不確定環境下網絡信息救濟有效性研究

中圖分類號：G202 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2025019

Research on the Effectiveness of Online Information Relief in Uncertain Environments

AbstractExploring theevaluation methods and influencing factors of the effectiveness ofonline informationrelief in uncertainenvironments hasimportanttheoreticalandpractical significance forgovernments，relevantinstitutions，and media toimprove thequalityof informationrelief.Aiming attheuncertain environment caused bypublic events，based on the social supporttheory，this study divides theonline informationof therainstorm event in Hebei Provinceinto two dimensions： social supportdemandand social support supply.Basedon the definitionof information relief，the social supportsupply informationisregardedasrelief information.Basedontheuncertaintyreduction theory，weconstructanevaluationsystem for theefectivenessofonline informationrelieffromthe passive，active and interactive dimensions of uncertainty reductionstrategies.Then，basedonthe heuristicsystem model，aregresionpredictionmodelanda SHAPmodelareconstructedtorevealtheimportantfactorsafectingtheeffectivenessofonlineinformationrelief.Itisfound that significant differences existin the effctivenessof informationrelief across diffrent lifecyclesand theme types.The overall scores forthe effectiveness of informationrelief during theoutbreak and spread periods wererelativelyhigh， while the situational information during the incubationperiod，rescue information during the outbreak perid，recommendationinformationforthespreadperiod，andemotionalinformationduringtherecoveryperiodscorehigherforteeffectiveness ofrelief intheirrespective stages.The influence and timeliness ofpublishers have significant positive influence ontheeffectiveness ofinformationrelief，while theemotionof information is negativelycorrelatedwith the effectiveness of information relief.

Keywords information relief; effectiveness;uncertain environment

不確定環境是指在諸如自然災害、全球性流行疾病或社會兩極分化等危機情境下，由于關鍵環境信息的缺失或對未來方向的未知而形成的一種狀態[。這些危機事件的發生不僅打亂了原有的社會秩序，還顛覆或動搖了人們長久以來依賴的確定性認知框架，使國家和社會治理面臨嚴峻挑戰

近年來，社交媒體成為公眾獲取信息的主要渠道。根據第53次《中國互聯網絡發展狀況統計報告》，截至2023年12月，我國網民規模達10.92億人，互聯網普及率達 77.5%^[2] 。隨著社交媒體平臺功能的完善和用戶規模的增長，其在危機事件社會恢復中的價值已得到廣泛驗證[3]。在不確定性環境下，公眾亟須通過社交媒體獲取危機事件的相關信息，以便尋求及時有效的解決辦法，減輕事件不確定性帶來的負面影響[4]。同時，社交媒體也可以利用自身優勢提供信息救濟，通過緩解公眾認知不確定性的網絡信息來增強群體安全感，為公眾構建更具韌性的社區[5]，增強相關部門和組織應對危機的能力。在此背景下，社交媒體如何通過信息救濟有效緩解事件與公眾感知的不確定性，避免由于信息失衡導致公眾認知不確定性進一步擴大，成為亟待研究的重要課題。

本文以新浪微博為數據來源，以河北暴雨事件為具體研究案例，探究不確定環境下網絡信息救濟有效性的評估方法，分析事件不同階段信息救濟有效性的差異，揭示信息救濟有效性的影響因素。研究對于社交媒體、政府和相關應急管理機構在不確定環境中制定和優化網絡救濟策略、提高信息救濟質量具有重要的理論和實踐意義。

1相關研究

1.1 信息救濟概述

目前，國內外學者還沒有形成信息救濟的統一定義。社會學中的“救濟”主要強調為維護社會公平正義而對弱勢群體采取適當的保護性調整措施。信息救濟的概念主要源于法律和政策研究，本文認為信息救濟是通過提供、披露或傳播信息來解決或緩解特定問題或爭端的一種手段，主要用于消費者保護、數據隱私、市場競爭等領域，旨在通過透明度和知情權的增強，促使各方能夠基于更充分的信息做出更明智的決策，從而削弱信息不對稱帶來的種種負面影響。盡管信息救濟已經在法律與政策層面得以研究，但信息救濟的概念在不同情境中可能具有不同的含義，尚未形成統一的定義。基于此，本文在現有研究基礎上，對信息救濟進行界定，即通過及時有效的數據、信息的公開和溝通渠道，幫助公眾有效應對因信息匱乏、傳播不暢而加劇的不確定性。這種不確定性通常發生在突發事件所引發的不確定環境中。在此背景下，信息救濟作為一種重要的危機治理手段，能夠有效緩解公眾的不確定感，從而促進社會的穩定與恢復。救濟過程中傳遞的具體信息內容即為救濟信息，是信息救濟的載體。

1.2不確定環境下網絡信息救濟有效性評價研究

目前，關于網絡信息救濟有效性的評價研究仍較為匱乏。有研究表明，信息救濟的有效性不僅取決于信息的質量和傳播效率，還與信息的內容、公眾對信息的需求和接受程度等密切相關。陳積銀等提出在應對非傳統安全事件時，社交媒體應該成為信息救濟的先鋒力量，迅速響應并率先發布相關信息，回應公眾急迫的信息需求，起到預警和引導公眾輿論的作用。喻國明和耿曉夢指出，信息救濟的內容體系應當蘊含公共價值屬性，不僅包括訴諸理性、以事實為基礎的資訊信息，也應包含訴諸情感聯系、增進社會團結的內容[8]

當前的網絡信息救濟有效性評價研究在理論構建與案例解讀方面取得了一定進展，但視角多局限于傳播學理論探討與案例分析，缺乏指標量化與實證研究。基于這一現狀，本文旨在通過引入量化指標與實驗設計，深化對信息救濟效果的實證評估，以期在不確定環境下為網絡信息救濟效能評估提供更為堅實的方法支撐與實踐指導。此外，在現有研究的基礎上發現，網絡信息救濟作為一種緩解事件與公眾感知不確定性的危機治理手段，其有效性與公眾密不可分，本質上是幫助公眾在危機中緩解不確定性，衡量方式可以從公眾通過社交媒體緩解不確定性有效性的角度進行探討。

1.3網絡信息救濟有效性影響因素研究

雖然關于網絡信息救濟有效性的影響因素分析的研究較少，但是一些學者研究了應急信息的傳播效果、政府的網絡輿情導控能力等問題，其影響因素通常從信息源、信息內容等方面分析。從信息源角度，研究關注的影響因素通常有信源權威性、影響力[，衡量指標包括網絡用戶的賬號認證等級、認證類型、粉絲數量等。此外，信息發布的及時性[]也是關鍵因素。從信息內容角度，關注的影響因素除信息情感[12]、信息主題[13]外，還有信息豐富度[14]、文本信息量[15]等。在研究方法上，當前研究多采用理論模型構建和實證分析相結合的方式，通常基于雙過程理論、信息生態理論等理論，采用fsQCA或機器學習方法來分析，這些方法能夠有效揭示不同因素的復雜影響關系，為網絡信息救濟有效性的研究提供了方法支撐。

目前關于網絡信息救濟有效性影響因素的研究仍存在不足。大多數研究集中在信息服務質量、信息公開滿意度等方面，鮮有研究從網絡信息減少事件和公眾感知不確定性作用的角度，探究其發揮救濟能力的重要影響因素。

本文通過梳理信息救濟的概念、網絡信息救濟有效性的評價方式及其影響因素，發現現有研究存在以下不足：第一，缺乏對信息救濟的統一定義；第二，關于網絡信息救濟有效性的評價研究仍處于起步階段，現有研究多集中于定性分析，缺乏系統的量化指標和實證研究，且較少從公眾視角出發，探討信息救濟在危機中緩解不確定性的具體機制；第三，在影響因素方面，現有研究多集中在信息服務質量和信息公開滿意度等方面，缺乏網絡信息救濟有效性的影響因素探究。基于此，本文對信息救濟進行定義，基于不確定性縮減理論，從公眾在社交媒體上采取的被動、主動和互動三種策略的有效性角度來衡量事件不同階段的網絡信息救濟有效性，并基于啟發-系統模型，從啟發性和系統性兩個維度識別救濟有效性影響因素，構建回歸預測模型，通過SHAP解釋框架，揭示影響網絡信息救濟有效性的重要因素，以補充相關研究的不足。

2研究理論與方法

2.1 理論基礎

社會支持理論（SocialSupport Theory）最早見于20世紀70年代。精神病學領域學者CobbS將社會支持定義為一種使個體確信自己被關懷、尊重，并作為某一社群不可或缺的一員的信息[1]。此后，該術語被學者不斷發展，逐漸拓展為一套理論體系，滲透至社會學、心理學、管理學以及信息科學等多個研究領域[17]。在網絡環境下，新的社會支持形式被稱為\"在線社會支持”[18]，以信息支持和情感支持為主[19]，包含需求型和供給型[20]。信息支持是影響個人行為決策的建議與指導性信息[21]。情感支持則體現為關懷、關注以及鼓勵等情感的表達[22]，這種支持可以給予人們心靈慰藉，有效緩解壓力與焦慮，為個體提供情感的避風港。需求型是表達信息和情感需求的內容，而供給型是提供信息和情感支持的內容，本文認為它們都是信息救濟的內容。過往研究往往以問答平臺的用戶問題或直接以微博發布的博文作為需求信息。然而，微博這類平臺作為廣泛使用的社交媒體，用戶通過發布微博的形式表達自己的需求和傳遞信息與情感支持，在一定程度上同時包含了需求信息和供給信息。鑒于此，本文參考社會支持理論，結合社會支持需求與救濟的互動結構，對微博平臺事件相關博文進行分類。

不確定性縮減理論（UncertaintyReductionThe-ory）由Berger和Calabrese于1975年提出23，最早應用在人際交往的動態過程中。該理論的核心觀點是，個體在初次交往情境中，往往將降低不確定性視為首要任務，進而驅動他們積極尋求關于交往對象的各類信息，旨在提升互動行為的可預見性，從而有效削減不確定性。信息的數量并不足以直接作為減少不確定性的指標，關鍵在于信息接收者是否認為這些信息能夠指導其作出決策，即信息的實用性才是減少不確定性的核心因素。不確定性縮減理論提出，減少不確定性的主要策略包括被動、主動和互動三種。被動策略是通過觀察獲取有關他人信息的方式，主動策略是積極尋求、主動搜索和詢問與目標相關的信息，互動策略是通過與目標直接對話的形式來獲取信息從而減少不確定性。

已有研究表明，不確定性縮減理論適用于危機情境，因為在探討公眾面對突發事件的情境時，尋求事件相關信息同樣成為降低不確定性的關鍵[2]，并且不確定性縮減的三種策略已被證明有效。鑒于此，本文選取突發事件情境下社交媒體救濟信息的內容作為分析樣本，依據不確定性縮減理論框架，從被動、主動、互動策略的有效性角度出發，深入評估信息救濟在減少公眾在突發事件不確定性方面的效能。這一研究路徑不僅豐富了不確定性縮減理論的應用場景，也為理解社交媒體在危機溝通中的角色與效果提供新的視角。

啟發-系統模型（Heuristic-Systematic Model，HSM）于1980年由心理學家ChaikenS提出[5]，能夠解釋用戶在接受和處理具有說服力的信息時的思維和行為。該模型認為，人們通過啟發式和系統式兩種平行方式加工信息。啟發式指主體根據外部線索進行淺層分析，不是通過信息本身來判斷，自身投入的時間和精力很少。系統式是指主體在全方位地思考信息內容后來作出判斷，這些線索包括信息本身的內容特征，如信息內容、信息量、易讀性等。

綜上，本文基于社會支持理論，挖掘不確定環境下社交媒體救濟信息與用戶需求，基于不確定性縮減理論探究社交媒體信息救濟有效性的評價方法，基于啟發-系統模型探究信息救濟有效性的影響因素。

2.2基于社會支持理論的供給和需求信息挖掘

從社會支持理論出發，參照Cheng等和肖亞龍等關于災害事件社交媒體信息分類描述[26.20]，結合微博的傳播和具體事件特點，本文將河北暴雨微博信息分為態勢信息、救援信息、建議信息、情緒信息和離題信息。態勢信息、救援信息、建議信息構成信息支持范疇，情緒信息屬于情感支持，離題信息為與事件無直接關聯的信息，如廣告營銷等。從動態需求和供給維度上看，態勢信息、救援信息、建議信息、情緒信息均有“需求型”和“供給型”之分，“供給型”信息作為實施救濟的信息內容，即為救濟信息（具體分類、描述及示例見表1）。

2.3社交媒體信息救濟有效性度量

本文基于不確定性縮減理論，構建被動策略、主動策略、互動策略三個維度上單條微博的信息救濟有效性評價指標，如等式（1）所示：

（1）在被動策略上，公眾通過瀏覽社交媒體來了解事件信息。社交平臺上，信息的廣泛傳播在很大程度上決定了用戶接觸到該信息的可能性，影響信息救濟的有效性。傳播效果通常用轉發數來衡量，因此本文采用轉發數repost來反映單條微博被動策略的有效性。

（2）在主動策略上，公眾通過主動搜索的方式積極尋求與事件相關信息，以減少不確定性帶來的負面影響，因此可以通過事件當前階段內信息救濟是否準確滿足了用戶需求，即用戶需求滿足程度來衡量。需求滿足程度從客觀和主觀兩個層面衡量。客觀上，可以通過救濟信息與用戶需求的語義相似度計算。其中，用戶需求維度主要包括需求內容和需求強度[27]，需求內容體現在內容主題，需求強度是公眾作為信息接收者對信息的需求程度。某條需求的需求強度越大，在一定程度上表明對該條需求的救濟程度越高。主觀滿意度通過點贊數來衡量。單條信息主動策略有效性如公式（2）所示：

其中， n 表示事件某一階段 p 主題類別為 Ψ_t 的所有需求信息的數量， R_pt 表示階段 p 內主題類別為χ_t 的救濟信息， D_pii 表示階段 p 內主題類別為 χ_t 的第 i 條需求信息， 表示其語義相似度，使用BERT預訓練語言模型計算， DS_pii 表示 D_pii 的需求強度，like為單條救濟信息的點贊數。 DS_pi 的計算方式參考文獻[28]如公式（3）所示：

其中， like_i 表示該條需求信息的點贊數，comment表示該條需求信息的評論數，repost表示該條需求信息的轉發數。

（3）在互動策略上，公眾通過直接對話的形式來獲取信息減少不確定性。不同于人際交往，在突發事件中，公眾無法與目標進行直接互動。在社交媒體上，評論是互動化的行為，用戶通過在救濟信息下進行評論以及給評論點贊的方式來參與互動，獲取信息。本文認為，某條微博下評論內容的整體情感傾向能夠反映用戶在該條微博下互動的滿意程度。同時，對評論點贊表達了對該評論的共鳴，并且能夠增加該評論的曝光度，使其被更多人關注并參與討論。因此本文通過評論文本的情感傾向值與點贊數來綜合衡量互動策略有效性。此外，還需要結合互動內容與原微博文本的主題相關性綜合判斷。單條信息互動策略有效性如公式（4）所示：

其中，comment（s）表示每條評論的情感傾向值，取值為0到1之間，comment（like）表示每條評論的點贊數。情感傾向通過python中的SnowNLP庫計算，情感傾向值的最終賦值需要考慮評論主題與原博主題的相似度。具體而言，若用戶的評論內容與原博主題相關，意味著用戶是針對原博問題展開互動，那么該評論的情感傾向值取其實際計算值；若用戶的評論內容與原博主題不相關，即主題相似度小于0，其表達的情感態度不對該條微博的有效性造成影響，這種情況將該評論的情感傾向值與其點贊數的乘積置為0。

基于以上三個維度，通過熵值法為各指標賦予權重，按照等式（1）計算微博信息救濟有效性。

2.4社交媒體信息救濟有效性影響因素分析

本文基于啟發-系統模型，從啟發性和系統性兩個維度選擇10個影響信息救濟有效性的潛在因素，構建網絡信息救濟有效性影響因素模型（見表2）。

系統性包括信息量、信息情感性、信息豐富度、信息規范性、信息明確性、信息話題性、聯動性。在突發情況下，信息量過多可能導致信息過載，使得關鍵信息難以被識別和提取，進而影響救濟的準確性。在社交媒體上發布具有情感性和豐富度高的信息往往更容易引起傳播，因此情感性和豐富度也納入考慮。對于信息豐富度，根據媒體豐富度理論，將純文本、文本 + 圖片、文本 + 視頻分別編碼為 1、2、3^[29] 考慮到微博可以同時發布圖片和視頻，將文本 + 圖片 + 視頻編碼為4。規范性和明確性均能提升公眾的接受程度和信任感，而話題性和聯動性有助于擴大救濟信息的傳播力和影響力。其中，信息情感性使用百度AI情感傾向分析接口獲取，確切詞比例使用TextMind計算。

啟發性包括發布者權威性、影響力和發布及時性。權威性發布者通常擁有較高公信力，其發布的信息更容易被公眾接受和信任，在信息救濟過程中，權威性發布者發布的信息往往能夠更有效地消除公眾的不確定性。影響力較大的發布者通常擁有廣泛的受眾群體和強大的傳播渠道，使其發布的信息能夠迅速傳播給更廣泛的用戶。及時發布信息能夠確保信息的時效性，使公眾盡快了解事件的最新進展等，減少公眾不確定性，提高信息救濟的效果。

將表2中的影響因素作為自變量，信息救濟有效性評估值作為因變量，采用支持向量回歸模型（SupportVectorRegression，SVR）隨機森林回歸模型（RandomForestRegression，RFR）極限樹回歸模型（Extra TreeRegression，ETR）ExtremeGradientBoost-ing回歸模型（XGBRegression，XGBR）和LightGradi-ent Boosting Machine回歸模型（LGBMRegression，LGBMR）進行預測，選取均方誤差（MSE）、平均絕對誤差（MAE）和相關系數 （R²） 評估效果最佳的模型輸入SHAP（SHapleyAdditive exPlanations）。SHAP是一種用于解釋機器學習模型預測結果的方法，它基于合作博弈論中的Shapleyvalue，能夠解釋機器學習模型中不同特征對模型預測結果的貢獻程度。

3實驗及結果分析

3.1 數據收集和預處理

本文選取2023年河北暴雨事件作為案例，并以新浪微博平臺作為數據來源。根據河北暴雨事件的發展過程，將數據收集時間選取為2023年7月29日至2023年8月12日。為了盡可能獲取所有相關數據，將“河北暴雨”“涿州暴雨”\"涿州 + 雨\"“強降雨\"作為事件關鍵詞，獲取相關微博的內容、發布時間、轉發數、評論數、點贊數、評論的內容及其點贊數，以及相應用戶信息，去除重復數據和特殊字符后，最終獲得126，307條數據。

3.2 生命周期劃分

百度指數呈現了用戶在互聯網上對事件的關注程度和持續變化狀況。根據河北暴雨事件在百度指數收錄關鍵詞“河北暴雨\"的數據變化，以及對獲取到的微博數據的統計，將該事件的生命周期劃分如下：8月1日8時前為潛伏期，該時期河北地區出現零星降雨天氣，但強度不大，范圍較小，微博上對該事件關注度還不高。8月1日8時至8月3日10時為爆發期，該時期暴雨強度變大，災害造成的影響迅速顯現，微博上有關暴雨的討論迅速升溫，成為熱門話題。8月3日11時至8月7日14時為蔓延期，該時期暴雨事件的影響范圍逐漸擴散，討論熱度較先前有所下降。8月7日15時至8月12日23時是恢復期，該時期生活秩序逐漸恢復正常，討論逐漸平息。

3.3 微博信息分類

本文采用文心ERNIE3.0進行模型訓練，按照2.1節分類描述區分出微博平臺用戶的實際需求和救濟內容。該模型是百度研發的基于知識增強的多范式統一預訓練框架，通過融合大規模文本數據與結構化知識圖譜來提升模型的語義理解能力，在理解任務、生成任務、零樣本學習任務中均取得優秀的表現。

首先進行數據準備。從收集到的數據中選擇2000條，依據表1的分類標準進行人工標注，為每條數據賦予標簽，如“需求-態勢信息\"等，并保證每個標簽的已標注文本大于150條，取 80% 為訓練集，剩下 20% 為測試集，導人并創建數據集。然后在模型訓練配置上選擇高精度算法，模型篩選指標選擇兼顧精確率與召回率。最終訓練集準確率為 92.9% ，F1值為 91.3% ，精確率為 91.4% ，召回率為 93.4% ，測試集準確率為 83.5% ，具有良好的效果。最后獲取ER-NIE3.0微調后的模型接口，調用模型接口對獲取到的河北暴雨事件微博信息進行分類。由于一條微博可能表達多種含義，同時屬于多種類別，通常學者會將分布概率最高的類目標簽作為該對象的類別。本文訓練的模型對每條信息的分類數量默認為6個，即概率最大的前6個類別，并展示屬于各類別的概率，因此也使用同樣策略，選取概率最高的作為微博信息類別。最終保留104，851條救濟信息和20，912條需求信息，刪除了離題信息544條。

3.4網絡信息救濟有效性分析

根據網絡信息救濟有效性評價指標構建和公式（2）-（4）的計算方法，獲取各救濟信息的指標值，通過熵值法獲得權重，將指標數值與權重系數代入公式（1），計算每條救濟類微博的信息救濟有效性綜合得分。為便于分析，將數據歸一化到[0，1]區間，再映射到[0，100]區間（實驗結果前4名見表3）。

從表3可知，排名前四的微博條目均在河北暴雨事件爆發的關鍵階段被發布，且內容均聚焦于救援類信息的傳遞，說明在事件爆發期內，公眾迫切需要通過被動、主動以及互動方式全面獲取關于救援行動的最新進展、救援力量的部署情況等關鍵信息。因此在突發事件的爆發期，及時發布的救援類信息，能夠最大限度地緩解公眾不確定性，有效引導公眾行為，提升救濟有效性。

對河北暴雨事件四個階段的各個主題類型信息救濟有效性排名前 10% 的微博，分別計算其救濟有效性平均值進行分析并繪制分布圖（見圖1）。

通過ANOVA方差分析檢驗，河北暴雨事件中微博信息救濟的有效性在不同階段呈現出顯著的差異 （P-value=0.047lt;0.05） 。爆發期和蔓延期作為事件最為緊急和關鍵的時期，信息救濟有效性得分整體相對較高，這主要歸因于這兩個階段公眾對即時信息的高度關注和信息需求的緊迫性。在爆發期，救援信息救濟的有效性最高。大量救援組織、志愿者和公眾通過微博發布和轉發救援信息，迅速形成了救援力量，為受災群眾提供了及時的幫助，高得分反映了救援信息在該階段促進救援資源調配、滿足救援需求等方面的顯著作用。進入蔓延期，建議信息救濟的有效性最高，這說明隨著災情的持續和影響的擴大，公眾對于具有明確指向性、可操作性的建議類信息產生了更為強烈的需求，相較于其他類型的信息，建議類信息能夠直接為民眾提供應對災情的具體行動指南，如安全避險的方法、物資合理調配的策略以及臨時生活安置的要點等，從而有效地助力公眾增強自我保護能力，提升了信息救濟在災害應對過程中的實際效果與積極作用。

相比之下，潛伏期和恢復期的信息救濟有效性得分整體較低。在潛伏期，態勢信息救濟的有效性相對較高，說明事件預警信息的發布較為有效，但受限于暴雨災情尚未全面爆發，公眾的緊迫感相對較低。因此，信息在這一階段雖然同樣具有價值，但其救濟有效性的體現可能不如爆發期和蔓延期直觀和顯著。而在恢復期，信息救濟有效性可能更多地體現在長期的社會影響和公眾心理調適上，情緒信息救濟有效性為該階段最高，說明公眾更需要心理援助與情感支持，此時發布如祈福、鼓勵、支持等情感信息對救濟更為有效。但相較于蔓延期，公眾的注意力已經逐漸轉移，事件也進入了收尾階段，因此信息救濟有效性整體效果相對較弱。

實驗結果表明，在突發事件的爆發期和蔓延期，及時發布救援類和建議類信息對緩解公眾不確定感，提供明確的行動指南，提升信息救濟的有效性至關重要。因此，應急管理部門和信息發布者應優先在這些階段發布關鍵信息，確保公眾能夠及時獲取最新的救援進展和應對建議。而在潛伏期，公眾更關注態勢信息，如預警和防范措施；在恢復期，公眾則更需要情感支持和心理援助。因此信息發布者需根據事件的發展階段，調整信息內容的側重點，以滿足公眾在不同階段的實際需求。

3.5網絡信息救濟有效性影響因素分析

為探究網絡信息救濟有效性的影響因素，本文對2.3節中提到的5個機器學習模型進行對比實驗，構建信息救濟有效性回歸預測模型。具體而言，將準備好的實驗數據輸入5個回歸預測模型，按照8：2劃分訓練集和測試集，并得出各模型表現結果（見表4）。其中，MSE和MAE均用來衡量預測誤差，值越小，模型預測結果越準確。 R² 是衡量預測值與實際觀測值之間擬合程度的統計量，值越接近1表示模型的擬合效果越好。綜合比較可以看出LGBMR模型效果最好，因此選擇LGBMR模型對信息救濟有效性進行預測。

使用SHAP對訓練好的LGBMR模型進行解釋，繪制全局特征重要性排序圖和全局特征概要圖（見圖2）。圖2（a）是全局特征重要性排序圖，展示了每個特征在所有預測中的平均絕對SHAP值，通過條形的長度可以直觀看出各個特征對信息救濟有效性影響大小，長度越長，特征的影響程度越大。圖2（b）是全局特征概要圖，展示所有樣本在所有特征上的SHAP值分布，y軸是樣本點所屬的特征， x 軸是SHAP值，點的顏色深淺表示了特征值的大小，其中淺色表示較高的特征值，深色表示較低的特征值，不同方向表示了影響的正負。

分析圖2可知，發布者影響力對信息救濟有效性有顯著正向影響，這表明粉絲量越多的信息發布者所發布的信息更容易被公眾信任，當他們發布與信息救濟相關的內容時，能夠迅速擴散，使更多公眾能夠接收到其發布的信息，信息救濟效果更好。發布及時性與信息救濟有效性呈顯著正相關，這表明及時發布信息能夠讓公眾迅速獲取所需信息，作出反應，從而對信息救濟有效性產生積極作用。信息量、信息話題性、聯動性、信息明確性、信息規范性、信息豐富度均在一定程度上與信息救濟有效性呈正相關，這表明信息量充足、帶有熱門話題、促進聯動與協作、使用統一的標題格式和具有明確性以及帶有圖片和視頻的信息均能提升信息救濟有效性。信息情感性與信息救濟有效性呈負相關，這可能因為，在不確定環境中發布的信息對危機事件表達出悲痛同情之感，可在一定程度上有效引發網民的共鳴，促進與公眾之間的深度連接與互動交流，提升對公眾的支持力度，從而提升救濟有效性。

實驗結果揭示，發布者的影響力、信息發布的及時性、信息內容的豐富性和規范性等因素均對信息救濟的有效性產生了正向影響。因此在實際操作中，政府機構、專業媒體和相關組織應積極利用其高影響力，優先在事件的關鍵階段發布及時且內容豐富的信息，同時應確保信息的準確性和完整性，使用統一的標題格式，避免模糊和誤導性內容，以增強公眾的信任感，減少公眾的不確定感。此外，適當結合情感元素可以增強公眾的心理支持和情感共鳴，但需避免過度的情感化，以免引起公眾的反感和不信任。通過這些措施，可以有效提升網絡信息救濟的有效性，為公眾提供更有力的支持和指導，在不確定環境中增強公眾的應對能力和心理韌性。

4結語

本文針對突發事件造成的不確定環境，基于社會支持理論將河北暴雨事件網絡信息分為除離題信息外的社會支持需求和社會支持供給兩個維度，每個維度均細分為態勢信息、救援信息、建議信息、情緒信息四個類別。基于對信息救濟的定義，將社會支持供給信息視作救濟型信息，以不確定性縮減理論為基礎，從減少不確定性策略的被動、主動、互動三個維度構建了網絡信息救濟有效性評估體系，然后基于啟發-系統模型，從啟發性和系統性兩個維度識別救濟有效性影響因素，構建回歸預測模型和SHAP模型揭示了影響網絡信息救濟有效性的重要因素，并提出提升信息救濟有效性的針對性建議。

在理論方面，將信息救濟概念用于不確定環境下網絡信息的研究中，拓展了信息救濟的研究范疇，為危機響應和管理的理論研究提供了新的視角。其次，基于不確定性縮減理論，從減少不確定性策略的被動、主動、互動三個維度構建了網絡信息救濟有效性評估體系。這一評估體系不僅為網絡信息救濟的有效性提供了量化標準，也為后續研究提供了可借鑒的評估框架。在實踐方面，將啟發-系統模型引入網絡信息救濟有效性影響因素的識別中，從啟發性和系統性兩個維度選取影響因素，構建回歸預測模型，揭示了影響網絡信息救濟有效性的重要因素，為政府、相關機構和媒體在危機事件中制定和優化網絡信息救濟策略、提高信息救濟有效性提供了科學依據。未來研究將結合多平臺的多類型事件綜合分析，并進一步完善對影響因素的考察，從而更深入地理解網絡信息救濟有效性的影響機制。

致謝：感謝圖書情報國家級實驗教學示范中心為本研究提供實驗支持！

參考文獻：

[1]陳美華，周群，王延飛.不確定環境下韌性社會的情報賦能研究[J].情報科學，2024，42（7）：61-69.

[2]中國互聯網信息中心（CNNIC）.第53次《中國互聯網絡發展狀況統計報告》[EB/OL].[2025-02-22].htps：/www.cnnic.net.cn/n4/2024/0322/c88-10964.html.

[3]葉光輝，曾杰妍，胡婧嵐.用戶應急信息搜尋行為研究評述[J].圖書情報知識，2019（4）：71-81.

[4］張雪峰，黃葉琳.突發公共事件回應的公眾認可度研究——基于在線文本透明度與同理心情感分析[J].科技情報研究，2024，6（4）：66-80.

[5]YuanF，LiM，LiuR，etalSocialmediaforehancedunderstandingofdisasterresilienceduring HurricaneFloreneJternationalJournal ofInformationManagement，2O21，57：102289.

[6]方印，李杰.大數據視野下公眾環境信息救濟權初探[J].學術探索，2021（1）：69-77.

[7]陳積銀，宋春妮，崔怡珂.信息救濟、情緒安撫與公眾參與：社交媒體在非傳統安全事件中的社會治理[J].全球傳媒學刊，2022，9（2）：21-36.

[8」喻國明，耿曉夢.信息救濟與共同體重塑：非傳統安全態勢下的傳播范式——試論“第四維度\"影響下的傳播樣態[J].學術界，2020（10）：75-83.

[9］周磊，黃麒，魏玖長.基于組態視角的突發事件應急信息傳播效果研究——以\"安徽疾控\"為例[J].公共管理與政策評

[10]張寶生，祁曉婷.基于危機過程管理視角的地方政府網絡輿情導控能力評價研究[J].現代情報，2018，38（10）：24-31，56.

[11]袁維海.突發事件管理中的政府信息公開[J].中國行政管理，2011（1）：66-69.

[12]鐘偉軍.公共輿論危機中的地方政府微博回應與網絡溝通——基于深圳\"5.26飆車事件\"的個案分析[J].公共管理學報，2013，10（1）：31-42，139.

[13］趙曉航.基于情感分析與主題分析的\"后微博\"時代突發事件政府信息公開研究——以新浪微博\"天津爆炸\"話題為例[J].圖書情報工作，2016，60（20）：104-111.

[14]Daft RL，Lengel RH，TevinoLK.Messge equivocality，mediaselection，ndmanagerperformance：Implicationsforfora-tionsystems[J].MISQuarterly，1987：355-366.

[15]Song C，Fujishiro H.Toward theautomaticdetectionofrescue-request twets：Analyzing the featuresofdata verified bythepress[C]//2019 International Conference on Informationand Communication Technologies for Disaster Management （ICT-DM）.IEEE，2019：1-4.

[16] Cobb S.Social support as a moderator of life stress[J].Psychosomatic Medicine，1976，38（5）：300-314.

[17］張一涵，李凱，沈洪洲，等.社會支持理論及其在信息系統研究領域的應用與展望[J].現代情報，2023，43（5）：135-145.

[18]SeoM，SunS，MerollAJ，etal.WillingnesstohelpfollowingtheSichuanarthquake：modelingtheeffctsofmediainvolve-ment，stress，trust，and relational resources[J].Communication Research，2012，39（1）：3-25.

[19]Zhou C，Xiu H，Wang Y，etal.Characterizing thediseminationofmisinformationonsocial media in healthemergencies：Anempirical study based on COVID-19[J].Information Processing amp; Management，2021，58（4）：102554.

[20]肖亞龍，馮皓，朱承璋，等.基于社會網絡分析的重大自然災害事件線上社會支持尋求與供給研究[J].情報雜志，2023，42（3）：190-198.

[21]Chun JW，LeMJ.Whendoes individuals'wilingnessto speakoutincreaseon social media？Perceivedsocialsupportandperceived power control[J].Computers in Human Behavior，2017，74：120-129.

[22]Lin TC，HsuJSC，Cheng HL，etal.Exploring therelationshipbetweenreceivingandoferingonline social support：Adualsocial support model[J].Informationamp; Management，2015，52（3）：371-383.

[23]BergerCR，CalabreseRJSomeexplorationsiniitialinteractionandbeyond：Towardadevelopmental teoryofinterpersonalcommunication[J].Human Communication Research，1974，1（2）：99-112.

[24]SonJ，LeeJrsnKR，etalUderstaningtecertaintyofisastertwtsnditsftonetweetingThestiveof uncertaintyreductiontheoryandinformationentropyJ].JournaloftheAsociationforInformation ScienceandTechnolo-gy，2020，71（10）：1145-1161.

[25]Chaiken S.Heuristic Versus Systematic Information Procesingand theuseofSourceVersus MessageCues in Persuasion[J].Journal of Personality and Social Psychology，1980，39（5）：752-766.

[26]Cheng X，Han G，Zhao Y，etalEvaluating social media response tourban flooddisaster：Case studyonaneast Asiancity[J].Sustainability，2019，11（19）：5330.

[27]常紅，田野，沙淑欣.圖書館信息推送服務用戶接受研究[J].圖書館論壇，2014，34（11）：106-111.

[28］劉澤，單軫，邵波.后疫情時代公眾信息需求與公共圖書館信息服務策略研究[J].情報科學，2023，41（7）：179-188.

[29]Chen Q，Min C，Zhang W，etal.Unpacking the black box： How to promote citizen engagement through government social me-dia during the COVID-19 crisis[J].Computers in Human Behavior，2022，110：106380.

作者簡介：安璐，、大學信息管理學院、教授；唐辭，大學信息管理學院碩士研究生。