環境污染事件中網絡情緒指向及極化研究

鄭雨雪

摘 要 通過對環境污染事件中的微博文本進行細粒度情感分析，研究此類事件中網絡情緒的指向及極化效應。基于情緒評估模型和情緒極化理論，運用有監督的機器學習方法對2014—2017年影響力較大的22件環境污染事件中的情緒表達進行分析。在環境污染事件中，負面情緒表達顯著，特別是厭惡情緒突出；公眾情緒表達指向為環境污染事件責任主體；情緒極化效應顯著。

關鍵詞 環境污染事件；主題分布；情緒分布；情緒極化

中圖分類號 G2 文獻標識碼 A 文章編號 2096-0360（2020）22-0013-05

近年來，技術賦權加持下的公共意識崛起，使輿論特別是網絡輿論成為中國社會治理中最具活力的變量。網絡輿論的一些“劣根性”引起了研究者的廣泛擔憂，情緒往往被作為網絡輿論中非理性的成分看待，過分強調網絡情緒極化給社會治理帶來的風險很可能會造成研究視角的偏移。基于此，本文意在運用實證的方式對公共事件中的網絡情緒及其極化效應進行研究，通過人工與計算機結合的方式對2014—2017年具有代表性的22個環境污染事件中的網絡表達文本進行細粒度情感分析，并測量其極化程度，為認識和引導公共事件中的網絡情緒提供多元思路和可替代方案。

1 文獻綜述

1.1 網絡表達中的情緒評估

在心理學研究中，關于情緒評估主要有分類取向與維度取向兩種思路。情緒分類取向試圖將情緒分為幾種彼此獨立的互不關聯的有限的基本情緒[1-3]。大連理工大學信息檢索研究室借鑒了Ekman的六大類傳統情緒分類，將情緒分為七大類：樂、好、怒、哀、懼、惡、驚，這種七分類方法在運用自然語言處理技術進行網絡情緒分類的研究中運用較為廣泛（自然語言處理與中文計算會議，2013）。因此，在本研究中，將網絡情緒分為憤怒、厭惡、恐懼、高興、喜好、悲傷、驚訝七大類，同時增加無情緒作為補充，以識別不帶情感傾向的網絡表達。

從維度取向對情緒進行分析的學者認為情緒并非相互獨立的個體，而是以模糊交叉的形式而存在。Russell提出“愉悅-喚醒度”二維模型，效價描述正向或負向的情緒狀態，喚醒度則衡量對生理和心理激活的程度[4]。當前不同研究者對基本情緒的喚醒度說明并不統一[5-6]。因此，在本研究中，結合之前學者的研究，將高興定義為正面高喚醒度情緒，喜好定義為正面低喚醒度情緒，厭惡、恐懼、憤怒情緒定義為負面高喚醒度情緒，悲傷定義為負面低喚醒度情緒，驚訝定義為中性高喚醒度情緒，無情緒定義為中性低喚醒度情緒。

研究問題1：環境污染事件中公眾情緒分布呈現何種狀態？

1.2 網絡表達中的主題評估

在當前網絡環境中，網絡情緒主題指向時常并非為就事論事主題討論，而是呈擴散之態。在情緒具體主題指向中，靳明針對轉基因黃金大米議題進行分析指出，負面情緒更多的集中在對政府、制度、專家等外界多方面的指桑罵槐式的情緒發泄[7]。周云倩針對教師聚餐被通報事件進行分析，指出公眾憤怒情緒更集中于官方解釋框架[8]。周莉基于我國典型反腐案例對網絡情緒進行分析，指出在反腐議題網絡表達中公眾更傾向于針對貪腐主題進行情緒發泄[9]。因此，本文對環境污染事件中情緒主題指向進行分析，以期通過環境污染系列事件把握整體社會情緒氣氛，對社會心態進行整體把握。

研究問題2：環境污染事件中公眾主題分布呈現何種狀態？

1.3 網絡情緒表達與極化

新媒體的出現增加了“群體極化”在網絡的發生幾率[ 1 0 ]，研究者開始關注情緒極化的產生及其影響。“極化（Polarization）”概念最初在政治領域提出，是指輿論出現分化并走向極端，這種現象反映在網民的情緒性表達中就形成了網民的情緒極化[ 1 1 ]。具體而言，情緒極化指在某時間階段內的網絡輿情存在定域，基于對輿情事項持有一致性立場、態度而形成的若干個觀點群落中，倘若任何一個群落出現受眾個體情感強度普遍趨于非中立的極端化的現象，且此群落內極化受眾數量與極化情感總量的規模達標，便稱該群落所表現的情感狀態為網絡輿情信息受眾的情感極化[ 1 2 ]。桑斯坦強調了情緒在極化發生中的作用，指出當群體成員是因感情紐帶而聚集時，極化更易發生。針對網絡情緒極化更細致的量化研究表明極化并不是社交媒體使用的必然結果[13]。一方面，用戶使用的媒介越多越傾向于消費與自身意見相一致的信息，從而加強已有觀點，最終可能產生極化[14]。同時，社交媒體越來越多地使用大數據算法過濾系統實施內容推送，導致用戶“被迫”接收更多相似的觀點，從而導致觀點的同質化[15]。另一方面，正是因為社交媒介的弱聯系性使得用戶有可能接觸多樣性的信息，能否形成極化還取決于用戶自身如何處理接收到的信息[16]。在某種程度上網絡用戶很難分裂成完全并不重合的部分，但用戶集聚并不意味著形成極化[17]。

研究問題3：在環境污染事件中，其網絡表達是否存在情緒極化效應？

2 研究方法

2.1 研究樣本和語料

本文搜集新浪微博2014—2017年與環境事件相關的微博主貼及主貼下的評論，最終共計得到22個具有代表性的環境污染事件（見表1），62條主貼。其后對所有評論進行抓取，共計抓取了98 340條微博評論。為了提高后續數據分析的準確性，我們對評論數據中部分無明確指向意義內容進行去重和清洗，最終得到47 830條微博評論。

2.2 微博主貼及評論的內容分析

2.2.1 類目確定

在主題分類方面，本文結合計算機分詞、LDA建模分析的結果，加之人工梳理，將微博評論一級主題類目確定為環境污染事件責任主體、環境污染事件處置、環境污染事件影響及事件相關信息傳播。態度類目結合前期對網絡情緒進行的分類和維度研究，本研究中結合“愉悅-喚醒度”二維模型將高喚醒度的情緒歸為極化情緒，將低喚醒度的情緒歸為非極化情緒。

2.2.2 人工標注

在微博主帖方面，由兩個編碼員對62條主帖情緒進行標注，其信度檢驗結果為0.785。在微博評論方面，本文選取了6 000條評論進行主題以及情緒的人工標注。第一輪，六位編碼員每人各隨機標注1 000條微博評論；第二輪，采用不重復抽樣的方法，每位編碼員再隨機標注1 000條評論，確保每條評論都被兩位編碼員標注；第三輪，針對前兩輪不一致結果由第三方編碼員再次標注。如果前三輪編碼員的結果均不一致，則由研究小組成員共同商議，投票決定其標注結果。

2.2.3 計算機深度學習

本研究中的計算機深度學習主要用于對微博評論的內容分析。首先，我們將已經人工標注主題和情緒類別的數據分為訓練集（80%）與測試集（20%）。訓練集數據運用卷積神經網絡技術進行建模，經過多輪參數調整，形成最終模型。隨后將訓練集與測試集進行對照，得出本模型的主題分類的準確率達到64.72%，情感分類的準確率達到68.40%。此準確度在多分類的計算機深度學習領域達到了較高水平。最后，我們運用該模型對未標注評論進行分類，得到所有微博評論的主題和情緒的分類結果。

3 研究發現

3.1 情緒分布分析

在環境污染事件中，網絡表達在情緒上更傾向于負面情緒表達，厭惡情緒最為顯著（見表2）。這一研究發現與之前關于大氣污染問題中網絡情緒表達情緒傾向具有一致性[18-19]。在環境污染事件中，責任主體破壞環境的行為所涉及的有關責任、公平、傷害等問題屬于人類基本道德范疇，關聯著不同的道德基礎，從而誘發相應的負面情緒。這一傾向與情緒的作用具有一致性，情緒是社會控制的基礎，因此遵從外界的規則會獲得情緒上的獎賞，反之則會受到情緒上的懲罰[ 2 0 ]。

3.2 主題分布分析

在環境污染事件中，網絡表達在主題上更傾向于責任歸因。我們的研究發現，在環境污染事件中，網民對責任主體的討論最為集中，其負面情緒也最為顯著（見表2）。這一表達傾向與公眾進行責任歸因的心理動機相關。責任歸因是對他人行為結果的歸因過程及對有關行為的責任推斷。對相關事件的責任推斷是公眾最為直接的反應，會直接影響后續的情緒和行為意向。研究者發現在情緒歸因中公眾傾向于責任歸因，人們希望探究非預期事件帶來的負面結果是什么，誰應該為此負責[ 2 1 ]。我們的研究再次驗證了這一假設，環境污染事件中，公眾對事件負面結果的責任歸因直接導致了網民對責任主體集中的負面情緒表達。同時，這體現了我國長期以來在解決社會重大問題上的政治依賴路徑，也體現了當前的政治治理中的“邏輯循環”悖論。長期以來的政治依賴路徑，使得公眾在面對非預期事件時，進行責任歸因的首要主體是具有權威性的相關責任主體，而解決問題的首要途徑也是對具有權威性的責任主體進行輿論聲討。

3.3 事件情緒極化分析

我們的研究驗證了在環境污染事件網絡表達中存在著顯著的情緒極化效應（見表3）。在我們研究的22個案例中，極化情緒占80%以上的案例有5個，占70%以上的案例有10個，而所有案例中極化情緒都顯著高于非極化情緒。我們的研究證實了前期研究的結論，當事件性質單一而明確時，群體中大多數意見趨于一致，極化更易發生[ 2 2 ]。環境污染事件作為指向明確的議題，公眾意見表達傾向性顯著，更容易產生情緒極化效應。在案例12中，污染源為廢棄電纜等固體廢棄物，影響對象為小學學生，帶來的影響為“不到10天，25位學生流鼻血”。污染源性質及影響對象導致公眾情緒喚醒度高，參與性強，從而情緒極化程度最高。

4 總結與討論

情緒極化程度整體較高側面說明高喚醒度情緒在網絡空間中為優勢意見。以往傳統媒體因公開性形成了優勢意見，導致沉默的螺旋效應產生。但在匿名化表達自由的網絡環境中，優勢意見在一定程度上演化為多數人的意見[23]。

當前公眾情緒表達研究認為網絡表達中的負面情緒化表達為公眾的非理性宣泄，是社會怨恨、不安全感、網絡民粹主義、網絡暴力的直接映射。網絡匿名化和把關人缺失等特征與中國網民結構使得個體情緒在網絡中集聚和感染，形成情緒極化。但對于網絡情緒極化的現實指向，研究者尚缺乏關注。由于網絡情緒的間接性，網絡情緒極化并非直接導致了非理性的社會行為。從另一方面來說，當事件元素觸及網絡積淀已久的典型情緒時，情緒快速被點燃且形成極化，公眾以高喚醒度情緒對社會痛點發聲，也可能帶來社會現實的積極改變。因而，尋求網絡情緒極化與線下行為意向的連接，對表達主體的心理和行動機制進行更細化的研究，是對網絡表達進行深入研究的方向。

參考文獻

[1]陳岳峰，苗奪謙，李文，等.基于概念的詞匯情感傾向識別方法[J].智能系統學報，2011，6（6）：489-493.

[2]Ekman P.Contacts across cultures in the face and emotion[J].J Pers Soc Psychol，1971，17（2）：124-129.

[3]Izard，Carroll E. Basic emotions，natural kinds，emotion schemas，and a new paradigm[J]. Perspectives on Psychological Science，2007，2（3）：260-280.

[4]Russell，James A. A circumplex model of affect[J].Journal of Personality and Social Psychology，1980，39（6）：1161-1178.

[5]Hamann S.Mapping discrete and dimensional emotions onto the brain：controversies and consensus[J].Trends in Cognitive Sciences，2012，16（9）：458-466.

[6]Gable P，Harmonjones E.The motivational dimensional model of affect：Implications for breadth of attention，memory，and cognitive categorization[J].Cognition & Emotion，2010，24（2）：322-337.

[7]靳明，靳濤，趙昶.從黃金大米事件剖析指桑罵槐式的公眾情緒——基于新浪微博的內容分析[J].浙江社會科學，2013（6）：91-98.

[8]周云倩，胡江偉.網絡公共事件中的傳者框架與網民情緒探究——以新浪微博“教師AA聚餐被通報”事件為例[J].新媒體與社會，2018（2）：277-288.

[9]周莉，王子宇，胡珀.反腐議題中的網絡情緒歸因及其影響因素——基于32個案例微博評論的細粒度情感分析[J].新聞與傳播研究，2018，025（012）：42-56.

[10]辛文娟，賴涵.微博中網民群體極化的動力機制研究——基于“溫嶺殺醫”事件的內容分析[J].情報雜志，2014（6）：162-166.

[11]孫立明.對網絡情緒及情緒極化問題的思考[J].中央社會主義學院學報，2016（1）：104-109.

[12]高俊峰，黃微.網絡輿情信息受眾情感極化的生發機理及干預措施分析[J].情報理論與實踐，2019，42（5）：126-131.

[13]凱斯·桑斯坦.極端的人群：群體行為的心理學[M].尹宏毅，郭彬彬，譯.北京：新華出版社，2010：43-106.

[14]Holbert R L，Benoit W L. A Theory of Political Campaign Media Connectedness[J].Communication Monographs，2009，76（3）：303-332.

[15]Pariser E[M].The Filter Bubble：What the Internet is Hiding From You，New York：Penguin Press，2011.

[16]Lee，Francis LF.Impact of social media on opinion polarization in varying times[J]. Communication and the Public，2016，1（1）：56-71.

[17]Webster J G，Ksiazek T B. The Dynamics of Audience Fragmentation：Public Attention in an Age of Digital Media[J].Journal of Communication，2012，62（1）：39-56.

[18]何躍，朱婷婷.基于微博情感分析和社會網絡分析的霧霾輿情研究[J].情報科學，2018（7）：93-99.

[19]卓敏，吳建平.當代青年霧霾段子語義網絡分析與情感可視化研究——基于微博、微信用戶[J].中國青年研究，2016（8）：10-19.

[20]斯托曼.情緒心理學：從日常生活到理論[M].北京：中國輕工業出版社，2006.

[21]Coleman，Martin D. Emotion and the ultimate attribution Error[J].Current Psychology，2013，32（1）：71-81.

[22]Witschge，Tamara. Online deliberation：Possibilities of the Internet for deliberative democracy[J].Democracy Online.Routledge，2004：129-142.

[23]黨明輝.公共輿論中負面情緒化表達的框架效應——基于在線新聞跟帖評論的計算機輔助內容分析[J].新聞與傳播研究，2017（4）：41-63.