基于舆情大数据的突发事件负面情感引导“时度效”研究*

夏一雪 王 娟 何 巍 张立红 兰月新

（1.中国人民警察大学 河北廊坊 065000）

突发事件引发的情感反应和变化， 作为一种特殊的社会心理现象，近年来逐渐引起学术界关注。已有研究主要围绕两方面主题展开， 一是突发事件情感识别与分析，并提出引导策略或风险预警机制，如通过OCC 情感规则、长短时记忆神经网络等方法研究突发事件情感识别问题， 通过情感词典、 情感图谱、 系统动力学等方法进行突发事件情感演化态势分析、情感倾向性分析，通过传染病模型、社会网络分析、Multi-agent System 等方法研究突发事件情感的感染机制、传播机制、影响机制等；二是情感与突发事件应急管理的相互作用， 如研究突发事件传播过程中的情感动员机制特别是社交媒体的作用、情绪对突发事件应急决策的影响； 情绪与突发事件的共振及对突发事件演化的影响等。 通过分析相关研究可以发现，负面情感成为新的研究关注点，体现出学术界对突发事件情感的研究， 由一般性的情感识别与分析， 转向更紧密结合突发事件情感的负面特征，并进行专门深入的研究。已取得的研究成果如通过“信念-愿望-意图”模型、理性思维自适应控制系统理论模型等研究网民负面情感的影响因素和演变规律，服务于政府调节网民负面情感。 综合已有研究，由于突发事件情感具有突出的负面特征，因此负面情感研究将是这一领域深入研究的方向。同时，由于突发事件应急管理的时效性强、关注度高，因此面向突发事件进行的情感研究需要重点关注情感引导的及时性、针对性，探索提升负面情感引导“时度效”的理论路径。

1 基于舆情大数据的突发事件负面情感引导问题

在舆情大数据环境下， 突发事件负面情感信息的产生速度、传播速度、影响范围、极化程度、线上线下关联程度都显著增加，这为情感引导带来了挑战，但另一方面， 基于舆情大数据的情感态势分析和预测，又为突发事件负面情感引导提供了数据支持。

1.1 突发事件负面情感引导模式

当前，网络舆情作为应急管理的“第二现场”，线上舆情引导与线下应急救援正成为突发事件应急管理中一体两面、相互影响的两个方面。由于突发事件通常对民众造成强烈的情感冲击乃至心理创伤，而且负面情感的舆情信息产生快速、 蔓延迅速并容易极化而引发线下群体事件， 因此突发事件的舆情引导，以情感疏导为核心，而突发事件情感具有突出的负面特征， 如何疏导负面情感便成为突发事件舆情引导的关键。

突发事件舆情引导可以分为两种模式（见图1）：第一种是以政府需求为导向的引导模式， 突发事件发生后，政府对舆情引导的时间、内容、范围、途径等实行统一标准管理，强调程序化、规范化、制度化，这类引导模式称为统一引导模式； 第二种是以网民需求为导向的引导模式，突发事件发生后，政府根据舆情大数据开展综合研判，全方位挖掘网民需求，并面向不同网民群体制定有针对性的引导策略， 实现引导强度、深度、广度等与网民需求的高度契合，这类引导模式称为精准引导模式。

图1 两种引导模式示意图

然而，一方面是网民需求具有差异性、多样性，并且我国网民群体具有明显的“三低”特征，根据中国互联网信息中心第43 次《中国互联网络发展状况统计报告》， 我国网民中高中及以下学历所占比例为77.5%（低学历），29 岁以下网民所占比例为58.2%（低年龄），无业、下岗、失业、自由职业者、学生所占比例为54.8%（低收入）， 这些客观因素使得网民情感的易变性、不稳定性增强，以政府需求为导向的统一引导模式，较难达到良好的引导效果，容易引发惊慌、愤怒、悲伤等负面情感甚至导致情感的群体极化；另一方面由于突发事件及其负面情感影响的紧急性、危害性、严重性、不确定性，要求负面情感引导必须重视“时度效”，满足需求差异性，具有动态调整性。 由此，突发事件负面情感引导应实现由被动引导向主动引导、 单次引导向持续引导、统一引导向分类精准引导、 传统媒体引导向全媒体引导的转变，利用舆情大数据解决负面情感引导的“时度效”问题。

1.2 突发事件负面情感引导的“时度效”

近年来，“时度效” 成为舆情引导的着力点和衡量标准。 在“时度效”标准中，时间往往最受关注，如对于政务舆情回应的时间要求不断细化和前置，由48 小时、24 小时到5 小时，理论界更是 提出了黄金4 小时、2 小时、1 小时， 在第一时间进行舆情回应，逐渐成为舆情引导的共识。 但是，舆情引导是一项系统工程，时间、程度、效果等“时度效”三者之间需统筹考虑、一体规划，特别是突发事件情景下的负面情感引导，存在敏感性强、突变性强、疏导难度大、关注度高等特征，尤其需要把握正确的时机，选择合适的力度，进而产生最佳的效果。

“时度效”三者是一个整体，相互之间协同配合才能实现预期目的。 一方面，为达到最快的“时”，往往导致信息的准确性、全面性、针对性降低，情感疏导的强度、深度、广度等“度”的指标降低，出现欲速则不达的效果；另一方面，为了实现科学的“度”，则需要大量时间分析研判， 容易导致错过最佳引导时间进而丧失先动优势，也会影响引导效果。特别是舆情大数据环境增加了负面情感极化和线上线下关联的风险，但同时，通过舆情大数据又能科学预测、精准确定引导的时间节点、作用程度和预期效果，并根据实时反馈和评估， 动态调整负面情感引导的具体措施，从而实现分类精准引导。

由此，为争取最佳的引导效果，首先需要构建理论模型，将“时度效”作为一个整体进行研究。其次基于舆情大数据解决负面情感引导的几个关键问题，一是“时”的问题，如何选择引导的起点，即首次引导的时间问题，以及持续引导的关键时间节点问题；二是“度”的问题，引导强度、深度、广度的度量和评估问题；三是“效”的问题，“时”和“度”是如何影响引导效果的，即基于“时”和“度”的引导效果预测，以及保障引导效果的“时”和“度”的选择策略问题。基于此，本文基于舆情大数据构建突发事件负面情感引导模型，并通过模型分析和数值仿真，系统研究负面情感引导“时度效”之间的关系，为政府科学有效引导突发事件负面情感提供理论参考。

2 基于舆情大数据的突发事件负面情感引导模型

2.1 负面情感演化常态模型

根据信息生命周期理论， 网络舆情传播经历潜伏期、扩散期、消退期等阶段，网络舆情信息量呈现“S 型”曲线特征，生态科学中的Logistic 模型、Gompertz 模型、Smith 模型等均可以描述这类曲线的演化趋势。 基于此，在政府未采取措施引导负面情感时，本文选取Logistic 模型作为常态模型，来描述突发事件负面情感演化规律。 假设某个突发事件发生后， t时间内负面情感信息量为X（t），则其对应的Logistic方程为

2.2 负面情感引导模型

其中α 为引导系数。 政府引导措施只能对引导后的负面情感产生影响（未来数据），而不能对引导前的负面情感产生影响（历史数据），则政府采取引导措施后，负面情感信息量增长空间由

变为

则政府基于舆情大数据开展精准引导时突发事件负面情感演化模型为

其中初值x（0）=X（t），t为政府引导负面情感的时间节点（突发事件负面情感常态模型与引导模型关系见图3）。

图3 常态模型与引导模型关系图

2.3 模型关键参数

2.3.1 时间节点t

突发事件发生后， 负面情感按照常态模型进行演化， 如何在其演化过程中选择引导时间节点t是负面情感引导的关键，所以，时间节点t的选择问题也就是最佳引导时间节点选择问题。基于此，需要研究负面情感常态演化的关键时间节点， 为确定t提供参考依据。 令

X'''（t）=0

得

仅仅与信息增长率有关，而与其他参数无关。进一步计算两个时间节点对应的函数增量

通过上述计算，负面情感自X开始，处于潜伏期，在经历t后，进入爆发期，直到t后趋于稳定。为进一步确定负面情感最佳引导时间节点， 假设两类场景开展数值仿真研究关键时间节点和信息增量之间的关系：第一类为一般突发事件场景，初值小（1%K），信息增长率小（r=0.1，0.2，…，0.9）；第二类为重特大突发事件场景，初值大（10%K），信息增长率大（r=1，1.5，2，2.5，3），两种场景分别计算第一时间节点t，爆发时长t-t， 负面情感演化至信息量上限的95%所需时长以及估计[t，t+1] 区间上信息增量等数据（见表1）。 数值仿真显示，随着增长率的增大，负面情感酝酿时长t越来越短（重特大突发事件场景不到1 天），负面情感爆发时长越来越短，负面情感延迟引导会导致信息量迅速增长。

表1 数值仿真数据表

通过关键时间节点计算和数值仿真得出： 突发事件发生后（t=0），负面情感区间[0，t]上的信息增量相对较少，而经过时间节点t之后，负面情感信息量短时间快速增加，且政府在t+1 时引导负面情感（延迟1 个时间单位），引导效果将大打折扣，所以负面情感最佳引导时间节点t应在区间[0，t]之内。 尤其针对重特大突发事件， 负面情感酝酿时长t非常短（仿真数据中t均小于1 个时间单位）， 导致负面情感引导的响应时间也非常短， 这就要求政府在突发事件发生后，在线下开展突发事件应急救援的同时，基于舆情大数据实时感知负面情感演化态势，在[0，t]内启动负面情感引导工作。 根据国务院办公厅《关于全面推进政务公开工作的意见》实施细则：对涉及特别重大、重大突发事件的政务舆情，要快速反应，最迟要在5 小时内发布权威信息，在24 小时内举行新闻发布会，并根据工作进展情况，持续发布权威信息， 有关地方和部门主要负责人要带头主动发声。结合数值仿真数据表数据， 本文通过建模确定的最佳引导时间与政府对于重特大突发事件舆情回应的时间要求相一致。

2.3.2 负面情感引导系数α

突发事件负面情感引导模型中系数α 决定着负面情感引导程度，其取值范围为（-1，+∞）。 当α∈（-1，0）时，负面情感引导为负向，反而导致负面情感信息量继续增加， 如突发事件中舆情引导的失语、失真、失调、失品现象；当α∈（0，+∞）时， 负面情感引导为正向，且α 越大，引导效果越好。 舆情大数据环境下， 精准开展突发事件负面情感引导是一个持续过程，包括负面情感主题感知、趋势预测、信息发布及效果反馈等环节，这些环节都会影响引导系数α。由于负面情感最佳引导时间较短， 这就要求政府在有限的时间内， 借助大数据和人工智能等技术实时动态开展主题感知、态势推演、信息推送和反馈评估等，高效完成负面情感引导工作，保障引导效果。 在此过程中需要估计引导系数α， 为开展引导效果预测和评估提供依据。 首先将常态模型和引导模型变为对应的差分方程， 然后应用回归分析拟合监测数据，便可以估计引导系数α（具体过程见图4）。

图4 估计引导系数α 过程图

3 突发事件负面情感引导“时度效”一体化研究

本文通过构建突发事件负面情感演化常态模型和引导模型，确定了负面情感最佳引导时间，定义了描述引导程度的引导系数， 本文将在此基础上开展“时度效” 一体化研究， 为解决负面情感引导的时、度、效问题提供理论参考。

3.1 突发事件负面情感引导“时度效”矩阵模型

首先，在负面情感引导时间上，最佳引导时间节点t应选择在区间[0，t]之内，但是考虑到重特大突发事件发生后，舆情初值大、信息增长率大的情况，导致t很小， 所以会出现引导时间节点在t右侧的情况，基于此，本文将引导时间节点在t左侧称为前置引导，在t右侧称为后置引导。 其次，在负面情感引导程度上，引导系数α 可为正数，也可为负数，分别对应着正向引导和负向引导。基于此，针对“时”和“度”的不同情况，可以构建“时度效”矩阵模型（见图5），开展“时度效”一体化研究，为深度研究负面情感引导效果提供依据。

图5 负面情感引导“时度效”矩阵模型

3.2 突发事件负面情感引导“时度效”仿真

为便于观察不同类别突发事件负面情感引导“时度效”之间的关系，本文通过数值仿真开展研究，设定初试参数（见表2）。

表2 “时度效”仿真参数表

突发事件发生后， 考虑到政府引导负面情感的紧迫性， 前置引导和后置引导的时间点分别选为时间节点t前0.5 个时间单位和后0.5 个时间单位，基于此，通过模型计算得到仿真数据表（见表3）。

（1）类别I：一般突发事件。根据模型仿真参数和仿真数据，得到前置引导时间为6.0563，后置引导时间为7.0563，并令引导系数分别为{正向引导情况：0.5，1，1.5，2} 和{负向引导情况：-0.1，-0.2，-0.3，-0.4}，绘制一般突发事件“时度效”仿真图（见图6）。

表3 “时度效”仿真数据表

观察发现：①当政府正向引导负面情感时，负面情感数量大幅降低，降低程度为33.33%、50%、60%和66.67%，当政府负向引导负面情感时，负面情感数量大幅提高， 提升程度为11.11%、25%、42.86%和66.67%，但无论正向引导还是负向引导，时间前置和时间后置差距不大， 主要原因是t-t时间较长（5.2678），引导负面情感提前或者延后0.5 个时间单位对负面情感引导影响较小； ②无论政府采用前置引导还是后置引导， 两种情况负面情感变化量差距不大。 综合以上两点，对于一般突发事件而言，初值较小，信息增长率较低，负面情感在单位时间内变化不大，政府在引导此类事件负面情感时，引导反应时间较长， 所以， 在突发事件发生后， 政府应采取先“度”后“时”的策略，即负面情感引导的准确性、全面性、针对性优先于及时性。通过实时获取网络舆情大数据，开展情感监测，挖掘情感主题，进行趋势预测、态势推演等，为首次回应提供数据支持，保障情感引导信息精准投放，确保首次引导的效果，进而提升网民的认同感和支持度。

（2）类别II：重特大突发事件。 根据模型仿真参数和仿真数据，得到前置引导时间为0.0868，后置引导时间为1.0868，并令引导系数分别为{正向引导情况：0.5，1，1.5，2}和{负向引导情况：-0.1，-0.2，-0.3，-0.4}，绘制重特大突发事件“时度效”仿真图（见图7）。

图6 一般突发事件“时度效”仿真

观察发现：①当政府正向引导负面情感时，前置引导（最佳引导时间内）负面情感数量大幅降低，降低程度为33.33%、50%、60%和66.67%， 而对于后置引导，负面情感数量出现先增加，突破模型上限后降低的现象，这与模型假设（信息量函数为单调递增函数）相矛盾，这就意味着负面情感演化出现不确定因素，该因素刺激负面情感信息量短时间激增，改变其原有演化趋势，进而突破模型上限。这说明同样是正向引导，时间前置可以有效降低负面情感信息量，时间后置则可能面临诸多不确定因素， 例如负面情感信息量基数过大，负面情感信息敏感性突出，虚假信息和网络谣言导致的情感起伏， 以及线上线下复杂关联导致的衍生舆情或者次生舆情等， 这些情况都可能催发更多负面情感； 并且由于t-t时间短（1.7559），提前或者延后0.5 个时间单位对负面情感引导影响显著。当政府负向引导负面情感时，前置引导和后置引导差距不大， 负面情感数量均有大幅提高，提升程度为11.11%、25%、42.86%和66.67%。 ②无论政府采用前置引导还是后置引导，负向引导对应的负面情感变化量差距不大，而正向引导情况下，由于后置引导破坏了模型假设， 使得后置引导效果不稳定。综合以上两点，对于重特大突发事件而言，初值较大，信息增长率较大，负面情感在单位时间内变化较大，政府在引导此类事件负面情感时，引导反应时间非常短（往往小于一个时间单位），所以，在此类突发事件发生后，政府应采取先“时”后“度”的策略，即负面情感引导的及时性是第一位的。 可以通过历史舆情大数据分析，确定基本的引导策略，第一时间进行负面情感引导，并随着实时情感大数据的增多，持续、动态调整引导措施， 在确保占据时间先动优势的同时，不断提升负面情感引导的准确性、全面性、针对性。

4 结语

图7 重特大突发事件“时度效”仿真

通过研究，本文得出以下结论：（1）基于历史和实时舆情大数据，通过构建负面情感引导模型，可以确定和度量负面情感引导的时间节点、 作用程度和预期效果；（2）通过构建“时度效”矩阵模型，进行“时度效”一体化研究，并针对不同的突发事件场景，提出相应的“时度效”策略，实现分类精准引导；（3）针对舆情引导的“时度效”标准，提出可操作的“时度效”量化思路，为舆情引导工作提供理论参考。 未来在本文研究基础上，仍需深入开展如下研究，如本文将负面情感作为一个整体， 后续研究需将负面情感精细分类， 并针对不同类型的负面情感研究其引导策略；本文将突发事件分为一般和重特大两类，后续研究可以按照突发事件发展的不同阶段， 针对相应的情感演化态势进行引导策略研究等。