突發公共衛生事件中在線健康社區關鍵用戶的情感表達特征研究

李長榮 紀雪梅 郭鳳儀

摘?要：[目的/意義]探索突發公共衛生事件情境下在線健康社區用戶的情感表達特征，對在線健康社區平臺創新服務水平，輿情監管部門提升輿情管理水平具有重要作用。[方法/過程]本文以新冠肺炎疫情事件為情境，首先，采用基于情感詞典的方法對在線健康社區用戶的發帖和回帖文本進行情感分析和計算;然后，采用社會網絡分析法識別事件傳播過程中的高影響力用戶、高活躍度用戶和關鍵中間用戶;最后，采用方差分析法研究關鍵用戶的情感表達類別特征，采用相關分析法研究關鍵用戶的情感表達強度特征。[結果/結論]研究發現，在線健康社區用戶對新冠肺炎疫情事件主要呈現“好”和“惡”兩種情感;“怒”情感的影響力均值、中間中心度均值最高;用戶的影響力與中間中心度之間存在高度相關關系;用戶的活躍度與情感表達強度之間存在正相關關系。相關部門需要及時疏導用戶負面情感，安撫情感表達激烈的用戶，有效控制輿情蔓延。

關鍵詞：突發公共衛生事件;在線健康社區;情感表達特征;情感分析;社會網絡;方差分析

DOI：10.3969/j.issn.1008-0821.2021.07.008

〔中圖分類號〕G252.0?〔文獻標識碼〕A?〔文章編號〕1008-0821（2021）07-0085-09

Research?on?the?Emotional?Expression?Characteristics?of?Online

Health?Community?Key?Users?in?Public?Health?Emergencies

Li?Changrong?Ji?Xuemei?Guo?Fengyi

（Institute?of?Information?Management，Shandong?University?of?Technology，Zibo?255049，China）

Abstract：[Purpose/Significance]Exploring?the?emotional?expression?characteristics?of?online?health?community?users?plays?an?important?part?in?innovating?the?service?level?of?online?health?community?platforms，and?improving?the?public?opinion?management?level?of?public?opinion?supervision?departments.[Method/Process]The?article?took?the?COVID-19?as?the?situation.First?of?all，the?sentiment?dictionary?was?used?to?analyze?the?emotion?of?online?health?community?users?posts?and?replies.Then，the?social?network?analysis?was?used?to?analyze?the?high-impact?users，highly?active?users?and?key?intermediary?users.Finally，analysis?of?variance?was?used?to?analyze?the?emotional?type?characteristics?of?key?users?in?online?health?community，correlation?analysis?was?used?to?analyze?the?emotional?intensity?of?key?users?in?online?health?community.[Result/Conclusion]In?the?face?of?the?COVID-19，online?health?community?users?mainly?expressed?two?emotions：good?and?evil.“Anger”had?the?highest?average?influence?and?average?betweeness?centrality.There?was?a?high?correlation?between?influence?and?centrality.There?was?a?positive?correlation?between?activity?and?emotional?intensity.Therefore，relevant?departments?need?to?promptly?disseminate?users?negative?emotions，appease?users?with?intense?emotional?expressions，and?effectively?control?the?spread?of?public?opinion.

Key?words：public?health?emergencies;online?health?community;emotional?expression?characteristics;sentiment?analysis;social?network;analysis?of?variance

在線健康社區是指虛擬世界中由共同健康興趣的人組成的集合，集合中人們從事分享經驗、提出問題、提供情感支持以及自我幫助等各種與健康相關的活動[1]。隨著醫療改革的不斷深入和計算機技術的發展，丁香園、甜蜜家園、好大夫在線、醫享網、尋醫問藥網等國內在線健康社區出現了蓬勃發展的態勢。通過在線健康社區，用戶可以組成醫療互助小組，不僅可以獲取和分享醫療信息，而且可以找到歸屬感，互相鼓勵，緩解焦慮緊張情緒。突發公共衛生事件不僅給公眾的生命健康帶來威脅，公眾由于感知到事件給自身帶來的不確定性和威脅性，會產生不安、緊張和擔憂等負面情緒。例如，新冠肺炎疫情是新中國成立以來在我國發生的傳播速度最快、感染范圍最廣、防控難度最大的一次重大突發公共衛生事件[2]。該事件發生后，公眾通過丁香園、好大夫在線、百度貼吧“健康保健”版塊等在線健康社區尋求社會支持和發布事件相關的輿論文本。在線健康社區中的每位用戶既是信息的發布者，也是信息的搜索者和傳播者，以發帖、回帖為聯系紐帶，構建復雜的社交網絡。根據信息傳播的二八定律，一般數量非常少的關鍵節點卻可以影響到網絡中大部分節點[3]。根據社會網絡理論，用戶關系網絡中的關鍵用戶通常分為高影響力用戶、高活躍度用戶、關鍵中間用戶，高影響力用戶擁有較高的出度，是網絡中信息的來源;高活躍度用戶擁有較高的入度，在網絡中表現較為活躍;關鍵中間用戶擁有較高的中間中心度，在信息的傳播中起到中間橋梁的作用。目前的研究發現，不同時間[4]、不同疾病情境[5]、不同性別[6]的用戶情感表達特征均會存在差異，針對不同關鍵用戶情感表達特征的研究還相對較少，基于此，本文提出以下研究問題：突發公共衛生事件情境下在線健康社區用戶的情感表達類型有哪些？在事件的傳播過程中情感表達的關鍵用戶有哪些？社交網絡中關鍵用戶的情感表達具有怎樣的特征？本文以新冠肺炎疫情事件為例，采用社會網絡分析、情感分析和方差分析方法對在線健康社區用戶的社交網絡角色與情感表達之間的關系進行研究，為突發公共衛生事件的情感引導和在線健康社區的服務提供一定的參考。

1?研究綜述

在線健康社區中用戶關系網絡是由許多網絡節點（行動者）和它們之間的關系（朋友、信任、合作等）構成的一種社會結構[7]，從用戶關系網絡的角度來看，目前在線健康社區用戶情感表達特征的研究主要有健康同質性研究、高影響力用戶的情感表達特征、高活躍度用戶的情感表達特征、整體網絡的情感特征研究等幾個方面。

1.1?健康同質性

同質性理論（Homophily?Theory）認為社會關系更容易建立在具有相似或共同屬性的個體之間[8]。健康同質性則認為具有相似健康狀態的個體間更容易建立起彼此的信任，進而采納對方的建議，分享積極的態度[9]。如Zhang?Y等為了了解Facebook上在線健康社區的社交網絡提供情感支持的潛力，采集了1?352條有關Facebook糖尿病社區的發帖和回帖，通過內容分析方法進行數據分析。研究結果表明，社區成員向與自己相似健康狀態的同伴提供了情感支持，其中大多數通過分享積極態度，對同伴的狀態進行積極確認或祈禱來鼓勵同伴[10]。Query?J?L等為了研究社會支持、情感表達和感知壓力之間的關系，通過定量和定性相結合的方法進行數據采集和分析。研究結果表明，患者如果缺少與自己相似健康狀態的同伴支持，對社會支持的滿意度偏低，會產生更多的負面情感，面對更多的壓力[11]。

1.2?高影響力用戶的情感表達特征

在線健康社區中用戶的影響力不同，表達的情感類別和強度會存在差異，如Zhang?S等研究了乳腺癌論壇中用戶情感表達的影響因素，采用方差分析法研究用戶年齡、患癌階段和影響力在情感表達中的差異。研究結果表明，高影響力用戶作為長期會員，在乳腺癌論壇中充當了信息提供者的角色，并且在參與的話題中表達了更多的鼓勵和同情[12]。Stieglitz?S等為了研究社交媒體用戶的信息分享行為與情感表達之間的關系，采用SentiStrength工具進行情感分析，研究發現影響力高的用戶傾向于發布更多帶有情感色彩的推文，并且排名前50位最具影響力的用戶發布的正面情感推文的數量是負面情感的兩倍[13]。Kang?Z等為了識別在線健康社區中的高影響力用戶，提出一種新穎的指標來直接衡量用戶影響他人情感的能力，采用機器學習的方法對癌癥幸存者網絡社區用戶的情感進行分析，研究結果表明，在收到他人的回帖后，表達負面情感的高影響力用戶隨后會表現出較高的積極情感[14]。

1.3?高活躍度用戶的情感表達特征

在線健康社區中用戶的活躍度影響用戶的情感表達。如Wu?B等為了分析在線健康社區中用戶交流互動的動機，應用隨機指數圖模型來分析影響用戶交流的因素，根據對全球糖尿病論壇的數據集進行為期5年的研究，發現該論壇中擁有較高活躍度的用戶對社區體驗有較高的滿意度，擁有更多經驗和偏激情感的用戶發布的帖子在社區中起著重要作用[15]。Cabling?M?L等研究了在線健康社區平臺為用戶提供的健康支持作用，采用LIWC文本分析方法分析用戶情感，研究結果表明，最活躍的用戶比最不活躍用戶的不患癌癥的概率高80%，而最不活躍的用戶比最活躍用戶的患癌癥的概率高48%;用戶患癌癥的階段越低，發布帖子的可能性就越大，并且在論壇上保持活躍并鼓勵更多（在線）社會支持;用戶患癌癥的階段越高，發帖的可能性就越小，并且發帖情感以焦慮/悲傷為主[16]。

1.4?整體網絡的情感表達特征

有研究人員發現，整體網絡的網絡密度與用戶的情感表達之間有負相關關系，如Kivran-Swaine?F等為了研究用戶在Twitter帖子中表達的情感與網絡結構特征之間的關系，采用相關分析法研究網絡密度與情感表達之間的關系，研究發現，網絡密度與情感表達之間具有負相關關系，即人們更傾向于在稀疏的網絡中表達情感，而如果在密集的網絡中，人們可能會對共享情感產生擔憂[17]。也有研究人員發現，整體網絡的網絡密度正向影響用戶的情感表達，如Lin?H等研究了Facebook上的社交網絡結構如何影響用戶的情感表達，采用單因素方差分析方法研究網絡密度與情感表達之間的關系，研究結果表明，擁有較大網絡密度的Facebook用戶傾向于表達更多的積極和消極情感[18]。而在線健康社區用戶關系網絡的社區規模不同，用戶的情感表達也會存在差異，如Liu?C等采用相關分析法研究在線健康社區規模與艾滋病人群情感表達之間的關系，研究發現每個社區中帶有負面情感的用戶比例約為60%，并且與社區規模之間存在弱的正相關性[19]。

綜上所述，已有研究發現高影響力用戶、高活躍度用戶等可能表現出不同的情感表達特征，但少有研究考慮突發公共衛生事件情境下不同社交角色的用戶的情感表達特征。另外，有關在線健康社區用戶的情感分析研究中，多為情感的褒貶傾向劃分，情感細分不夠細致。基于此，本文以新冠肺炎疫情事件為例，研究突發公共衛生事件中在線健康社區用戶的情感表達類型以及關鍵用戶的情感表達特征。

2?研究設計

本研究共分為4步：第一步，采集數據和數據預處理，主要包括選取在線健康社區論壇和清洗數據。第二步，用戶情感分析，主要包括基于基礎情感詞典，匹配情感詞，并計算用戶情感得分。第三步，關鍵用戶識別，主要包括構建用戶情感傳播網絡和根據構建的傳播網絡，分析用戶社交角色。第四步，用戶社交角色對情感表達的影響分析，即利用方差分析和相關分析研究關鍵用戶的情感表達類型和強度特征。

2.1?數據采集與預處理

本文以2019年底發生的新冠肺炎疫情事件為例，以百度貼吧“健康保健”目錄下“新型冠狀病毒吧”作為數據源，首先爬取“新型冠狀病毒吧”中所有發帖內容、發帖用戶名稱、發帖用戶等級頭銜、發帖時間及其閱讀數;然后爬取每一發帖內容下回帖用戶名稱、回帖用戶等級頭銜、回帖內容及其回帖時間。數據爬取時間為2020年1月1日—5月20日，共采集發帖文本5?606條，回帖文本89?935條。刪除含有網址鏈接、重復及Null數據、廣告信息等影響用戶情感分析的內容后，共得到有效發帖文本3?116條，回帖文本65?127條，用戶25?821個。

2.2?用戶情感分析

2.2.1?情感詞的識別

為了增加對發帖和回帖文本進行分詞處理的準確性，本文首先構建一個自定義基礎詞典，自定義基礎詞典包括基礎情感詞典、突發公共衛生事件領域詞典和網絡流行詞典。其中基礎情感詞典選擇大連理工大學情感詞匯本體庫中的27?466個情感詞，大連理工大學情感詞匯本體庫將情感分為7大類21小類，情感強度分為1、3、5、7、9五檔（9表示強度最大，1為強度最小），情感分類能夠滿足深入分析情感類別的需求[20]。領域詞和網絡流行詞通過搜狗輸入法細胞詞庫進行獲取，通過對細胞詞庫中《醫學詞匯大全》和《網絡流行新詞》進行格式處理，將Scel格式轉化為txt后，將這兩種詞庫導入到自定義基礎詞典中，形成突發公共衛生事件領域詞典和網絡流行詞典。然后，將自定義基礎詞典導入到NLPIR-ICTCLAS漢語分詞系統中，對預處理后的文本進行分詞[21]。

隨后將分詞后識別出的詞語與大連理工大學情感詞匯本體庫中的情感詞相匹配，抽取情感詞。并根據情感詞和大連理工大學情感詞匯本體庫的對應關系，確定每個詞所屬的情感類別和強度，并據此統計每個詞所屬句子的情感類別和強度。在此過程中，根據本文的研究對象，結合用戶發帖、回帖文本的語境，對部分情感詞的情感類別進行修正，如“呵呵”在情感詞匯本體庫中被劃分為褒義詞匯，但是它在大部分文本中表示貶義，如“呵呵，有用的話，前線還需要這么辛苦嘛，03年囤的板藍根喝完了嘛？”“呵呵，這不就是變相收費么？酒店不少賺啊。”因此需要將其情感類別從褒義變為貶義。

2.2.2?情感計算與處理

文本中否定詞的使用會逆轉情感詞表達的情感，因此為了提高情感分析的準確率，需要考慮否定詞的逆轉作用。根據以往的研究成果[22]，并結合本文的語料庫，選定的否定詞表如表1所示，共包含否定詞語40個。

在判斷否定詞的修飾作用時，本文僅考慮情感詞的前后不超過3個詞的范圍內是否含有否定詞，如果含有則與情感詞進行合并，且對情感詞的情感類別和情感強度進行重新修正。由于本文的情感分析是基于細粒度的七元情感分類，因此否定詞的修飾處理更為復雜，本文參考文獻[23]的情感轉換表，進行了7類情感類別的轉換，如表2所示。有否定詞修飾的情感詞的情感強度修正如式（1）所示[24]。

其中，Emotional-Score為經否定詞修飾后新的情感詞強度值，n為否定詞出現的次數，Score（W）為情感詞W的初始情感強度值。

程度副詞的使用會在一定程度上對情感詞的情感傾向起到加強或削弱的作用。因此，本文基于HowNet情感分析用語詞集中提供的程度級別詞語（中文）[25]，參考文獻[26]的程度級別詞典，為每個程度副詞添加了1個表示強弱程度的屬性，屬性值的范圍[0，1]，最高為1，0.2為一級，降一級減0.2，升一級加0.2，本文構建的程度副詞表如表3所示。在判斷程度副詞的修飾作用時，與否定詞一致，本文僅考慮情感詞的前后不超過3個詞的范圍內是否含有程度副詞，如果含有則與情感詞進行匹配，Degree表示程度副詞的修飾強度，經程度副詞修飾后的情感詞的計算見式（2）。

由于本文側重分析關鍵用戶在新冠肺炎疫情事件中的情感表達特征，最后也將以用戶為基本單位進行情感類別和強度分析，因此整理每位用戶發布的關于該事件的發帖和回帖文本，先計算用戶發帖和回帖文本中每個句子的情感類別及強度值，再將其中情感強度值最大的句子的情感作為該用戶的情感類別，以屬于該類情感的情感詞的情感強度平均值作為該用戶的情感強度值。最后，為保證情感計算結果的準確性，隨機抽取1?000條文本進行人工校對，對情感計算不準確的文本進一步修正，同時將修正規則應用于所有文本。

2.3?關鍵用戶的識別

2.3.1?情感傳播網絡的構建

為更加直觀地觀察新冠肺炎疫情事件中用戶在社交網絡中的情感分布及情感傳播過程，本文應用Gephi軟件，結合社會網絡分析法，構建用戶情感傳播網絡。運用社會網絡分析法分析用戶的情感傳播網絡時，每個用戶都是一個獨立的節點，節點之間都存在一定的傳播關系，即回帖關系。回帖關系是有向的，從發帖用戶指向回帖用戶，在數據統計分析時，發帖的用戶歸為出度，回帖的用戶歸為入度。根據回帖關系，應用Gephi軟件建立情感傳播網絡，以用戶為節點，以用戶的回帖關系為邊，邊的粗細反映節點（用戶）之間聯系的強弱，以節點顏色表示該用戶情感類別，節點大小表示該用戶的情感強度，使用“ForceAtlas?2”布局。軟件分析結果如圖1所示，該情感傳播網絡由20?633個節點和27?759條邊構成，節點大小表示該用戶的情感極性強度得分，顏色表示節點情感。

2.3.2?社會網絡角色的測量

高影響力用戶的計算方法為社會網絡分析中的出度計算，節點出度大，則表示該節點在網絡中具有較大的影響力，并處于較為重要的地位。高活躍度用戶的計算方法為社會網絡分析中的入度計算，節點入度大，則表示該節點在網絡中比較活躍，屬于網絡中的積極行動者。中間中心度用來衡量節點控制其他節點的能力，如果一個節點處于許多其他節點對的最短的途徑上，那么該節點就具有較高的中間中心度，居于節點中比較重要的地位，能夠起到溝通其他各個節點的橋梁作用[27]。關鍵中間用戶的計算方法為社會網絡分析中的中間中心度計算，節點中間中心度越大，則表示該節點在信息傳播過程中起到重要橋梁作用。本文通過Gephi軟件計算情感傳播網絡中每個節點的出度、入度、中間中心度指標。

2.4?關鍵用戶的情感表達特征分析方法

本文以SPSS23.0軟件為工具，分析關鍵用戶的情感表達特征。采用單因素方差分析法分別對用戶影響力、活躍度和中間中心度3個因素進行分析，判定其在情感表達類別上是否有所差異。采用相關分析法分別對用戶影響力、活躍度和中間中心度3個因素之間，及其各自與情感表達強度之間的相關關系進行分析。

3?研究結果

3.1?總體情感分布特征

在所采集的樣本數據中，在線健康社區用戶在新冠肺炎疫情話題下的情感類別分布如圖2所示。根據文本的情感傾向特征，并結合事件特點可知，在線健康社區用戶對新冠肺炎疫情事件主要呈現好（占比43.8%）、惡（占比30.9%）這兩種情感，其次為樂（占比9.2%）、懼（占比9.1%）、哀（占比3.4%）、怒（占比1.5%）、驚（占比1.1%）。

3.2?不同等級頭銜用戶的情感分布特征

3.2.1?不同等級頭銜用戶的情感表達類別特征

用戶的等級頭銜是衡量用戶使用貼吧頻率的指標，也是資歷和影響力的體現。用戶從初級粉絲開始成長，隨著經驗值提升，頭銜也會不斷升級。“新型冠狀病毒吧”中用戶的等級頭銜依次為初級粉絲、中級粉絲、高級粉絲、正式會員、核心會員、

鐵桿會員、知名人士、小吧主。為進一步分析不同等級頭銜用戶的情感表達類別特征，圖3列出不同等級頭銜用戶的情感表達類別比例分布。

圖3?不同等級頭銜用戶的情感表達類別比例分布

由圖3可以看出，初級粉絲、中級粉絲、高級粉絲、正式會員和核心會員的情感表達類別比例分布中，“好”和“惡”兩種情感所占比例最大，“怒”和“驚”兩種情感所占比例最小。而與初級粉絲、中級粉絲和高級粉絲等低等級頭銜用戶相比，鐵桿會員、知名人士和小吧主等高等級頭銜用戶的情感表達類別比例分布中，“怒”情感所占比例更多。鐵桿會員、知名人士和小吧主作為“新型冠狀病毒吧”中的高等級頭銜用戶，他們報道的負面事件往往發生在第一時間，而被報道事件的負面屬性也在一定程度上決定了情感表達更為激烈的“怒”情感所占比例更多。

3.2.2?不同等級頭銜用戶的情感表達強度特征

根據不同等級頭銜用戶的情感表達類別差異，進一步對其情感表達強度進行分析，不同等級頭銜用戶的平均情感表達強度分布如圖4所示。

從圖4可以看出，除核心會員以外，初級粉絲、中級粉絲、高級粉絲、正式會員、鐵桿會員、知名人士和小吧主的情感表達強度分布中“怒”和“驚”兩類情感的平均情感表達強度最高，而核心會員“哀”和“驚”兩類情感的平均情感表達強度最高。從總體情感表達強度分布來看，相比于知名人士和小吧主等高等級頭銜用戶，初級粉絲和中級粉絲等低等級頭銜用戶的各類情感的平均情感表達強度分布更為均勻。

3.3?關鍵用戶的情感表達類別特征

利用SPSS23.0軟件，采用單因素方差分析的方法，分別研究用戶影響力、活躍度、中間中心度在情感表達類別上的差異，如表4所示。

3.4?關鍵用戶的情感表達強度特征

3.4.1?影響力、活躍度、中間中心度之間的相關關系

利用SPSS23.0軟件，采用相關分析的方法，研究用戶影響力、活躍度、中間中心度之間的相關關系，如表5所示。

3.4.2?影響力、活躍度、中間中心度與情感表達強度之間的相關關系

利用SPSS23.0軟件，采用相關分析的方法，分別研究用戶影響力、活躍度、中間中心度與情感表達強度之間的相關關系，使用Pearson相關系數（r）表示相關關系的強弱情況，如表6所示。

從表6可以看出，用戶的活躍度、中間中心度均通過了顯著性檢驗（p<0.01），與情感表達強度之間具有相關關系。而用戶的中間中心度與情感表達強度的相關系數r為0.022，相關性較弱。用戶的活躍度與情感表達強度的相關系數r為0.315，在p=0.01的水平下呈正相關，即用戶的活躍度越高，其情感表達強度也相對較高。本文中用戶活躍度的計算方法為社會網絡分析中的入度計算，將回帖的用戶歸為入度，用戶在回復或轉發他人的信息時，不僅可以促進信息的共享，還可以表達對該信息的支持或反對的觀點，促進情感的傳播。情緒感染理論認為個體情緒可以影響到他人的行為、思想和情緒，這一影響過程可以在多人間交互產生，并不斷增強[28]。文獻[29]的研究結果也表明，用戶回復或轉發他人信息的數量越多，與他人的互動也就越多，在這一過程中用戶自身的情感表達強度得到加強。這些研究成果也在一定程度上證明用戶的活躍度與其情感表達強度存在相關關系，用戶的活躍度越高，與他人的互動也就越多，其自身的情感表達強度得到一定程度的加強。

4?討論與建議

在“互聯網+醫療健康”時代，越來越多的用戶加入在線健康社區，獲取和分享醫療經驗信息，同時也在社區中與他人進行交流溝通，獲得來自其他用戶的情感支持。但是，國內在線健康社區還處于發展初期，許多因素會影響其健康發展。本文選取百度貼吧中“新型冠狀病毒吧”作為在線健康社區環境，采用情感分析和社會網絡分析方法，探索突發公共衛生事件中在線健康社區關鍵用戶的情感表達特征，研究發現：

1）不同等級頭銜的用戶其情感表達類別存在顯著差異。與初級粉絲和中級粉絲等低等級頭銜用戶相比，知名人士和小吧主等高等級頭銜用戶的情感表達類別分布中，“怒”情感所占比例更多。而且鐵桿會員、知名人士和小吧主等高等級頭銜用戶情感表達強度分布中“怒”和“驚”兩類情感的平均情感表達強度最高。由此可見，知名人士和小吧主等高等級頭銜用戶表達的情感不一定都是積極的，也有可能是消極的。而這些高等級頭銜用戶作為平臺的資深用戶，具有重要影響力，他們的觀點會進行長時間或高頻率的發布。因此，需要對這些高等級頭銜用戶的消極情感產生的原因進行分析，并將事件正面信息和報道事實推送給這些用戶，進而逐漸引導其他用戶，使得輿情向著積極方向發展。

2）不同情感表達類別的用戶其影響力、中間中心度存在顯著差異。表達“怒”的用戶的影響力均值、中間中心度均值最高。用戶影響力越大，該用戶在信息傳播網絡中的地位越重要;用戶中間中心度越大，該用戶在信息傳播過程中的溝通作用越重要。如果不及時對這些用戶的“怒”情感進行疏導，任其在社交網絡中蔓延，將可能導致輿情危機。因此，需要分析用戶“怒”情感產生的原因，及時通報用戶關注事件的進展情況，并對涉事人員進行相應處罰，逐漸轉變這些用戶的態度，使其情感朝著積極的一面發展。

3）用戶的影響力與中間中心度之間存在高度相關關系。作為表征用戶社交角色特征的影響力、中間中心度之間具有高度正相關性，符合常規意義上社會交往的特性，體現出在線健康社區平臺在人際交往上的促進性，同時也為依托在線健康社區進行社會化醫療信息平臺的搭建提供了一定的借鑒。即在線健康社區用戶需要發布高質量的信息，增加帖子的回復數，擴大自身的影響力，同時也應積極地關注和回復他人，來吸引更多的其他用戶，獲得更高的關注度，使得信息的傳遞更加有效。

4）用戶的活躍度與情感表達強度之間存在相關關系。用戶的活躍度與情感表達強度在p=0.01的水平下呈正相關，即用戶的活躍度越高，其情感表達強度也越高。高活躍度用戶作為用戶關系網絡中的積極行動者，對新冠肺炎疫情事件的關注度較高，熱衷于回復或轉發各種信息。因此，需要關注情感表達強度高的高活躍度用戶，觀察其各類情感的情感表達強度波動情況，分析情感表達強度產生波動的原因，對其進行一定的安撫工作，從而降低負面信息被轉發擴散的風險。

5?結?論

本文探索突發公共衛生事件中在線健康社區關鍵用戶的情感表達特征，有利于輿情監管部門了解和掌握用戶的情感表達規律，及時疏導用戶情感，避免輿情失控現象的發生。本文的局限和未來研究方向主要表現在以下兩個方面：第一，本文僅以2019年底發生的新冠肺炎疫情事件作為研究對象，具有一定的局限性，未來可結合更多的突發公共衛生事件開展在線健康社區用戶情感表達特征的研究。第二，本文數據來源主要是百度貼吧“新型冠狀病毒吧”，數據覆蓋范圍不夠廣泛，未來可結合調查問卷、訪談等方法進行數據收集的工作，豐富數據類型。

參考文獻

[1]Eysenbach?G，Powell?J，Englesakis?M，et?al.Health?Related?Virtual?Communities?and?Electronic?Support?Groups：Systematic?Review?of?the?Effects?of?Online?Peer?to?Peer?Interactions[J].BMJ：British?Medical?Journal，2004，328（7449）：1166.

[2]新華社.習近平：在統籌推進新冠肺炎疫情防控和經濟社會發展工作部署會議上的講話[EB/OL].http：//www.gov.cn/xinwen/2020-02/24/content_5482502.htm，2020-03-05.

[3]張磊，馬靜，李丹丹，等.語義社會網絡的超網絡模型構建及關鍵節點自動化識別方法研究[J].現代圖書情報技術，2016，32（3）：8-17.

[4]Bui?N，Yen?J，Honavar?V.Temporal?Causality?Analysis?of?Sentiment?Change?in?a?Cancer?Survivor?Network[J].IEEE?Transactions?on?Computational?Social?Systems，2016，3（2）：75-87.

[5]Wynn?R，Oyeyemi?S?O，Johnsen?J?A?K，et?al.Tweets?are?Not?Always?Supportive?of?Patients?with?Mental?Disorders[J].International?Journal?of?Integrated?Care，2017，17（3）：149.

[6]Liu?X，Sun?M，Li?J.Research?on?Gender?Differences?in?Online?Health?Communities[J].International?Journal?of?Medical?Informatics，2018，111：172-181.

[7]吳江，李姍姍，周露莎，等.基于隨機行動者模型的在線醫療社區用戶關系網絡動態演化研究[J].情報學報，2017，36（2）：213-220.

[8]Feld?S?L.The?Focused?Organization?of?Social?Ties[J].American?Journal?of?Sociology，1981，86（5）：1015-1035.

[9]Wang?Z，Walther?J?B，Pingree?S，et?al.Health?Information，Credibility，Homophily，and?Influence?Via?the?Internet：Web?Sites?Versus?Discussion?Groups[J].Health?Communication，2008，23（4）：358-368.

[10]Zhang?Y，He?D，Sang?Y.Facebook?as?a?Platform?for?Health?Information?and?Communication：A?Case?Study?of?a?Diabetes?Group[J].Journal?of?Medical?Systems，2013，37（3）：1-12.

[11]Query?J?L，Wright?K.Assessing?Communication?Competence?in?an?Online?Study：Toward?Informing?Subsequent?Interventions?Among?Older?Adults?with?Cancer，Their?Lay?Caregivers，and?Peers[J].Health?Communication，2003，15（2）：203-218.

[12]Zhang?S，Bantum?E，Owen?J，et?al.Does?Sustained?Participation?in?an?Online?Health?Community?Affect?Sentiment？[J]AMIA?Annu?Symp?Proc，2014：1970-1979.

[13]Stieglitz?S，Dang-Xuan?L.Emotions?and?Information?Diffusion?in?Social?Media：Sentiment?of?Microblogs?and?Sharing?Behavior[J].Journal?of?Management?Information?Systems，2013，29（4）：217-247.

[14]Kang?Z，John?Y，Greta?G，et?al.Finding?Influential?Users?of?Online?Health?Communities：A?New?Metric?Based?on?Sentiment?Influence[J].Journal?of?the?American?Medical?Informatics?Association，2014，21（e2）：e212-e218.

[15]Wu?B，Jiang?S，Chen?H.Effects?of?Individuals?Motivations?on?Communications?in?Online?Health?Forums[J].Social?Behavior?and?Personality，2016，44（2）：299-312.

[16]Cabling?M?L，Turner?J?W，Hurtado-De-Mendoza?A，et?al.Sentiment?Analysis?of?an?Online?Breast?Cancer?Support?Group：Communicating?About?tamoxifen[J].Health?Communication，2017，33（9）：1-8.

[17]Kivran-Swaine?F，Naaman?M.Network?Properties?and?Social?Sharing?of?Emotions?in?Social?Awareness?Streams[C]//In?Proceedings?of?the?ACM?2011?Conference?on?Computer?Supported?Cooperative?Work.Hangzhou，China，2011：379-382.

[18]Lin?H，Tov?W，Qiu?L.Emotional?Disclosure?on?Social?Networking?Sites：The?Role?of?Network?Structure?and?Psychological?Needs[J].Computers?in?Human?Behavior，2014，41（12）：342-350.