环境污染事件中网络情绪指向及极化研究

郑雨雪

摘 要 通过对环境污染事件中的微博文本进行细粒度情感分析，研究此类事件中网络情绪的指向及极化效应。基于情绪评估模型和情绪极化理论，运用有监督的机器学习方法对2014—2017年影响力较大的22件环境污染事件中的情绪表达进行分析。在环境污染事件中，负面情绪表达显著，特别是厌恶情绪突出；公众情绪表達指向为环境污染事件责任主体；情绪极化效应显著。

关键词 环境污染事件；主题分布；情绪分布；情绪极化

中图分类号 G2 文献标识码 A 文章编号 2096-0360（2020）22-0013-05

近年来，技术赋权加持下的公共意识崛起，使舆论特别是网络舆论成为中国社会治理中最具活力的变量。网络舆论的一些“劣根性”引起了研究者的广泛担忧，情绪往往被作为网络舆论中非理性的成分看待，过分强调网络情绪极化给社会治理带来的风险很可能会造成研究视角的偏移。基于此，本文意在运用实证的方式对公共事件中的网络情绪及其极化效应进行研究，通过人工与计算机结合的方式对2014—2017年具有代表性的22个环境污染事件中的网络表达文本进行细粒度情感分析，并测量其极化程度，为认识和引导公共事件中的网络情绪提供多元思路和可替代方案。

1 文献综述

1.1 网络表达中的情绪评估

在心理学研究中，关于情绪评估主要有分类取向与维度取向两种思路。情绪分类取向试图将情绪分为几种彼此独立的互不关联的有限的基本情绪[1-3]。大连理工大学信息检索研究室借鉴了Ekman的六大类传统情绪分类，将情绪分为七大类：乐、好、怒、哀、惧、恶、惊，这种七分类方法在运用自然语言处理技术进行网络情绪分类的研究中运用较为广泛（自然语言处理与中文计算会议，2013）。因此，在本研究中，将网络情绪分为愤怒、厌恶、恐惧、高兴、喜好、悲伤、惊讶七大类，同时增加无情绪作为补充，以识别不带情感倾向的网络表达。

从维度取向对情绪进行分析的学者认为情绪并非相互独立的个体，而是以模糊交叉的形式而存在。Russell提出“愉悦-唤醒度”二维模型，效价描述正向或负向的情绪状态，唤醒度则衡量对生理和心理激活的程度[4]。当前不同研究者对基本情绪的唤醒度说明并不统一[5-6]。因此，在本研究中，结合之前学者的研究，将高兴定义为正面高唤醒度情绪，喜好定义为正面低唤醒度情绪，厌恶、恐惧、愤怒情绪定义为负面高唤醒度情绪，悲伤定义为负面低唤醒度情绪，惊讶定义为中性高唤醒度情绪，无情绪定义为中性低唤醒度情绪。

研究问题1：环境污染事件中公众情绪分布呈现何种状态？

1.2 网络表达中的主题评估

在当前网络环境中，网络情绪主题指向时常并非为就事论事主题讨论，而是呈扩散之态。在情绪具体主题指向中，靳明针对转基因黄金大米议题进行分析指出，负面情绪更多的集中在对政府、制度、专家等外界多方面的指桑骂槐式的情绪发泄[7]。周云倩针对教师聚餐被通报事件进行分析，指出公众愤怒情绪更集中于官方解释框架[8]。周莉基于我国典型反腐案例对网络情绪进行分析，指出在反腐议题网络表达中公众更倾向于针对贪腐主题进行情绪发泄[9]。因此，本文对环境污染事件中情绪主题指向进行分析，以期通过环境污染系列事件把握整体社会情绪气氛，对社会心态进行整体把握。

研究问题2：环境污染事件中公众主题分布呈现何种状态？

1.3 网络情绪表达与极化

新媒体的出现增加了“群体极化”在网络的发生几率[ 1 0 ]，研究者开始关注情绪极化的产生及其影响。“极化（Polarization）”概念最初在政治领域提出，是指舆论出现分化并走向极端，这种现象反映在网民的情绪性表达中就形成了网民的情绪极化[ 1 1 ]。具体而言，情绪极化指在某时间阶段内的网络舆情存在定域，基于对舆情事项持有一致性立场、态度而形成的若干个观点群落中，倘若任何一个群落出现受众个体情感强度普遍趋于非中立的极端化的现象，且此群落内极化受众数量与极化情感总量的规模达标，便称该群落所表现的情感状态为网络舆情信息受众的情感极化[ 1 2 ]。桑斯坦强调了情绪在极化发生中的作用，指出当群体成员是因感情纽带而聚集时，极化更易发生。针对网络情绪极化更细致的量化研究表明极化并不是社交媒体使用的必然结果[13]。一方面，用户使用的媒介越多越倾向于消费与自身意见相一致的信息，从而加强已有观点，最终可能产生极化[14]。同时，社交媒体越来越多地使用大数据算法过滤系统实施内容推送，导致用户“被迫”接收更多相似的观点，从而导致观点的同质化[15]。另一方面，正是因为社交媒介的弱联系性使得用户有可能接触多样性的信息，能否形成极化还取决于用户自身如何处理接收到的信息[16]。在某种程度上网络用户很难分裂成完全并不重合的部分，但用户集聚并不意味着形成极化[17]。

研究问题3：在环境污染事件中，其网络表达是否存在情绪极化效应？

2 研究方法

2.1 研究样本和语料

本文搜集新浪微博2014—2017年与环境事件相关的微博主贴及主贴下的评论，最终共计得到22个具有代表性的环境污染事件（见表1），62条主贴。其后对所有评论进行抓取，共计抓取了98 340条微博评论。为了提高后续数据分析的准确性，我们对评论数据中部分无明确指向意义内容进行去重和清洗，最终得到47 830条微博评论。

2.2 微博主贴及评论的内容分析

2.2.1 类目确定

在主题分类方面，本文结合计算机分词、LDA建模分析的结果，加之人工梳理，将微博评论一级主题类目确定为环境污染事件责任主体、环境污染事件处置、环境污染事件影响及事件相关信息传播。态度类目结合前期对网络情绪进行的分类和维度研究，本研究中结合“愉悦-唤醒度”二维模型将高唤醒度的情绪归为极化情绪，将低唤醒度的情绪归为非极化情绪。

2.2.2 人工标注

在微博主帖方面，由两个编码员对62条主帖情绪进行标注，其信度检验结果为0.785。在微博评论方面，本文选取了6 000条评论进行主题以及情绪的人工标注。第一轮，六位编码员每人各随机标注1 000条微博评论；第二轮，采用不重复抽样的方法，每位编码员再随机标注1 000条评论，确保每条评论都被两位编码员标注；第三轮，针对前两轮不一致结果由第三方编码员再次标注。如果前三轮编码员的结果均不一致，则由研究小组成员共同商议，投票决定其标注结果。

2.2.3 计算机深度学习

本研究中的计算机深度学习主要用于对微博评论的内容分析。首先，我们将已经人工标注主题和情绪类别的数据分为训练集（80%）与测试集（20%）。训练集数据运用卷积神经网络技术进行建模，经过多轮参数调整，形成最终模型。随后将训练集与测试集进行对照，得出本模型的主题分类的准确率达到64.72%，情感分类的准确率达到68.40%。此准确度在多分类的计算机深度学习领域达到了较高水平。最后，我们运用该模型对未标注评论进行分类，得到所有微博评论的主题和情绪的分类结果。

3 研究发现

3.1 情绪分布分析

在环境污染事件中，网络表达在情绪上更倾向于负面情绪表达，厌恶情绪最为显著（见表2）。这一研究发现与之前关于大气污染问题中网络情绪表达情绪倾向具有一致性[18-19]。在环境污染事件中，责任主体破坏环境的行为所涉及的有关责任、公平、伤害等问题属于人类基本道德范畴，关联着不同的道德基础，从而诱发相应的负面情绪。这一倾向与情绪的作用具有一致性，情绪是社会控制的基础，因此遵从外界的规则会获得情绪上的奖赏，反之则会受到情绪上的惩罚[ 2 0 ]。

3.2 主题分布分析

在环境污染事件中，网络表达在主题上更倾向于责任归因。我们的研究发现，在环境污染事件中，网民对责任主体的讨论最为集中，其负面情绪也最为显著（见表2）。这一表达倾向与公众进行责任归因的心理动机相关。责任归因是对他人行为结果的归因过程及对有关行为的责任推断。对相关事件的责任推断是公众最为直接的反应，会直接影响后续的情绪和行为意向。研究者发现在情绪归因中公众倾向于责任归因，人们希望探究非预期事件带来的负面结果是什么，谁应该为此負责[ 2 1 ]。我们的研究再次验证了这一假设，环境污染事件中，公众对事件负面结果的责任归因直接导致了网民对责任主体集中的负面情绪表达。同时，这体现了我国长期以来在解决社会重大问题上的政治依赖路径，也体现了当前的政治治理中的“逻辑循环”悖论。长期以来的政治依赖路径，使得公众在面对非预期事件时，进行责任归因的首要主体是具有权威性的相关责任主体，而解决问题的首要途径也是对具有权威性的责任主体进行舆论声讨。

3.3 事件情绪极化分析

我们的研究验证了在环境污染事件网络表达中存在着显著的情绪极化效应（见表3）。在我们研究的22个案例中，极化情绪占80%以上的案例有5个，占70%以上的案例有10个，而所有案例中极化情绪都显著高于非极化情绪。我们的研究证实了前期研究的结论，当事件性质单一而明确时，群体中大多数意见趋于一致，极化更易发生[ 2 2 ]。环境污染事件作为指向明确的议题，公众意见表达倾向性显著，更容易产生情绪极化效应。在案例12中，污染源为废弃电缆等固体废弃物，影响对象为小学学生，带来的影响为“不到10天，25位学生流鼻血”。污染源性质及影响对象导致公众情绪唤醒度高，参与性强，从而情绪极化程度最高。

4 总结与讨论

情绪极化程度整体较高侧面说明高唤醒度情绪在网络空间中为优势意见。以往传统媒体因公开性形成了优势意见，导致沉默的螺旋效应产生。但在匿名化表达自由的网络环境中，优势意见在一定程度上演化为多数人的意见[23]。

当前公众情绪表达研究认为网络表达中的负面情绪化表达为公众的非理性宣泄，是社会怨恨、不安全感、网络民粹主义、网络暴力的直接映射。网络匿名化和把关人缺失等特征与中国网民结构使得个体情绪在网络中集聚和感染，形成情绪极化。但对于网络情绪极化的现实指向，研究者尚缺乏关注。由于网络情绪的间接性，网络情绪极化并非直接导致了非理性的社会行为。从另一方面来说，当事件元素触及网络积淀已久的典型情绪时，情绪快速被点燃且形成极化，公众以高唤醒度情绪对社会痛点发声，也可能带来社会现实的积极改变。因而，寻求网络情绪极化与线下行为意向的连接，对表达主体的心理和行动机制进行更细化的研究，是对网络表达进行深入研究的方向。

参考文献

[1]陈岳峰，苗夺谦，李文，等.基于概念的词汇情感倾向识别方法[J].智能系统学报，2011，6（6）：489-493.

[2]Ekman P.Contacts across cultures in the face and emotion[J].J Pers Soc Psychol，1971，17（2）：124-129.

[3]Izard，Carroll E. Basic emotions，natural kinds，emotion schemas，and a new paradigm[J]. Perspectives on Psychological Science，2007，2（3）：260-280.

[4]Russell，James A. A circumplex model of affect[J].Journal of Personality and Social Psychology，1980，39（6）：1161-1178.

[5]Hamann S.Mapping discrete and dimensional emotions onto the brain：controversies and consensus[J].Trends in Cognitive Sciences，2012，16（9）：458-466.

[6]Gable P，Harmonjones E.The motivational dimensional model of affect：Implications for breadth of attention，memory，and cognitive categorization[J].Cognition & Emotion，2010，24（2）：322-337.

[7]靳明，靳涛，赵昶.从黄金大米事件剖析指桑骂槐式的公众情绪——基于新浪微博的内容分析[J].浙江社会科学，2013（6）：91-98.

[8]周云倩，胡江伟.网络公共事件中的传者框架与网民情绪探究——以新浪微博“教师AA聚餐被通报”事件为例[J].新媒体与社会，2018（2）：277-288.

[9]周莉，王子宇，胡珀.反腐議题中的网络情绪归因及其影响因素——基于32个案例微博评论的细粒度情感分析[J].新闻与传播研究，2018，025（012）：42-56.

[10]辛文娟，赖涵.微博中网民群体极化的动力机制研究——基于“温岭杀医”事件的内容分析[J].情报杂志，2014（6）：162-166.

[11]孙立明.对网络情绪及情绪极化问题的思考[J].中央社会主义学院学报，2016（1）：104-109.

[12]高俊峰，黄微.网络舆情信息受众情感极化的生发机理及干预措施分析[J].情报理论与实践，2019，42（5）：126-131.

[13]凯斯·桑斯坦.极端的人群：群体行为的心理学[M].尹宏毅，郭彬彬，译.北京：新华出版社，2010：43-106.

[14]Holbert R L，Benoit W L. A Theory of Political Campaign Media Connectedness[J].Communication Monographs，2009，76（3）：303-332.

[15]Pariser E[M].The Filter Bubble：What the Internet is Hiding From You，New York：Penguin Press，2011.

[16]Lee，Francis LF.Impact of social media on opinion polarization in varying times[J]. Communication and the Public，2016，1（1）：56-71.

[17]Webster J G，Ksiazek T B. The Dynamics of Audience Fragmentation：Public Attention in an Age of Digital Media[J].Journal of Communication，2012，62（1）：39-56.

[18]何跃，朱婷婷.基于微博情感分析和社会网络分析的雾霾舆情研究[J].情报科学，2018（7）：93-99.

[19]卓敏，吴建平.当代青年雾霾段子语义网络分析与情感可视化研究——基于微博、微信用户[J].中国青年研究，2016（8）：10-19.

[20]斯托曼.情绪心理学：从日常生活到理论[M].北京：中国轻工业出版社，2006.

[21]Coleman，Martin D. Emotion and the ultimate attribution Error[J].Current Psychology，2013，32（1）：71-81.

[22]Witschge，Tamara. Online deliberation：Possibilities of the Internet for deliberative democracy[J].Democracy Online.Routledge，2004：129-142.

[23]党明辉.公共舆论中负面情绪化表达的框架效应——基于在线新闻跟帖评论的计算机辅助内容分析[J].新闻与传播研究，2017（4）：41-63.