互動儀式鏈視角下隱私泄露事件網絡輿情分析

于凱， 王云樂

1. 新疆財經大學 信息管理學院，新疆 烏魯木齊 830012；2. 新疆財經大學 公共管理學院，新疆 烏魯木齊 830012

社交媒體行業隨著移動通訊技術的發展而不斷迅速演進, 公眾隱私邊界在頻發的信息泄露問題中被重新界定． 隱私泄露是公眾在網絡安全中最容易受到影響的部分, 在社交媒體中該現象更為明顯． 部分平臺所獲取的權限遠超過其需要使用的數量, 社交媒體中頻繁發生的隱私泄露事件嚴重影響了用戶隱私披露的意愿[1]． 2021年9月《中華人民共和國數據安全法》正式施行, 在網絡安全問題中, 公眾更加關注個人信息泄露問題, 隱私主體被惡意騷擾甚至引發網暴事件被廣泛討論, 面對數字化轉型中的挑戰, 隱私泄露成為亟待解決的問題之一．

本研究從互動儀式鏈視角出發, 從主題和情感兩個維度進行分析, 探究不同用戶群體對于隱私泄露事件的態度． 結合互動儀式鏈中相互關注的焦點及情感的共享等基本要素, 分析隱私泄露中的痛點問題, 挖掘不同群體對于隱私泄露事件產生容忍度差異的原因, 對社交媒體上該現象的網絡輿情展開討論, 為相關政策的制定提供有效依據． 進而幫助有關部門和平臺明確披露個人信息的邊界, 促進隱私服務的完善, 在保證用戶隱私披露安全性、 主動性及滿意度的同時維系平臺的蓬勃發展． 基于以上目的, 本文重點回答以下問題: (1) 不同群體對于隱私泄露事件的關注點是否有差異?(2) 各群體對于隱私泄露事件的側重點是否與其群體屬性有關?(3) 互動儀式對隱私泄露事件的情感傾向是否有一定的影響?

1 相關研究

互動儀式鏈理論提出, 群體活動的參與者利用相互關注的焦點及共享的情感狀態[2]在互動儀式中獲得群體歸屬感和身份認同感[3]． 其基本要素包含身體在場、 共同的情感狀態、 共同關注的焦點及對局外人設限4個方面． 該理論的核心是情感能量的傳遞, 個體情感能量受到群體的影響, 早期用于研究主體間的互動關系[4]或理論修正[5]． 由于網絡的發展, 身體在場這一要素逐漸演化為網絡空間的虛擬在場[6], 所以也有學者運用這一理論對網絡輿情進行分析, 探究視頻彈幕網站中的情感演化規律[7]或是特殊群體的情緒轉化過程[8]．

將互動儀式鏈理論與網絡輿情分析相結合豐富了研究視角, 在對隱私泄露問題的探討中引入該理論可以構建多視野分析框架． 隱私泄露問題指未經授權公開隱私主體個人信息的行為, 在社交媒體不斷發展的今天是一種普遍現象． 目前的研究主要包括對隱私泄露原因的探究[9]; 保護對策的有效性分析[10]; 影響隱私泄露的關鍵因素討論[11]． 有學者結合具體案例分析隱私泄露的原因[12]; 以圖書館為平臺找尋隱私泄露的途徑[13]． 由于個體差異存在容忍度的區分[14], 有學者在醫療數據泄露[15]和應用程序泄露[16]等方面建立了容忍度測量方法． 在隱私泄露行為發生后, 應完善舉報機制以減少信息擴散[17], 加強社交媒體管理減少再次發生的概率[18]． 面對突發的新冠疫情, 借助大數據實現“數據防疫”取得了較好的成果, 但這也使公眾重新思考隱私披露的安全性問題, 在信息收集過程中加大了隱私泄露的風險, 容易使公眾的負面情緒轉移為網絡暴力行為, 產生較為嚴重的后果[19]．

社交媒體中的文本數據較為雜亂, 分析過程中需要對數據進行整理, 對信息進行挖掘． 對隱私泄露事件進行主題挖掘及情感分析是研究該類事件網絡輿情的兩個重要維度． 目前主題識別的研究方法已較為成熟, 有學者利用LDA模型對在線健康社區中用戶關注的主題詞進行提取[20]; 利用LDA2vec模型進一步提高政策文本語義內涵挖掘的完整性[21]; 針對隱私泄露中的圍觀者進行主題抽取[22]． 也有學者借助LSTM算法輔助主題分類研究, 提出按照詞組分詞抽取主題以提高準確度[23]． 在網絡輿情的研究中, 引入情感分析可以拓展研究角度． 目前使用較多的情感分析方法主要為3類, 即利用情感詞典進行情感分類[24]、 借助卷積神經網絡建立情感分類模型[25]及基于深度學習對情感極性進行分析[26]． 現有改進分析方法多是基于這3類發展出的更加精確的情感分類模型．

相關研究已從多方面關注到隱私泄露的風險性, 但多從用戶容忍度及政策完善等方面對該現象進行討論, 少有研究關注到隱私泄露的主題集中性及各用戶群體關注中心的差異性． 故本文探究了隱私泄露事件在互動儀式鏈視角下的痛點問題, 借助主題挖掘與情感傾向分析, 對不同群體間主題差異性及情感傾向分布進行挖掘, 針對社交媒體中該現象的網絡輿情展開討論, 為相關政策的制定提供有效依據, 促進隱私服務的完善．

2 研究方法

豆瓣小組實行進組審核制, 滿足對局外人設限這一基本要素, 同時組內成員存在共同興趣或身份屬性, 具有相似的視角． 故以豆瓣小組作為社交媒體數據來源, 爬取各小組內對于“隱私泄露”事件的討論, 獲取發帖時間、 討論詳情及小組類別等數據, 借助哈工大停用詞表去除停用詞、 jieba分詞工具進行分詞及人工去除無意義字符等預處理后, 利用BERTopic模型和百度AI情感分析模塊從主題挖掘與情感分析兩個維度對數據進行分析與整合． 對應研究框架見圖1．

圖1 研究框架圖

2.1 互動儀式鏈

互動儀式鏈理論包含4個基本要素, 即身體在場、 焦點共同、 情感共享及對外設限4個組成要素, 基于該理論構建豆瓣小組關于隱私泄露事件主體關系圖, 如圖2所示．

圖2 主體關系圖

隨著社交媒體的發展, 身體在場這一要素不再局限于實體, 豆瓣小組將組內成員聚集起來, 實現網絡空間的虛擬在場． 同時組內成員關注領域相同, 在隱私泄露事件中有共同的焦點, 互相分享傳播所關注的內容． 當事件發生引發較多話題時, 人們傾向于靠近觀點相似或是情感傾向相似的討論, 在不斷表達觀點的過程中產生情感共享進而積累情感能量． 同時對外設限這一要素能使用戶產生身份認同感, 進一步參與討論． 基于互動儀式鏈理論, 進行主題挖掘以探究各群體關注焦點, 計算情感傾向以分析用戶間情感共享狀態, 利用主題相似度判斷不同小組之間是否具有差異．

互動儀式會產生一定的結果． 組內成員不斷參與小組討論, 通過發帖或評論推動互動儀式的持續進行, 進而衍生出組內專有詞匯或暗號, 加強成員對小組的認同感, 產生群體之間的團結． 不斷積累的情感能量及對焦點的認同或反對短期內表現為觀點表達或情緒流露, 到達一定閾值后各用戶之間產生情感聯結, 推動用戶參與下一個互動儀式． 線上積累的情感在線下接觸同類型事件時會產生一定的行為映射, 推動支持或反對某些措施的線下行為． 同時由于互動儀式而產生的群體團結, 組內成員對于小組內部的觀點有較強的認可, 進而形成維護群體道德標準, 對不符合組規或者破壞群體團結的人會表示反擊或不滿．

2.2 BERTopic主題挖掘

BERTopic是基于深度學習的一種主題建模方法[27], 利用BERT嵌入和基于類的TF-IDF創建密集集群, 可以對大量的短文本數據進行高效的建模, 非常適合用于對豆瓣討論等文本進行主題提取的任務． 該模型的原理如圖3所示, 在BERTopic的每一階段都可以選擇更加匹配數據的處理辦法． 本研究根據所選文本特征, 首先利用SpaCy文本預處理庫對數據進行處理, 再用UMAP 降維算法(Uniform Manifold Approximation and Projection for Dimension Reduction)對詞嵌入向量進行降維處理[28], 通過HDBSCAN聚類算法(Hierarchical Density-Based Spatial Clustering of Applications with Noise)對降維后的向量進行聚類, 最后提取與主題最為相關的候選詞．

圖3 BERTopic模型原理

根據公式(1)計算BERTopic模型中所得主題內的詞重要性, 以TF-IDF為基礎的改進c-TF-IDF, 挖掘出每個主題中的表證詞．Wx,c表示詞x在語義簇c中的重要性得分,tfx,c表示詞x在語義簇c中出現的頻率,fx表示所有語義簇中詞x出現的頻率,Ave表示每個語義簇中出現詞匯數的均值．

(1)

對所獲取的文本進行基本處理之后, 利用BERTopic進行主題挖掘及主題詞提取, 獲取某一討論的主題概率分布圖, 如圖4所示． 由該圖可以看出, 該討論內容來自某一個主題的概率比其他主題的高, 其主題分布較為準確． 將提取出的主題進行相似度對比, 結果如圖5所示, 各主題間相似程度較低, 利用BERTopic對豆瓣小組的文本進行主題抽取能夠取得較好的效果．

圖4 主題概率分布圖

圖5 主題相似度熱力圖

利用余弦相似度計算不同類別間的主題相似程度, 對文本內容進行分詞后向量化, 將兩個向量的空間夾角的余弦值作為兩個文本的相似度, 值越大相似度越高, 利用公式(2)判斷兩個向量夾角余弦, 其中A、B為兩個n維向量．

(2)

2.3 情感傾向分析

情感分析與主題挖掘相結合能對網絡輿情中的觀點態度有更多維度的識別． 在現有的情感分析方式中, 百度情感傾向分析結合了情感詞典和機器學習兩種情感分析方法, 相較于單一情感分析, 具有更高的效率及準確度． 其情感傾向詞庫中含有來自各個領域的正、 負向語料庫, 在這些語料庫的基礎上訓練模型使得通用準確率達到92%[29],普適性以及準確性都較高, 能夠為本研究提供較為準確的實驗結果．

百度情感傾向分析通過對文本信息的情感分類(積極、 消極)和對應的可信度來實現情感評價． 將數據通過百度AI的接口輸入, 得到情感分類結果及可信度． 主要步驟為: ① 通過http請求向百度AI接口提交需要處理的文本數據． ② 百度AI處理后返回情感極性分類結果, 正面情感與負面情感的概率, 方便之后對情感結果展開進一步分析研究．

除此之外, 在將數據輸入百度情感分析模型前, 需要人工清洗文本內容, 將表情符號及相關網絡用語轉換為常用語． 部分用戶習慣于使用emoji或顏文字表達情感, 這部分內容在處理時需選擇與其意思相近的詞語做替換, 以得到更準確的情感分類結果．

3 研究過程

社交媒體的發展使互動儀式鏈組成要素中的身體在場能夠以虛擬身份表達, 對外設限這一要素也由于各網絡平臺的不同特性得以成立． 同時豆瓣小組具有的泛連接用戶關系、 審核申請制的特性也決定了組內成員有著共同的關注點及共享的情感狀態． 互動儀式鏈的4個基本要素在豆瓣小組這一平臺上都被滿足．

3.1 數據采集與預處理

選取豆瓣為數據來源, 借助八爪魚采集器以“隱私泄露”為關鍵詞爬取評論數據共1 539條, 以哈工大停用詞表為基礎, 結合本文數據采集過程中出現的無意義字符與數值等, 對文本中的無效內容進行剔除． 借助jieba分詞工具進行分詞, 再通過關鍵詞共現展示詞組兩兩出現在一篇文檔中的次數, 揭示詞組之間的邏輯關系進而分析它們所代表文檔的結構變化． 經過數據去重后得到1 102條數據, 時間跨度為2006年11月至2023年3月, 各年份分布圖如圖6所示．

圖6 隱私泄露討論熱度

自2006年至今, 豆瓣中關于“隱私泄露”的討論在2009年、 2014年、 2021年出現過3次起伏． 2009年豆瓣開始實行組長實名制, 用戶需提供身份信息等內容; 2014年奇虎360與騰訊公司關于隱私侵占壟斷的訴訟以360敗訴收尾, 該類事件被推向公眾視野; 2021年央視315曝光了三起規模較大的隱私泄露事件, 同時健康寶通行碼等疫情相關小程序引發較多討論．

根據豆瓣官方對小組的類別標簽進行簡單分類, 涉及“隱私泄露”話題的小組類別共20個, 各小組類別占比如圖7所示． 生活類小組占比最多達到27.86%, 科技、 情感、 校園、 職場類小組關于“隱私泄露”有較多討論, 其討論主題各有側重．

圖7 隱私泄露話題各類小組討論占比

在對隱私泄露問題的討論中, 整體關注點多集中在社交媒體使用過程中是否存在泄露隱私、 避免隱私泄露的技術及身邊隱私泄露相關事件． 除了用戶自身行為導致的隱私泄露, 一些被動的泄露行為也會引起廣泛討論, 如公司或學校無法避免的信息填寫等． 在關鍵詞提取后構建共現矩陣, 選取其中共現次數較高的關鍵詞, 如表1所示, 其共現次數越多說明二者關系越密切． 其中信息、 手機及用戶等詞都有較高頻次的共現, 說明手機使用過程中產生的信息泄露問題是公眾關注的重點． 除此之外, 泄露方式及渠道也較多被討論．

表1 共現矩陣

3.2 焦點共同——主題識別

借助BERtopic主題挖掘工具對討論文本進行主題分析, 利用LDA主題提取進行輔助分析, 隨機選取4個類別的某條討論繪制文檔—主題分布圖, 如圖8． 從圖中可以看出所選文檔的某1個或2個主題概率相比其他主題概率高, 即文檔均存在主要主題, 較好地實現了文本主題的劃分．

圖8 文檔主題分布

在互動儀式鏈中, 組內成員有著共同的關注焦點, 柯林斯認為個體在參與到集體的互動中時有較強的身份認同感, 周圍群體的討論易引起用戶積極參與． 對各類小組所關注的主題進行挖掘, 其中科技、 生活、 校園及職場4個小組的主題數量及其概率詞如表2-表5所示． 科技類小組主要關注隱私泄露的具體類別, 如后臺程序或者照片定位等, 同時關注蘋果等手機品牌在數據安全方面的優劣性． 在2010年騰訊與奇虎360之爭中發布討論的也多為科技類小組, 進一步說明該類小組討論側重于產品或軟件而非用戶行為．

表3 生活類小組隱私泄露討論主題分類

表4 校園類小組隱私泄露討論主題分類

表5 職場類小組隱私泄露討論主題分類

生活組對于隱私泄露問題的討論多集中在身邊事, 相較于科技組側重從數據角度避免隱私泄露, 生活組更注重隱私泄露后的補救措施及情緒撫慰． 同時生活組的討論主題還包括購物軟件、 快遞和外賣等涉及私人信息的隱私保護問題, 以及提出切實有效的隱私保護措施, 如涂黑快遞信息等． 相較于男性, 女性更加擔心隱私泄露問題, Topic1、 Topic6中都提及到女性隱私泄露問題．

職業屬性集中的校園類小組和職場類小組在關于隱私泄露問題的討論中側重點不同． 校園類小組更多關注論文中隱私泄露的問題． 如Topic1所示, 包括需要完成的問卷及論文的查重是否造成隱私泄露等． 由于學生較多受學校管束, 所以部分用戶對學校的信息采集等必要措施也進行了討論, 他們認為共享文檔等內容存在泄露隱私的隱患． 我國在校大學生寒暑假期間往往有跨區域流動, Topic5說明他們出行過程中更加擔心車票等是否會泄露信息, 共享單車等出行軟件是否有良好的隱私保護性． 與其他群體相比, 學生群體愿意花費更多的時間在社交媒體上, 接觸不同類的社交媒體也使得該類小組對于社交媒體泄露隱私的問題更加關注, 其中就有抖音等平臺隨手拍行為是否注意到了路人打碼等問題的討論．

與校園類小組不同的是, 職場類小組更加側重對隱私泄露行為可能會帶來的后果及風險的分析, 更加注重從法律角度對隱私泄露問題進行解讀, 在嚴重的隱私泄露事件中, 個人力量在法律上能否與企業所抗衡． Topic1顯示, 部分公司攝像頭數量較多, 公司內部網絡泄露員工隱私等現象都引起了較多討論． Topic2說明由于個人簡歷往往包含較完整的個人信息, 有部分用戶擔心在求職過程中被招聘軟件非法收集簡歷造成信息泄露．

3.3 情感共享——情感傾向分析

用戶在發布討論時會帶有情感詞, 這些詞主要反應了用戶在對共同關注的焦點討論后的情感狀態． 對用戶情感傾向進行分類, 選取其中10類小組的情感分布, 如圖9所示． 在同一小組中, 用戶情感狀態容易受到組內其他討論的影響, 相互關注的焦點也影響著用戶的情感, 隨著互動的推進, 用戶情感不斷波動而產生情感能量的積累． 在隱私泄露事件的討論中, 負面情感在職場、 閑聊、 校園、 美食、 理財、 家居及ACG類小組中占比較高． 其中校園類小組關于隱私泄露事件的討論最為負面, 其原因可能是學生群體在情感上容易沖動, 情感起伏較大． 而娛樂類小組正面情感最多, 該小組屬性偏向樂觀, 組內整體情感較為積極, 所以對隱私泄露事件的討論也偏向正面． 而情感類、 生活類等小組由于其組內情感趨于中性, 日常討論內容較為平和, 故對于隱私泄露事件的情感并未出現較明顯的波動．

圖9 各類小組情感傾向

總體而言, 用戶對于隱私泄露的容忍度維持在一定閾值范圍內, 在該范圍內情感傾向偏向積極． 如3.2節中所提, 校園類Topic5及職場類Topic3都涉及到基本身份信息的泄露, 該些討論使得整體情感傾向偏向消極． 而在娛樂類小組中情感傾向較為積極, 原因在于組內討論多為各類防止隱私泄露的措施, 及接到部分騷擾電話的積極應對行為． 部分用戶認為, 大數據帶來的便利在某種程度上是以隱私泄露為代價的, 故對于使用這類軟件造成的隱私泄露保持積極情緒． 除此之外, 對于政府部門進行防疫等必要舉措時產生的隱私披露, 公眾大都表示可以理解并接受．

3.4 對外設限——主題相似度計算

互動儀式鏈中的一個基本要素是對局外人設限, 而豆瓣小組的進組申請審核制滿足這一要素, 組外成員的討論受到一定的限制． 利用余弦相似度計算各類小組在討論隱私泄露事件時所涉及的主題是否相似, 并從中選取10個結果, 如表6所示． 大部分小組間所討論的主題相似度都較低, 但生活類小組因為其內容涉及面較為廣泛, 與各個小組都有交集, 所以與其他小組間主題相似度略高．

表6 部分類別小組間主題相似度

4 討論與分析

互動儀式不斷進行構成互動儀式鏈, 用戶在互動儀式鏈中不斷參與討論、分享觀點、表達情感, 感受到所在群體的成員身份, 產生歸屬感, 進而對破壞群體團結的行為產生憤怒． 共同關注的焦點與互相影響的情感使群體中產生了專屬符號, 在對隱私泄露事件的態度表達及預防措施討論中, 對用戶線下行為的實踐產生一定的影響． 互動儀式鏈產生群體團結、情感聯結與線下行為3個結果, 將互動儀式結果與隱私泄露相關輿情結合起來提出措施建議, 幫助社交媒體平臺與相關部門進一步完善隱私保護措施．

4.1 借助群體團結增強隱私意識

隱私泄露具有較強的危害性與破壞性, 而我國公民尚未形成較強的個人隱私保護意識, 不能充分認識到身份證等重要信息在網絡傳播可能造成的危害． 互聯網的不斷發展使得隱私泄露事件不斷發生, 電信詐騙等利用已泄露的信息實施的違法行為, 在中老年群體中較為常見, 給社會穩定造成了一定影響． 互動儀式產生的群體團結使得豆瓣各小組內部對于隱私泄露問題持不同看法, 科技方面關注較多的群體對隱私泄露更加敏感, 如2022年豆瓣平臺展示用戶IP地址引發該類小組較為激烈的討論, 而生活類小組卻較多保持平和看待該事件．

由于群體團結這一互動儀式的結果, 各小組內部關注點較為統一． 相關部門可利用群體團結這一特性, 對于各小組可能產生的衍生主題提出預見性的舉措, 提前對關鍵問題進行應對, 借助對違反群體團結的憤怒情緒推動政策落地． 同時為了避免嚴重的隱私泄露, 在數據發展與保護信息之間達到平衡, 還需要多方面舉措并行． 各類APP對于隱私政策需要更加審慎, 做到公開透明． 在隱私政策制定中體現出尊重用戶的更能獲得用戶信任[30], 也可以避免用戶的“被自愿”行為． 除職場類小組外, 其他類小組對于隱私泄露可能產生的后果沒有明確的認知, 各社交媒體在日常推送中需增加相關內容的表述, 以提升用戶隱私保護意識, 并及時監測各群體焦點的主題演化過程, 采取有效策略減緩可能的負面影響．

在隱私泄露問題上維持動態的平衡點, 利用小組管理員的舉報反饋機制來調整組內相關內容的比例, 達到公眾知情權與隱私權的互相完善． 比如, 豆瓣和其他社交媒體平臺在疫情流調等情況下可能需要公布用戶個人信息, 這時可以根據各小組的特點進行正向引導, 發布脫敏的討論內容, 以減少用戶的抵觸情緒． 同時, 還應該聚焦各群體的痛點問題, 例如校園組的“論文泄露”、ACG組的“賬戶被盜”以及生活組的“地址威脅”, 集中處理以減少由隱私問題引發的負面輿情．

4.2 基于情感聯接進行疏導

通過不斷進行互動儀式, 參與者逐漸獲得情感能量, 并從早期不穩定的情感狀態逐漸轉為穩定． 參與者的情感會受到組內情感的影響, 當組內情感能量積極時, 參與者的情感也偏向正面． 利用這一儀式結果, 可以疏導隱私泄露引發負面影響的輿情, 避免輿情態勢惡化．

根據對各類小組內隱私泄露問題的情感傾向進行分析, 發現校園類小組和職場類小組的情感傾向較為負面, 涉及外賣泄露地址和理財產品信息不安全等討論時會呈現負面情感． 研究結果表明, 這些小組中的隱私泄露問題多為被動、無法避免的情況, 需要用戶自己承擔后果, 因此組內的情感低落． 由于互動儀式中的回音室效應, 信息在封閉的空間內不斷重復, 導致情感的積累和群體極化現象． 通過情感聯結可以對輿情產生反作用, 將情感能量轉化為促進正面輿情的樞紐, 減少負面反饋, 從而疏導消極情感．

當嚴重的隱私泄露事件發生時, 通常會引發大量負面輿情． 因此, 平臺監管部門應提升監管能力, 建立情感詞語料庫, 結合關鍵詞及時捕捉負面情感信息, 避免隱私泄露范圍的進一步擴大． 同時, 結合各群體內隱私泄露問題產生的情感演化過程, 制定全面的預案以應對波動趨勢． 由于疫情防控等措施的推進, 用戶對于隱私泄露的容忍度有所改變, 合理的隱私披露在一定程度上可以被部分用戶接受, 情感也更偏向正面． 官方媒體在公布個人信息時需對其內容用途進行說明公示, 并禁止隱私信息的轉發擴散, 從而增加公眾的信任度． 此外, 公布隱私事件的處理結果, 打斷負面情緒的惡性循環．

4.3 利用行為結果完善隱私保護

相互關注的焦點及情感共享的狀態使得互動儀式參與者之間形成較為緊密的社會關系和較強的信任度, 用戶對破壞群體團結的行為產生憤怒情緒, 進一步發表維護群體的言論或線下實踐． 當用戶對討論的內容產生認同, 并且情感共鳴較高時, 其所認定的內容對線下行為產生一定的影響． 利用這一特點提出相關建議, 促使隱私被更好的保護, 在網絡發展與信息泄露之間達到平衡．

隱私泄露問題中的行為結果包含兩方面, 一方面是對隱私保護措施的討論, 例如涂掉快遞信息、設置外賣虛擬電話號碼以及關閉不必要的軟件權限獲取等; 另一方面是對隱私泄露事件的擴大行為, 轉發和點贊等行為, 這會增加隱私泄露的關注度, 同時部分譴責的討論也會進一步傳播被泄露的信息． 同時警惕這種擴大行為容易引發的次生輿情, 尤其是在社交媒體平臺上, 微信、抖音等平臺加速了信息泄露． 因此, 需建立隱私保護優化模型, 并善用舉報和投訴機制來應對這一問題． 但生活中的隱私泄露問題往往是無意識的, 為此, 各社交媒體平臺在用戶隱私政策中應特別強調相關內容, 以提醒用戶注意隱私保護．

信息化建設的不斷深化, 推出的線上辦公小程序等內容, 在便利生活的同時都面臨著隱私問題． 為了應對隱私問題, 政府部門應建立多種信息的反饋渠道, 以便了解存在的隱私風險, 根據已經發生的隱私泄露事件, 完善管理體系, 并檢查信息安全漏洞． 同時, 對隱私泄露的懲處措施予以公示, 強調其法律后果, 避免再次發生類似事件． 為了提高個人隱私保護意識, 應將線上的情感傳遞與線下的行為結果進行結合, 遵循平臺隱私管理條例, 保持良好的社交環境． 相關企業完善信息安全保護機制, 采用加密算法并對其安全性定期評測, 以完善隱私保護體系．

5 結語

本文圍繞隱私泄露這一話題, 從互動儀式鏈視角出發, 分析了豆瓣各類小組的互動機制． 結合BERTopic主題挖掘及情感傾向性分析方法, 對這類事件中的焦點問題及產生的情感進行了分析． 研究結果顯示, 不同群體由于職業、性別和興趣的不同, 在隱私泄露問題上持有不同的觀點． 科技類小組更關注技術問題及數據安全性, 職場類小組更關注發生隱私泄露問題的法律后果和公司合法性, 生活類小組中表現出女性較男性更為注重隱私保護這一特點． 處于互動儀式鏈中的成員在共同關注的焦點下有著共享的情感狀態, 其組內討論影響著個人的情感能量． 具有職業屬性的校園類和職場類小組情感較為負面, 而娛樂類和生活類小組整體情感較積極, 對隱私泄露容忍度較高． 對于隱私泄露問題, 可以通過引導互動儀式鏈產生的群體團結、情感聯接和相應行為結果, 提高公眾的隱私素養, 并完善隱私保護體系．

本研究還存在一定的局限性． 首先, 以豆瓣小組為研究平臺, 缺少多平臺案例的對比分析． 其次, 在主題挖掘階段未對討論中的圖片及表情包做處理, 情感分析階段對于多模態的內容未進行更進一步的研究． 在后續研究中考慮融合影響較大的隱私泄露事件, 多維度對該類事件的演化規律進行討論, 借助深度學習等多模態的分析方法, 更準確地挖掘公眾對隱私泄露現象的看法, 并逐步關注不同類別事件隱私泄露的演化過程, 以進一步加強隱私保護措施．