重大輿情與突發事件輿論演變與引導機制研究述評

摘 要： 全媒體環境下，重大輿情與突發事件輿論引導及相應的科學研究問題日益凸顯出行為的復雜性、結構的復雜性、要素間關聯的復雜性和環境的復雜性，向目前的引導研究方法論提出新的挑戰。以Web of Science和中國知網（China national knowledge infrastructure， CNKI）數據庫為數據來源，圍繞重大輿情與突發事件本身的分析挖掘、指標體系、傳播和演化，以及輿論引導策略的宏觀政策、態勢研判、演化仿真預測和應急響應研究展開述評梳理，最后總結了重大輿情和突發事件輿論引導理論方法、研判分析和預警研究面臨的挑戰和發展趨勢，有助于幫助數智驅動應急管理體系和能力建設發展中新機遇和新挑戰方面的落實。

關鍵詞： 重大輿情與突發事件; 輿論演變; 輿論引導機制; 輿論態勢研判

中圖分類號： G 206

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.08.18

Evolution and guidance mechanism of public opinion and

emergencies： a review

GUAN Shuang¹， WANG Changfeng^1，*， YANG Longfei²

（1. School of Economics and Management， Beijing University of Posts and Telecommunications， Beijing 100876， China;

2. School of Intelligent Manufacturing，Nanjing University of Science amp;Technology， Nanjing 210094， China）

Abstract： In the all-media environment， the guidance of public opinion on major public opinions and emergencies and the corresponding scientific research issues increasingly highlights the complexity of behavior， complexity of structure， complexity of relationships between elements， and complexity of the environment. Public opinion guidance research methodologies for incident events pose new challenges. By using the Web of Science and China national knowledge infrastructure （CNKI） databases， this review focuses on the analysis and mining， indicator system， dissemination and evolution of major public opinions and emergencies themselves， as well as the macro-policy， situation analysis， evolution simulation prediction and emergency response research of public opinion guidance strategies. Finally， the challenges and development trends faced by theoretical methods， judgment analysis， and early warning research on major public opinion and emergency public opinion guidance are summarized， which can help promote the implementation of new opportunities and challenges in the development of digital intelligence-driven emergency management systems and capacity building.

Keywords： major public opinion and emergencies; opinion evolution; guidance mechanism; judgment of public opinion situation

0 引 言

在大數據時代浪潮中，媒體技術飛速發展并深刻變革，催生出一個全新的輿論生態。這一生態中，全媒體持續演進，呈現出全程、全息、全員、全效的嶄新面貌，信息以前所未有的速度和廣度滲透到社會每個角落，幾乎無處不在、無所不及、無人不用^［1］。這種變化催生了輿論和媒體傳播模式的重大改變。特別地，全媒體的發展以媒介融合為顯著特征，信息傳播不再受限于傳統的時間和空間框架^［2］，得以更加自由、靈活地流動，國際與國內、線上與線下、現實與虛擬的邊界逐漸變得模糊，共同構建了一個日益復雜且多元化的輿論場。然而，這種變革也帶來了新的挑戰。由于網絡空間的開放自由性，極易導致一些負面觀點和理論的產生和蔓延，有效輿情導控成為新的課題^［3］。我國地域廣闊，經濟發展快速，矛盾和沖突發生頻次不斷升高，顯著放大了突發事件重大輿情的社會影響^［4］。在這種情況下，政府急需一種更高效的網絡輿情回應與導引的方式方法。

以專家經驗為決策的單一應急管理決策模式已經不能適應數據時代變化的需求，以情景到應對的管理應急模式逐漸占據主導地位，即通過大數據獲得有價值的信息數據，從而挖掘突發事件的時空特征、演化規律及內部機理，基于此能從整體視角預測和研判突發事件發展的態勢變化。利用大數據及人工智能技術，剖析網絡輿情演化規律，構建輿情監測體系，營造健康發展的網絡生態空間，是國家現代化治理能力的重要發展方向^［5］。因此，研究完善重大輿情和突發事件的輿論引導機制具有現實需要和理論研究的緊迫性。近年來，重點輿情和突發輿情引導機制的相關研究與實際應用逐漸發展成為新時代管理領域的研究熱點。

本文采用文獻綜述方法通過系統性的梳理發現，當前國內外，在關于重大輿情與突發事件的理論體系與應用方面已經積累了大量的研究成果。對重大輿情與突發事件本身的分析挖掘、指標體系、傳播和演化，以及輿論引導策略的宏觀政策、態勢研判、演化仿真預測和應急響應研究等進行歸納與分析，指出現有研究急需應對的挑戰以及需要彌補的缺點，為進一步研究突發事件應急管理體系和能力建設提出可能的改進方向。

1 重大輿情和突發事件演變及輿論引導機制研究文獻定量分析

本文選擇以Web of Science和中國知網（China national knowledge infrastructure， CNKI）收錄的期刊論文和會議論文為文獻來源，通過基于標題的檢索，獲取了國內外涉及重大輿情和突發事件演變及輿論引導機制研究的文獻，研究分析了針對重大輿情和突發事件的演變及引導機制。

1.1 重大輿情和突發事件研究

目前，國內外學術界對于術語“突發事件”概念的定義并未達成完全一致。國外學者通常使用“Emergencies event”“unexpected event”等術語進行描述，但是國內學者認為“emergencies event”多用于描述規模較小的事件，而“unexpected event”則多用于描述事情發生的不可預測性，這些術語都不能完全貼合中文語義下“突發事件”的定義。在國內學術領域，突發事件被定義為突然發生的，對公眾的生命健康、財產安全、社會穩定和公共安全構成威脅，甚至可能影響到國家利益以及全球穩態的公共事件，這些事件要求政府迅速響應并采取相應的應對策略^［6］。而2007年公布的突發事件應急法相關文件對突發事件的定義進行了闡述，認為突發事件是指突然發生的、可能或已經造成嚴重社會危害、需要政府及相關管理部門采取應急處置措施的自然災害事件、事故災難事件、公共衛生事件及社會安全事件^［7］。盡管國內外學者對于突發事件的理解存在差異，但在內涵和性質上有相通之處。本文以《中華人民共和國突發事件應對法》中對突發事件的界定依據作為參考。

為了全面、系統地了解重大輿情和突發事件領域的總體發展與研究現狀，本文首先從定量的角度出發，通過對國內外文獻數據庫進行檢索，在對檢索數據進行處理的基礎上，從發文數量的時間趨勢、研究方向的變化和關鍵詞分布的計量分析3個角度出發，并結合基于Citespace的關鍵詞主題的演化，對本領域進行詳細探究，以揭示其特征和規律。

1.1.1 相關文章發表的時間分布趨勢

為了評估國內外對重大輿情和突發事件的研究文獻發表數量的時間分布趨勢，首先對經過處理的數據進行統計。然后，通過繪制時序分析對比圖，對國內外文獻的發文量進行比較。國內外文獻的具體對比情況如圖1和圖2所示。

在所統計的數據庫中，將“online public opinion”或者“emergency”術語作為文獻主題的文章共計4 146篇，最早出現在2001年。CNKI中檢索出的主題包含重大網絡輿情的文章共計2 679篇，最早出現在2005年。從圖1和圖2數據可以看出，以2012年為拐點，國內外重大輿情和突發事件文獻進入快速增長期，這主要是由于互聯網的興起為輿情的擴散和爆發提供了有利的媒介。這激起了廣大研究人員的研究興趣。

1.1.2 相關文章所涉及的關鍵詞及研究熱點

為了探究國內外關于重大輿情和突發事件相關文獻的關鍵詞及研究熱點，本文對所整理的文獻進行了關鍵詞數量統計，并制作了國內外高頻關鍵詞頻次對比表，如表1所示。利用Citespace軟件對所整理的關鍵詞進行了共現分析，得到關于重大輿情和突發事件相關文獻的關鍵詞共現網絡圖，如圖3和圖4所示。圖3中主要的關鍵詞有：輿情（public opinion）、社交媒體（social media）、態度（attitude）、信息（information）、媒體（media）、意見（perception）、交互（communication）、推特（twitter）、 網絡（internet）、觀點（opinion）、行為對策（behavior）、影響（impact）、態度（attitude）、情感分析（sentiment analysis）。從國內外關鍵詞對比表可以發現，國外高頻關鍵詞有輿情、社交媒體、態度、情感分析、推特等；國內高頻關鍵詞有網絡輿情、突發事件、高校、地方政府、新媒體、應對策略等。由圖3可知，國外與重大輿情和突發事件聯系比較緊密的關鍵詞有輿情、社交媒體、態度、情感分析、推特等；由圖4可知，國內的關鍵詞有網絡輿情、突發事件、突發公共事件、輿論引導、新媒體、應對策略、指標體系等。通過對比國內外關鍵詞的頻次和共現圖可以發現，這些高頻詞和共現詞不僅揭示了在重大輿情和突發事件研究中所關注的熱點，其中包括了研究對象、研究方法和面臨的問題，而且展示了其應用的主要領域。同時，這些關鍵詞所形成的共現網絡之間的關聯性也比較顯著。此外，根據以上分析，國內外與突發事件相關的主要輿情和研究熱點也存在差異。國外研究主要關注公眾在輿論影響下的態度和情緒，而國內研究則側重于對輿情的分析和引導等。

1.2 重大輿情和突發事件輿論引導研究定量分析

國外選取Web of Science核心庫，檢索式為TS=（“CRISIS RESPONSE” OR “CRISES RESPONSE” OR “NETWORK EMERGENCY” OR “CRISIS COMMUNICATION” OR “CRISES COMMUNICATION” OR “PUBLIC OPINION” “PUBLIC SENTIMENT” OR “SENTIMENT ANALYSIS”） AND TS=（“MEDIA” OR “GUI-DANCE” OR “GOVERNANCE” OR” REGULATION” OR “GUIDE”），以此作為國外輿情引導策略研究的計量數據集。國內選取CNKI庫，檢索式為（SU=‘輿情’ OR SU=‘突發事件’ OR SU=‘危機管理’ OR SU=‘危機公關’） AND（SU=‘引導’ OR SU=‘應急響應’ OR SU=‘導控’ OR SU=‘引導’ OR SU=‘管控’ OR SU=‘監控’），檢索時間是2023年10月8日，文獻共計7 079篇。

1.2.1 發文數量的時間分布

圖5展示了國內外輿情引導相關研究的歷時分布，由圖5可清晰地看到國內外研究的起始時間和文獻量隨時間演變的差異。

如圖5所示，國外從2000年至2023年，共發表了7 928篇論文，并且研究文獻的數量呈逐年增長趨勢。2000年，Anderson等^［8］將引導公眾輿情納入減少吸煙傷害的五大策略之一。2010年，Bifet等^［9］率先提出采用數據流的學習算法針對推特數據進行知識發現。基于大規模數據的輿論主題挖掘逐漸盛行，2011年以后研究文獻持續增長。

1.2.2 發文所涉及的關鍵詞和研究熱點分布

利用Citespace作國內外輿情引導策略研究熱點分布圖，結果如圖6和圖7所示。圖6中主要的研究熱點包括：情感分析（sentiment analysis）、社交媒體（social media）、推特（Twitter）、機器學習（machine learning）、自然語言處理（natural language processing）、分類（classification）、深度學習（deep learning）、意見挖掘（opinion mining）、文本挖掘（text mining）、大數據（big data）、信息（information）、數據挖掘（data mining）、社交網絡（social network）、輿情（public opinion）、情感分類（sentiment classification）。根據關鍵詞頻次進行統計，得到如表2所示的排名前14的列表，據此可以大致歸納出國內外有關輿情引導研究的熱點。

在國外研究中，除了關鍵詞情感分析、社交媒體外，出現頻次較多的是意見挖掘、機器學習、文本挖掘和大數據等。與這些關鍵詞關聯形成的研究主要集中在兩大方面：一是以政府為服務對象，有關民意、管理、復雜網絡、社區和分類等的研究，即圍繞民意監測、建模、意見領袖與選舉支持之間的關聯、危機管理和應急響應決策等的研究;二是以社會現象為研究對象，有關動態、交流、行為、系統等的研究，也就是圍繞網絡輿情民意的特點、輿情所涉及主體的行為與解釋社會事件現象的因素的研究。

在國內研究中，除了關鍵詞網絡輿情外，輿情引導、自媒體、突發事件等不僅位居熱門關鍵詞前列，而且與其關聯的詞匯形成的詞簇都比較明顯，各個詞簇之間的密切程度都比較高。與研究方向分布中新聞傳播研究排首位相一致，從關鍵詞熱點上看，研究側重于自媒體、網絡、群體性事件的網絡輿情，重點關注輿情監控、應急響應、突發事件。

總體上看，無論是國外還是國內，有關輿情引導的研究都已經從總結策略式的研究邁向基于數據實證、建模仿真和規模化系統構建的研究，但是研究側重點又有較大不同。

2 重大輿情和突發事件演變及輿論引導機制研究學術梳理

2.1 重大輿情和突發事件演變研究學術梳理

網絡媒體已成為公眾對社會和公共問題發表意見的常用渠道，并形成了井噴式增長的網絡輿情信息，產生具有大數據特征行為的數據。同時，全媒體環境和輿情數據的快速增長增加了管理和控制的難度，加之當前復雜的國內外社會環境，重大輿情和突發事件持續呈現高發態勢，給網絡輿情管理帶來全新的挑戰。本文第2.1節從網絡輿情、重大輿情與突發事件傳播及演變3方面進行細致的學術梳理。

2.1.1 網絡輿情相關研究

網絡輿情具有大數據特征，尤其是在重大輿情和突發事件輿論中，公眾在網絡空間產生大量不同類型的數據，包含文本、圖片和視頻等。傳統的人工數據處理、專家分析方法難以滿足大數據處理需求，而自然語言處理以及網絡信息挖掘等已成為網絡輿情信息挖掘的常用方法。戴媛等^［10］基于我國網絡發展的現實特征，分析網絡輿情信息挖掘的步驟和渠道，并以此為基礎提出了包括熱點、重點、起始點、中心點、波動點以及興奮點在內的我國網絡輿情信息挖掘“六個點”內容，并依據我國網絡輿情形成、傳播與轉載等階段提出基于不同時期的信息挖掘方法。夏一雪等^［11］基于大數據視角定性分析了網絡輿情反轉機理，利用微分方程建立了機理模型，并通過數值仿真對反轉效應進行量化分析，進一步探討了輿情反轉的預測機制，并提出了輿情反轉動態評估方法，為輿情反轉評估提供了新視角。

曾潤喜等^［12］從網絡輿情演變模型和技術模型兩個角度對網絡輿情傳播不同階段的模型進行深入分析，比較研究了各模型的優劣。連芷萱等^［13］基于案例分析，構建了一套多維度網絡輿情指標體系，用于輿情事件分類因素的觀測識別，體系基于文本泛化聚類方法區分不同輿情事件類型，采用多項式邏輯回歸分析方法，對網絡輿情事件類型與輿情特征類型間的關聯關系進行了分析評論。

在重大輿情和突發事件分析挖掘的建模和指標體系構建方面，張瑜等^［14］在網絡輿情信息挖掘過程中，將主題分類模型應用于構建輿情監控預警模型，并基于時間視角研究了面向主題的網絡輿情情感信息挖掘分析，為網絡輿情信息的挖掘與監控預警提供了參考意見。黃遠等^［15］聚焦微博輿論場，基于超網絡建模相關理論，構建了涵蓋社交、信息、心理和觀點4個維度的微博輿論場模型，對其“場強”進行了定量分析研究，并使用社會計算和數據挖掘算法，針對微博輿論場對新的無知者和感染者的作用過程，進行了量化研究與分析，實現對突發事件輿情態勢的預測和預警。李磊等^［16］提出一種對主題詞頻數加權的改進共現分析方法，此方法主要利用社會網絡分析法分析突發事件關鍵主題詞網絡共現問題，從而挖掘突發事件網絡輿情主題內容的演化特點及進行趨勢分析。聶峰英等^［17］針對現有網絡輿情指標，結合輿情特性，設計了3層級網絡輿情預警指標體系，包括與之對應的7個二級指標及13個三級指標，并以典型案例進行實證分析，驗證了該指標體系的科學性及合理性。

2.1.2 重大輿情與突發事件傳播的相關研究

無論是平緩或是突發性質的輿情，都具有“產生-發酵-高峰-消解”的過程，受多方輿情傳播影響因素的限制，輿情傳播既有輿情事件自身發展演變的規律，同時又受作用于時空環境及人的因素的調控。林敏^［18］對網絡環境、社會架構、網民行為及心理等要素展開深入探析，挖掘出突發事件網絡輿情演化過程中的多維度因素之間的關系及事件發展規律。張玥等^［19］針對微博輿情傳播影響因素展開了分析研究，通過分析相關影響因子得出如下結論：信源特征對微博輿情傳播有明顯影響，其中粉絲數在信源特征對傳播效果的影響中有中介作用;信息形式相關因素對微博輿情傳播無顯著影響，但短鏈功能與微博的評論數呈現出顯著的負向相關關系。周昕等^［20］從多媒體技術對網絡輿情影響視角出發，基于輿情分析及信息傳播理論，系統解析了傳統網絡輿情信息傳遞模式。齊佳音等^［21］利用復雜系統理論，從內外源動力耦合的測量角度出發，構建了突發公共危機事件評估指標體系，并且通過實例驗證了耦合協調度與突發公共危機事件輿情社會影響力二者的相互關系。

不同的主體在重大輿情與突發事件信息傳播中會起到不同的作用。Moreno等^［22］認為，從信息傳播角色分析，政府擔任了公共危機信息傳播整個流程的掌控人，具備控制信息流通的權力。然而，Mehrotra等^［23］對此卻有不同觀點，他們認為隨著信息流通，政府影響力逐步減弱，而其他媒介主體（包括媒體或手機用戶）也影響傳播格局變化，即政府、媒體與網民在信息傳播中的主體地位不是一成不變的，而是相互流通、相互影響的。吳曉林等^［24］基于問卷調查和深度訪談等研究方法，分析沖突議題架構本身對于輿情議題傳播過程與效果的影響，并從傳播時間、傳播內容、傳播效果、傳播影響等方面對比分析新媒體與官方媒體在網絡輿情信息傳播過程中的差異性。

重大輿情與突發事件在信息傳播過程中，具有突發性、難以及時捕捉等特點。而知識圖譜技術能夠實現全方位、高精度的輿情事件監測，對重大輿情和突發事件發現和監測有著重要影響。蘇楠等^［25］基于知識圖譜理論，通過構建特定時間區間內網絡輿情突發事件的知識圖譜傳播監測模型，對輿情內容和突發話題傳播路徑進行準確監測。婁國哲等^［26］提出基于知識圖譜的網絡輿情知識組織架構，通過本體構建方法實現網絡輿情知識圖譜構建，并結合網絡輿情管理實踐和軍事領域專家經驗研究輿情傳播問題。劉雅姝等^［27］基于知識圖譜方法，以突發事件下的網絡輿情評論數據為基礎構建話題圖譜，并利用主題模型對圖譜中輿情內容屬性進行劃分，探究突發事件網絡輿情傳播模式。

重大輿情和突發事件在當下的全媒體環境下，傳播方式日趨多元化，傳播路徑日趨復雜化。同時，承載輿情的語義媒介也日趨多維化，從傳統的文字載體，變為形式更加多元的多媒體。上述變化對已有網絡輿情傳播體系構成新的挑戰。因此，需要構建適應當下環境的全新的網絡輿情信息傳播體系，以有利于更為科學、準確地研究網絡輿情信息傳播問題。知識圖譜技術能夠在多維度上優化網絡輿情傳播研究，提高重大輿情和突發事件的監測效率，對政府等公共管理者及時掌握突發事件動態、豐富網絡民意渠道、維護社會穩定具有重要意義。

2.1.3 重大輿情與突發事件演變相關研究

網絡輿情內容分析是把握重大輿情與突發事件演變的核心。目前，關于重大輿情和突發事件內容的研究主要有輿情挖掘、輿情分析、情感分析、主題分布、熱點話題挖掘等。劉國威等^［28］利用生命周期理論對網絡輿情事件按階段進行劃分，并對各階段主題事件進行提取，以生成基于微博熱點事件的主題特征網絡。劉勘等^［29］建立了微博內容檢索爬蟲工具，以及用于情感內容區分的文本分類器，用“積極”“消極”“客觀”3種情感類別，分析識別公眾對某些話題的傾向性意見。張海濤等^［30］基于本體及元事件構建等方法構建了重大突發事件事理圖譜，分析了事件演變邏輯與規律，掌握了事件發展整體脈絡，為應對和治理重大突發事件提供了科學參考依據。總體而言，當前輿情內容分析以文本為載體，而網民發表意見和看法的常用表達媒介發生了變化。

在全媒體環境下，重大輿情和突發事件輿情內容充斥著文本、語音、圖片、短視頻等多模態內容，僅依靠文本單一模態內容，不足以探索、分析和解決網絡輿情演變問題。多模態機器學習是分析全媒體環境下重大輿情和突發事件演變的關鍵性技術。多模態機器學習技術最早可以追溯至1989年，Yuhas等^［31］利用神經網絡，結合聲學特征和視覺特征識別語音。實驗結果表明，融合的多模態特征提取技術能夠更好地識別語音信息。之后，有學者將多模態機器學習技術應用至社交媒體環境中，探究模態融合對情感分析、主題識別等任務的影響。Poria等^［32］提出通過多模態卷積多核學習模型分析、識別視頻流數據試圖傳達的情感類信息，同時借助深度學習的卷積神經網絡來提取文本特征信息。實驗結果表明，融合了不同模態特征的信息數據能夠切實增強情感識別的整體性能。基于此，Xu等^［33］提出MultiSentiNet深度語義網絡，通過基于遷移學習的、經過預訓練的長短期記憶網絡和卷積神經對圖片中物體和場景特征以及文本特征等信息進行提取，將其融合并進行情感分類。實驗結果表明，多模態融合的效果顯著優于單模態。何巍^［34］基于采用多模態數據的語義互補方法提出了在線網絡輿情多模態知識圖譜的技術框架，并論述了多源異構數據融合方法。吳鵬等^［35-36］在機器學習模型中融入認知心理學規則，以此對網絡輿情情感分類進行了深入的研究，例如基于BiLSTM-VGG16的多模態信息特征分類研究，基于深度學習的多模態新聞數據主題發現研究。

在新媒體時代，文本已不再是公眾表達其觀點和意見的唯一媒介。利用文本、圖片或短視頻來實時發布信息和參與輿情討論，已逐漸成為公眾表達的主流方式，并產生大量多模態網絡輿情內容。對產生的多模態網絡輿情內容進行多維度分析，能夠從不同角度挖掘重大輿情與突發事件演變趨勢，為輿情的消解提供決策支持。

2.2 重大輿情與突發事件輿論引導機制學術梳理

在現有研究成果涉及到的內容基礎上，本文將從重大輿情與突發事件輿論引導策略的宏觀研究、態勢研判、仿真預測及輿論應急響應這4個角度，對國內外輿論引導的主要觀點加以歸納和分析。

2.2.1 重大輿情與突發事件輿論引導策略宏觀性研究

公共管理領域相關學科在研究輿情引導時，不僅關注具體事件本身，更關注事件背后的結構性問題和長遠影響。宏觀性的整體研究，能夠為重大輿情與突發事件提供更全面、更系統的引導策略。宏觀性的整體研究主要包含重大輿情與突發事件輿論引導策略的4個關鍵組成部分，其中包括引導策略標準指標界定、完善健全相關法律法規、相關責任確定以及應急管理領域后備人才培養。在標準研究層面上，隨著社會信息化和數字化的不斷發展，輿情引導標準不斷演變和完善。全媒體環境下的輿情引導標準明顯優于傳統媒體環境。何潤霖^［37］提出了“全面”、“及時”、“準確”等引導策略標準。政府部門在突發事件和重大輿情發生時，應占據信息發布的先機，確保第一時間傳達準確信息，有效引導輿論，增強公眾對信息的信任感。李菁等^［38］指出應構建基于網民心理分析的輿情預警機制，形成嚴寬并濟的輿情規范處置辦法，堅持官方媒體協同、疏-導并舉的總體輿情引導策略。從法律角度考量，國家頒布的法律法規是制定輿論引導策略的根本依據。因此，有必要對網絡立法進行深入研究。通過研究網絡立法，可以確保輿論引導策略在法律框架下的合法性和有效性。在政府相關管理部門的引領下，推進輿情立法體系快速發展，要實現法制的全面覆蓋，要切合基層需求，要生成“橫到邊、縱到底”的模式^［39］。一方面，通過法制建設構建網絡輿情預警防范體系;另一方面，激發網民正面情感，使網絡環境持續向好^［40］。在人才培養方面，繆金祥^［41］指出應建設職業化網評力量，組建一支政治-裝備-技術優良過硬的隊伍，在網絡輿論的廣闊天地中，主動出擊，積極參與討論，確保主流觀點和聲音能夠脫穎而出，占據主導地位。這樣的策略將極大地增強網絡環境中的正面能量和影響力。此外，對于網絡輿情處置的專責部門而言，與那些在網絡中具有廣泛影響力和號召力的“意見領袖”建立緊密的合作關系至關重要。這種合作不應僅僅停留在表面，而應通過深入交流、建立信任與理解，以及尋找共同目標來加強。在輿情發展的關鍵時刻，與這些“意見領袖”進行高效協同，能夠迅速而有效地引導輿論走向，確保網絡空間的和諧穩定^［42］。在責任認定方面，依法問責在處理輿情事件時極為重要。雖然法律問責的手段看起來較為嚴厲，但其效果卻往往非常明顯。面臨法律問責的主要對象分為兩類：一是黨政機關的工作人員。黨政機關工作人員作為社會權力的代表，他們的言行會對公眾產生重要的示范和引導效應;二是普通網民，他們作為輿論的傳播者和參與者，對輿情的發酵和引導起著重要作用。陶琳等^［43］針對大學生群體特點，分析大學生群體網絡輿情治理的法律、法規存在的問題，提出了應對建議。趙曉璐^［44］針對輿情熱點問題，從橫向、縱向兩個維度提出網絡輿情的引導策略。李偉群等^［45］通過對恐懼情緒、利益關系、群體極化3個維度的分析，探析了公共衛生領域的突發事件輿情圈層傳播的生成邏輯，提出了媒體引導、情感引導、自組織引導3個層面相互作用、內外部力量動態平衡的輿論引導體系。

2.2.2 重大輿情與突發事件輿論態勢研判研究

合理處置輿情的基礎是實現對網絡輿情價值和走向的研判^［46］。在處理關鍵輿情和緊急事件方面，預先對輿論進行準確分析是至關重要的。創建一個全面的管理平臺，制定預警機制和應急計劃，是成功應對這些挑戰的核心步驟。此外，還需建立官方綜合管控平臺，完善應急響應機制，多級相關職能部門協同參與、統一調度。何潤霖^［37］認為，可根據行政地域特征，通過實物平臺筑底、虛擬平臺擴充的方式，構建官方社交平臺。在輿情預警研究方面，王娟^［47］提出了輿情分級預警機制。李磊等^［48］對熱點事件輿情演化過程進行分析，構建態勢演化模型，并借助智能理論，建立輿情自動預警系統。李鑫^［49］根據事件演化規律，從事件發展各階段出發，提出相應的管理對策，并指出政府管理部門在整個輿情演變過程中的關鍵作用。在設計應急響應體系方面，唐明偉等^［50］通過大數據處理、文本挖掘等方法，構建了面向公共安全突發事件的快速響應系統，具有事前預警、輔助生成應急方案等功能，并給出了系統部署應用建議。張雙獅等^［51］通過決策要素分析，構建了基于大數據分析的突發事件網絡輿情智能決策支持系統，可輔助政府相關職能部門開展風險預警、事件處置、輿情引導等方面工作。周歡等^［52］構建了基于態勢感知理論和用戶畫像的網絡輿情態勢感知模型，綜合分析了輿情事件的時間、空間和強度等要素，較為全面地闡述了網絡輿情演化態勢。

2.2.3 重大輿情與突發事件輿論演變仿真預測研究

在網絡輿情演變規律及仿真模擬研究方面，學者們已經融入了其他多個學科領域的知識，比如智能體、神經網絡等前沿理論，同時也融合了物理及醫學領域的一些經典理論^［53］。在網絡空間和社會群體行為研究方面，無論是單獨個體在群體環境影響下表現出的行為特征，或是群體及個體功能及行為的仿真模擬，都廣泛應用了多智能體理論。通過智能體相關理論，研究了虛擬空間中群體運動軌跡的仿真模擬^［54］，根據群體在特定情境下的行為模型分析，揭示群體行為內在規律，刻畫在揭示情境約束下的人群行為規律和行為與運動相互影響的智能體決策機制^［55］。當前主流仿真模型主要根據現有的相關理論進行構建^［56］。周鑫^［57］基于多智能體系統理論提出網民情緒到網民行為變化的輿情演化仿真模型。高慶寧^［58］從微博用戶出發，針對政府管理部門對群體行為規則演化過程的影響進行了模擬仿真。哈達等^［59］基于個體行為與群體行為演化規律構建輿情演變模型。金華等^［60］提出了針對媒體網民非善意言論進行正向反饋的傳播演化模型，并模擬仿真不同場景下的管控效果，探究其有效性及普適性。

2.2.4 重大輿情與突發事件輿論應急響應研究

突發事件及其輿論輿情一般具有動態性、復雜性和快速傳播性，需要快速高效地應對。在處理輿情熱點事件時，應急決策模式尤為關鍵，其中“情景-應對”的應急決策模式被廣泛采用。在突發事件演化規律的研究領域，該模式更是有著廣泛的應用。張明紅等^［61］分析了突發事件本質、事件現實情景及管理策略3方面，基于此構建情景視角下突發事件演化模型，而楊志等^［62］在此基礎上，做了進一步深入，選取典型案例進行分析，以情景加應對模式，就網絡輿情傳播和引導者兩個視角，對輿情演化過程中的決策應對進行研究。在應對突發事件決策響應時，采用情景分析法“設身處地”地把握事態變化趨勢，進而有效采取實施決策^［63］。

目前，國外學者開展了從情景到應對的網絡輿情應急響應體系研究，這些研究重點關注緊急情況下的響應策略，并已發展出一整套理論模型體系。這些工作大多聚焦在公共管理領域，深入剖析了在網絡輿情發生過程中的應急響應策略，以維護政府或組織的名譽和公信力。此外，提出了多種應急響應理論和模型，為應對突發事件帶來的挑戰提供了寶貴的參考和指導。在危機溝通領域，Benoit^［64］和Hearit^［65］的形象修復理論（image restoration strategies， IRS）一直備受關注。然而，這些研究也依靠危機應對策略列表或歷史經驗總結提出建議。相比之下，Coombs^［66］在1998年提出的危機情景傳播理論（situational crisis communication theory， SCCT）為危機管理提供了更為全面和靈活的框架，從危機情境、響應策略及適應不同情景的危機策略響應系統3方面入手，提出保護組織聲譽的方法^［67］。在此基礎上，Coombs通過實驗分析總結，提出否認型、弱化型和重建型3大危機響應策略類型，并提出10個具體的危機應對措施。新媒體已經成為信息傳播的重要渠道，包括微博、博客和各種網絡社交平臺。在面對突發事件和重大輿情時，這些新媒體平臺具有廣泛的傳播力和影響力。Yan等^［68］將突發事件博客謠言劃分為謠言產生、信任、轉變及危機修復4階段，并基于此構建了“微博中介危機調節”模型。同時，Yan等^［68］還提出了6類應急響應策略，包括基礎、拒絕、減小、重建、加強和懲罰，強調應急管理者應根據實際情況采取相應的應對策略。胡峰等^［69］針對疫情防控應急情報體系，借助自由基聚合理論，提出相應的優化策略，制定全流程無縫銜接的應急情報戰略目標。張寶生等 ^［70］將動態預測的理念引入了新陳代謝灰色馬爾可夫動態預測模型，并建立了自然災害事件輿情預警與應急響應聯動機制。

2.3 小結

從近年的研究熱點來看，以突發輿情、公共危機輿情引導為對象的研究最多，這些研究或是通過模型識別了引導策略的影響因素，或是基于“情景-應對”模式總結了具體的引導措施，或是面向系統決策設計了輿情導控流程，但是尚未能構建一套完整且普適的重大輿情和突發事件輿論引導機制，主要表現在：① 鮮有引導策略能夠將重大突發網絡輿情爆發前的演化階段納入考慮范圍，引導的前提應當是了解輿情爆發起因、理解網民心理;② 設計建模仿真的技術方法十分豐富，但還缺少一種方法論去貫穿整個輿論引導過程;③ 目前的引導策略研究還未能完全適應大數據時代的輿情特征，鮮有從全媒體角度進行切入，仍停留在傳統環境下的引導模式;④ 就研究范式來看，宏觀的定性引導策略研究和微觀的定量引導策略研究還需更加全面深化的整合。知識圖譜作為一種具體的技術方法的同時，也是一種宏觀的知識體系，因此，其有望從數據層到應用層與引導策略研究實現全方位對接。

3 相關研究發展趨勢

關于重大輿情和突發事件輿論引導的理論體系及其應用研究雖然已經有了一定基礎，但伴隨全媒體環境的迅速變遷和網絡輿情的日趨多樣與復雜，正面臨著前所未有的挑戰與機遇。

3.1 重大輿情和突發事件輿論引導理論方法的核心變化與未來方向

隨著社交媒體和即時通訊工具的普及，信息以前所未有的速度傳播，這種快速傳播導致輿論引導在時效性、準確性、主題多樣性以及復雜性等方面發生了核心的變化。

輿論引導對時效性和精準性的要求提高，信息傳播迅速，對輿論引導的時效性要求更高。輿論引導不僅需要快速響應，還要確保信息的精確度和針對性，以便有效地影響和引導公眾意見。

面對不同群體的挑戰，不同的社會群體在信息的接收和處理上有著顯著的差異。這些差異可能源于文化、教育背景、年齡等因素。因此，識別并理解這些差異，然后根據不同群體定制輿論引導策略，是實現有效輿論引導的關鍵。

隨著輿論引導復雜性的增加，在多元化的信息源和多樣化的受眾中，有效地進行輿論引導變得更加復雜。這不僅涉及到信息的內容和傳播渠道的選擇，還包括如何在不斷變化的輿論環境中保持信息的一致性和適應性。

這些核心變化要求輿論引導者不僅要具備傳統的媒體操作技能，還需掌握新媒體技術，以及對不同社會群體心理和行為模式有深入的理解。同時，應對輿論引導的核心變化需求，一些高新技術及多視角分析方法將為輿論引導理論方法提供新的研究方向。

未來，會有更多關注于數據驅動的輿情分析方法，如利用大數據和人工智能技術來預測和分析輿情走勢。同時，跨學科的研究方法，如心理學、社會學與數據科學的結合，將為理解和引導輿情提供更深入的視角。

數據驅動的輿情分析是全新的方法，未來的輿論引導預計將更加依賴于數據驅動的分析方法。通過利用大數據技術，可以對大量的社交媒體數據進行實時監控和分析，從而快速理解輿情的發展趨勢和關鍵因素。這種方法可以提供更深入的洞察，幫助決策者做出更精準的輿論引導策略。

未來會將人工智能技術應用于輿情分析中，隨著人工智能技術的發展，預計會有更多的人工智能工具被開發出來，以輔助輿情的分析和預測。這些工具可以通過算法學習和模式識別，提高對復雜輿情動態的識別和處理能力。

跨學科研究方法的融合是全新的方法，理解和引導輿情需要多學科的知識和方法的結合。未來的趨勢可能是將心理學、社會學的理論與數據科學的方法進行結合。這種跨學科的融合不僅有助于更好地理解輿論的形成和演變機制，也能提供更有效的輿情引導策略。

未來會有更深入的視角研究輿論引導理論，結合心理學和社會學的理論，可以協助更好地理解公眾的情緒和行為反應，而數據科學的方法則可以量化這些理論，并將其應用于實際的輿情分析中。

3.2 重大輿情與突發事件輿論研判及預警研究的態勢變化與未來方向

在當今信息爆炸的時代，信息的海量化和多樣化使得輿論研判及預警研究面臨著從大量網絡信息中快速、準確地識別出重要輿情及區分誤導信息和真實信息兩大核心變化。

信息的海量化不僅增加了分析的復雜性，還提高了識別相關和重要信息的難度。網絡空間中充斥著各種誤導信息和真實信息，它們的混雜使得準確識別和處理重要輿情信息更加棘手。這要求輿情分析師具備更高的辨別能力和更有效的工具。因此，新興的語言處理技術及算法的應用將為輿論研判及預警研究提供新的方向。

自然語言處理（natural language processing， NLP）和機器學習技術的進步將為輿情分析提供更強大的工具。此外，預計將發展更為先進的算法來提高預警系統的準確性和實時性，以及采用模擬技術來預測輿情發展趨勢。

一方面，是NLP技術的應用。隨著NLP技術的不斷進步，它將成為處理大規模文本數據的強大工具。這可以幫助更有效地處理和分析網絡信息，提高從復雜文本中提取關鍵信息的能力。另一方面，是機器學習在輿情分析中的運用。機器學習技術可以訓練算法自動識別模式和趨勢，從而提高對輿情的識別和分析能力。這有助于處理大量數據，提升信息篩選和分析的效率。此外，先進算法的開發也十分重要，開發更先進的算法可以提高預警系統的準確性和實時性，并快速識別潛在的輿情風險，及時提供預警。最后，是模擬技術的使用。利用模擬技術預測輿情的發展趨勢將成為一個重要的研究方向。通過模擬不同的輿論場景和干預策略，可以預測其對輿情走勢的影響，從而為決策者提供科學依據。

3.3 重大輿情和突發事件輿論調控策略的態勢變化與未來方向

在全球化和網絡化的背景下，輿論調控需要考慮文化差異和不同社交平臺的特性。同時，也要保持信息透明和真實，避免引起公眾不信任。

在全球化和網絡化的背景下，輿論調控必須考慮不同文化背景下的差異性。文化差異對于輿論的影響和接受度具有決定性作用，這要求輿論調控策略具備更高的靈活性和適應性，并適應不同社交平臺的特性。不同社交平臺有著各自獨特的用戶群體和傳播特性，有效的輿論調控策略需要針對這些平臺的特點進行定制化設計。此外，在輿論調控中保持信息的透明和真實至關重要，以避免引發公眾的不信任。這要求輿論管理者在信息發布和處理過程中保持高度的誠信和透明度。

未來的輿論調控策略預計將更加注重細節化和個性化，以適應不同群體的需求和特點。通過這種方式，能更有效地應對復雜多樣的輿論環境。同時，強調在輿論引導過程中注意平衡公眾情緒，以避免極端或負面情緒的蔓延。此外，新興技術的應用，增強現實（augmented reality， AR）和虛擬現實（virtual reality， VR）等新興技術的應用可能為輿論調控帶來新的機遇。這些技術能夠提供更為直觀和互動的溝通方式，有助于增強信息的吸引力和影響力。

4 結 論

在全媒體環境下，網絡輿情呈現出大數據的特征，重大輿情和突發事件的研究領域機遇與挑戰并存，重大輿情和突發事件的管理思想和模式將產生較為徹底的、革命性的改變，這將在重大輿情和突發事件的研究領域產生顛覆性的影響。重大輿情與突發事件輿論研判分析、預警、引導與應對已是當前政府與公共管理的一個關鍵課題，是國家治理體系的重要組成部分。

本文通過回顧全媒體環境下重大輿情和突發事件演變及輿論引導機制研究的相關文獻，梳理了重大輿情和突發事件的分析挖掘、指標體系、傳播和演變，以及輿論引導策略的宏觀政策、態勢研判、演化仿真預測和應急響應研究。本文可為從大數據驅動的社會計算視角創新重大輿情與突發事件研判分析與預警手段提供有力支撐，推動全媒體環境下應急管理體系和能力建設理論體系與應用研究的發展。

參考文獻

［1］于鵬， 邱燕妮. 全媒體時代公共危機輿情傳播路徑與演化機理研究［J］. 中國行政管理， 2019， 4（8）： 94-98.

YU P， QIU Y N. Research on the communication path and evolution mechanism of public crisis opinion in the omni-media era［J］. Chinese Public Administration， 2019， 4（8）： 94-98.

［2］彭蘭. 新媒體傳播： 新圖景與新機理［J］. 新聞與寫作， 2018， 5（7）： 5-11.

PENG L. New media communication： new picture and new mecha-nism［J］. News and Writing， 2018， 5（7）： 5-11.

［3］尹玨力， 陳會英， 王家坤. 在線社交網絡中的負面輿情信息傳播機制及演化博弈分析［J］. 情報科學， 2020， 38（4）： 153-162.

YIN J L， CHEN H Y， WANG J K. Negative public opinion propagation mechanism and evolutionary game analysis in online social networks［J］. Information Science， 2020， 38（4）： 153-162.

［4］張發林. 風險社會視域下的網絡輿情治理研究［D］. 武漢： 武漢大學， 2017.

ZHANG F L. Research on network public opinion governance from the perspective of risk society［D］. Wuhan： Wuhan University， 2017.

［5］李政. 大數據視域下我國網絡輿情治理的思路與對策［J］. 新聞傳播， 2019， 8（5）： 18-20.

LI Z. Ideas and countermeasures of online public opinion gover-nance in China from the perspective of big data［J］. Journalism Communication， 2019， 8（5）： 18-20.

［6］薛瀾， 鐘開斌. 突發公共事件分類、分級與分期： 應急體制的管理基礎［J］. 中國行政管理， 2005， 4（2）： 102-107.

XUE L， ZHONG K B. Classification of types， levels and stages for emergencies： managerial foundation of government emergency response system［J］. Chinese Public Administration， 2005， 4（2）： 102-107.

［7］國務院法制辦公室. 中華人民共和國突發事件應對法［J］. 中華人民共和國全國人民代表大會常務委員會公報， 2007， 6（6）： 535-543.

Legislative affairs office of the state council of the peoples republic of china. Law of the people’s republic of china on emergency responses［J］. Communique of the Standing Committee of the National People’s Congress of the People’s Republic of China， 2007， 6（6）： 535-543.

［8］ANDERSON P， HUGHES J R. Policy interventions to reduce the harm from smoking［J］. Addiction， 2000， 95（1s1）： 9-11.

［9］BIFET E. Sentiment knowledge discovery in twitter streaming data［C］∥Proc.of the Discovery Science， 2010： 1-15.

［10］戴媛， 姚飛. 基于網絡輿情安全的信息挖掘及評估指標體系研究［J］. 情報理論與實踐， 2008， 31（6）： 873-876.

DAI Y， YAO F. Research into information mining and evaluation index system based on the security of public opinion on the internet［J］. Information Studies： Theory amp; Application， 2008， 31（6）： 873-876.

［11］夏一雪， 蘭月新， 劉茉， 等. 大數據環境下網絡輿情反轉機理與預測研究［J］. 情報雜志， 2018， 37（8）： 92-96.

XIA Y X， LAN Y X， LIU M， et al. Inversion mechanism and prediction of network public opinion in big data environment［J］. Journal of Intelligence， 2018， 37（8）： 92-96.

［12］曾潤喜， 王晨曦， 陳強. 網絡輿情傳播階段與模型比較研究［J］. 情報雜志， 2014， 33（5）： 119-124.

ZENG R X， WANG C X， CHEN Q. Comparative study on transmission phase and model of internet public opinion［J］. Journal of Intelligence， 2014， 33（5）： 119-124.

［13］連芷萱， 蘭月新， 夏一雪， 等. 面向大數據的網絡輿情多維動態分類與預測模型研究［J］. 情報雜志， 2018， 37（5）： 123-133.

LIAN Z X， LAN Y X， XIA Y X， et al. Research on multi-dimensional dynamical classification and prediction model of network public opinion with big data［J］. Journal of Intelligence， 2018， 37（5）： 123-133.

［14］張瑜， 菅利榮， 張永升. 基于加權無標度網絡的產學研合作網絡演化［J］. 系統工程， 2015， 33（1）： 68-73.

ZHANG Y， JIAN L R， ZHANG Y S. University-industry cooperation network evaluation based on weighted scale-free network［J］. Systems Engineering， 2015， 33（1）： 68-73.

［15］黃遠， 沈乾， 劉怡君. 微博輿論場：突發事件輿情演化分析的新視角［J］. 系統工程理論與實踐， 2015， 35（10）： 2564-2572.

HUANG Y， SHEN Q， LIU Y J. Microblog public opinion field： a new perspective for analyzing evolution of the emergency opinion ［J］. Systems Engineering-Theory amp; Practice， 2015， 35（10）： 2564-2572.

［16］李磊， 劉繼， 張竑魁. 基于共現分析的網絡輿情話題發現及態勢演化研究［J］. 情報科學， 2016， 34（1）： 44-47.

LI L， LIU J， ZHANG H K. Topics identification and evolu-tion trend of network public opinion based on co-occurrence analysis［J］. Information Science， 2016， 34（1）： 44-47.

［17］聶峰英， 張旸. 移動社交網絡輿情預警指標體系構建［J］. 情報理論與實踐， 2015， 38（12）： 64-67.

NIE F Y， ZHANG Y. Construction of index system of public opinion warning in mobile social network［J］. Information Studies： Theory amp; Application， 2015， 38（12）： 64-67.

［18］林敏. 網絡輿情： 影響因素及其作用機制研究［D］. 杭州： 浙江大學， 2013.

LIN M. Internet public opinion： research on affecting factors and their mechanism［D］. Hangzhou： Zhejiang University， 2013.

［19］張玥， 孫霄凌， 朱慶華. 突發公共事件輿情傳播特征與規律研究—以新浪微博和新浪新聞平臺為例［J］. 情報雜志， 2014， 33（4）： 90-95.

ZHANG Y， SUN X L， ZHU Q H. A study on communication features and rules of public opinions in public emergency： taking sina microblog and sina news platform as example［J］. Journal of Intelligence， 2014， 33（4）： 90-95.

［20］周昕， 黃微， 滕廣青， 等. 網絡輿情傳播模式解析與重構研究［J］. 情報理論與實踐， 2016， 39（12）： 25-30.

ZHOU X， HUANG W， TENG G Q， et al. Research on the analysis and reconstruction of the network public opinion pro-pagation mode［J］. Information Studies： Theory amp; Application， 2016， 39（12）： 25-30.

［21］齊佳音， 劉慧麗， 張一文. 突發性公共危機事件網絡輿情耦合機制研究［J］. 情報科學， 2017， 35（9）： 102-108.

QI J Y， LIU H L， ZHANG Y W. Research on coupling mecha-nism for unexpected public crisis and online public opinion based on complex systems theory［J］. Information Science， 2017， 35（9）： 102-108.

［22］MORENO Y， MAZIAR N， AMALIO F. Dynamics of rumor spreading in complex networks［J］. Physical Review E， 2004， 69（6）： 75-89.

［23］MEHROTRA S， ZNATI T. Crisis management［J］. IEEE Internet Computing， 2008， 12（1）： 14-17.

［24］吳曉林， 湯明磊. 新媒體情境下沖突議題傳播的”雙重結構因素”—基于臨武瓜農事件的分析［J］. 武漢大學學報（人文科學版）， 2016， 69（1）： 100-108.

WU X L， TANG M L. The dual-structural-factor of the disseminating of conflict topics in the new media context—a case study on Linwu melon farmer event［J］. Wuhan University Journal（Humanity Sciences）， 2016， 69（1）： 100-108.

［25］蘇楠， 張璇， 楊紅崗， 等. 基于知識圖譜的國內網絡輿情研究可視化分析［J］. 情報雜志， 2012， 31（10）： 42-47.

SU N， ZHANG X， YANG H G， et al. Visualization analysis of online public opinion in China based on knowledge mapping［J］. Journal of Intelligence， 2012， 31（10）： 42-47.

［26］婁國哲， 王蘭成. 基于知識圖譜的網絡輿情知識組織方法研究［J］. 情報理論與實踐， 2019， 42（1）： 58-64.

LOU G Z， WANG L C. Network public opinion knowledge organizing method based on knowledge map［J］. Information Studies： Theory amp; Application， 2019， 42（1）： 58-64.

［27］劉雅姝， 張海濤， 徐海玲， 等. 多維特征融合的網絡輿情突發事件演化話題圖譜研究［J］. 情報學報， 2019， 38（8）： 798-806.

LIU Y S， ZHANG H T， XU H L， et al. Research on evolutionary topic map of Internet public opinion with multi-dimensional feature fusion［J］. Journal of the China Society for Scientific and Technical Information， 2019， 38（8）： 798-806.

［28］劉國威， 成全. 基于網絡輿情生命周期的微博熱點事件主題演化研究［J］. 情報探索， 2018（4）： 11-19.

LIU G W， CHENG Q. Research on topic evolution of micro-blog hot events based on life cycle of network public opinion［J］. Information Research， 2018（4）： 11-19.

［29］劉勘， 袁蘊英. 基于詞向量的微博情感傾向分類研究［J］. 圖書情報工作， 2018， 62（15）： 92-101.

LIU K， YUAN Y Y. Sentiment classification for micro-blogs based on word embedding［J］. Library and Information Service， 2018， 62（15）： 92-101.

［30］張海濤， 李佳瑋， 劉偉利， 等. 重大突發事件事理圖譜構建研究［J］. 圖書情報工作， 2021， 65（18）： 133-140.

ZHANG H T， LI J W， LIU W L， et al. Research on the construction of event knowledge graph of major emergencies［J］. Library and Information Service， 2021， 65（18）： 133-140.

［31］YUHAS B P， GOLDSTEIN M H， SEJNOWSKI T J. Integration of acoustic and visual speech signals using neural networks［J］. IEEE Communications Magazine， 1989， 27（11）： 65-71.

［32］PORIA S， ERIK C， ALEXANDER G. Deep convolutional neural network textual features and multiple kernel learning for utterance-level multimodal sentiment analysis［C］∥Proc.of the Conference on Empirical Methods in Natural Language Processing， 2015： 2539-2544.

［33］XU N， MAO W J. Multisentinet： a deep semantic network for multimodal sentiment analysis［C］∥Proc.of the Association for Computing Machinery on Conference on Information and Knowledge Management， 2017： 2399-2402.

［34］何巍. 社交網絡輿情多模態知識圖譜構建框架研究［J］. 情報雜志， 2024， 43（1）： 160-166.

HE W. Research on the construction framework of multi-modal knowledge graph for social network public opinion ［J］. Journal of Intelligence， 2024， 43（1）： 160-166.

［35］蔣雨肖， 丁晟春， 吳鵬. 基于BiLSTM-VGG16的多模態信息特征分類研究［J］. 情報理論與實踐， 2021， 44（11）： 180-186.

JIANG Y X， DING S C， WU P. A study on the classification of features of multi-modal information based on BiLSTM-VGG16［J］. Information Studies： Theory amp; Application， 2021， 44（11）： 180-186.

［36］倪亮， 吳鵬， 周雪晴. 基于深度學習的多模態新聞數據主題發現研究［J］. 數據分析與知識發現， 2024， 8（3）： 85-97.

NI L， WU P， ZHOU X Q. Topic detecting on multimodal news data based on deep learning［J］. Data Analysis and Knowledge Discovery， 2024， 8（3）： 85-97.

［37］何潤霖. 大數據時代政府微博輿論管控研究［D］. 昆明： 云南大學， 2016.

HE R L. Big data era government micro-blog public opinion control research［D］. Kunming： Yunnan University， 2016.

［38］李菁， 馬民， 蘭月新. 網民心理視角下的網絡輿情引導機制研究［J］. 武警學院學報， 2014， 30（11）： 48-52.

LI Q， MA M， LAN Y X. Research about the guidance of network public opinion based on the netizens’psychology［J］. Journal of Chinese People’s Armed Police Force Academy， 2014， 30（11）： 48-52.

［39］鄭珊. 昆明“3·01”暴恐事件中網絡輿情應急處置案例研究［D］. 成都： 電子科技大學， 2017.

ZHENG S. Case study on network public opinion dispatch in the “3·01” Kunming terrorist attack［D］. Chengdu： University of Electronic Science and Technology of China， 2017.

［40］陳明. 多元輿論場共存背景下湖北省輿論引導體系構建研究［J］. 中南民族大學學報（人文社會科學版）， 2019， 39（1）： 170-174.

CHEN M. On construction of public opinion guidance system in Hubei in context of coexistence of multiple public opinion fields［J］. Journal of South-Central University for Nationalities（Humanities and Social Science）， 2019， 39（1）： 170-174.

［41］繆金祥. 大數據背景下網絡輿情發展態勢與管控研究［J］. 中國刑警學院學報， 2016， 2（2）： 28-33.

MIAO J X. Research on the development trend and control of online public opinion under the background of big data［J］. Journal of Criminal Investigation Police University of China， 2016， 2（2）： 28-33.

［42］郭靖進. 政府網絡輿情引導問題研究［D］. 寧波： 寧波大學， 2014.

GUO J J. The government network public opinion guide problem research ［D］. Ningbo： Ningbo University， 2014.

［43］陶琳， 余奕樺. 大學生網絡輿情治理的困境與法律對策［J］. 北京政法職業學院學報， 2023（2）： 100-105.

TAO L， YU Y H. The dilemma and legal countermeasures of internet public opinion governance for college students［J］. Journal of Beijing Vocational College of Political Science and Law， 2023（2）： 100-105.

［44］趙曉璐. 突發性網絡輿情的政府治理對策研究［D］. 遼寧： 沈陽工業大學， 2018.

ZHAO X L. Research on data-driven crowd behaviors modeling and simulation［D］. Liaoning： Shenyang University of Technology， 2018.

［45］李偉群， 朱白薇. 突發公共衛生事件輿情圈層傳播的生成邏輯與引導策略［J］. 醫學與社會， 2023， 36（4）： 85-89.

LI W Q， ZHU B W. Generating logic and duiding strategy of circle communication concerning public opinion in public health emergencies［J］. Medicine and Society， 2023， 36（4）： 85-89.

［46］樓藝嬋. 網絡公共輿情研判預警系統研究［J］. 中國管理信息化， 2014， 17（2）： 132-133.

LOU Y C. Research on online public opinion research and judgment early warning system［J］. China Management Informationization， 2014， 17（2）： 132-133.

［47］王娟. 網絡輿情的分級響應與處置［J］. 人民論壇， 2012， 35（29）： 151-153.

WANG J. Hierarchical response and disposal of network public opinion［J］. People’s Tribune， 2012， 35（29）： 151-153.

［48］李磊， 劉繼. 大數據背景下網絡輿情智能預警機制分析［J］. 情報雜志， 2019， 38（12）： 92-97.

LI L， LIU J. Analysis of intelligent early warning mechanism of network public opinion in the background of big data ［J］. Journal of Intelligence， 2019， 38（12）： 92-97.

［49］李鑫. 社會網絡視角下群體性突發事件演化機理與控制研究［D］. 秦皇島： 燕山大學， 2016.

LI X. Research on the evolution mechanism and control strategies of mass incident under social network perspective［D］. Qinhuangdao： Yanshan University， 2016.

［50］唐明偉， 蘇新寧， 姚興山. 本體驅動的突發事件案例知識庫［J］. 情報理論與實踐， 2016， 39（9）： 123-127.

TANG M W， SU X N， YANG X S. The emergency case knowledge base of ontology-driven［J］. Information Studies： Theory amp; Application， 2016， 39（9）： 123-127.

［51］張雙獅， 楊謹鋮， 張鵬， 等. 大數據背景下突發事件網絡輿情智能決策支持研究［J］. 中國公共安全：學術版， 2019， 4（3）： 93-100.

ZHANG S S， YANG J C， ZHANG P， et al. Intelligent decision support method for emergency network public opinion under the background of big data［J］. China Public Security（Academy Edition）， 2019， 4（3）： 93-100.

［52］周歡， 張培穎， 黃曉怡， 等. 事件系統視角下網絡輿情態勢感知研究［J］. 情報雜志， 2024， 43（2）： 135-142.

ZHOU H， ZHANG P Y， HUANG Y Y， et al. Research on the perception of online public opinion situation from the pers-pective of event system［J］. Journal of Intelligence， 2024， 43（2）： 135-142.

［53］張明新. 國內網絡輿情建模與仿真研究綜述［J］. 系統仿真學報， 2019， 31（10）： 1983-1994.

ZHANG M X. Survey on modeling and simulation of internet public opinion in China［J］. Journal of System Simulation， 2019， 31（10）： 1983-1994.

［54］強韶華， 吳鵬. 謠言信息傳播過程中網民個體行為仿真研究［J］. 情報科學， 2015， 33（11）： 124-130.

QIANG S H， WU P. Research on netizen individual behavior simulation in the process of rumor spreading［J］. Information Science， 2015， 33（11）： 124-130.

［55］趙世博. 數據驅動的人群行為仿真建模研究［D］. 北京： 北京交通大學， 2017.

ZHAO S B. Research on data-driven crowd behaviors modeling and simulation［D］. Beijing： Beijing Jiaotong University， 2017.

［56］何凌南， 賴凱聲， 林仲軒， 等. 跨學科視角下的網絡輿情仿真研究［J］. 系統仿真學報， 2018， 30（10）： 3616-3623.

HE L N， LAI K S， LIN Z X， et al. Research on network public opinion simulation from interdisciplinary perspective［J］. Journal of System Simulation， 2018， 30（10）： 3616-3623.

［57］周鑫. 基于MAS的突發事件網絡輿情傳播建模與仿真研究［D］. 長沙： 國防科技大學 2015.

ZHOU X. Research on modeling and simulation of emergency network public opinion propagation based on MAS ［D］. Changsha： National University of Defense Technology， 2015.

［58］高慶寧. 基于SOAR模型的網絡輿情演變過程中群體行為分析與仿真［D］. 南京： 南京理工大學， 2016.

GAO Q N. Analysis and simulation on group behavior in the process of network public opinion evolution based on SOAR model ［D］. Nanjing： Nanjing University of Science and Technology， 2016.

［59］哈達， 譚志國， 王浩. 復雜網絡下基于Agent的輿情演化研究［J］. 火力與指揮控制， 2017， 42（8）： 92-96.

HA D， TAN Z G， WANG H. Research on agent-based public opinion evolution in complex network［J］. Fire Control amp; Command Control， 2017， 42（8）： 92-96.

［60］金華， 李奕賢. 基于改進SEIQR模型的突發網絡輿情傳播與控制研究［J］. 情報理論與實踐， 2024， 47（3）： 149-157.

JIN H， LI Y X. Research on propagation and control of sudden online public opinion based on improved SEIQR model［J］. Information Studies： Theory amp; Application， 2024， 47（3）： 149-157.

［61］張明紅， 佘廉. 基于情景的突發事件演化模型研究—以青島“11. 22”事故為例［J］. 情報雜志， 2016， 35（5）： 65-71.

ZHANG M H， SHE L. A case study on the evolutionary model of emergency events based on scenario： the Qingdao “11. 22” accident［J］. Journal of Intelligence， 2016， 35（5）： 65-71.

［62］楊志， 祁凱. 基于“情景—應對”的突發網絡輿論事件演化博弈分析［J］. 情報科學， 2018， 36（2）： 30-36.

YANG Z， QI K. Evolutionary game analysis of the emergency network public opinion incidents based on “scenario—coping”［J］. Information Science， 2018， 36（2）： 30-36.

［63］鞏前勝. “情景—應對”型應急決策中情景識別關鍵技術研究［D］. 西安： 西安科技大學， 2018.

GONG Q S. Research on the key techniques of scenario recognition in “scenario-response” emergency decision-making ［D］. Xi’an： Xi’an University of Science and Technology， 2018.

［64］BENOIT W L. Image repair discourse and crisis communication［J］. Public Relations Review， 1997， 23（2）： 177-186.

［65］HEARIT K M. The use of counter-attack in apologetic public relations crises： the case of general motors vs. dateline NBC［J］. Public Relations Review， 1996， 22（3）： 233-248.

［66］COOMBS W T. An analytic framework for crisis situations： better responses from a better understanding of the situation［J］. Journal of public relations research， 1998， 10（3）： 177-191.

［67］COOMBS W T. The protective powers of crisis response strategies： managing reputational assets during a crisis［J］. Journal of Promotion Management， 2006， 12（3）： 241-260.

［68］YAN J， LIU F B. The blog-mediated crisis communication model： recommendations for responding to influential external blogs［J］. Journal of Public Relations Research， 2010， 22（4）： 429-455.

［69］胡峰， 左茜. 自由基聚合理論視閾下重大疫情防控應急情報體系優化策略［J］. 情報科學， 2020， 38（11）： 10-15.

HU F， ZUO X. Optimization strategy of emergency intelligence system for prevention and control of major epidemic from the perspective of free radical polymerization theory［J］. Information Science， 2020， 38（11）： 10-15.

［70］張寶生， 楊曉婷， 王曉紅. 面向突發自然災害事件的政務微博輿情動態預警機制研究［J］. 情報科學， 2024， 42（2）： 43-55.

ZHANG B S， YANG X T， WANG X H. Public opinion dynamic early warning mechanism of government microblog for sudden natural disaster relief event［J］. Information Science， 2024， 42（2）： 43-55.

作者簡介

關 爽（1985—），女，博士研究生，主要研究方向為項目管理、智慧應急管理。

王長峰（1965—），男，教授，博士，主要研究方向為項目管理、智慧應急管理。

楊龍飛（1989—），男，講師，博士，主要研究方向為項目管理、傳播動力學建模。