基于主題挖掘的突發(fā)公共衛(wèi)生事件輿情分析研究

來能燁 汪明艷 周成陽

摘要：新冠肺炎疫情暴發(fā)后，網(wǎng)絡輿情傳播迅速，如何準確把握輿情傳播熱點，引導輿情理性發(fā)展成為一個重要課題。本文基于生命周期理論，結(jié)合TF-IDF特征詞-權(quán)值模型和隱含狄利克雷分布（LDA）主題模型，研究輿情傳播者在輿情發(fā)展各階段關(guān)注的主題內(nèi)容及演化過程，為應對突發(fā)公共衛(wèi)生事件網(wǎng)絡輿情危機、精準監(jiān)測輿情走向提供相關(guān)決策依據(jù)。

關(guān)鍵詞：突發(fā)公共衛(wèi)生事件;網(wǎng)絡輿情;主題挖掘;生命周期理論

中圖分類號：G353.1 文獻標識碼：A 文章編號：1004-9436（2021）08-0-03

0 引言

2019年新冠肺炎疫情暴發(fā)，成為全球重大突發(fā)公共衛(wèi)生事件，引起了世界各國人們的高度關(guān)注，數(shù)十億人急切地希望通過社交媒體獲取疫情相關(guān)信息，在此背景下，與新冠肺炎疫情相關(guān)的話題迅速引發(fā)大量討論。各類造謠、不實疫情信息在全球化的社交媒體網(wǎng)絡上泛濫擴散，此次疫情催生了第一個真正意義上社交媒體的“信息疫情”[1]。因此，在積極推進疫情防控舉措的同時，有效應對突發(fā)公共衛(wèi)生事件網(wǎng)絡輿情傳播以及精準監(jiān)測輿情傳播走向也是一項重要工作。

本文以新冠肺炎疫情暴發(fā)期間新浪微博的數(shù)據(jù)為研究對象，基于生命周期理論，結(jié)合TF-IDF特征詞-權(quán)值模型和隱含狄利克雷分布主題（LDA）模型，分析在輿情傳播周期各階段網(wǎng)民關(guān)注的焦點主題及演化趨勢，刻畫此次疫情網(wǎng)絡輿情特征，為相關(guān)部門掌握突發(fā)公共衛(wèi)生事件焦點主題、提升政府輿論引導能力提供決策支持。

1 相關(guān)研究

1.1 主題挖掘模型

網(wǎng)絡輿情中的主題分析是定性研究中較為常見的一種形式，其中最具代表性的是LDA主題模型。王雅靜等學者提出基于LDA主題模型的微博在線用戶特征預測方法，以實現(xiàn)對所有用戶的特征預測[2]。曹樹金等學者采用輿情演化分析方法研究網(wǎng)絡輿情傳播周期各階段的熱點主題和時序發(fā)展趨勢[3]。趙凱等學者通過“困惑度—主題方差”相結(jié)合的方法改進了LDA主題模型最優(yōu)主題數(shù)的確定方法[4]。

1.2 突發(fā)公共衛(wèi)生事件網(wǎng)絡輿情傳播研究

陳璟浩等學者采用描述性統(tǒng)計法、列聯(lián)表分析法、回歸分析法等方法，分析突發(fā)公共衛(wèi)生事件中網(wǎng)民關(guān)注度變化，以提高政府信息供給效率[5]。任立肖等學者將食品安全突發(fā)事件網(wǎng)絡輿情參與主體分為消費人群、有關(guān)部門、網(wǎng)絡輿情原創(chuàng)者、網(wǎng)絡輿情旁觀者等9種類型[6]。另有學者把突發(fā)公共衛(wèi)生事件的利益相關(guān)者分類為醫(yī)療衛(wèi)生部門、傳統(tǒng)媒體、自媒體、普通群眾、易感人群以及患者等6大類。

2 研究設計

2019年暴發(fā)的新冠肺炎疫情是一次重大突發(fā)公共衛(wèi)生事件，通過采集該事件中新浪微博平臺的相關(guān)數(shù)據(jù)，基于LDA主題模型并結(jié)合生命周期理論劃分輿情事件階段，分析輿情傳播各階段中網(wǎng)民關(guān)注的焦點主題及演化特征。總體研究思路為：首先對采取的微博數(shù)據(jù)進行歸一化處理;其次以生命周期理論為依據(jù)結(jié)合輿情發(fā)展劃分輿情傳播的不同階段;再次利用TF-IDF算法計算各詞項權(quán)重，通過LDA主題模型提取相關(guān)主題詞和概率值;最后進行網(wǎng)絡輿情主題內(nèi)容演化和強度演化分析。

3 實證分析

3.1 數(shù)據(jù)采集與預處理

本文研究的網(wǎng)絡輿情事件是2019年末暴發(fā)的新冠肺炎疫情，因為該事件具有較大的社會影響，研究疫情期間的網(wǎng)民評論內(nèi)容有利于分析輿情傳播者情感的演化。新冠肺炎疫情在傳播意義上的突發(fā)期以2020年1月23日武漢采取“封城”措施為標志，武漢“封城”后，網(wǎng)絡輿情呈爆發(fā)態(tài)勢。2月19日，新華社等國內(nèi)主流媒體開始陸續(xù)報道疫情向好的方向發(fā)展，以此為標志，新冠肺炎疫情由突發(fā)期過渡到平穩(wěn)期。筆者編寫Python程序采集新浪微博用戶數(shù)據(jù)，設置“新冠肺炎疫情”為關(guān)鍵詞，時間范圍設定為2020年1月23日—2020年2月19日，爬取共計四周的新浪微博數(shù)據(jù)，對數(shù)據(jù)進行標準化處理，再進行微博事件文本分析，通過文本分詞、添加自定義詞匯、添加停用詞典，去掉對文本分析無用的停用詞，最終獲得23665條微博內(nèi)容，提取參與社會網(wǎng)絡構(gòu)建的用戶3610個。

3.2 輿情演化階段劃分

按日統(tǒng)計參與輿情傳播的用戶數(shù)，得到傳播者數(shù)量演化趨勢如圖1所示。利用大連理工大學中文情感詞匯本體庫的褒貶義詞匯對評論數(shù)據(jù)進行情感強度計算，將輿情用戶每天的情感強度進行累加得出群體情感強度，如圖2所示。

通過對比發(fā)現(xiàn)，網(wǎng)民的輿情傳播行為和情感強度呈正相關(guān)。根據(jù)圖1、圖2中用戶數(shù)量變化和情感強度變化，結(jié)合現(xiàn)有的突發(fā)事件輿情階段劃分[7]，現(xiàn)將輿情演化階段劃分為四個階段。第一階段為輿情形成期（2020年1月23日至1月29日），第二階段為輿情爆發(fā)期（2020年1月30日至2月5日），第三階段為輿情緩解期（2020年2月6日至2月12日），第四階段為輿情平復期（2020年2月13日至2月19日）。

3.3 主題及階段演化

本文基于密度的自適應最優(yōu)LDA模型選擇方法確定文檔語料參數(shù)和主題數(shù)量，在LDA主題模型提取詞匯的基礎上，利用TF-IDF算法計算各詞項權(quán)重，依據(jù)主題間的相似度最小原則提取各階段網(wǎng)民關(guān)注主題。

通過對輿情形成期文本集進行主題模型分析，得到7個主題，每個主題提取相關(guān)程度最高的10個詞語，計算其概率值，根據(jù)每一類主題關(guān)鍵詞的特征對輿情形成階段主題特征歸納總結(jié)如下。

主題1：患者感染新冠病毒后出現(xiàn)發(fā)熱等癥狀，在定點醫(yī)院接受隔離治療。

主題2：各地召開新聞發(fā)布會，公布防疫和救治情況，確保人民群眾生命和健康安全。

主題3：表達對抗議一線工作者的贊美、感謝和鼓舞。

主題4：各地醫(yī)院召集醫(yī)務人員緊急支援武漢。

主題5：愛心人士為醫(yī)院捐贈醫(yī)療物資。

主題6：各地報告新增確診病例和累計確診情況。

主題7：防控形勢嚴峻，農(nóng)村地區(qū)防控亟待關(guān)注，轉(zhuǎn)發(fā)倡議避免人群聚集。

在輿情形成期，輿情傳播者參與數(shù)較少，隨著初始階段感染病例增加，輿情傳播者對疫情進展的關(guān)注度持續(xù)提升，在網(wǎng)絡平臺互相交流，求證最新消息。網(wǎng)絡輿情主題內(nèi)容大部分集中在輿情事件本身數(shù)據(jù)的統(tǒng)計和現(xiàn)狀的描述，以及各地官方機構(gòu)召開新聞發(fā)布會上。

對輿情暴發(fā)期文本集進行主題模型分析，根據(jù)主題間的相似度最小原則最終得到6個主題，歸納總結(jié)如下。

主題1：多地每天公布確診病例涉足的場所和小區(qū)。

主題2：各地通報確診患者治愈出院數(shù)例。

主題3：不準確的信息和謠言時有出現(xiàn)，發(fā)布頭條文章呼吁不信謠、不傳謠。

主題4：社區(qū)一線在防控指揮部統(tǒng)一調(diào)度下，科學有序參與疫情防控工作。

主題5：《新英格蘭醫(yī)學雜志》刊登新論文，作者主要來自中國疾病預防控制中心、湖北疾病預防控制中心和香港大學等機構(gòu)。

主題6：網(wǎng)民通過多種創(chuàng)作形式為中國加油。

隨著輿情事件的不斷演化，大量輿情傳播者涌入，評論數(shù)量大幅度增長，人們對輿情事件的關(guān)注度急速上升，輿論進入白熱化階段。除了關(guān)注疫情傳播現(xiàn)狀外，輿情關(guān)注主題逐漸轉(zhuǎn)向“早期人傳人跡象”和“科研發(fā)表風波”。中國疾病預防控制中心等機構(gòu)發(fā)表在《新英格蘭醫(yī)學雜志》的一篇論文引起了軒然大波，輿情傳播者質(zhì)疑中國疾病預防控制中心何時發(fā)現(xiàn)病毒有“人傳人”跡象。值得注意的是，謠言在這一階段逐漸傳播開來，同時相應的辟謠信息也開始出現(xiàn)。

對輿情緩解期文本集進行主題模型分析，根據(jù)主題間的相似度最小原則最終得到5個主題，歸納總結(jié)如下。

主題1：向所有奮戰(zhàn)在一線的工作人員致敬。

主題2：新加坡總理李顯龍談病毒——如果致死率能與流感保持一致，或會改變應對策略。

主題3：新冠肺炎疫情是公共衛(wèi)生事件，不是國家和種族之間的問題。

主題4：在新冠肺炎疫情防控期間穩(wěn)定勞動關(guān)系，支持企業(yè)復工復產(chǎn)。

主題5：通報疫情最新動態(tài)，如累計病例、治愈信息等。

在這一階段，用戶參與數(shù)有所減少，輿情事件的討論度下降，但網(wǎng)民情感強度依舊處于較高水平。在媒體和意見領(lǐng)袖的引導下，網(wǎng)民關(guān)注于以鐘南山、李蘭娟院士為代表的“抗疫英雄”，以及各地醫(yī)護人員奉獻精神所產(chǎn)生的正能量。官方發(fā)布最新信息，媒體及時報道疫情防控工作，使得防控信息覆蓋面擴大，同時政府加大網(wǎng)絡謠言整治力度，網(wǎng)民的信息接收度逐漸飽和，輿情傳播者不斷增強自我防病意識和社會信心，除了繼續(xù)關(guān)注疫情影響及現(xiàn)狀，還增加了對國外疫情的關(guān)注。

對輿情平復期文本集進行主題模型分析，根據(jù)主題間的相似度最小原則最終得到9個主題，歸納總結(jié)結(jié)果如下。

主題1：康復病人捐獻血漿，這是目前治療病毒感染的最有效的方法。

主題2：確診病例患者治愈出院的情況。

主題3：新聞發(fā)布會介紹防控工作和醫(yī)療隊援助工作的相關(guān)情況，并回答記者提問。

主題4：鐘南山院士接受采訪。

主題5：基于近期情況及采取的措施，新增感染人數(shù)逐步減少，疫情有望結(jié)束。

主題6：企業(yè)做好疫情防控，推動復工復產(chǎn)。

主題7：專家告訴大家特殊時期應如何調(diào)整心理狀態(tài)。

主題8：各地防控指揮部、紅十字會發(fā)放捐贈物資公示。

主題9：各地實行外出人員申報健康證明臨時措施，提供免費健康證明服務。

在輿情平復期，輿情傳播者的注意力和興趣發(fā)生轉(zhuǎn)移，轉(zhuǎn)向?qū)凸彤a(chǎn)的討論以及鐘南山院士講話。隨著更多疫情防控細節(jié)被公開，相關(guān)事件被逐步理清，以及疫情好轉(zhuǎn)和經(jīng)濟的逐步恢復，輿情傳播者對突發(fā)公共衛(wèi)生事件的判斷逐漸歸于理性，輿情傳播者的情緒狀態(tài)在慢慢地平復。

3.4 突發(fā)公共衛(wèi)生事件網(wǎng)絡輿情治理建議

通過研究發(fā)現(xiàn)，社交媒體上公眾對疫情防控、民生保障的關(guān)注僅次于對疫情風險的認知和社會心態(tài)調(diào)整的關(guān)注。因此，有關(guān)部門除了及時公布疫情最新進展，提高信息透明度，滿足公眾信息需求，也要關(guān)注民生保障措施的落實。在重大突發(fā)公共衛(wèi)生事件中，政府不能因充當全方位的輿情防控角色而忽視輿情傳播者在輿情治理中的關(guān)鍵作用，應利用社交媒體平臺引導公眾自發(fā)參與疫情防控工作，從而與公眾形成平衡化的網(wǎng)絡輿情防控共同體。及時掌握輿情傳播者不同階段的關(guān)注主題，從認知、行為、情感等多角度引導他們參與輿情治理。一方面，政府可以從信息源著手，做好權(quán)威信息發(fā)布，消除信息不對稱。若未及時發(fā)現(xiàn)輿情關(guān)注主題熱點，發(fā)布的信息不能解決公眾疑慮，可能使輿情事件愈演愈烈，引發(fā)謠言。政府要針對公眾的核心訴求，進行妥善解答和回應，牢牢把握話語權(quán)，消除公眾心中的不確定性，降低因公眾情緒傳播而產(chǎn)生的輿情風險。另一方面，政府要做好網(wǎng)絡輿情熱點主題監(jiān)測，判斷、預測并及時預警主題內(nèi)容演變趨向。網(wǎng)絡輿情事件爆發(fā)前都會有一定的征兆，政府及相關(guān)部門應形成一套涵蓋疫情預警、疫情應對和疫情消解的處理機制，利用現(xiàn)代信息網(wǎng)絡技術(shù)，實時監(jiān)測網(wǎng)絡輿論動態(tài)，發(fā)現(xiàn)敏感信息，

4 結(jié)語

本文以2019年新冠肺炎疫情為具體案例，結(jié)合生命周期理論和LDA主題模型挖掘輿情傳播周期中各階段下網(wǎng)民關(guān)注的焦點主題，并分析主題內(nèi)容演化特征，目的在于為政府信息公開、應對突發(fā)公共衛(wèi)生事件網(wǎng)絡輿情危機提供建議。由于各種原因，本文的研究還存在兩點不足，第一，LDA主題模型抽取的特征詞不夠貼合主題，未能挖掘更深入細致的有效信息;第二，輿情發(fā)展階段沒有針對突發(fā)公共衛(wèi)生事件的特性細分展開。

參考文獻：

[1] 徐劍，錢燁夫.“信息疫情”的定義、傳播及治理[J].上海交通大學學報（哲學社會科學版），2020，28（05）：121-134.

[2] 王雅靜，郭強，鄧春燕，等.基于LDA主題模型的用戶特征預測研究[J].復雜系統(tǒng)與復雜性科學，2020，17（04）：9-15.

[3] 曹樹金，岳文玉.突發(fā)公共衛(wèi)生事件微博輿情主題挖掘與演化分析[J].信息資源管理學報，2020，10（06）：28-37.

[4] 趙凱，王鴻源. LDA最優(yōu)主題數(shù)選取方法研究：以CNKI文獻為例[J].統(tǒng)計與決策，2020，36（16）：175-179.

[5] 陳璟浩，陳美合，曾楨.突發(fā)公共衛(wèi)生事件中中國網(wǎng)民關(guān)注度分析——基于新冠肺炎網(wǎng)絡輿情數(shù)據(jù)[J].現(xiàn)代情報，2020（10）：11-21.

[6] 任立肖，張亮.食品安全突發(fā)事件網(wǎng)絡輿情的分析模型——基于利益相關(guān)者的視角[J].圖書館學研究，2014（01）：65-70.

[7] 謝耘耕，榮婷.微博輿論生成演變機制和輿論引導策略[J].現(xiàn)代傳播（中國傳媒大學學報），2011（05）：70-74.

作者簡介：來能燁（1994—），女，浙江杭州人，碩士在讀，研究方向：信息管理。

汪明艷（1975—），女，吉林吉林人，博士，教授，研究方向：電子商務、數(shù)據(jù)分析、輿論治理。

周成陽（1995—），男，上海人，碩士在讀，研究方向：信息管理。