反复性视角下网络舆情风险评估指标体系研究

2020-04-06张鑫田雪灿刘鑫雅

图书与情报 2020年6期

张鑫田雪灿刘鑫雅

摘要：反复性舆情作为网络社会中常态化存在，对其进行针对性研究和科学预测，有助于引导舆情健康发展，维护网络社会稳定。文章构建了面向反复性事件的网络舆情风险评估指标体系，采用德尔菲法和层次分析法对指标体系进行了检验和权重测量。在此基础上，以“垃圾分类”舆情事件为例，通过统计分析、主成分分析、文本情感分析等方法，剖析了舆情主体、舆情客体、关键传播节点等不同指标在舆情各阶段所呈现的特征，重点比较了舆情反复阶段与其它阶段特征的异同。研究结果为反复性网络舆情的有效识别、风险评估及科学引导提供了参考依据。

关键词：反复性事件;网络舆情;风险;评估指标

Abstract Public opinion about recurrent events is the existence of normalization in the network society. The targeted research and scientific prediction will help to guide the orderly development of public opinion and maintain the stability of the network society. This study constructs a risk assessment index system of network public opinion for recurrent events， uses Delphi method and analytic hierarchy process to test and measure the weight of the index system. Based on this， taking the "Garbage Classification Event" as an example， this study analyzes the characteristics of indicators such as public opinion subject， public opinion object and key communication nodes in each stage of public opinion through statistical analysis， principal component analysis and text emotion analysis， and especially compares the similarities and differences between the recurrent stage and other stages. The results provide a reference for the effective identification， risk assessment and scientific guidance of recurrent public opinion.

Key words recurrent events; network public opinion; risk; evaluation index

隨着在线社区、微博、微信等社会化媒体的快速发展及移动终端的逐渐普及，网络舆情也愈加复杂，其性质类型多样，持续时间不等，舆情演化及衍生风险动态多变，需要对其进行及时跟踪及风险评估。从国内外网络舆情事件的发生周期来看，既有映射一次性重大社会事件的网络舆情，也有呈现明显反复性特征的网络舆情。前者从事件发酵直至基本消亡，对社会的影响程度往往集中于特定时间段以内;而后者则多是一些长期受公众关注的事件或话题，由于并没有最终的结果或结论而长时间的处于亚沸点状态，一旦有相关事件进展发生，若舆情应对及治理不得当则可能引发新的舆论热潮，或存在不同程度的舆情风险[1]。实际上，国内外学者对从整体视角对网络舆情危机的识别和评估研究相对成熟，一些重大舆情事件往往有迹可循且有较成熟的研究方法;但反复性网络舆情的演化规律、特征属性、风险评估等，难以直接利用传统的舆情研究成果。而如今，反复性舆情已逐渐成为网络事件中常态化存在，其亦是相关部门需要科学应对的重要问题之一。

1 相关研究综述

1.1 网络舆情风险发生与演化

目前研究者们通常基于生命周期理论，将网络舆情从发生到消亡的过程划分为三到六个阶段。一般在舆情发生初期，其风险具有一定潜隐性，危险程度较低，但由于舆情传播速度和路径存在不同变数，在特定条件下其风险可能进一步扩散，使得“轻量级”的舆情风险逐渐演变成“重量级”风险。何振和卢坤[2]探讨了突发事件社会风险形成期、扩散期、高涨期和消退期的风险演化表现、特征与规律，并在此基础上提出了基于不同阶段的风险防控对策。安璐等[3]通过构建话题发现模型，识别原生舆情及其衍生舆情，利用ARIMA时间序列模型来拟合和预测衍生舆情的形成与演化。黄卫东等[4]认为舆情风险程度受参与者的情感影响，其基于话题特征词等构建了情感词表，并应用How Net相似度算法计算情感词对应的情感倾向值，最后得出了网络舆情参与者的情感演化规律。

1.2 网络舆情风险评估

舆情风险评估通常指围绕特定领域或事件，利用数据技术进行相关舆情信息采集、挖掘与分析，在此基础上利用科学方法进行态势研判、危机评估与趋势预测，并制定应对措施或防范策略。目前，学者们利用多种方法或算法构建了基于不同阶段、不同情境的舆情风险评估指标体系或模型。其中，面向突发事件首发信息，蒋宇等[5]剖析了其包含的各项基本要素，构建基于突发事件首发信息的风险评估指标体系，并对其未来舆情风险进行定量评价。面向突发事件的整个生命周期，梁冠华和鞠玉梅[6]结合灰色统计法以及AHP分析法，构建了网络舆情演化周期各阶段的风险指标体系，并分析计算了各个风险指标的权重系数。面向时空社会网络，徐迪[7]探究了时空大数据源与海量舆情信息的匹配规律，寻求时空数据建模与舆情研判模型的整合方式，构建了重大疫情类网络舆情风险研判的多维多态时空大数据分析框架。王静茹等[8]构建了涵盖舆情主体、客体、本体、媒体和环境等一级指标体系的多媒体网络舆情危机指标体系，并进行了具体事件的趋势监测研究。秦琴和汤书昆[9]将突发灾害理论和信息传播理论运用于突发灾害网络舆情风险监测研究中，构建了包括灾害要素、信息特征、媒体传播和受众倾向等的舆情风险监测指标体系。面向多媒体网络舆情衰退期，黄微等[10]通过文献调研法构建了多媒体网络舆情衰退期指标体系，并利用BP神经网络对构建的指标体系进行了评估。除此以外，学者们还对运用模糊综合评价法、AHP分析法、UML方法、专家调查法等多种方法和技术，对政府信息公开舆情[11]、外媒涉华舆情[12]、边疆地区舆情[13]、重大公共卫生舆情[14]等不同领域、情境的风险评估展开具体探讨。

从已有研究成果来看，网络舆情风险相关研究主要聚焦于基于整体生命周期的舆情风险识别或预测，虽偶见面向首发信息、衍生舆情或衰退阶段的风险研究，但针对当前社会环境下频频出现的反复性舆情的研究成果相对较少，对“反复性”作为舆情研究的理论逻辑起点的关注度有待提升。本研究将通过德尔菲法和层次分析法，对反复性的舆情风险评估进行定性、定量相结合的研究，试图解决以下两个方面的问题：第一，构建基于反复性网络舆情的风险评估指标体系，并研判反复性舆情发生时哪些指标对舆情风险的影响权重更高？第二，结合对反复性舆情风险评估影响较大的指标要素，探究舆情的反复阶段与爆发期相比有何显著特征？

2 关键概念界定和研究方法

2.1 关键概念界定

本文中，反复性网络舆情指基于特定事件的网络舆情在蔓延及爆发之后，由于事件并没有最终结果或结论而长时间处于相对休眠状态，一旦事件出现进展，当触碰多项因素或出现新的影响扩大化特征后则可能引发新的反复性舆情热潮。

与突发事件网络舆情、爆发阶段网络舆情或衍生性网络舆情相比，反复性网络舆情往往具有如下特点。

第一，舆情核心话题为“旧”话题。与突发事件或衍生性舆情核心话题较“新”的特征相比，反复性舆情往往是相对“旧”的话题再次出现并影响扩大化。一方面，其可能表征为例行官方议程舆情（如3·15晚会相关）、常见灾害气候舆情（如洪涝灾害相关）或定期社会活动舆情（如春运相关），此类旧话题通常呈现“季节性”反复出现并且相对可预见[15]。另一方面，还有一些非“季节性”但由于其核心事件并未有最终结果、当事件再次明显发展而反复出现的旧话题，如新冠肺炎疫情。而后者随着疫情的突发阶段和爆发阶段的时间推移，已不能仅用传统的舆情研究逻辑起点来剖析，有必要从反复性的视角来对舆情发展的新规律、新特征予以揭示。

第二，网民的认知状态“相对理性”。有限理性理论认为，人们在现实情况中所获取的信息、知识与能力存在有限性，他们基于此所形成的方案或决策也是有限的，所以公众往往难以做出效益最大化的决策[16]。而由于反复性舆情涉及的核心话题相对较“旧”，与突发事件相比，普通民众此时通常对事件本身已有一定的信息摄入及认知积累，其往往呈现相对理性的状态。

第三，舆情场域多维度动态演化。布尔迪厄将场域定义为“位置间客观关系的一个网络或一个形构，这些位置是经过客观限定的”，即社会个体所参与社会活动的空间[17]。在若干反复性舆情发生过程中，其虽然核心话题一致，但所映射的物理区域、空间情境以及客观性质均呈现动态演化趋势。如随着各地“垃圾分类”政策的发布，其相关舆情涉及区域不断变化，所体现的诸如政治、社会等不同领域舆情性质或也随之变化。

2.2 研究方法

本研究综合运用德尔菲法（Delphi）和层次分析法（Analytic Hierarchy Process）检验反复性事件网络舆情风险评估的要素指标。德尔菲法亦可称为专家调查法，是一种采用函询方式进行多次领域专家匿名交流反馈的调查方法[18]。层次分析法是一种定性、定量相结合的多目标决策分析方法，较适用于解决评估体系中指标要素较多、内在关系较复杂、不易采取量化的问题[19]。

通过查阅国内外相关文献，本研究系统梳理总结了多类网络舆情风险的评估指标，并基于舆情的反复性特征及专家预访谈结果，构建面向反复性事件的网络舆情风险评估指标体系。然后，基于构建的评估层次结构模型，根据李克特量表制作专家调查问卷，并依据问卷回收所得数据建立成对比较判断矩阵，然后运用层次分析法专业分析工具计算模型中各项要素的权重值并检验一致性，只有满足一致性的数据才被采纳;最后，以微博环境下“垃圾分类”事件为例，利用统计分析法、内容分析法、文本情感分析等方法对反复性舆情风险的主要指标进行了实证分析，以期为网络舆情的研究提供新的理论支撑，在实践层面为舆情监管部门对反复性社会事件舆情的治理提供借鉴。

3 反复性网络舆情风险评估体系与指标权重

3.1 评估指标体系构建

本研究的评估客体为具有反复性特征的重要事件网络舆情。构建层次结构体系的目的在于对该类网络舆情的风险程度从多个方面进行综合性评估，从而帮助相关部门及时识别舆情态势、做出科学应对。通过解构评价目标及具体表征的关键信息，本研究认为反复性视角下网络舆情风险评估层次体系可设置为4个一级指标、11个二级指标和36个三级指标，具体如下。

（1）“舆情主体”一级指标。网络舆情的反复过程中，舆情主体通过在社区中的多种参与行为及情感态度的表达传播，对网络舆情的反复性演化起着重要影响作用。结合已有研究及反复性舆情表征，将“舆情主体”下设参与用户情况、主体客观表述、以及主体主观情感3个二级指标。其中，用户情况指舆情事件中内容信息发布者以及传播者的基本情況;客观表述指发布或传播内容的详略程度、可视化程度等，包括文字内容、图片内容、视频内容以及其他链接等;主观情感指事件参与者、发布者以及传播者发布的内容所体现出的态度、情感等。

（2）“舆情客体”一级指标。在网络舆情的反复阶段，舆情事件本身可能呈现新的特征、反映不同的事件性质，或进一步演化发展，这些客体表征则是舆情本体表达的集中体现。本研究将“舆情客体”下设事件性质、事件规模和事件发展3个二级指标。其中事件性质主要指事件所属的领域，包括政治安全领域、生态安全领域、社会安全领域、经济安全领域、文化安全领域[20];事件规模指整个事件引发、涉及的数据量，是事件影响大小以及覆盖范围的体现;事件发展则指事件本身随着时间的变化以及事件主体情感的演变趋势。

（3）“传播媒介”一级指标。在网络舆情发展的过程中，媒体传播特征和社会网络交互类型等因素会一定程度影响着舆情演变走势，或触发网络舆情呈现反复性。本研究将“传播媒介”下设关键节点、传播速度、传播路径及舆情环境3个二级指标。关键节点指在事件传播过程中，各主体所体现的传播角色，包括政府、主流媒体、微博大V以及普通大众;传播速度指事件规模的扩散率以及影响范围的扩大速度;传播路径指事件的传播模式以及传播方式。

（4）“舆情环境”一级指标。除在社区中参与信息生成和情感表达的网民外，还存在多数呈现“围观”的潜水者及尝试“干预”的相关部门，他们共同组成了网络舆情的外围拓展及映射环境。本研究将“舆情环境”下设舆情映射和外界干预2个二级指标，其中，舆情映射指网络环境中关注舆情但非直接参与的主体对事件的搜索热度;外界干预指外界环境（主要是政府）对事件的干预手段、干预模式以及干预频度。

基于此，本研究构建了反复性视角下网络舆情风险评估指标体系中的三级指标，为了尽可能遵循全面性、系统性和可操作性的原则。在后续专家意见征询过程中，发现部分指标存在难获取、冗余等问题，后结合研究实际以及反复性舆情特征，对部分指标进行了调整，最终形成网络舆情风险指标体系并进行解释说明（见表1）。

3.2 评估指标一致性及权重分析

基于本文所构建的层次模型，本研究制作了层次分析法专家调查问卷。同时，为实现对本文所构建的模型和指标进行检验，鉴于综合评价法原理，以“非常重要、比较重要、一般、比较不重要、非常不重要”5个等级作为指标打分依据，设计了指标评价专家问卷。专家调查问卷均采取线上方式发放与回收。根据层次分析法和德尔菲法的基本原理，问卷调查所选取的专家样本应不少于10人，以保证较为理想的精准度。为保证获取数据的可信度和权威性，本次调查选取了领域专家学者、实践界从业人员，组成了专家评估小组（N=21），其中博士18人，硕士3人。

本文采用萨蒂提出的层次分析法对指标体系的各级指标进行权重计算。基本思路为：首先，确立总目标和关键影响因子，并将关键影响因子按隶属关系支配分解，形成一套有序递阶结构。其中，目标层即所确立的风险评估总目标（A），准则层即舆情主体、舆情客体、传播媒介、舆情环境，基于此对上述指标进行分析。方案层包含子指标1和子指标2，其中子指标2由子指标1进一步细化分类所得。然后，在此结构中建立判断矩阵将影响因子进行两两比较，同时计算出判断矩阵的最大特征值和正交化特征向量。接着，利用层次分析法进行各个指标权重的计算与排序，最终得出关键因素指标，并将预测结果带入事例中进行验证，判断预测是否准确。

具体而言，首先将专家评分转化为判断矩阵;然后运用matlab进行特征值（λ）求解和一致性检验。CR<0.1时则可以认为判断矩阵的一致性可以接受;否则需要对判断矩阵进行修正。

接着，运用matlab进行特征值法计算权值。通过构建一系列判断矩阵，自顶向下逐层分析量化，对一级指标、二级指标和三级指标进行一致性检验。通过与德尔菲法相结合，最终各级指标一致性检验通过，并得出各个指标在整体中的权重（一级指标一致性检验结果见表3）;二级指标在同层级风险评估体系中的权重（见图1）;三级指标在同层级风险评估体系中的权重（见表4）。

通过一级指标权重结果可以看出，在反复性舆情风险评估体系中，“舆情客体”所占权重最高，一定程度上揭示了在这一阶段对风险影响最大的依然是舆情事件本身，包括舆情的性质、规模及事件发展等因素。除此以外，参与网民的数量以及其在平台的客观表述和主观情感等舆情主体方面，对舆情风险影响也较为重要。同时，舆情的传播媒介和环境也对反复性舆情的风险评估起到一定作用。

从图1可以看出，二级指标中，舆情事件在网络空间出现的内容数量规模、参与网民的主观情感以及事件的发展动态对反复性网络舆情风险的影响程度较大。其次为舆情传播中的关键节点、参与网民的客观表述、舆情事件的基本性质以及外界的干预手段和强度，这些也是决定反复性网络舆情风险等级高低的重要因素。

纵观三级指标权重测量结果，反复阶段舆情风险影响最大的三个具体指标分别为，主动参与网民发布的原创内容数量、在平台主动搜索相关信息的“围观”网民情况，以及距相关事件发生节点的时间跨度。结合反复性舆情风险评级较重要的二级指标进行分析发现：①舆情信息的主动性发布比整体发布、跟随发布更具风险评级参考价值;②网民的情感变化、负面态度比积极态度、中立态度对风险评级更重要;③作为关键节点的微博大V、主流媒体比政府、普通大众对舆情风险的影响强度更明显;④舆情事件所属社会领域、政治领域比所属经济领域、生态领域和安全文化领域对风险级别的影响概率更高;⑤舆情信息中视频比链接、图片对舆情风险评估权重更大;⑥传播路径中，多关键节点较单关键点及链式传播影响力更大。

4 指标体系的实证检验

4.1 案例选取及数据采集

本研究以微博平台中“垃圾分类”事件及其对应的网络舆情为例，进行反复性视角下网络舆情风险指标体系的检验与对比分析。之所以选取此案例，一方面由于“垃圾分类”舆情是近年来随不同地域相关政策颁布而出现的典型反复性网络舆情，具备该类舆情的主要特征及普适性研究价值;另一方面，自2019年7月1日上海开始实施《上海市生活垃圾管理条例》以来，众多网友基于此展开讨论并形成大量相关数据，对数据的有效采集和充分分析起到良好的支持作用。

本研究以“垃圾分類”为关键词，利用八爪鱼和Python采集了自2019年6月1日至2020年9月7日微博平台的25余万条数据，抓取的数据类型主要包括微博ID、发布时间、微博内容、内容类型、转发-评论-点赞等微博平台信息。经过编程自动筛选与人工清洗，去除重复、无用及干扰数据，最终有近22万条有效数据，以供研究进一步开展。

4.2 “垃圾分类”舆情的生命周期阶段划分

根据生命周期理论，网络舆情事件的传播演化存在明显阶段特征，已有研究多用平台的相关发文数量作为关键指标进行量化显示。本文以生命周期理论为依据，结合“垃圾分类”相关舆情中微博发文数的变化情况以及本文前述反复性舆情的发现，将该事件的舆情演化过程划分为4个大致阶段：潜伏期（2019年6月1日-2019年6月16日）、爆发期（2019年6月17日-2019年7月15日）、反复期（2019年7月15日-2019年9月7日）、长尾期（2019年9月8日-2020年9月21日）。其中基于反复期的特征和数据规模，将反复期进一步分为：反复期1（2019年7月23日-7月25日）、反复期2（2019年8月3日-8月9日）和反复期3（2019年8月31日-9月7日）（具体阶段划分见图2）。

4.3 “垃圾分类”舆情反复阶段的主要指标特征分析

如前所述，本研究在构建反复性视角下网络舆情风险评估指标体系的同时，还尝试结合测量指标的重要程度，进一步剖析舆情反复阶段与其他生命周期阶段相比，哪些指标是既重要又有明显差异性的，而哪些指标虽然重要但在舆情各阶段没有明显差别。以此来判别哪些指标或因素可更有效预测或识别舆情的反复期。

（1）舆情主体方面

①基于网民规模的反复性舆情风险评估。本研究通过统计分析整理“垃圾分类”舆情参与网民的数量，并测量了三个反复阶段与爆发阶段参与网民的规模。发现反复期与爆发期舆情整体用户规模、主动发布用户数量大体与对应时间范围的舆情信息规模呈正比;同时发现主动发布用户占整体内容发布用户的较大比例，其对舆情的反复性发展有重大影响（见图3）。换言之，尽管参与用户的数量规模可作为舆情风险评估的重要指标，但反复性舆情测量中该指标没有明显阶段特征。

②基于网民生成内容的反复性舆情风险评估。通过使用Python和Excel统计工具展开分析发现，文字是网民生成内容最常见的形式，文字的长度与舆情各周期“冷热”有较明显的一致性关系。而在网民生成发布的其他类型内容中，链接数量略高于视频和图片数量，且舆情的反复阶段和爆发阶段网民发布的非文字类型数量也相对较高。这意味着，尽管参与用户的客观表述虽然作为舆情风险评估的重要指标，但该指标对反复性舆情测量同样没有明显阶段特征（见图4、图5）。

③基于网民情感的反复性舆情风险评估。本部分根据情感字典对分词后的文本进行情感计算，具体步骤如下：首先进行分词及词性标注，词和词性构成一个元组;然后进行句子切分，读取停用词表，去除停用词;接着读取情感词典，获取六种权值的词，根据要求返回list，其中，程度副词的权值从高到低分别是2、1.5、1.25、0.5、0.25、-1;进而，对情感得分进行最后处理，如[-1， 3]→[0， 4]。其中分数越高，说明情感越趋向于积极性。

分析各阶段网民的情感分值（见图6），不难看出，一方面，在“垃圾分类”相关舆情中，正向情感始终居于上风，尽管其分类政策可能给普通群众日常生活带来更多任务量，但从网民情感走向来看，可以认为群众对生态环保、污染治理等持更为正面的支持态度;另一方面，网民的情感分值在三个反复期均没有呈现明显的峰值，其或可解释为在反复阶段网民的认知理性或情感稳定程度较高。鉴于此，尽管网民的情感态度可作为衡量全生命周期网络舆情风险评估的重要指标，但在反复阶段该指标的评价贡献并不高于其它阶段。

（2）舆情客体方面

①基于輿情规模的反复性舆情风险评估。舆情规模作为衡量全生命周期的重要指标，其作用不言而喻。然而除了网民主动发布的各类型内容外，还有相当规模的转发、评论和点赞情况。分析网民在舆情各阶段的跟随走势（见图7），反映出舆情的爆发和反复期过程中，网民点赞和转发情况较为突出，虽然并不与阶段峰值到达的时间完全吻合，但也基本保持前后相近状态;同时，在长尾期由于个别传播者的特殊性，网民点赞量仍可出现较高值。本研究还发现，反复期与爆发期的相关评论数据较少，且与基于反复期测量该指标的效果并不明显。这在一定程度上说明了网民的参与行为也较符合最小省力法则，即转发和点赞相对时间短、较便捷，而评论则需要用户占用更多时间。

②基于舆情性质的反复性舆情风险评估。本部分使用了主成分分析法，具体操作如下：首先，从舆情各阶段随机抽取出一万条数据文本，进行分词、去除停用词等预处理后，利用Python进行词频统计并降序输出，选取其中前300个高频主题词，进一步筛选得到有效的高频主题词74个。然后，随机选取120个用户及所发布的微博正文，将高频主题词出现一次记为数字1，出现两次记为数字2，出现三次记为数字3，以此类推，将最终处理完毕的数据结果导入SPSS中进行相关性分析以及主成分分析，并且输出载荷图等其他的相关结果图。本文共得到了10个以上的主成分，选取前5个主成分，根据各个高频词的贡献率可知，研究案例涉及的舆情性质主要有生态环境、社会生活、法律法规三个领域（部分截取的成分得分系数矩阵见表5）。

③基于舆情情感波动的反复性舆情风险评估。基于本文中的情感分值进一步算出积极情感、消极情感平均分以及平均分之比，并依据此算出积极、消极得分的方差以及方差之比。情感方差一定程度上反映了舆情情感强度的波动性与稳定性情况（见图8），在舆情爆发期积极、消极情感方差都较大，而反复阶段积极、消极情感方差较小，甚至小于长尾期的情感方差。这揭示了即使舆情爆发期的情感波动是风险评估的重要测量指标，舆情的反复期该指标尽管也是参考依据，但呈现测量效果相对不明显。

（3）舆情关键节点方面

本研究对所有采集的交互数据进行加权计算：转发量*0.5+评论量*0.3+点赞量*0.2=最终得分。接着，通过最终得分进行降序处理，取出得分为100分以上的关键节点，再进行降序排序，选取前500名，作为整个周期的关键节点;然后，选取出对应时间阶段的关键节点以及关键节点的得分，把爆发期、反复期1，反复期2，反复期3，长尾期对应的关键节点提取出来;如关键节点关注另一个关键节点则可判定为二者之间有单向联系，记为1，无单向联系记为0。利用Python，登录微博进行比对，并且将最后的1 0矩阵输出到Excel表中。最后利用ucinet和newdraw进行社交网络可视化分析以及中心度分析，输出结果（见图9）。

进一步分析发现，就数量而言，全周期的关键节点最多，而爆发期和反复期3的关键节点次之;就密集程度而言，全周期最为密集，反复期3和爆发期的较为密集;就具体的关键节点而言，在全周期内，最主要的几个关键节点主要为主流媒体、政府和大V;在爆发期内，最主要的几个关键节点是：政府和主流媒体;而在反复期内，最主要的关键节点则为主流媒体和大V，尤其在案例反复期3可以发现，这一时期虽然关键节点数量较多，但是主要为大V群体。这可以反映出虽然话题讨论较多，但随着反复次数增多，政府干预越来越少，网络大V的传播关键节点地位愈加凸显。

5 结论及建议

本研究构建面向反复性事件的网络舆情风险评估指标体系，综合运用德尔菲法和层次分析法对指标体系进行了验证和权重分解，识别出影响反复性舆情风险发生的主要指标类型和具体指标。在此基础上，基于所采集的与“垃圾分类”反复性舆情事件相关的22余万条有效微博条目作为研究对象，通过统计分析、主成分分析、文本情感分析，实现了舆情反复阶段与其它阶段的主要指标测量比较，识别出对反复性舆情风险评估起着相对重要作用的指标要素。主要得出以下结论及建议：

（1）构建联动的反复性事件舆情风险监测体系。风险监测体系是长效舆情引导控制的基础，在舆情经过热议而处于相对冷却的状态时，仍需对其建立反复性评价反馈机制，并随时评估再次引发危机的可能。具体工作可基于两方面开展：其一是将反复性舆情主要测量指标及指标体系的量化评估结果联动至整体舆情预警体系，以便于相关部门及时进行统筹研判和处理;其二是将舆情的全过程数据纳入案例库，不断完善反复性舆情风险评估体系，以为后续其它类似事件提供可借鉴的思路和建议。

（2）加强舆情事件性质的识别和引导。尽管反复性舆情的核心话题或议题相对不变，但是话题背后的事件性质或随网民的舆论发展而发生变迁。基于本研究发现，舆情风险的相关事件性质权重从大到小依次为社会安全、政治安全、经济安全、生态安全和文化安全，结合舆情反复阶段用户发布主动内容参与性强、评论回复等交互性弱及多传播关键节点的特征，相关部门可以在舆情爆发后重点关注关键传播节点，引导其舆情发布内容成分及事件性质等风险层级弱化，尽量避免不良后续舆情的产生。

（3）重视舆情发展过程中网民的情感态度。舆情的反复阶段，网民的认知相对理性、情感波动较爆发期相对稳定;同时也可存在情绪的内隐和累积，当意外事件进一步刺激而导致情感临界点的突破，这一情感维度正是反复性网络舆情分析和监测的重点和关键。基于此，有必要对反复性舆情发生过程中网民显性与隐性情感特征进行识别研判，通过揭示诸如网络舆情中的情感类型、情感状态、情感强度、情感焦点、情感指向、情感唤起等要素，剖析隐性情感发展态势及在网络社会中的显性转化动因、规律，进而综合形成各个舆情发展阶段危机程度和预警级别。

（4）发挥舆情传播关键节点的多维价值。本研究进一步验证了舆情的整个生命周期中，关键节点发布的内容类型与传播路径存在的明显差异。作为舆情风险评估的重要指标，需要在不同阶段对关键节点进行科学把握和高效引导，诸如相关治理机构在舆情爆发期可主要考虑依托多关键节点影响力和快速扩散能力，对网民进行及时、权威、针对性、结构化地信息输出;而在舆情的反复期，重点强化多类型关键节点协同信息内容生成和传播，尤其关注平台大V的正向传播作用，以防止“舆情搭载”、“次生舆情”等新情况。

上述研究发现有助于为政府和相关部门的整个生命周期舆情治理、尤其是反复阶段舆情治理提供数据与方法支持，识别潜在的反复风险，提高科学应对决策。后续我们将继续扩大研究样本，进一步检验和改进反复性舆情识别指标及方法的准确性和适用性。

参考文献：

[1] 张瑜，李兵，刘晨玥.面向主题的微博熱门话题舆情监测研究——以“北京单双号限行常态化”舆情分析为例[J].中文信息学报，2015，29（5）：143-151，159.

[2] 何振，卢坤.突发事件社会舆情风险生成演化及防控研究[J].湘潭大学学报（哲学社会科学版），2020，44（2）：22-26.

[3] 安璐，代园园，周亦文.公共安全事件衍生舆情形成与演化研究——基于话题与时间序列分析[J].公安学研究，2020，3（1）：14-31，123.

[4] 黄卫东，林萍，董怡，等.基于话题特征词的网络舆情参与者情感演化分析[J].情报杂志，2015，34（11）：117-122，144.

[5] 蒋宇，兰月新，刘冰月，等.面向舆情预测的突发事件首发信息风险评估研究[J].图书与情报，2016（3）：19-27.

[6] 梁冠华，鞠玉梅.基于舆情演化生命周期的突发事件网络舆情风险评估分析[J].情报科学，2018，36（10）：48-53.

[7] 徐迪.基于时空大数据的重大疫情类突发事件网络舆情研判体系研究[J].现代情报，2020，40（4）：23-30，81.

[8] 王静茹，金鑫，黄微.多媒体网络舆情危机监测指标体系构建研究[J].情报资料工作，2017（6）：25-32.

[9] 秦琴，汤书昆.突发自然灾害网络舆情风险监测指标体系研究[J/OL].电子科技大学学报（社科版）：1-9[2020-10-14].https：//doi.org/10.14071/j.1008-8105（2019）-3023.

[10] 黄微，徐烨，刘熠，等.多媒体网络舆情衰退期形成的评估指标体系构建研究[J].情报理论与实践，2020，43（1）：76-81.