情緒性在線評論下輿情演化與焦點事件治理研究

劉春年 肖迪

摘 要：[目的/意義]基于社交媒介用戶在線評論的情感挖掘，能夠解析用戶情感強度與事件焦點的演化規(guī)律，從而有助于政府采取針對性措施對應急活動進行有效安排。[方法/過程]本文以“瑪利亞”颶風為例，以相關Twitter內(nèi)容文本為數(shù)據(jù)，在文本情感值與強度值計算的基礎上，引入時間序列分析對文本內(nèi)容進行分析，進行情感極性和情感強度分析用戶情感演化特征及波動規(guī)律。[結果/結論]1）信息的異化顛倒了人與信息之間的關系，存在路徑依賴現(xiàn)象，需要致力于異化困境、減少信息恐懼，進而實現(xiàn)信息的積極路徑依賴;2）快速救援能力仍是民眾關注的重點，公益募捐是災后的熱點話題，并持續(xù)向民眾帶來積極的情感影響，政府負面新聞則是網(wǎng)民負面情緒衍生的激發(fā)器;3）災害事件后期輿論“失焦”現(xiàn)象明顯，政府與媒體保持“同盟關系”有助于輿情聚焦。

關鍵詞：在線評論;網(wǎng)絡輿情;輿情演化;應急;情感分析;信息異化;輿情失焦

DOI：10.3969/j.issn.1008-0821.2020.09.015

〔中圖分類號〕G206.2 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）09-0133-11

Research on the Evolution of Public Opinion and the Governance of

Focus Events Under Emotional Online Comments

Liu Chunnian Xiao Di

（School of Management，Nanchang University，Nanchang 330031，China）

Abstract：[Purpose/Significance]Emotion mining based on social media users online comments can analyze the evolution rules of users emotion intensity and event focus，thus helping the government to take targeted measures to effectively arrange emergency activities.[Method/Process]This paper takes Hurricane Maria as an example，takes relevant Twitter content text as data，and introduces time series analysis to analyze the text content based on the calculation of text emotion value and intensity value，and analyzes the emotional evolution characteristics and fluctuation rules of users through emotion polarity and emotion intensity.[Results/Conclusion]（1）The alienation of information reverses the relationship between people and information，and there is a path dependence phenomenon.It is necessary to focus on the alienation dilemma，reduce the fear of information，and further realize the positive path dependence of information.（2）Rapid rescue capability is still the focus of public attention.Public welfare fund-raising is a hot topic after the disaster and continues to bring positive emotional impact to the public.Negative government news is the trigger derived from negative emotions of Internet users.（3）The phenomenon of public opinion“out of focus”is obvious in the later stage of disaster events.Maintaining“alliance”between the government and the media is helpful to focus public opinion.

Key words：online comments;network public opinion;evolution of public opinion;emergency;sentiment analysis;information alienation;public opinion out of focus

隨著在線社交網(wǎng)絡的發(fā)展，社交媒體平臺已成為人們溝通的主要渠道。在突發(fā)災害期間，受災者、未受波及的民眾、政府官方、新聞媒體等群體會在社交平臺上傳播對災害事件的看法以及相關資訊信息，這些文本均代表了發(fā)文者的情感表達。通過分析這些情感信息，研究情感對信息傳播的影響，可以全面了解民眾對災情事件的看法走勢，幫助政府更好采取應急措施，并對輿情進行合理引導和有效管控具有現(xiàn)實意義。

1 相關研究工作

1.1 在線評論下的情感挖掘

當前，學者對在線評論的情感研究主要從情感分析關鍵技術[1-6]、情感分析應用[7-10]等方面進行，其中情感分析應用主要集中在商品評論和網(wǎng)絡輿情兩個領域[11]。在網(wǎng)絡輿情領域，學者近年來針對情感與輿情分析，國內(nèi)學者趙曉航基于相關應急事件，針對危機傳播階段的特征，對爬取的數(shù)據(jù)進行了主題提取和情感分析[12];蔣知義等[13]對網(wǎng)絡輿情進行情感傾向分析和輿情追蹤，在構建了一個情感分類詞典的基礎上建立相應的情感傾向分析模型，并對具體網(wǎng)絡輿論事件的輿情演化各階段進行探究;安璐等[14]將突發(fā)事件微博輿情演化分成3個維度，分別為輿情演化的生命周期階段、主題與情感，并提出一種融合主題與情感特征的突發(fā)事件微博輿情演化分析方法，實現(xiàn)了微博主題與情感的協(xié)同分析;邢云菲等[15]基于情感極性及情感強度理論構建新媒體環(huán)境下網(wǎng)絡輿情用戶情感演化模型，并以微博平臺為例進行實證;張凌等[16]學者則從情感強度和認知強度兩個維度探討導致網(wǎng)絡信息傳播性強弱的內(nèi)在原因。

綜合以往研究，在線輿情的情感差異會對信息傳播具有一定的影響，證明了信息內(nèi)容包含的情感以及情感強度會對輿情的衍化速度、方向產(chǎn)生影響，從而影響大眾對事件的態(tài)度。

1.2 突發(fā)災害下的應急情感研究

外國學者Kim J等、Pourebrahim N等及Gul S等針對災害應急事件，通過對推文的文本情感極性分析得出在應急期間民眾情緒變化的關鍵[17-19];Neppalli V等[20]對颶風桑迪期間的推文進行情感分析，并在以颶風為中心的地理地圖上可視化在線用戶的情感;Singh N等[21]則以相關社會突發(fā)事件推文為數(shù)據(jù)，通過改進的情感分析技術來處理、發(fā)現(xiàn)和推斷用戶的時空情感，并注意到情緒極性和情緒表達清晰度的變化;劉雯等[22]學者利用情感分析的方法，對突發(fā)性自然災害事件的網(wǎng)絡輿情進行分析，并對博文進行內(nèi)容分析，為災后情報服務和應急管理提供建議;沙勇忠等[23]學者根據(jù)災后相關微博內(nèi)容數(shù)據(jù)計算網(wǎng)民情感，并對網(wǎng)民情感進行時序分析，探索不同類型情感的相關性及突發(fā)事件對網(wǎng)民情感的影響。

基于上述研究，本文以2017年“瑪利亞”颶風為例，通過Twitter上的相關文本數(shù)據(jù)進行研究，主要試圖解決以下幾個問題：1）突發(fā)災害來臨后是否存在輿論失焦現(xiàn)象與信息異化的路徑依賴;2）民眾是否會聚焦于政府的快速應急能力;3）什么是影響民眾積極情緒演化的重要因素;4）是否存在網(wǎng)民負面情緒演化的激發(fā)器。

2 研究設計

在突發(fā)事件情感內(nèi)容的研究上，有前人通過對文本情感極性的判斷及預測，進而對不同情感極性的文本進行內(nèi)容分析，得出影響網(wǎng)民情感波動的因素和應急過程中存在的問題等[22-23]。因此，本研究從收集與“瑪利亞”颶風相關的推文開始，首先通過情感極性分類與情感極性時間預測確定應急過程中的民眾輿情焦點，在此基礎上進一步從情感強度的角度挖掘高情感強度、低情感強度與輿情焦點的關系，從情感極性和情感強度兩個方面度量線上社交平臺的應急事件傳播，探討在環(huán)境應急情境下，導致民眾情緒波動的內(nèi)在原因。最后，基于情感極性預測和情感強度分析結果，本文解決了以上4個問題。圖1分5個步驟說明了本文的研究過程。

2.1 數(shù)據(jù)收集與處理

在“瑪利亞”颶風來臨后，美國民眾紛紛在Twitter上發(fā)表其相關看法。本文選取Twitter上有關“瑪利亞颶風”的推文內(nèi)容為數(shù)據(jù)資源，通過“Maria Hurricane”“Puerto Rico”等關鍵詞在Twitter上搜索推文樣本，爬取了從2017年9月16日至2017年10月30日，“瑪利亞”由熱帶風暴升級為颶風的前一天到颶風過后民眾討論度逐漸消失共

45天的推文信息。相關數(shù)據(jù)信息包括“推文內(nèi)容”“推文時間”“推文轉(zhuǎn)發(fā)量”“推文點贊數(shù)”以及“推文作者”。

在進行情感分析前，先對推文數(shù)據(jù)進行預處理工作。在收集到的推文數(shù)據(jù)中，少量推文為中文繁體、韓文、日文、法文等，考慮到網(wǎng)民的意見統(tǒng)一性以及情感詞典的精準度，本文將非英文推文進行刪除。對同一天內(nèi)相同發(fā)布者發(fā)表的重復推文進行刪除，但由于不同網(wǎng)民可在不同時間上持續(xù)對事件持相同意見，因此，對于同一發(fā)布者在不同日期的相同推文，和不同發(fā)布者在同一天內(nèi)的相同推文則進行保留。爬取的絕大部分推文中包含網(wǎng)址鏈接與圖片鏈接，過長且無意義的鏈接將會對文本的情感分析產(chǎn)生干擾，影響情感極性分析的精確度，本文在數(shù)據(jù)預處理中將此類鏈接進行刪除。最終保留與“瑪利亞”颶風相關的有效數(shù)據(jù)23 933條，并將所有推文按照發(fā)推日期進行排序與分類。

2.2 情感極性分類

情感極性分析是為了找出評論者對某種事件或觀點的態(tài)度，在一定程度上也可稱之為其當時的情感狀態(tài)。目前對文本內(nèi)容進行情感分析大致可從以下4個方面進行：關鍵詞識別、詞匯關聯(lián)、統(tǒng)計方法和概念級技術[24]。目前，已有多種情感分析軟件工具可對文本進行分析，包括SenticNet、Luminoso、Factiva、Attensit和Converseon等，本文使用SentiStrength軟件對推文進行情感分析。

SentiStrength是一個基于已有的情感詞典的情感分析程序，可以同時對文本的情感極性和強度進行分析，針對Twitter上的推文等非正式短文本具有較高的情感分類精度[25-26]。相關心理學研究[27]認為，每一個短文本都會同時表達出兩種情感觀念，根據(jù)自身的情感詞典將每個短文本分別標注出正面情感評價與負面情感評價，情感評價取值為[-5，-4，-3，-2，-1]與[+1，+2，+3，+4，+5]。情感極性表示為兩種情感評價之和，若值為正則為積極情感，值為負則為消極情感，值為0則表現(xiàn)為中立情感。情感極性計算如式（1）所示，文本示例如表1所示。

2.3 時間序列分析與預測

時間序列預測法可以根據(jù)時間序列的趨勢，對下一段時間內(nèi)的發(fā)展方向和發(fā)展水平進行預測[28]。這種方法對于研究自然災害發(fā)生后的民眾情感傾向是一種合理的方法，并可以有效預測群眾在未來的

情感走向。其中時間序列模型可細分為AR模型、MA模型、ARMA模型和ARIMA模型四類，構建模型時要根據(jù)具體情況進行選擇。

本文利用Eviews軟件進行時間序列的建模及預測，Eviews軟件能夠進行復雜數(shù)據(jù)的分析、回歸和預測，具有較為廣泛的應用前景[29]。在將“瑪利亞颶風”相關推文用SentiStrength進行情感極性分析后，將所得到的每日情感平均值作為時間序列，輸入Eviews軟件，在通過時序圖和ADF單位根檢驗確定時間序列平穩(wěn)后，通過自相關圖和偏自相關圖及相關參數(shù)確定最優(yōu)模型，并在最優(yōu)模型的基礎上對未來情感平均值進行預測。

2.4 基于情感極性的文本類別分析

內(nèi)容分析法是新聞傳播學中重要的研究方法[30]，對網(wǎng)站文本內(nèi)容進行分析是網(wǎng)絡信息內(nèi)容分析的主要方式[31]。本研究使用內(nèi)容分析法對Twitter文本中出現(xiàn)的高頻詞匯進行語義分析，通過不同詞語之間的關系分析得到災害應急過程推文中重要的文本信息，并得到推文的主題類別。

每日情感極性走勢圖的波峰及波谷代表著民眾在一段時間內(nèi)的情感變化，本文找出波峰波谷當天的文本內(nèi)容，根據(jù)高轉(zhuǎn)發(fā)、高評論、高點贊數(shù)的推文找出影響網(wǎng)民情感波動的時間因素。同時經(jīng)觀察后發(fā)現(xiàn)，情感極性值為0的推文，多是對災后事件的客觀陳述，或各家媒體的新聞報道，如救援隊的救援情況、災區(qū)目前環(huán)境狀況、某位知名人士的捐款行為等，因此，情感極性值往往表達為中立情感。這些中立情感的推文雖很少涉及網(wǎng)民的情感表達，但可從這些客觀事實的陳述中，找出引起網(wǎng)民當日情感變化的原因。因此，本文在推文內(nèi)容的分析上，不對情感極性值為0的中立情感推文做詳細分析，僅將其作為對探究民眾情感波動的輔助因素。

2.5 情感強度文本分析

情感強度是指人對事物所產(chǎn)生的選擇傾向性，決定著人的思維、行為和生理活動的驅(qū)動力大小，在根本上決定和制約著情感的其它動力特性。通常情況下，當人處于相對惡劣的自然環(huán)境或社會環(huán)境時，人的情感強度就應該高一些，反之就應該低一些。在SentiStrength中，情感強度表示為兩種情感評價之差，差值越大代表情感強度越高，反之情感強度越低[5]。情感強度計算如式（2）所示，文本示例如表2所示。

3 數(shù)據(jù)處理分析結果

3.1 情感極性統(tǒng)計

將經(jīng)過預處理后的23 933條數(shù)據(jù)導入SentiStrength情感分析軟件，計算得到消極情感推文共9 573條，總體占比40%;中立情感推文9 334條，總體占比39%;積極情感推文5 026條，總體占比21%。可以看到消極情緒和中立情緒的推文是積極情感推文的2倍，說明網(wǎng)民對于自然災害的情感態(tài)度大部分持悲觀、消極態(tài)度，持積極態(tài)度的民眾較少。

3.2 情感極性時間序列預測

為清晰看出每日的情感趨勢并進行預測，將所有推文按照發(fā)文時間和情感極性進行分類，并求出其每日的情感極性平均值，最終得到每日總情感極性平均值如圖2。

本文利用Eviews軟件進行推文情感極性的時間序列分析。在建立時間序列模型前，先判斷數(shù)據(jù)是否平穩(wěn)。若序列不平穩(wěn)，需將非平穩(wěn)時間序列通過差分轉(zhuǎn)化為平穩(wěn)序列后，再進行白噪聲檢驗。當序列為平穩(wěn)且非白噪聲時，可進行下一步的建模預測。通過自相關和偏自相關圖進行模型的選擇和定階，確定模型后進行殘差檢驗，當序列通過殘差檢驗且為白噪聲時，模型可用，最后進行預測。

本文以2017年9月16日到2017年10月29日的情感極性值進行情感極性預測。原數(shù)據(jù)序列進行ADF單位根檢驗后，ADF檢驗中的t統(tǒng)計值遠小于各檢驗水平臨界值，如表3，故可判定改時間序列穩(wěn)定，無需進行差分。在自相關系數(shù)與偏相關系數(shù)分析中，Q統(tǒng)計量的P值<0.05，為非白噪聲序列。

通過測試結果可以看出，各情感的預測值和實際值較為接近，可以通過時間序列來預測民眾在災害來臨后的情感極性走勢，并且可以根據(jù)情感極性的時間走勢圖探尋網(wǎng)民在災害應急期間的輿情關注焦點。

3.3 基于情感極性的文本類別統(tǒng)計

3.3.1 積極推文文本類別統(tǒng)計

在23 933條推文中，情感極性表達為積極態(tài)度的推文占比最小，僅占所有感情值的21%。這是因為此次自然災害帶來的損失過大，且政府對颶風事件的應急處理持續(xù)引發(fā)民眾爭議與不滿，民眾始終對事件的處理保持著不樂觀的態(tài)度。在所有表達為積極情感的推文中，可將推文內(nèi)容分為以下幾類：救援進展、祈禱祝愿、表達感謝、公益募捐。表達為積極情感的部分推文及發(fā)布者如表5所示。

當美聯(lián)邦應急管理署（FEMA）發(fā)布救援進度推文，或新聞媒體報道相關救援消息時，民眾的情感通常表達為積極情感。在颶風來臨前以及受災前期，祈禱祝愿類的推文相對較多，民眾紛紛對災區(qū)人民表達祝福，希望災區(qū)人民能夠收到救助并挺過難關。表示感謝主要指民眾對官方救援人員、慈善機構、社會各界知名人士對災區(qū)的幫助表示贊賞，以及對普通民眾前往災區(qū)進行支援表達了欽佩。在所有的積極情感的推文中，公益募捐類的推文數(shù)量最多，且持續(xù)貫穿災害發(fā)生后的整個前、中、后時期。

3.3.2 消極博文文本類別統(tǒng)計

此次由“瑪利亞”颶風帶來的相關事件，在美國引起了極大的社會相關爭議，這也印證了本文民眾消極情感偏多的研究結果。大部分的社會各級人士都保持著消極的態(tài)度，在這些表達為消極情感的推文中，可大致分為以下幾類：災害影響、救援不力、相關社會影響、政府形象下降、政府的沉默。表達為消極情感的部分推文及發(fā)布者如表6所示。

災害影響主要是由于颶風本身給群眾心理或生理帶來的消極影響，以及民眾對受災地區(qū)的擔憂;救援不力問題指美政府派出的救援隊，未及時給予災民應有的救助，死亡人數(shù)持續(xù)增加。相關社會影響主要指在災害后期，新聞報道的由于颶風災害引發(fā)的社會問題，此類新聞使民眾感到恐慌，因此產(chǎn)生消極情緒。在所有消極情緒的推文中，占比最大的是政府的沉默和政府形象下降兩種類型的推文。政府的沉默主要指在颶風來臨后，美政府并未快速響應指導救援，美領導人并未將注意力放在波多黎各的救災上，且沒有對此次事件作出更多指示。美領導人在救災過程中的一系列不當行為造成了政府形象的下降，群眾對此表現(xiàn)出了極高的憤怒及消極情緒。

3.4 基于情感強度的詞頻分析

本文將數(shù)據(jù)集中的23 933條原創(chuàng)推文輸入數(shù)據(jù)集中計算各自情感強度，計算方法如上述式（2）所示，將情感強度大于4的推文視為高情感強度推文，得到低情感強度和高情感強度推文分別占86.91%和13.09%。將所有推文按時間分為災前、災中、災后3個階段，并根據(jù)情感熱度將災后細分為高熱期、持續(xù)期、消解期。將每個階段分別做出其高情感強度與低情感強度的詞云，為使詞云更明顯地顯示出情感關注的演變，將所有推文刪除Puerto Rico、Hurricane、Maria等詞，可以看出在整個颶風應急過程中，各個階段有其不同的關注角度，如圖3。

在災害前期，除了幾個階段都持續(xù)關注的Maria Hurricane（瑪利亞颶風）和Puerto Rico（波多黎各），可以看到有很多關于在颶風襲擊多米尼加時的相關詞匯，如Dominica、Caribbean、Storm等。相比較于低情感強度，高情感強度有明顯的Dangerous、Threaten、Devastated等關鍵詞，表達出民眾對即將到來的颶風的擔憂與恐慌，這與上文通過情感極性得出的民眾情感相同，更貼合民眾的關注焦點。

在颶風災害期間，高情感強度詞云中明顯出現(xiàn)了Devastation、Help、Victim等關鍵詞，表明在受災期間民眾更關注的是受災者的救助問題與颶風帶來的系列毀壞，這與通過情感極性分析得到的階段結論相同。而低情感強度的詞云中則極少出現(xiàn)相關關鍵詞。

在災后高熱期，可以看到高情感強度與低情感強度均出現(xiàn)了Trump、Help等詞，說明民眾在持續(xù)關注救援情況的同時，開始陸續(xù)把關注點轉(zhuǎn)移到政府行為上。在高情感強度詞云中出現(xiàn)的Efforts、Support、Donating等詞，反映出此時民眾已開始關注并開展慈善、募捐等活動，以此來支持受災群眾。這也反映出高情感強度比低情感強度更廣泛地代表了民眾的關注焦點。

在災后持續(xù)期，Trump等關鍵詞依然屬于兩種情感強度的高頻詞匯，此外相較于低情感強度，高情感強度里的Paper、President、Catastrophe等詞，代表了民眾對這段時間內(nèi)發(fā)生的熱點新聞事件的高度關注，同時表明人們對于特朗普本人以及其政府團隊在應急救災上的質(zhì)疑。

在災后消解期，高情感強度與低情感強度均顯示民眾的關注重點逐漸轉(zhuǎn)移到即將到來的“Ophelia”颶風上，但高情感強度中的關鍵詞，如Victims、Money等詞額外顯示了民眾對受害者災后社會保障問題的關注。

4 研究發(fā)現(xiàn)與結論

在瑪利亞颶風事件的災前、災中、災后3個階段，民眾的消極情緒一直明顯多于積極情緒。且災前的消極情緒主要是針對颶風事件本身帶來的災害，而災中和災后，隨著事件的不斷發(fā)酵，民眾的消極情緒開始轉(zhuǎn)向在救災過程中的相關事件，而極少聚焦于災害本身。

4.1 信息異化的路徑依賴性與災后輿論失焦

從情感極性時間走勢圖可以看出，在災害來臨前期民眾的情感極性值迅速下降，根據(jù)前期推文的文本分析，主要原因是由于信息異化造成的民眾恐慌;在災害后期，從情感強度詞云圖中Victims、Money等詞顯示出在信息的傳播過程中，由于颶風災害引發(fā)的社會問題引起了輿論的“失焦”現(xiàn)象。

在災害來臨前，民眾對即將到來的災害往往是未知的，其中包括對災害本身的科學概念認知缺乏、對災害影響生活程度的了解不清、對如何進行災害防御的知識不足等。在社會心理學上，恐懼管理理論（Terror Management Theory）認為死亡信息會對人類的認知、情緒、行為產(chǎn)生影響，會使人涌現(xiàn)焦慮、恐懼、厭惡等消極情緒。而信息的異化顛倒了人與信息之間的關系，往往會使個體產(chǎn)生信息恐懼。在突發(fā)事件產(chǎn)生后，在路徑依賴的影響下，異化的信息不斷升級形成二次輿論，以此對民眾認知情感產(chǎn)生影響。當民眾無法對這些信息產(chǎn)生正確認知時，往往容易產(chǎn)生對自然災害的恐慌情緒，并會在網(wǎng)絡上表達其內(nèi)心的恐懼心理，同時部分個體會在網(wǎng)絡上產(chǎn)生并傳播虛假報道，引發(fā)更多民眾的恐慌情緒，民眾越恐慌越會增大輿論信息傳播的傾向。研究表明在因恐慌引起輿論傳播時，越權威的專家出來解釋，人們越愿意傳播專家解釋的相關信息。因此，相關權威機構可在災害來臨前期，通過正規(guī)渠道向民眾普及此次災害的相關信息，使其對災害本身以及會帶來的后果有充分的認知。讓民眾突破異化困境、減少信息恐懼，并進而實現(xiàn)信息的積極路徑依賴。

圖4 信息異化與輿論失焦演化圖式

在災害后期，高情感強度中的關鍵詞，如Victims、Money等顯示了民眾對受害者災后社會保障問題的關注，新聞報道的由于颶風災害引發(fā)的社會問題引起了輿論的“失焦”現(xiàn)象。如在颶風后美國失去33 000工作崗位、數(shù)千名波多黎各人將會失去醫(yī)療保險等，此類新聞使民眾感到恐慌，因此產(chǎn)生消極情緒。輿論失焦是指由于網(wǎng)絡發(fā)展，事件中輿論難以被一方主導，使得輿情演變的主體脈絡呈現(xiàn)多極化發(fā)展，以至逐漸偏離事件的中心議題[20]。災害后期人們的關注點往往不再聚焦于災害本身，而轉(zhuǎn)而關注災害引發(fā)的相關社會問題。雖然事后美國政府及相關專家稱工作崗位數(shù)量的減少是因先前的兩次颶風，且美國就業(yè)率并未下降，但因為這些新聞報道內(nèi)容與民眾自身利益相關，民眾此時已經(jīng)產(chǎn)生了對失去工作和醫(yī)療保險的擔憂情緒，并未因政府的聲明而緩解。

政府在災難后期，應及時了解民眾間的輿論，提前了解民眾在災難發(fā)生后會關注哪些民生問題，尤其對于與民眾利益相關的事件，提前進行聲明和行動。不實信息的產(chǎn)生與社會心理因素息息相關，政府在應對不實信息時既要處理引發(fā)不實信息本身，又要從根本上解決引發(fā)不實信息的社會矛盾。同時在發(fā)生災害后，政府和媒體應互相支持，建立政府與媒體溝通的良性互動機制，保持“同盟關系”。在媒體報道不實新聞后，為防止不實信息主宰輿論，導致災難性輿論后果，政府應針對情況采取措施，重視新聞發(fā)布的時機和內(nèi)容，一旦出現(xiàn)重大報道失實應立即予以更正。

4.2 快速救援反應是政府應急能力評估的首要指標

在颶風來臨的災害期間，情感強度詞云圖中大量出現(xiàn)的Power、Storm、Victim、Dominica等詞，表明在受災期間民眾更關注的是受災者的救助問題與颶風帶來的系列毀壞。并且通過對兩種情感極性的文本分析可以看出，當救援獲得進展時，如救援部隊已經(jīng)開始前往災區(qū)、國家領導人發(fā)表關心災區(qū)的言論、為難民提供避難所并搬運物資、清掃災后道路、報道受災地區(qū)的實時情況、部分受災地區(qū)災民恢復正常飲水、因颶風而停電的地區(qū)范圍減小等情況時，民眾表現(xiàn)為積極情感;當救援隊被報道出救援不力時，如美政府派出救援隊后的長時間內(nèi)救援范圍不夠深入、波多黎各災區(qū)仍大幅度停電、災民并未受到應有的救助，因救治不力造成的死亡人數(shù)持續(xù)增加等情況時，民眾則表現(xiàn)為明顯的消極情緒。以上研究發(fā)現(xiàn)印證了在發(fā)生災害后，快速救援能力仍是民眾關注的重點，是否能夠快速響應進行救援已經(jīng)成為評估國家應急能力的一項重要指標。

郭春俠等、Schlegelmilch B B等[32-33]學者研究認為，面對突發(fā)事件的應急決策應以快速響應為前提，應急決策必須是高效、迅速的，突發(fā)事件發(fā)生后，決策響應時間的快慢在一定程度上與災害所帶來的后果成正比關系，決策者需要在最短的時間內(nèi)做出最有效的應對措施，否則極易因應對不及時或應對不力而造成不良后果放大或范圍擴散，因此必須在短時間內(nèi)響應應急決策的需要。在此次“瑪利亞”颶風事件中，民眾對美政府的應急反應速度提出了質(zhì)疑。在颶風襲擊的1周后，美政府相關機構才發(fā)動救援，并且在事件發(fā)生的1周內(nèi)，美政府領導人并未公開對此次颶風事件做出相應指示。自“瑪利亞”颶風襲擊波多黎各后，波多黎各全島幾乎失去了100%的電力供應，停電的情況持續(xù)了近8個月。且救災主要集中在波多黎各的首府圣胡安市，其他受災嚴重地區(qū)仍沒有收到救助，同時因救助不及時引起的醫(yī)療系統(tǒng)的不完善，導致受災群眾在颶風過后大量死亡。

美國民眾認為波多黎各在被颶風襲擊時，遭到了美國政府嚴重的忽視，大量的死亡是由于政府的疏忽和不作為，并批評救援進度緩慢，由此引發(fā)民眾的憤怒感，從而激化矛盾乃至引發(fā)災害后期更嚴重的群體性事件。對此，政府救援隊應在災害初期對受災情況進行正確估計，及時做出救援反應并面向群眾進行公開回應，穩(wěn)定群眾情緒，而不是在民眾和媒體的問責下，被動地做出反應姿態(tài)。在加強自身救援能力的同時，實時且持續(xù)報導相關救援進展，讓民眾了解救援情況，減少民眾因無法得知真實救援進展而產(chǎn)生對救援的不滿情緒。

4.3 公益募捐與監(jiān)管是影響民眾情緒極性及其演化的重要話題? 從災后情感強度詞云圖可以看出，在整個颶風災害的高熱期，Devastate、Effort、Support、Help等有關募捐的詞在高情感強度與低情感強度中均屬于高頻詞匯;且從情感極性時間序列走勢圖可以看出在災害期間與災后高熱期，民眾在碧昂絲進行捐贈與奧巴馬發(fā)推進行籌款的兩天，情感極性值到達了頂峰，說明公益募捐影響著民眾的情緒演化并給民眾帶來積極強烈的情感傾向。

研究者發(fā)現(xiàn)募捐能夠提高個體在責任感方面的自我評價，使捐贈者具有利他性的自我認知，比如認同“我是一個富有同情心的人”“我比一般人更慷慨”“我是一個高尚的人”，這種利他行為除了讓慈善捐款行為的水平更高外，還讓募捐者產(chǎn)生足夠的積極情感[34]。首因理論認為要讓接觸到慈善事業(yè)的捐款者對慈善捐款都抱有良好的第一印象，并且將這種好的印象持續(xù)下去。在此次災害發(fā)生后，慈善機構最先展開募捐行動，但募捐范圍較小，民眾此時對捐贈等公益活動關注度較低。隨后社會各界知名人士進行了個人捐贈或募捐，此舉引發(fā)了民眾的廣泛熱議和好評。隨著“行為領袖”的帶頭作用，在災害的中后期，網(wǎng)絡各非正式機構組織民眾進行募捐，自此絕大部分民眾積極投入到公益活動。

在公益募捐活動中，政府、行為領袖、非正式機構3個主體將起到重要作用。通過“瑪利亞”颶風事件相關推文內(nèi)容分析，在媒體報導5位美國在世前總統(tǒng)將出席慈善音樂會籌集善款當天，以及正式慈善活動當天，民眾的積極情感達到了波峰，且前總統(tǒng)奧巴馬發(fā)布的對此活動的推文也獲得了最高的轉(zhuǎn)發(fā)數(shù)、點贊數(shù)和評論數(shù)。值得關注的是，在因5位前總統(tǒng)進行公益募捐而達到積極情緒波峰的同時，消極情緒在同一天內(nèi)也達到了近日內(nèi)的波峰，原因則是民眾認為在幾位前總統(tǒng)關心受災群眾的同時，現(xiàn)任總統(tǒng)卻沒有對災區(qū)進行慰問或其他表示。這表明民眾在災害來臨后，往往對政府的行為更為關注，當政府官方組織相關活動時，民眾會產(chǎn)生“依靠感”并提高對政府的滿意度。

學者研究表明非政府組織在相關事件中體現(xiàn)出的態(tài)度、行為及能力同樣會影響網(wǎng)民的情感[3]，這一點同樣在此次研究中得到印證，對于慈善機構和大量的網(wǎng)絡非官方進行的募捐，網(wǎng)民紛紛表示支持與贊賞。但同時不可忽視的是，有民眾在推特上表示“哈維”颶風和“厄瑪”颶風的慈善款項并未落實，且另有報道稱波多黎各島上存在腐敗，一些當?shù)毓ぷ魅藛T沒有把食品等救援物資分發(fā)出去，報道中的情況引發(fā)了民眾對政府以及相關慈善機構公信力的不滿情緒。針對這種情況，政府應該對募捐款項進行持續(xù)追蹤，監(jiān)督并協(xié)助物流，提升政府自身公信力。

4.4 政府負面新聞與信息不對稱是網(wǎng)民負面情緒衍生的激發(fā)器? 在所有消極情緒的推文中，占比最大的是政府的沉默和政府形象下降兩種類型的推文，且在災后高熱期與持續(xù)期Trump等關鍵詞始終屬于兩種情感強度的高頻詞匯。在“瑪利亞”颶風期間，大部分民眾消極情緒的源頭在于美領導人的幾次不當行為。在發(fā)生災害時，民眾會對政府產(chǎn)生很高的依賴度，會密切關注政府的表態(tài)，多次不當行為的“累積效應”，形成了輿論信息傳播行為，并導致了本次事件中的衍生情緒。美國人民對這些不當行為表示了極度的不滿，造成了美政府形象的下降，對政府的信任度同時降低。如在颶風來臨后，美領導人沒有發(fā)出對救災的指示，而是在推特上發(fā)生了與黑人運動員的罵戰(zhàn)，像往常一樣在度假村打高爾夫，并在災后訪問時向災民投籃般的扔紙巾。這些不當言論及行為，被美國民眾視為美領導人在此次救災上的失職。當民眾的立場、態(tài)度與政府管理者不一致時，會對政府及領導人產(chǎn)生敵對情緒，并且通過輿論信息傳播，乃至引發(fā)大規(guī)模群體事件。

隨后由于政府與民眾之間的信息不對稱引發(fā)了民眾的抗議。美國總統(tǒng)與波多黎各總督在推特和新聞上互相推卸責任，并且在“瑪利亞”颶風事件后期，美國政府被爆出向民眾隱瞞了死亡人數(shù)，真實的死亡人數(shù)遠高于美國政府給出的數(shù)字。政府與民眾擁有的信息不同導致的信息不對稱（Asymmetric Information）使掌握信息貧乏的民眾，處于比較不利的地位。在自然災害發(fā)生后，普通民眾無法掌握確定的有效信息，因此政府權威機構發(fā)布信息中的精準數(shù)字要比模糊數(shù)字更能降低民眾的不確定感與焦慮感。政府一旦對民眾隱瞞信息或提供虛假數(shù)字信息，會喚醒民眾的負面情緒，并給民眾帶來了類似被欺瞞的消極情緒。如何快速有效地回應民眾所關注信息，消除民眾對于信息的不對稱性，這是政府需要解決的問題。

參考文獻

[1]王仁武，宋家怡，陳川寶.基于Word2vec的情感分析在品牌認知中的應用研究[J].圖書情報工作，2017，61（22）：6-12.

[2]唐曉波，蘭玉婷.基于特征本體的微博產(chǎn)品評論情感分析[J].圖書情報工作，2016，60（16）：121-127.

[3]聶卉，劉夢圓.基于細粒度情感的評論感知效用預測研究[J].情報理論與實踐，2019，42（9）：117-122.

[4]朱曉霞，宋嘉欣，孟建芳.基于主題—情感挖掘模型的微博評論情感分類研究[J].情報理論與實踐，2019，42（5）：159-164.

[5]Thelwall M，Buckley K，Paltoglou G，et al.Sentiment Strength Detection in Short Informal Text[J].Journal of the Association for Information Science & Technology，2014，61（12）：2544-2558.

[6]Wilson T，Wiebe J，Hoffmann P.Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis[J].Proceedings of HLT/EMNLP-05，2005，7（5）：347-354.

[7]范煒昊，徐健.基于網(wǎng)絡用戶評論情感計算的用戶痛點分析——以手機評論為例[J].情報理論與實踐，2018，41（1）：94-99.

[8]馬松岳，許鑫.基于評論情感分析的用戶在線評價研究——以豆瓣網(wǎng)電影為例[J].圖書情報工作，2016，60（10）：95-102.

[9]Bovet A，Morone F，Makse H A.Predicting Election Trends with Twitter：Hillary Clinton Versus Donald Trump[J].2016.

[10]Sul H K，Dennis A R，Yuan L I.Trading on Twitter：Using Social Media Sentiment to Predict Stock Returns[J].Decision Sciences，2016，48（3）：454-488.

[11]Medhat W，Hassan A，Korashy H.Sentiment Analysis Algorithms and Applications：A Survey[J].Ain Shams Engineering Journal，2014，5（4）：1093-1113.

[12]趙曉航.基于情感分析與主題分析的“后微博”時代突發(fā)事件政府信息公開研究——以新浪微博“天津爆炸”話題為例[J].圖書情報工作，2016，60（20）：104-111.

[13]蔣知義，馬王榮，鄒凱，等.基于情感傾向性分析的網(wǎng)絡輿情情感演化特征研究[J].現(xiàn)代情報，2018，38（4）：50-57.

[14]安璐，吳林.融合主題與情感特征的突發(fā)事件微博輿情演化分析[J].圖書情報工作，2017，61（15）：120-129.

[15]邢云菲，王晰巍，韋雅楠，等.新媒體環(huán)境下網(wǎng)絡輿情用戶情感演化模型研究——基于情感極性及情感強度理論[J].情報科學，2018，36（8）：142-148.

[16]張凌，羅曼曼，朱禮軍，等.情感視角下的社交網(wǎng)絡信息傳播分析研究[J].圖書情報知識，2019，（2）：111-119.

[17]Kim J，Bae J，Hastak M.Emergency Information Diffusion on Online Social Media During Storm Cindy in U.S.[J].International Journal of Information Management，2018，40：153-165.

[18]Pourebrahim N，Sultana S，Edwards J，et al.Understanding Communication Dynamics on Twitter During Natural Disasters：A Case Study of Hurricane Sandy[J].International Journal of Disaster Risk Reduction，2019，37：101176.

[19]Gul S，Shah T，Ahad M，et al.Twitter Sentiments Related to Natural Calamities：Analysing Tweets Related to the Jammu and Kashmir Floods of 2014[J].The Electronic Library，2017，36：00-00.

[20]Neppalli V，Caragea C，Squicciarini A，et al.Sentiment Analysis During Hurricane Sandy in Emergency Response[J].International Journal of Disaster Risk Reduction，2017，21：213-222.

[21]Singh N，Roy N，Gangopadhyay A.Analyzing the Sentiment of Crowd for Improving the Emergency Response Services，2018[C]//06.

[22]劉雯，高峰，洪凌子.基于情感分析的災害網(wǎng)絡輿情研究——以雅安地震為例[J].圖書情報工作，2013，57（20）：104-110.

[23]沙勇忠，閻勁松，王崢嶸.雅安地震后紅十字會的公眾信任研究——基于微博數(shù)據(jù)的網(wǎng)民情感分析[J].公共管理學報，2015，12（3）：93-104.

[24]Cambria E，Schuller B，Xia Y，et al.New Avenues in Opinion Mining and Sentiment Analysis[J].IEEE Intelligent Systems，2013，28（2）：15-21.

[25]Thelwall M，Buckley K，Paltoglou G.Sentiment in Twitter Events[J].Journal of the American Society for Information Science and Technology，2011，（2）：406-418.

[26]Thelwall M，Buckley K，Paltoglou G.Sentiment Strength Detection for the Social Web[J].Journal of the American Society for Information Science and Technology，2012，（1）：163-173.

[27]Raul B，Peter T，Stephen K.Eliciting Mixed Emotions：A Meta-analysis Comparing Models，Types，and Measures[J].Frontiers in Psychology，2015，（6）：428.

[28]張美英，何杰.時間序列預測模型研究綜述[J].數(shù)學的實踐與認識，2011，41（18）：189-195.

[29]Gusti，Ngurah，Agung，等.EViews時間序列數(shù)據(jù)分析[J].國外科技新書評介，2009，（9）：4-5.

[30]廉同輝，余菜花，袁勤儉.基于內(nèi)容分析法的旅游微博主題研究——以國家旅游局新浪微博為例[J].現(xiàn)代情報，2016，36（4）：85-89.

[31]王曰芬.文獻計量法與內(nèi)容分析法的綜合研究[D].南京：南京理工大學，2007.

[32]郭春俠，張靜.突發(fā)事件應急決策的快速響應情報體系構建研究[J].情報理論與實踐，2016，39（5）：53-57.

[33]Schlegelmilch B B，Diamantopoulos A，Love A.Characteristics Affecting Charitable Donations：Empirical Evidence from Britain[J].Journal of Marketing Practice Applied Marketing Science，1997，3（1）：14-28.

[34]Bekkers M O W.Helping Behavior，Dispositional Empathic Concern，and the Principle of Care[J].Social Psychology Quarterly，2010，73（1）：11-32.

（責任編輯：孫國雷）