社交媒體平臺(tái)中健康報(bào)道標(biāo)題對(duì)公眾情緒影響研究
——以人民日?qǐng)?bào)微信公眾號(hào)為例

張學(xué)波 王 卿

當(dāng)前，社交媒體平臺(tái)中表達(dá)的情緒對(duì)國內(nèi)主流媒體、輿情生態(tài)和和諧社會(huì)倡導(dǎo)的主流文化具有重要影響作用。研究民眾的情緒可以揭示人們的生活狀態(tài)、生活訴求以及對(duì)民生健康的看法與意見，為政府?dāng)M定衛(wèi)生、健康等方面的相關(guān)政策提供實(shí)際建議。本研究致力于收集分析人民日?qǐng)?bào)微信客戶端健康專欄的標(biāo)題情緒，可有效獲知公眾對(duì)于這些健康議題信息的需求情況，挖掘出受眾對(duì)哪些健康議題關(guān)切，有利于為人民日?qǐng)?bào)微信公眾號(hào)或者是其他健康類微信公眾號(hào)提供議題方面的借鑒。也有利于滿足公眾對(duì)健康報(bào)道、醫(yī)療衛(wèi)生信息的需求，消除有關(guān)健康問題公開的不確定性，提高公眾的安全和滿足感，有助于豐富大眾傳媒對(duì)健康傳播的報(bào)道、受眾和效果方面的研究，有助于重新審視媒體對(duì)于公眾情緒的影響。

一、問題緣起及文獻(xiàn)綜述

情緒表現(xiàn)為對(duì)外部刺激的各種心理和生理反應(yīng)，例如恐慌，興奮和憤怒。情感分析是通過編寫代碼自動(dòng)確定文本中包含的情緒狀態(tài)，對(duì)于掌握公眾的輿情狀態(tài)和人們的訴求的實(shí)際意義十分關(guān)鍵。

在此方面，國外相關(guān)的研究起步較早，范圍較廣泛，它主要涉及初步的情感傾向分析、更進(jìn)一步的文本提取和多種情感的分類、情感分析相關(guān)的字典和語料庫建設(shè)等，其中情緒詞典和語料庫構(gòu)建是基礎(chǔ)。情感詞典和機(jī)器學(xué)習(xí)是文本情感分析的兩種主要的操作方法。最早出現(xiàn)的是基于情緒詞典的方法，主要是指在已經(jīng)經(jīng)過人工構(gòu)建的情緒詞典的基礎(chǔ)上，利用詞典中每個(gè)詞語的情緒標(biāo)簽對(duì)待分類文本的情緒類別進(jìn)行標(biāo)注。Paltoglou（2012）以LIWC情緒詞典做參照，扒取了推特、我的空間和Digg等網(wǎng)絡(luò)平臺(tái)的文本，制訂出了一系列的計(jì)算規(guī)則來處理句子中的情緒詞，當(dāng)情緒詞被不同的詞修飾時(shí)或者情緒詞本身的樣式發(fā)生變化時(shí)，那么相應(yīng)的計(jì)算規(guī)則也會(huì)發(fā)生變化［1］。結(jié)果表明，他們提出的公式和規(guī)則得出的情感分析的效果皆比單純靠機(jī)器學(xué)習(xí)分析出的效果好。此種方法的效果缺點(diǎn)在于人工構(gòu)建的情緒詞典無法完全覆蓋所研究的文本，并且當(dāng)文本中出現(xiàn)的情緒詞較為隱晦時(shí)，研究者也不易標(biāo)注。Mohammad（2011）通過Word Net、Affective Norms 和NRC 三個(gè)詞典，進(jìn)一步設(shè)計(jì)計(jì)算規(guī)則，進(jìn)行情緒分析，結(jié)果表明，相比于n-gram，情感詞庫對(duì)多個(gè)不同專業(yè)和領(lǐng)域的文本分析效果更佳［2］。

國內(nèi)許多文獻(xiàn)對(duì)微博中的微內(nèi)容進(jìn)行文本情感分析，對(duì)本研究內(nèi)容的劃分具有重要的借鑒意義。封麗（2018）主要對(duì)微博中有關(guān)柴靜《穹頂之下》紀(jì)錄片的評(píng)論進(jìn)行了情感計(jì)算，以正負(fù)中性三種對(duì)微博主體中的表情和文本情感極性計(jì)分，正向表情表示為1，負(fù)向表情表示為-1，中立向表情表示為0。她還注意到與表情、文本不同的是微博情感詞通常有“十分”“稍微”“沒有”等程度副詞，這些詞語也對(duì)情感表達(dá)具有特殊作用。最后得出對(duì)柴靜及其紀(jì)錄片存在的負(fù)面情感傾向主要有以下幾類：①純粹不安好心湊熱鬧；②只從個(gè)人好惡出發(fā)，不喜歡柴靜則不認(rèn)同《穹頂之下》；③從柴靜立場、經(jīng)歷等各方面對(duì)其動(dòng)機(jī)進(jìn)行挖掘，然后從陰謀論等方面認(rèn)為柴靜紀(jì)錄片需要得到質(zhì)疑；④《穹頂之下》這部紀(jì)錄片的話語表達(dá)以及拍攝所存在一些問題，這篇論文計(jì)算情感極性的方法值得本研究借鑒［3］。在文本情感分析方法剛剛興盛之時(shí)，就已有學(xué)者將其與社會(huì)網(wǎng)絡(luò)分析法相結(jié)合對(duì)霧霾輿情進(jìn)行了研究，四川大學(xué)何躍、朱婷婷（2018）通過對(duì)新浪微博進(jìn)行扒取以及聚類，進(jìn)一步找出具有代表性的微博繪制網(wǎng)絡(luò)圖，展示出整個(gè)情感傳播網(wǎng)絡(luò)的子群、中心度等指標(biāo)［4］，這說明情感分析可以和社會(huì)網(wǎng)絡(luò)分析進(jìn)行結(jié)合，對(duì)本研究指明了方向。

情感詞典和機(jī)器學(xué)習(xí)是目前文本情感分析所涉及的兩種主要的方法，其中構(gòu)建情感詞典的作用最為基礎(chǔ)。目前通過人工構(gòu)建的中文情感詞典主要有譚松波酒店評(píng)論、臺(tái)灣大學(xué)情感語料庫、Hownet情感詞袋、BoSon語義情感詞庫等。本研究采用情感詞典的方法進(jìn)行分析，主要借鑒BoSon語義情感詞庫和Hownet情感詞袋，目的是分析人民日?qǐng)?bào)微信公眾號(hào)健康專欄的總體情感傾向，計(jì)算出標(biāo)題和評(píng)論的情緒值，并探討標(biāo)題情緒值、評(píng)論情緒值、點(diǎn)贊量以及評(píng)論量兩兩間的數(shù)據(jù)關(guān)系。

二、文本分詞及情感詞典選用構(gòu)建

本研究選用Python3.6環(huán)境，統(tǒng)一使用“utf-8”格式編碼。“分詞”即將一個(gè)整句按照詞性分成不同的部分，要想進(jìn)行自然語言處理，就必須得使用較為精確的分詞工具對(duì)文本中的語句進(jìn)行切割。目前學(xué)界也出現(xiàn)了一些比較成功的有效分詞系統(tǒng)，例如庖丁分詞系統(tǒng)、ICTCLAS中文分詞系統(tǒng)以及基于HMM模型的結(jié)巴分詞系統(tǒng)等等，本研究使用結(jié)巴中文分詞系統(tǒng)。情感詞典方面，國內(nèi)已存在著一些具有針對(duì)性的情感詞典，例如臺(tái)灣大學(xué)語料庫、HowNet語料庫、BoSon語義情感詞典等。由于波森情感詞典主要在Twitter、微博、微信等社交媒體品平臺(tái)的基礎(chǔ)上爬取其文本，整合出詞典。故本研究以波森情感語料庫為主體，HowNet及其余詞典為輔，構(gòu)建出本研究所采用的情感詞典。

三、混淆矩陣構(gòu)建及分類器驗(yàn)證

本研究數(shù)據(jù)來自2018年4月至12月的人民日?qǐng)?bào)微信公眾號(hào)“健康”專欄的標(biāo)題以及評(píng)論，經(jīng)清洗后得到標(biāo)題共822條，評(píng)論共8843條。為測試實(shí)驗(yàn)結(jié)果的準(zhǔn)確率，選用4名志愿者對(duì)標(biāo)題以及評(píng)論進(jìn)行正面和負(fù)面傾向的人工標(biāo)注。經(jīng)人工標(biāo)注后，標(biāo)題共359條為積極情感傾向，463條為消極情感傾向；評(píng)論共4907條為積極情感傾向，3936條為消極情感傾向。而機(jī)器標(biāo)注結(jié)果為：標(biāo)題共390條為積極情感傾向，432條為消極情感傾向；評(píng)論共4936條為積極情感傾向，3907條為消極情感傾向。標(biāo)注后統(tǒng)計(jì)結(jié)果如下：

表1 機(jī)器標(biāo)注與人工標(biāo)注對(duì)比表

對(duì)情感計(jì)算結(jié)果的評(píng)估即是指對(duì)自然語言處理的結(jié)果進(jìn)行評(píng)估，是計(jì)算過程中非常重要的一環(huán)。學(xué)界在近幾年評(píng)估自然語言處理的結(jié)果時(shí)，通常以召回率（R）、精確率（P）、準(zhǔn)確度（A）以及F-measure值（綜合評(píng)估指標(biāo)）作為評(píng)估指標(biāo)，而這三項(xiàng)指標(biāo)的計(jì)算往往是以人工標(biāo)注的結(jié)果為參照［5］。

準(zhǔn)確度（A）是指分類器情感分類的準(zhǔn)確度，是正確分類的樣本數(shù)除以樣本總數(shù)，分類效果和準(zhǔn)確度成正比。準(zhǔn)確率（P），也稱為“查準(zhǔn)率”，是指分類器的情緒分類的準(zhǔn)確性，分類器正確分類的樣本的數(shù)量與所有正確樣本總量的比率。召回率（R）是指被分類器分類過的數(shù)量可以涵蓋到多少原本的分類數(shù)量。F-measure值是綜合評(píng)價(jià)指標(biāo)，是指當(dāng)P和R指標(biāo)出現(xiàn)矛盾情況時(shí)，綜合兩者而得出的指標(biāo)。在計(jì)算四個(gè)指標(biāo)之前，首先要構(gòu)建混淆矩陣。混淆矩陣包含四個(gè)數(shù)值：True Positive (TP)—將正面情感傾向句判斷為正面情感傾向句；True Negative(TN)—將負(fù)面情感傾向句判斷為負(fù)面情感傾向句；False Positive(FP)—將負(fù)面情感傾向句判斷為正面情感傾向句；False Negative (FN)—將正面情感傾向句判斷為負(fù)面情感傾向句。筆者假定人工參照結(jié)果全部正確，以人工標(biāo)注為參照，分別對(duì)標(biāo)題和評(píng)論分類的正確以及錯(cuò)誤數(shù)目進(jìn)行統(tǒng)計(jì)并構(gòu)建混淆矩陣：

表2 標(biāo)題混淆矩陣

表3 評(píng)論混淆矩陣

根據(jù)準(zhǔn)確率（A）計(jì)算公式：

精確率（P）計(jì)算公式：Ppositive=

召回率（R）計(jì)算公式：

以及F-measure計(jì)算公式：

其中λ是一個(gè)可以自行設(shè)定的系數(shù)，當(dāng)λ大于1時(shí)，精確率對(duì)F-measure值影響較大，當(dāng)λ小于1時(shí)，召回率對(duì)Fmeasure值影響較大；當(dāng)λ等于1時(shí)，二者對(duì)F-measure值具有同樣影響。在本研究中，取λ等于1，則此時(shí)F-measure值為F1值。F1值越大，則分類器越好。公式為：

由表4，可得出結(jié)論：分類器在分析評(píng)論時(shí)較分析標(biāo)題時(shí)更為準(zhǔn)確，尤其是在分析正面情感評(píng)論時(shí)的精確率比分析正面情感標(biāo)題的精確率高出9.5個(gè)百分點(diǎn)，究其原因，是二者表達(dá)方式不同。評(píng)論大多為短句，分析較為簡便，而標(biāo)題糅合懸疑、設(shè)問、反問、感嘆等多種表達(dá)方式，不易把握其情感傾向，反觀評(píng)論，其正面情感表達(dá)方式大多比較單一，多數(shù)為“感謝小編”“感謝科普”“實(shí)用，收藏”云云。綜觀各項(xiàng)數(shù)據(jù)，該分類器性能良好，分類較為準(zhǔn)確，分類結(jié)果較為可信。

表4 情緒值分類器各項(xiàng)評(píng)估指標(biāo)

四、假設(shè)檢驗(yàn)

（一）相關(guān)分析

相關(guān)分析是指分析兩個(gè)或多個(gè)具有相關(guān)性的元素或變量之間的關(guān)系，以探討二者的密切相關(guān)程度。本研究將標(biāo)題情緒值與評(píng)論情緒均值、點(diǎn)贊量以及評(píng)論量進(jìn)行相關(guān)分析，以探求其中的顯著性。

表5 相關(guān)分析結(jié)果表

由上表可以看到，標(biāo)題情緒值與評(píng)論情緒均值之間的相關(guān)系數(shù)為0.322，呈現(xiàn)為中等相關(guān)，P值接近于零，表明相關(guān)性在0.01層上顯著。而在標(biāo)題情緒值與點(diǎn)贊量之間，雖然P值等于0.003，表明相關(guān)性是顯著的，但二者皮爾森相關(guān)系數(shù)僅為0.102，呈現(xiàn)為弱相關(guān)關(guān)系。此外，標(biāo)題情緒值與文章評(píng)論量之間無顯著相關(guān)關(guān)系。

（二）回歸分析

由相關(guān)分析可知，標(biāo)題情緒值與評(píng)論情緒均值之間的相關(guān)關(guān)系具有顯著性，故探討二者是否存在顯著的線性回歸方程具備一定的研究意義。本研究采用的是一元線性回歸分析，經(jīng)由SPSS分析之后，結(jié)果如下表。

表6 Anova表

由Anova表可看到，模型F統(tǒng)計(jì)量為94.846，表明顯著性水平的p值接近為零，說明因變量與自變量的線性關(guān)系明顯。

表7給出了回歸標(biāo)準(zhǔn)系數(shù)以及顯著性檢驗(yàn)的P值，可以看到回歸系數(shù)為0.322，P值接近于零，故模型達(dá)到了顯著性水平。由共線性診斷表，可看到特征值VIF不為零，說明不存在多重共線性現(xiàn)象。

表7 系數(shù)表

五、研究結(jié)論：

（一）社交媒體平臺(tái)中健康報(bào)道的標(biāo)題呈現(xiàn)通俗化、情感化趨勢(shì)

微信是一種即時(shí)性社交媒體平臺(tái)，由于其具有的及時(shí)傳遞、隱秘性的特點(diǎn)，被許多親朋好友所青睞，本研究在對(duì)表達(dá)情緒傾向的詞語進(jìn)行分析時(shí)發(fā)現(xiàn)，恐嚇詞、人稱詞以及數(shù)詞的使用占比較多。其中例如“后果很嚴(yán)重”這類恐嚇詞的使用，會(huì)讓人們不得不聯(lián)想到自己的身體狀況，產(chǎn)生杞人憂天的恐懼心理，從而利用此種心理轉(zhuǎn)發(fā)文章，吸引人們的注意力；第一人稱、第二人稱這種人稱詞的使用頻率增多，將會(huì)凸顯出標(biāo)題內(nèi)容的口語化、親民性，從而消除文章與讀者的隔閡，更利于情感的傳遞；而例如“萬萬”“千萬”這種數(shù)詞的使用也夸張了原本標(biāo)題的表達(dá)情感，凸顯出一種驚慌之意。總體上說，通過對(duì)標(biāo)題中各類詞語使用情況的內(nèi)容分析，可以得出人民日?qǐng)?bào)微信公眾號(hào)標(biāo)題呈現(xiàn)通俗化、情感化趨勢(shì)這一結(jié)論。

（二）社交媒體平臺(tái)中健康報(bào)道的標(biāo)題中蘊(yùn)含的情感會(huì)顯著地轉(zhuǎn)移至評(píng)論者

本研究通過文本情感分析的方法，主要以波森語義情感詞典和Hownet語料庫為基礎(chǔ)，構(gòu)建情感詞典庫。以Python3.6為編程環(huán)境，jieba分詞為分詞工具包，編寫分類器，計(jì)算出2018年月到12月人民日?qǐng)?bào)微信公眾號(hào)健康專欄的標(biāo)題及其相對(duì)應(yīng)評(píng)論的情緒值。進(jìn)一步構(gòu)建混淆矩陣，經(jīng)過實(shí)驗(yàn)的評(píng)估，該分類器達(dá)到的最高準(zhǔn)確率為86.9%，平均準(zhǔn)確率為85.05%，最高召回率為88.2%，平均召回率為85.05%，分類效果較好。此處分類器的分類結(jié)果表明計(jì)算所得的情緒值較為可信，可為下一步探討標(biāo)題情緒值和評(píng)論情緒值之間的關(guān)系奠定堅(jiān)實(shí)基礎(chǔ)。

隨后，將標(biāo)題情緒值和評(píng)論情緒均值做假設(shè)檢驗(yàn)，探討二者的相關(guān)性，結(jié)果表明，二者具有顯著的相關(guān)性，并進(jìn)一步探討其中的因果關(guān)系，可初步得出結(jié)論：在人民日?qǐng)?bào)健康專欄中，文章標(biāo)題情緒可影響文章評(píng)論情緒，并且新聞標(biāo)題蘊(yùn)含的情緒越強(qiáng)烈，評(píng)論所蘊(yùn)含的情緒也越強(qiáng)烈，二者成正相關(guān)關(guān)系。議程設(shè)置理論的第一層是指新聞事件由編輯部轉(zhuǎn)移到公眾之中，第二層是新聞事件的屬性轉(zhuǎn)移到公眾中,通過對(duì)標(biāo)題情緒值和評(píng)論情緒值之間關(guān)系的假設(shè)檢驗(yàn)，可以創(chuàng)新性地驗(yàn)證“屬性議程設(shè)置”理論。