新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知模型

謝媛　李本乾

關鍵詞： 新媒體環(huán)境； 突發(fā)環(huán)境事件； 網(wǎng)絡輿情； 風險信息感知

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０６．０１６

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０６－０１５８－０８

新媒體環(huán)境是利用數(shù)字技術和網(wǎng)絡技術， 通過互聯(lián)網(wǎng)、寬帶局域網(wǎng)、無線通信網(wǎng)、衛(wèi)星等渠道，以及電腦、手機、數(shù)字電視機等終端形成的環(huán)境。其在輿情傳播方面有著非常重要的作用， 因為使用新媒體的用戶較多， 輿情信息傳播的深度與廣度也在隨之擴大， 一旦傳播的負面輿情信息影響力超出可控范圍， 即會引起突發(fā)性輿情危機事件。該類事件的發(fā)生會導致網(wǎng)民產(chǎn)生恐慌情緒， 動搖用戶的信息， 喪失獨立思考的能力， 從而產(chǎn)生消極的影響?；谶@種情況， 就需要對突發(fā)環(huán)境事件作出準確的判斷， 但是新媒體環(huán)境下網(wǎng)絡輿情是一個較為復雜的事物， 其具有較強的不確定性， 增加了網(wǎng)絡輿情風險信息感知與引導的難度。為了避免用戶在突發(fā)公共事件中產(chǎn)生恐慌情緒， 以及被錯誤觀點引領，發(fā)表不正當言論， 需要構建突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知模型。

２０２０ 年， Ｓｈｉ Ｘ 等［１］ 提出一種基于雙向生成對抗網(wǎng)絡（ＢＩＧＡＮ）的無監(jiān)督方法， 實現(xiàn)配電網(wǎng)絡在線監(jiān)測數(shù)據(jù)的操作風險評估； ２０２１ 年， 李金澤等［２］ 在構建的突發(fā)輿情事件情報語料庫基礎上建立了突發(fā)輿情事件感知模型， 實現(xiàn)了輿情風向的感知； 李樹文［３］ 利用探針捕獲網(wǎng)絡流量數(shù)據(jù)包和人工免疫算法構建檢測模型， 實現(xiàn)網(wǎng)絡安全風險檢測； ２０２２年， 曹科才等［４］ 構建分數(shù)階微分方程模型， 使用參數(shù)擬合方法降低了網(wǎng)絡輿情系統(tǒng)整數(shù)階數(shù)學建模方法的保守性； 蘭月新等［５］ 在挖掘輿情傳播的核心要素指標的基礎上， 對網(wǎng)絡輿情異常數(shù)據(jù)進行建模，并提出風險計算方法， 實現(xiàn)輿情風險的檢測。上述模型中雖能夠對風險信息感知， 但是感知信息來源于實驗室數(shù)據(jù)， 并非實際數(shù)據(jù)， 容易出現(xiàn)與實際情況差距較大的情況， 準確性較低， 不能為事件分析提供幫助。

基于上述情況， 本文設計一個新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知模型， 通過輿情主體建模、輿情信息模型建立與網(wǎng)民情感模型建立，計算傳播概率， 采用Ｌｏｇｉｓｔｉｃ 回歸模型感知風險信息風險高低， 實現(xiàn)突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知。

１網(wǎng)絡輿情信息評價指標和影響因素集構建

目前， 我國對網(wǎng)絡輿情的研究主要集中在從網(wǎng)絡科學與技術的角度， 開發(fā)先進的技術方法和簡化數(shù)理統(tǒng)計模型來采集和挖掘輿情信息， 從而代替網(wǎng)絡輿情分析判據(jù)的科學性。網(wǎng)絡輿情在內(nèi)容上具有復雜性、突變性、對抗性等特點， 本文結合新媒體環(huán)境下輿情本身的性質和特點， 以網(wǎng)絡輿情傳播的輿情主體、輿情信息和網(wǎng)民情感３ 個核心影響要素作為評價指標， 建立信息評價指標和影響因素集。

網(wǎng)絡輿情的主要關鍵詞為社會、事件、網(wǎng)絡、公眾、民眾、信息、情感、情緒、態(tài)度等， 本文據(jù)此提煉網(wǎng)絡輿情傳播核心要素為輿情主體、輿情信息和網(wǎng)民情感， 構建網(wǎng)絡輿情傳播核心要素集為：

Ｉ ＝ ｛Ｓ， ｘ， Ｅ｝ （１）

式（１）中， Ｓ 代表輿情主體， ｘ 代表輿情信息， Ｅ 代表網(wǎng)民情感。

輿情主體， 公共輿論的傳播主體分為一般網(wǎng)民和引導者兩類， 前者的受眾人數(shù)多， 但是傳播的影響力卻很弱； 后者主要包括媒體、政府、網(wǎng)絡大Ｖ等網(wǎng)絡上擁有輿論導向功能的網(wǎng)民， 雖然人數(shù)不多， 但其輿論導向作用卻是巨大的。

輿情信息， 輿論信息包括發(fā)布主體、發(fā)布時間、發(fā)布內(nèi)容、轉發(fā)、評論、點贊和發(fā)布網(wǎng)址等。

網(wǎng)民情感分為兩類（正面和負面）、三分（正面、中性、負面）和四分（憤怒、厭惡、高興、悲傷）、七分（憤怒、厭惡、恐懼、高興、喜好、驚訝）等。

基于上述分析可知， 信息、網(wǎng)民情感以及輿情主體涉及多個指標， 建立網(wǎng)絡輿情信息評價指標體系， 并分析影響因素［６］ 。主要指標如表１ 所示。

其中， 突發(fā)環(huán)境事件網(wǎng)絡輿論信息流的風險指數(shù)是用來度量突發(fā)環(huán)境事件后， 網(wǎng)絡輿論信息流出現(xiàn)異常波動的概率。它包含了４ 個現(xiàn)實層面的指數(shù)：地區(qū)ＧＤＰ 數(shù)值、地區(qū)人均收入水平、地區(qū)和諧度、地區(qū)網(wǎng)民數(shù)量。原因在于， 在比較和諧的經(jīng)濟條件下， 突發(fā)環(huán)境事件的網(wǎng)絡輿情信息流出現(xiàn)異常波動的可能性較低， 而反過來則相反。突發(fā)環(huán)境事件的網(wǎng)絡輿情信息流傳導擴散風險指數(shù)是指突發(fā)環(huán)境事件中的信息流動的異常波動性、深度和持續(xù)時間，它的傳導擴散范圍越廣， 主題越深； 時間越長， 風險也就越大。因此， 具體分為６ 個指標： 主要網(wǎng)站突發(fā)環(huán)境事件專題點擊率、發(fā)布突發(fā)環(huán)境事件專題網(wǎng)站數(shù)量、瀏覽議題網(wǎng)民分布省份、瀏覽突發(fā)環(huán)境事件議題網(wǎng)民職業(yè)分布數(shù)量、輿情信息流已持續(xù)天數(shù)、突發(fā)環(huán)境事件議題回復網(wǎng)貼數(shù)量， 這６ 個指標能夠更好地反映突發(fā)環(huán)境事件網(wǎng)絡輿情信息流傳播擴散的相關情況。突發(fā)環(huán)境事件網(wǎng)絡輿情信息流平復風險指數(shù)是衡量政府在網(wǎng)絡輿情信息流蔓延后，政府導控、平復網(wǎng)絡輿情信息流的能力和效率。通常情況下， 管理能力越差， 管理效率越低， 所面臨的危險也就越大。它包含５ 個層次： 政府輿情反應速度、政府輿情回應民眾滿意度、突發(fā)環(huán)境事件解決民眾認可度、監(jiān)測平臺完善度和員工質量。

滿足上述條件后， 用葉節(jié)點替換子樹， 替換后修剪決策樹， 提高數(shù)據(jù)的決策能力， 不斷迭代計算， 直到所有的數(shù)據(jù)計算完成， 即完成新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知和預警。

６實驗對比

以實際發(fā)生的突發(fā)環(huán)境事件網(wǎng)絡輿情事件為實驗對象， 并將文獻［１］構建的面向風險監(jiān)測的感知模型、文獻［２］構建的突發(fā)輿情事件的情報感知模型與本文所構建模型對比， 對比３ 個模型在不同場景下的應用效果。

６.１實驗內(nèi)容

此次實驗研究共分為兩個部分， 第一部分實驗為采用３ 種方法分析疫情事件輿情情感演化情況，主要包含參與者的消極情緒比例、積極情緒比例以及沒有參加評論的比例。

第二部分實驗以多個突發(fā)環(huán)境事件為研究對象，以數(shù)量為指標， 與實際微博轉發(fā)數(shù)量對比， 分析不同方法的感知情況和預警準確率， 從而反映本文方法的感知效果。分析關注、轉發(fā)以及評論這些數(shù)據(jù)的人數(shù)， 第二部分實驗中， 事件爬取條數(shù)如表３ 所示。

將上述內(nèi)容作為實驗對象， 詳細的實驗結果如下。

６.２實驗結果分析

分析疫情背景下疫情事件輿情情感演化情況，對比結果如圖１～圖３ 所示。

分析圖１～ 圖３ 可知， ３ 種模型對于未參與者的信息感知結果與實際值相差較小， 其主要原因是未參與者對于目標事件持中立態(tài)度， 不發(fā)表積極或消極的評論， 因此其感知結果雖有一定偏差， 但與實際值相差較小。而面對消極情緒者、積極情緒或無感者兩類對象， 兩種對比模型在信息感知方面與實際數(shù)據(jù)存在一定差距， 感知精度不夠穩(wěn)定， 然而所構建模型對不同情緒的用戶感知情況與實際趨勢基本一致， 證明所構建感知模型能夠準確模擬此次事件中的輿情情感演化情況， 并對其進行分析。其主要原因是所構建模型建立了網(wǎng)絡輿情傳播核心要素演化模型， 明確了演化規(guī)律， 因此可以通過感知用戶的情緒來準確感知輿情情感演化情況。

第二部分風險感知情況的實驗結果如表４ 所示。

基于表４ 可知， 所構建模型應用下感知的轉發(fā)數(shù)量與實際轉發(fā)數(shù)量相差較小， 最大相差低于１０條。說明采用本文方法構建的模型對微博轉發(fā)數(shù)量的感知效果較好； 而兩種對比模型與實際轉發(fā)數(shù)量相差較大， 說明感知效果較差。由此證明了所構建模型利用Ｌｏｇｉｓｔｉｃ 回歸方法具有一定的有效性。

第二部分風險預警的實驗結果如表５ 所示。風險預警即為篩查微博中惡意評論的數(shù)量。

基于表５ 可知， 所提出的突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知模型在微博惡意評論預警上， 與實際惡意評論條數(shù)相差最多不超過５ 條， 而另外兩個模型預警的惡意評論條數(shù)與實際惡意評論條數(shù)相差均較大。說明本文所構建模型通過決策樹算法可以預警惡意評論的發(fā)展動態(tài)， 驗證了決策樹模型具有一定的有效性。

７結束語

網(wǎng)絡輿情發(fā)展過程中， 負面信息較多會引起用戶恐慌， 為此本文通過建立突發(fā)環(huán)境事件網(wǎng)絡輿情信息流風險指標集， 以此為基礎明確網(wǎng)絡輿情傳播核心要素演化規(guī)律， 并采用Ｌｏｇｉｓｔｉｃ 回歸模型感知風險信息風險高低后， 結合決策樹算法實現(xiàn)輿情風險預警。基于上述過程完成了新媒體環(huán)境下突發(fā)環(huán)境事件網(wǎng)絡輿情風險信息感知模型的構建， 實驗結果表明， 所研究的模型具有較高的感知準確性和預警能力。通過此模型能夠很好地處理突發(fā)狀況， 提高網(wǎng)民在突發(fā)環(huán)境事件下面對不良信息時保持理性，以有效扭轉輿情演化的方向。本文不足之處在于需要構建的模型過多， 在后續(xù)研究中需要優(yōu)化模型并分析信息感知的影響因素， 為相關領域提供幫助。