新媒體環境下突發環境事件網絡輿情風險信息感知模型

謝媛　李本乾

關鍵詞： 新媒體環境； 突發環境事件； 網絡輿情； 風險信息感知

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０６．０１６

〔中圖分類號〕Ｇ２０３ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０６－０１５８－０８

新媒體環境是利用數字技術和網絡技術， 通過互聯網、寬帶局域網、無線通信網、衛星等渠道，以及電腦、手機、數字電視機等終端形成的環境。其在輿情傳播方面有著非常重要的作用， 因為使用新媒體的用戶較多， 輿情信息傳播的深度與廣度也在隨之擴大， 一旦傳播的負面輿情信息影響力超出可控范圍， 即會引起突發性輿情危機事件。該類事件的發生會導致網民產生恐慌情緒， 動搖用戶的信息， 喪失獨立思考的能力， 從而產生消極的影響。基于這種情況， 就需要對突發環境事件作出準確的判斷， 但是新媒體環境下網絡輿情是一個較為復雜的事物， 其具有較強的不確定性， 增加了網絡輿情風險信息感知與引導的難度。為了避免用戶在突發公共事件中產生恐慌情緒， 以及被錯誤觀點引領，發表不正當言論， 需要構建突發環境事件網絡輿情風險信息感知模型。

２０２０ 年， Ｓｈｉ Ｘ 等［１］ 提出一種基于雙向生成對抗網絡（ＢＩＧＡＮ）的無監督方法， 實現配電網絡在線監測數據的操作風險評估； ２０２１ 年， 李金澤等［２］ 在構建的突發輿情事件情報語料庫基礎上建立了突發輿情事件感知模型， 實現了輿情風向的感知； 李樹文［３］ 利用探針捕獲網絡流量數據包和人工免疫算法構建檢測模型， 實現網絡安全風險檢測； ２０２２年， 曹科才等［４］ 構建分數階微分方程模型， 使用參數擬合方法降低了網絡輿情系統整數階數學建模方法的保守性； 蘭月新等［５］ 在挖掘輿情傳播的核心要素指標的基礎上， 對網絡輿情異常數據進行建模，并提出風險計算方法， 實現輿情風險的檢測。上述模型中雖能夠對風險信息感知， 但是感知信息來源于實驗室數據， 并非實際數據， 容易出現與實際情況差距較大的情況， 準確性較低， 不能為事件分析提供幫助。

基于上述情況， 本文設計一個新媒體環境下突發環境事件網絡輿情風險信息感知模型， 通過輿情主體建模、輿情信息模型建立與網民情感模型建立，計算傳播概率， 采用Ｌｏｇｉｓｔｉｃ 回歸模型感知風險信息風險高低， 實現突發環境事件網絡輿情風險信息感知。

１網絡輿情信息評價指標和影響因素集構建

目前， 我國對網絡輿情的研究主要集中在從網絡科學與技術的角度， 開發先進的技術方法和簡化數理統計模型來采集和挖掘輿情信息， 從而代替網絡輿情分析判據的科學性。網絡輿情在內容上具有復雜性、突變性、對抗性等特點， 本文結合新媒體環境下輿情本身的性質和特點， 以網絡輿情傳播的輿情主體、輿情信息和網民情感３ 個核心影響要素作為評價指標， 建立信息評價指標和影響因素集。

網絡輿情的主要關鍵詞為社會、事件、網絡、公眾、民眾、信息、情感、情緒、態度等， 本文據此提煉網絡輿情傳播核心要素為輿情主體、輿情信息和網民情感， 構建網絡輿情傳播核心要素集為：

Ｉ ＝ ｛Ｓ， ｘ， Ｅ｝ （１）

式（１）中， Ｓ 代表輿情主體， ｘ 代表輿情信息， Ｅ 代表網民情感。

輿情主體， 公共輿論的傳播主體分為一般網民和引導者兩類， 前者的受眾人數多， 但是傳播的影響力卻很弱； 后者主要包括媒體、政府、網絡大Ｖ等網絡上擁有輿論導向功能的網民， 雖然人數不多， 但其輿論導向作用卻是巨大的。

輿情信息， 輿論信息包括發布主體、發布時間、發布內容、轉發、評論、點贊和發布網址等。

網民情感分為兩類（正面和負面）、三分（正面、中性、負面）和四分（憤怒、厭惡、高興、悲傷）、七分（憤怒、厭惡、恐懼、高興、喜好、驚訝）等。

基于上述分析可知， 信息、網民情感以及輿情主體涉及多個指標， 建立網絡輿情信息評價指標體系， 并分析影響因素［６］ 。主要指標如表１ 所示。

其中， 突發環境事件網絡輿論信息流的風險指數是用來度量突發環境事件后， 網絡輿論信息流出現異常波動的概率。它包含了４ 個現實層面的指數：地區ＧＤＰ 數值、地區人均收入水平、地區和諧度、地區網民數量。原因在于， 在比較和諧的經濟條件下， 突發環境事件的網絡輿情信息流出現異常波動的可能性較低， 而反過來則相反。突發環境事件的網絡輿情信息流傳導擴散風險指數是指突發環境事件中的信息流動的異常波動性、深度和持續時間，它的傳導擴散范圍越廣， 主題越深； 時間越長， 風險也就越大。因此， 具體分為６ 個指標： 主要網站突發環境事件專題點擊率、發布突發環境事件專題網站數量、瀏覽議題網民分布省份、瀏覽突發環境事件議題網民職業分布數量、輿情信息流已持續天數、突發環境事件議題回復網貼數量， 這６ 個指標能夠更好地反映突發環境事件網絡輿情信息流傳播擴散的相關情況。突發環境事件網絡輿情信息流平復風險指數是衡量政府在網絡輿情信息流蔓延后，政府導控、平復網絡輿情信息流的能力和效率。通常情況下， 管理能力越差， 管理效率越低， 所面臨的危險也就越大。它包含５ 個層次： 政府輿情反應速度、政府輿情回應民眾滿意度、突發環境事件解決民眾認可度、監測平臺完善度和員工質量。

滿足上述條件后， 用葉節點替換子樹， 替換后修剪決策樹， 提高數據的決策能力， 不斷迭代計算， 直到所有的數據計算完成， 即完成新媒體環境下突發環境事件網絡輿情風險信息感知和預警。

６實驗對比

以實際發生的突發環境事件網絡輿情事件為實驗對象， 并將文獻［１］構建的面向風險監測的感知模型、文獻［２］構建的突發輿情事件的情報感知模型與本文所構建模型對比， 對比３ 個模型在不同場景下的應用效果。

６.１實驗內容

此次實驗研究共分為兩個部分， 第一部分實驗為采用３ 種方法分析疫情事件輿情情感演化情況，主要包含參與者的消極情緒比例、積極情緒比例以及沒有參加評論的比例。

第二部分實驗以多個突發環境事件為研究對象，以數量為指標， 與實際微博轉發數量對比， 分析不同方法的感知情況和預警準確率， 從而反映本文方法的感知效果。分析關注、轉發以及評論這些數據的人數， 第二部分實驗中， 事件爬取條數如表３ 所示。

將上述內容作為實驗對象， 詳細的實驗結果如下。

６.２實驗結果分析

分析疫情背景下疫情事件輿情情感演化情況，對比結果如圖１～圖３ 所示。

分析圖１～ 圖３ 可知， ３ 種模型對于未參與者的信息感知結果與實際值相差較小， 其主要原因是未參與者對于目標事件持中立態度， 不發表積極或消極的評論， 因此其感知結果雖有一定偏差， 但與實際值相差較小。而面對消極情緒者、積極情緒或無感者兩類對象， 兩種對比模型在信息感知方面與實際數據存在一定差距， 感知精度不夠穩定， 然而所構建模型對不同情緒的用戶感知情況與實際趨勢基本一致， 證明所構建感知模型能夠準確模擬此次事件中的輿情情感演化情況， 并對其進行分析。其主要原因是所構建模型建立了網絡輿情傳播核心要素演化模型， 明確了演化規律， 因此可以通過感知用戶的情緒來準確感知輿情情感演化情況。

第二部分風險感知情況的實驗結果如表４ 所示。

基于表４ 可知， 所構建模型應用下感知的轉發數量與實際轉發數量相差較小， 最大相差低于１０條。說明采用本文方法構建的模型對微博轉發數量的感知效果較好； 而兩種對比模型與實際轉發數量相差較大， 說明感知效果較差。由此證明了所構建模型利用Ｌｏｇｉｓｔｉｃ 回歸方法具有一定的有效性。

第二部分風險預警的實驗結果如表５ 所示。風險預警即為篩查微博中惡意評論的數量。

基于表５ 可知， 所提出的突發環境事件網絡輿情風險信息感知模型在微博惡意評論預警上， 與實際惡意評論條數相差最多不超過５ 條， 而另外兩個模型預警的惡意評論條數與實際惡意評論條數相差均較大。說明本文所構建模型通過決策樹算法可以預警惡意評論的發展動態， 驗證了決策樹模型具有一定的有效性。

７結束語

網絡輿情發展過程中， 負面信息較多會引起用戶恐慌， 為此本文通過建立突發環境事件網絡輿情信息流風險指標集， 以此為基礎明確網絡輿情傳播核心要素演化規律， 并采用Ｌｏｇｉｓｔｉｃ 回歸模型感知風險信息風險高低后， 結合決策樹算法實現輿情風險預警。基于上述過程完成了新媒體環境下突發環境事件網絡輿情風險信息感知模型的構建， 實驗結果表明， 所研究的模型具有較高的感知準確性和預警能力。通過此模型能夠很好地處理突發狀況， 提高網民在突發環境事件下面對不良信息時保持理性，以有效扭轉輿情演化的方向。本文不足之處在于需要構建的模型過多， 在后續研究中需要優化模型并分析信息感知的影響因素， 為相關領域提供幫助。