措施和爭(zhēng)端影響的情緒強(qiáng)度較低。

產(chǎn)生這種差異的原因，與事件主題的特征有關(guān)，事件的產(chǎn)生原因?qū)儆诳陀^事實(shí)，不會(huì)引起網(wǎng)友的持續(xù)關(guān)注和強(qiáng)烈的情緒波動(dòng)，未來(lái)展望的預(yù)測(cè)需要有專業(yè)的知識(shí)和判斷能力，其重點(diǎn)是描述未來(lái)的狀況，而不在于情緒，因此事件產(chǎn)生原因和未來(lái)展望的相關(guān)微博情緒強(qiáng)度低；而爭(zhēng)端影響和應(yīng)對(duì)措施，與所有人的生活息息相關(guān)，在事件發(fā)展的整個(gè)過(guò)程中，會(huì)引起持續(xù)的關(guān)注和大量的討論，情緒共鳴較強(qiáng)烈，因此這兩個(gè)主題的相關(guān)微博情緒強(qiáng)度較高。

當(dāng)然，本研究對(duì)網(wǎng)絡(luò)輿情中的情緒表達(dá)研究也存在不足之處。首先以特定的事件為例進(jìn)行研究，由于事件的特殊性，其結(jié)論并不適用于所有的網(wǎng)絡(luò)輿情，因此在今后的研究中可以根據(jù)網(wǎng)絡(luò)事件的特征，進(jìn)行分類研究，從而得到普適性更高的結(jié)論。其次，變量選擇上，本研究在用戶特征和內(nèi)容特征上各選擇一個(gè)納入研究，在今后的研究中可以選擇更多的變量，對(duì)用戶和微博內(nèi)容進(jìn)行更多維度的刻畫(huà)，探究其在情緒表達(dá)中的作用。