突發事件中網絡情緒測量與預警研究的回顧與反思

周高琴

【內容摘要】本文以“知網”“萬方”和“維普”為數據源篩選相關領域代表性研究文獻，對突發事件中網絡情緒測量與預警的已有研究進行了系統綜述，認為相關研究頗具現實導向性和技術應用性，但在理論建構方面存在不足，需借鑒多學科成果提供成熟的理論支撐;另外，長期追蹤研究和多類綜合研究也比較少，需完善信息預案庫提升研究層次。

【關鍵詞】突發事件;網絡情緒;情緒測量;情緒預警

近年來，突發事件中的網絡信息流動總攜帶著比較顯著的情緒色彩，給社會應急管理帶來不少新的挑戰。普通意義上的“情緒”是指個體因某種外部刺激所致的突發反應，而“網絡情緒”則更多地指向“網民”這類對象，是一種具有共享性的群體心理體驗。

在網絡空間，情緒尤其是負面情緒的集聚、共振極易強化群體的非理性認知，從而放大公共風險。有文獻指出，網絡情緒是突發事件輿情系統中的重要效能因素，它們的演化常常會影響整個事件的輿論發展走向;①對于信息時代的突發事件，網民情緒往往是決定其影響程度的重要因子。②目前，突發事件中的網絡情緒問題已經引發社會的強烈關注，并成為學界的研究熱點。研究者認為，測量突發事件中的群體情緒演化，建構有效的預警干預機制是提升政府應急能力的重大課題。③通常，情緒的測量又是建立在情緒結構的把握基礎之上。故此，本文擬從突發事件網絡情緒的結構、測量與預警這些方面展開，通過文本分析法，歸納國內學術界的相關研究現狀。

為了較為全面地獲取研究資料，本文以“知網”“萬方”和“維普”為數據源，將“網絡情緒”“網民情緒”“用戶情緒”“社會情緒”“網絡輿情”與“突發事件”“情緒測量”“情緒預警”作為主題詞進行組合檢索，最后篩選出46篇相關文獻。

一、突發事件中網絡情緒的結構研究

目前，學術界針對情緒結構的研究大致有兩條路徑：其一是分類取向（categorical approach），主要是剖析情緒的基本或者復合成分的構成;其二是維度取向（dimension approach），大多以情緒的向度和強度為基點探討其特征。

（一）突發事件中網絡情緒的分類取向

情緒分類取向研究旨在通過某個標準，將情緒分成獨立、具體且有限的幾種情感狀態。在這類研究看來，每種基本情緒都有著獨特的內部機制與外在表現，分類取向就是要識別情緒中某些穩定的、突出的情感指向。

與傳統的社會情緒相比，互聯網環境下的情緒更加動態多變，研究者在不同的事件、不同的情境中，對網絡情緒作出了不同的分類。以“李某某案”為例，廖為民對網絡輿情爆發時的社會情緒進行了分析，從242條微博評論中梳理出10種情緒類型：罵人、感嘆、反諷、起哄、感慨、譏諷、調侃、諷刺、無語和警示。④唐超以“群眾圍堵酒駕司機砸車”事件為研究對象，把百度貼吧中的網民發言作為樣本內容，從中整理出7種情緒構成：理性、同情、支持政府、憤怒、諷刺、失望和不信任，其研究表示，后四種情緒正是造成網絡情緒自組織系統走向無序的關鍵點。⑤在“溫州動車事故”案例中，葉永豪等人聚焦具有社會性和利群性的道德情緒，他們收集兩萬多條微博數據，從中解析出憤怒、厭惡、鄙視、同情和愛這五種主導的道德情緒。⑥不過，這種專門從某個角度對某種屬性情緒進行分類的研究并不多見。

綜合上述研究，可觀察到當前的網絡情緒分類取向多依托于突發社會公共事件，情緒的分類指標一般比較多，由此可見其復雜性。在情緒色彩方面，負面情感指向非常明顯。

（二）突發事件中網絡情緒的維度取向

情緒維度取向研究認為，情緒是一種模糊的連續體，其中的各種情感成分高度相關但難以區分，應該用維度闡釋情緒的結構，以便發現不同層面的情緒及其表現出的特征。

針對突發事件中的網絡情緒，常用的基礎結構維度是“消極—積極”模型，這在文宏⑦、鐘智錦⑧等人的研究中均可見到。以該模型為基礎，描述從一個極端通過中間點到另一個極端的情緒維度較為普遍。比如靳明、靳濤等將黃金大米事件中的網民情緒基調分為三個維度：積極情緒、中立情緒和消極情緒;⑨馮蘭萍、嚴雪等根據情感值的大小，將突發事件中的微博評論情緒分為正面（>0）、中立（=0）和負面情緒（<0）。也有的研究者將情緒的強度進一步細化，發展出四維的情緒結構模型。例如趙衛東和趙旭東等以某次邊疆突發暴力事件為例，將其從1-10分為四個強度區間：極端負情緒、負情緒、正情緒和極端正情緒，在事件的演化中，這些負情緒不斷轉化為極端負情緒。⑩

除此之外，一些研究也采用了“效價—喚醒”維度（矢量模型）進行網絡情緒評估。例如周莉、蔡璐等選取了“巴黎暴恐”事件，立足于Tsai的情緒維度理論，歸納了四種情緒效價組合：正情緒+高喚醒度、負情緒+高喚醒度、負情緒+低喚醒度、正情緒+低喚醒度。他們的研究指出，“巴黎暴恐”事件中的網絡情緒具有高喚醒度和高參與度的特點，其中情緒喚醒度是催生社會性傳播行為的重要因素。在傳統時代的情緒取向研究中，“效價—喚醒”維度較為常見，但針對突發事件的網絡情緒考察，采用該維度的研究還并不多。

當前，突發事件的網絡情緒模型以二、三維居多，主要根據極性和強度表示情緒之間的關系。相關研究對傳統情緒維度理論的借鑒較多，在情緒矢量模型上的探討有待多樣化。

二、突發事件中網絡情緒的測量

（一）情緒測量的對象

在情緒分析中，情緒測量一直是個難點。傳統的情緒測量有自我報告測量、驚愕反應測量、信息處理風格測量和推理量表測量等手段，但這些常規的實驗法和量表法難以用于網絡平臺的情緒測量。針對突發事件中的網絡情緒，很多研究者將輿情爆發時出現的網絡數據作為研究材料，經過數據篩選和清洗之后，再進行情緒分析。

從體量上來看，這些網絡上的文本數據大致可分為兩類：其一是小數據樣本。例如在“李某某案”中，為集中描繪輿情爆發后的圍觀者心態圖景，研究者聚焦最早披露該案的某位編輯的微博信息，收集其有效的評論轉發信息，選定前面的500條信息，最終獲得兩萬字左右的情緒測量樣本。其二是大數據樣本。例如在“紅黃藍事件”中，依靠拓爾思大數據平臺，相關研究從460萬條微博數據中抽取2.2%作為樣本，最終采集到6萬多條有效的數據。在大數據提取上，通過Python編程編寫爬蟲跨網頁提取信息是當前的重要手段，除了主頁信息，有的研究也會通過二次爬取，獲取用戶ID、性別、粉絲數、地理位置等其他屬性數據以做深化分析。至于網絡情緒的生成主體類型，目前尚無統一的劃分方式，從信息行為的角度，可將其分為信息加工者、信息搜索者和信息傳播者等七種類型;從網民表達的特征角度，可將其分為積極傳播者、消極傳播者和理性參與者等四種類型。

不難發現，在突發事件中，網絡情緒的發生主體比較多元，無論是小樣本還是大樣本的情緒測量，其文本對象大多源自事件的關鍵性網絡信息、事件的相關網絡評論等。

（二）情緒測量的方法

網絡情緒的測量涉及數據檢索、信息抽取、文本挖掘和自然語言處理等多個方面，從測量路徑來看，其測量的方法主要有以下幾種：

1.基于情感詞典的情緒分析

情感詞典是判斷文本情緒傾向的一項重要工具，目前多數詞典是通過人工所建構，首先需要閱讀大量語料，標記具有情緒傾向的詞語、句子、篇幅等內容，再根據其情緒的極性、強度和語義方向建構相應的分類器。由此一來，通過語義分析提取關鍵詞的詞典得以編成構成。

面向突發事件中的網絡情緒，利用情感詞典進行判別的方式大致有三類：其一是借助通用的情感詞典直接判別網絡情緒。在中文文本處理方面，知網的HowNet、臺灣大學的NTUSD和大連理工的DUTIR等是最常用的幾個開放情感詞典。其二是拓展通用情感詞典以構成新詞典。例如，李長榮、曹彥波等人以大連理工的情感詞匯本體庫為基礎，對現有的情感詞典進行拓展，建立起新的情緒詞匯庫。其三是根據語料建構專用性的情感詞典。有的研究者認為，通用情感詞典的穩定性很好，不過其領域適應性一般，在對突發事件展開情緒分析時適用性不足，有必要建立更準確的突發領域情感詞典。例如，針對暴雨洪澇期間的網民情緒，周莉和楊小莉以近5年的微博評論文本為語料，通過人工提取網絡情緒關鍵詞并進行賦值，建立起“突發事件·暴雨洪澇”情感詞典，該詞典包括悲傷、擔憂和關心等7個情緒類別，各類詞匯共計611個。由于人工建構情感詞典的工作比較復雜繁重，一些研究者開始探討情感詞典的自動構建方法，例如崔彥琛、張鵬等人使用PMI-IR、S0-PMI等算法，建立消防事件網絡輿情情感詞典。整體來看，學術界中面向突發事件領域的情感詞典不多，而自動構建的突發專用情感詞典仍有待開發。

情感詞典能夠快速地完成給定文本的情緒識別，但在實際的研究中，這類方法仍面臨不少的難題。諸如，在新詞匯層出不窮的網絡時代，如何提升情感詞典的完整性和包容性？面對褒詞貶用、貶詞褒用或者一詞多義的中文時，情感詞典如何判定文本的情緒傾向……

2.基于機器學習的情緒分析

這是一種通過訓練集和分類器識別文本情緒的方法，目前基于機器學習的情緒分析有兩類：“有監督”的情緒算法、基于深度學習的情緒算法。

“有監督”的情緒算法步驟大致分為兩步：首先是建立語料庫，一部分語料作為訓練集，剩下的語料用作測試集;再者，將人工標注好情緒極性的詞匯作為訓練集，通過機器學習算法建立分類器模型，再用模型對新輸入的文本映射出相應的結果。常用的文本分類算法有支持向量機、樸素貝葉斯、梯度提升樹和最大熵等機器學習模型。其中，樸素貝葉斯分類器是頗受歡迎的一種機器模型。一些研究者認為，樸素貝葉斯原理簡單且分類可靠，在文本分類方面的優勢獨特。他們以“天津8·12事件”為例，用樸素貝葉斯分類器評定15164條微博評論的情緒傾向，獲取文本情緒屬于正向的概率，進而建立該事件的網絡輿情態勢演化模型。為了更好地把握突發事件中網絡用戶的情緒問題，有的研究會同時采用兩種算法進行情緒分析，他們首先通過貝葉斯分類器計算出文本的情緒傾向度，以此建構用戶畫像庫，再通過梯度提升樹進行建模訓練，建立一個基于畫像屬性的情緒預測模型，達成預測用戶每個階段情感傾向的目的。基于監督的機器學習提供了諸多的情緒分類方法，不過，它們需要依賴大量人工標注的語料數據，在構造訓練集的時候還應盡量保持與實際測試集的數據分布相近。此外，它們一般都是淺層模型，在算法上也存在一定的局限，如，不能高效地判定較為復雜的文本表述模式，很難識別字數不足、信息較少的文本情緒等。

相對于淺層模型，深度學習能夠自動從原始數據中學習層次化的特征，并充分地考慮上下文信息，以及高效地表達數據中包含的復雜模式，在解決短文本情感分類問題上效用相對較好。常用的深度模型有深度神經網絡、卷積神經網絡、循環神經網絡、長短記憶神經網絡和堆疊自編碼器等，其中，一些深度模型循環神經網絡存在梯度爆炸抑或消失的問題，增加了門結構的長短記憶神經網絡可以解決這個問題，因此，現階段的一些研究偏向于利用長短記憶神經網絡進行情緒分析。基于長短記憶神經網絡模型，金占勇和田亞鵬等建立了災害事件網絡輿情情感識別模型，通過對突發自然災害事件進行實證研究，他們認為該模型的情緒識別效果要優于卷積神經網絡和支持向量機算法。陳凌、宋衍欣引入長短時記憶神經網絡模型，識別臺風“利奇馬”中微博用戶的情緒，建立了一種用于分析用戶情緒上下文的LSTM模型。在突發事件領域，相比基于監督的情緒識別，基于深度學習的情緒分析成果并不多，長短記憶神經網絡模型的應用正處于開發期，學界傾向于利用其來研究突發災害事件中的網民情緒問題。

鑒于語義詞典與機器學習的路徑各有所長，有學者提議將兩者做結合分析，這類研究在其他領域已有開展，但在突發事件方面的應用還處于起步階段，可成為未來的一個重要趨向。

三、突發事件中網絡情緒的預警

監測是實現突發事件預警的基礎和前提，網絡情緒預警則是監測的目的，是網絡輿情管理的重要環節，可為管理者提供識別輿情風險、評估輿情危機的機會，以便他們采取有效的應對措施。針對突發事件中的網絡情緒預警，涉及的研究議題大致如下：

（一）突發事件中網絡情緒的預警指標

在現有文獻中，網絡情緒大多作為二級指標或者三級指標，出現在網絡輿情預警指標體系中。例如，有的研究者構建了暴恐事件網絡輿情風險預警指標體系，在一級指標“網民反應”中設置了“網民情緒”這個二級指標，并將其分為“情緒分布”和“轉移程度”，采用的測量方法分別是客觀數據和開放式問卷，通過權重計算，提出“情緒分布”是高風險指標。有的研究者構建了旅游危機事件網絡輿情監測預警指標體系，在準則層“輿情本體”的因素層“信息內容”中設置了“意見情緒狀況”指標，其權重為0.0221。同樣，在突發事件網絡謠言危機預警指標體系中，在一級指標“網絡謠言狀態”亦可見“網民情緒傾向”二級指標，但在該指標的量化說明及數據獲取方式上，其論述不夠明確。

雖然，也有少數學者涉足突發事件網絡情緒預警指標體系的研究，但相關研究還處于發展階段。例如，劉志明和劉魯初步提出了一套突發事件情緒異常波動預警指標集，該指標集包含了兩類指標：整體情緒指標和單一情緒指標，前者包含了情緒分布度和情緒分布變化率，后者包含了情緒熱度和情緒拐度。他們結合指標集，從時空維度定義了幾種情緒異常模式，其研究更多的是一種探索性研究，并沒有涉及對異常的詳細分析。

當前關于網絡輿情預警指標已有較多研究，但相關研究在定義指標時，對用戶情緒因素關注不足，面向突發事件專門探索網絡情緒預警指標體系的研究比較少，有待進一步拓展。

（二）突發事件中網絡情緒的預警級別

網絡情緒預警等級標識所監測到的情緒風險轉化為情緒危機的可能性程度是一個重要的指標，預警等級越高，事態危機的可能性越大。在突發事件應急管理中，設定預警級別可有效控制危機發展。

在設置預警級別時，研究者通常將其分為四個層面，從低到高依次用藍色、黃色、橙色和紅色來加以表示，并普遍認為黃色代表警戒線。從文獻成果來看，學術界涉及情緒預警級別的研究大致有兩類：其一是利用情緒進行網絡輿情預警。有部分研究嘗試計算情緒得分，據此進行網絡輿情預警。比如，李繼紅賦予了不同預警色不同的情感值：藍色為情感值50分以下，黃色為情感值50-70分，橙色為情感值70-85分，紅色為情感值85分以上，由此將網絡輿情警級分為輕警級、中警級、重警級和巨警級。在參考李繼紅設定的情緒值的基礎上，田千金對爆發期和蔓延期的輿情危機進行預警，將危機分為Ⅰ級（一般危險）、Ⅱ級（較大危險）、Ⅲ級（重大危險）和Ⅳ級（特大危險）這幾類警級。也有少數研究是根據觀點的數量劃分輿情警級，在“鄭州交警撞死嬰兒事件”中，通過采集微博數據，研究認為，不利于社會和諧的輿論超過了整體評論的1/4，應采取黃色Ⅱ級預警級別。其二是根據情緒的生命狀態，結合國際或國內慣例，設置預警級別專門進行情緒預警。例如，劉志明、劉魯基于Aging theory模型，設計了面向突發事件的微博負面情緒生命周期模型，依照我國相關機構對突發事件的管理規定，將用戶負面情緒預警劃分為輕度活躍（IV級）、中度活躍（III級）、非常活躍（II級） 和特別活躍（I級）。可是，這種專門性的情緒預警級別研究并不多見。

由上可見，在突發事件領域，情緒預警級別的研究更多地依附于網絡輿情預警的大范疇內，縱深的、專門性的研究比較薄弱，無論是理論還是應用層面都需要不斷加強。

（三）突發事件中網絡情緒的預警機制

預警機制是指能靈敏識別風險并及時提供警示的制度、機構等構建的系統，其作用在于通過超前反應來防患于未然。突發事件中，建立情緒預警機制能有效輔助相關部門進行決策。

研究者認識到，必須建立和完善網民情緒監測預警機制，準確掌控網民情緒變化，按照相應等級啟動情緒干預措施，強化網民抗干擾能力。但在具體的機制探討上，相關文獻并不多，且主要集中在技術分析層面。面對突發事件中的群體情緒，有研究者設計了一套情緒監控預警模型，它由主題檢測與跟蹤模塊、主題評論的情緒層次分類模塊和時空模式分析與預警模塊這幾部分組成。不過，該模型還只是一個初步的探討，在情緒的針對性、不同情緒的演化模式等方面尚未進行深入的探索。有研究者在分析公眾恐慌的起因及特點的基礎上，建構了一個網絡輿情監測與恐慌度量系統，該系統主要包括信息收集、信息預處理、數據庫和顯示控制等模塊，可以按照不同的要求篩選信息，進行多樣化的圖形展示和模型度量。但該恐慌度量與監測系統在帖子文本識別上仍需提升，也需要在大量實際案例的測試中改進。也有研究者認為，網絡公共情緒預警機制應遵循可測量、延續性、準確性和導向性的原則，包括情緒跟蹤檢測、情緒整理加工以及判斷分析、情緒警報等多個系統，并建立從線上到線下的雙層組織體系。然而，這種多維度的情緒預警機制研究較少，有待進一步豐富。

四、研究述評與展望

（一）研究的基本特點

通過梳理現有文獻，可以發現，突發事件中網絡情緒的測量與預警研究呈現以下特點：

1.技術應用性

當前研究關注技術應用層面，即通過技術的方式實現突發事件中網絡情緒的測量與預警，因此，各種工具、模型和方法被不斷提出，卷積神經網絡、循環神經網絡以及長短記憶神網絡等深度學習模型已經成為文本情緒分析領域的重要方向。從情報信息技術的角度探討網絡情緒的預警機制也比較熱門，研究者試圖借助多層模塊技術提升情緒預警水平。大數據時代，學術界則思考如何應用大數據分析技術提高情緒測量、預警的效果。

2.現實導向性

當前研究以控制突發事件中的網絡輿情為目的，結合特定的案例進行情緒的測量與預警分析，整體研究的現實導向性比較強。在事件類型上，旅游危機事件、暴恐事件、環境群體性事件和災害事件均有涉及，其中，社會公共事件的學術關注度更高;在研究方法上，往往以網民評論為關鍵材料進行情緒測量的實驗分析，運用德爾菲法或層次分析法建構情緒預警指標，再用特定案例進行實證模擬，以保證其具有一定的指示性作用。

（二）現有研究的不足與繼續研究空間

1.理論建構不足，需借鑒多學科成果提供成熟的理論支撐

在現有文獻中，有關突發事件中網絡情緒的研究理論框架并不完善，不少議題被分散在公共輿論、情緒危機以及應急管理等研究之中，呈現出碎片化的現象，這反映出該領域基礎理論構建上的不足。由于理論建設上的薄弱，一些研究往往淺嘗輒止，無法縱深地、多維度地展開。并且，突發事件中的網絡情緒問題往往會涉及多學科的知識應用，但目前整體研究缺乏學科協同、系統化的理論成果，造成部分研究將復雜情緒進行簡單化處理的結果。

加強理論研究，對于厘清突發事件中網絡情緒的構成成分、影響因素等問題，以及提高情緒測量與預警效果，都具有重要意義。現有研究應發展系統的理論研究，建構且完善相應的研究框架，促進理論與應用的融合，同時也要重視跨學科研究，有效借鑒吸收社會心理學、信息傳播學和公共管理學等相關學科的成果，在交叉學科背景下深度剖析網民情緒，為突發事件中的用戶情緒應對提供多方位的理論支撐，推動網絡情緒測量與預警機制的科學發展。

2.長期追蹤研究和多類綜合研究較少，需完善信息預案庫提升研究層次

突發事件中網絡情緒的測量與預警涉及一系列復雜的問題，其研究需要一個典型的、全面的信息預案庫的支撐。然而，目前的研究并沒有相對完整的知識庫作為后備，很多數據來源比較分散且系統性不足，因此，分階段、追蹤式的研究就難以開展。再者，就突發事件本身而言，它們的類型多樣化，所導致的具體情境也各不相同，這便決定了網民情緒的測量與預警要面對復雜的情境預設。而現有的研究多是單案例研究，以某個特定形態的具體事件為對象進行定量分析，很少出現針對多種類型突發事件的綜合研究。此外，即便是在某個具體的情境下，用戶群體的多樣化也致使相關問題的研究必然是個復雜的過程。

完善突發事件網民情緒信息預案庫，可更好地了解異構信息整合方式，有助于推進歷時性的長期跟蹤分析，進一步優化當前的情緒測量、預警機制研究。由于突發事件具有多種類型，網民情緒也常常表現出多種形態，從而使得實際中的網絡輿情帶有極大的不確定性，因此，未來需拓展研究路徑，加強多案例的綜合研判，從宏觀、微觀等不同層面深化對研究對象的認識，以便有效化解網絡情緒應對實踐中的諸多問題。

注釋：

①葉瓊元、蘭月新、王強等：《面向突發事件的網民情緒演化系統動力學模型研究》，《情報雜志》2017年第9期。

②凌晨、馮俊文、楊爽等：《突發事件中網民負面情緒的應急響應研究綜述》，《情報雜志》2017年第11期。

③楊德生、程慧、葉綺娜：《重大突發事件對群體情緒的影響測度及預警干預研究——以新冠肺炎疫情為例》，轉引自《第七屆全國大學生統計建模大賽優秀論文集》，中國統計教育學會2020年版，第54頁。

④廖衛民：《網絡輿情爆發時的社會情緒測量及其結構分析——以李某某案為例》，《浙江理工大學學報（社會科學版）》2016年第2期。

⑤唐超：《網絡情緒演進的實證研究》，《情報雜志》2012年第10期。

⑥葉勇豪、許燕、朱一杰等：《網民對“人禍”事件的道德情緒特點——基于微博大數據研究》，《心理學報》2016年第3期。

⑦文宏：《網絡群體性事件中輿情導向與政府回應的邏輯互動——基于“雪鄉”事件大數據的情感分析》，《政治學研究》2019年第1期。

⑧鐘智錦、廖小歐、游宇霞：《網絡社區中的情緒感染現象——基于環境類議題與愛國主義類議題的實證研究》，《新聞記者》2019年第9期。

⑨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》，《浙江社會科學》2013年第6期。

⑩趙衛東、趙旭東、戴偉輝等：《突發事件的網絡情緒傳播機制及仿真研究》，《系統工程理論與實踐》2015年第10期。

周莉、蔡璐、劉煜：《文化差異中的網絡情緒表達——YouTube中四國對“巴黎暴恐”事件的網絡情緒分析》，《情報雜志》2017年第3期。

劉念、丁漢青：《從憤怒到厭惡：危機事件中公眾的情緒圖景》，《新聞大學》2020年第12期。

湯志偉、閏瀚楠：《公共危機情境下網絡空間群體信息選擇偏好的實證研究》，《情報雜志》2013年第6期。

蔡璐：《突發事件中的網絡情緒表達——以2016年武漢特大暴雨中的微博評論為例》，華中師范大學2017年碩士學位論文。

李長榮、紀雪梅、郭鳳儀：《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》，《現代情報》2021年第7期。

曹彥波：《基于社交媒體的地震災區民眾情緒反應分析》，《地震研究》2019年第2期。

周莉、楊小儷：《面向突發事件應急管理的情感詞典構建——以“暴雨洪澇”災害為例》，《武漢理工大學學報（社會科學版）》2019年第4期。

任中杰、張鵬、蘭月新等：《面向突發事件的網絡用戶畫像情感分析——以天津“8·12”事故為例》，《情報雜志》2019年第11期。

金占勇、田亞鵬、白莽：《基于長短時記憶網絡的突發災害事件網絡輿情情感識別研究》，《情報科學》2019年第5期。

陳凌、宋衍欣：《基于公眾情緒上下文的LSTM情感分析研究——以臺風“利奇馬”為例》，《現代情報》2020年第6期。

瞿志凱、張秋波、蘭月新等：《暴恐事件網絡輿情風險預警研究》，《情報雜志》2016年第6期。

付業勤、鄭向敏、鄭文標等：《旅游危機事件網絡輿情的監測預警指標體系研究》，《情報雜志》2014年第8期。

劉志明、劉魯：《面向突發事件的群體情緒監控預警》，《系統工程》2010年第7期。

李繼紅：《基于情感計算的網絡輿情預警研究》，南昌大學2016年碩士學位論文。

田千金：《環境群體性事件網絡輿情演化及預警研究——以中泰垃圾焚燒廠事件為例》，湖南科技大學2018年碩士學位論文。

王雪猛、王玉平：《基于情感傾向分析的突發事件網絡輿情預警研究》，《西南科技大學學報（哲學社會科學版）》2016年第1期。

劉志明、劉魯：《面向突發事件的民眾負面情緒生命周期模型》，《管理工程學報》2013年第1期。

李季梅、陳寧、陳安等：《突發事件的網絡輿情監測與恐慌度量系統》，《中國科技資源導刊》2009年第2期。

梁鑫：《網絡公共情緒危機的預警機制研究》，電子科技大學2015年碩士學位論文。