疫情期间社会媒体舆论影响下公众情感变化与情感指数分布及对策分析

丁海昕 王沁 李志刚

摘 要 重大疫情背景下社会媒体舆论的正确引导，对社会稳定具有重要意义。通过文本挖掘获取微博数据并进行相关的预处理，使用神经网络算法将舆论信息划分为积极、中立、消极三个维度，引入SEIR模型和地理加权回归模型对时间维度情感变化趋势与情感指数空间分布状况进行了分析。根据SEIR模型可大致将疫情发生后的舆论扩散时期划分为0～20天增长阶段、20～40天爆发阶段、40天后消退阶段，并根据分析结论，提出社会媒体舆论引导的对策建议。

关键词 社会媒体舆论；SEIR模型；地理加权回归模型；情感变化趋势；情感指数

中图分类号 G2 文献标识码 A 文章编号 2096-0360（2021）21-0011-04

基金项目：四川省社会科学“十三五”规划2020年度重大项目“重大疫情背景下社交媒体舆论传播网络特点与引导机制研究”（编号：SC20YJ002）；2020年国家级大学生创新创业训练计划项目（编号：202010616024）。

重大疫情发生时，从中央到地方的各级政府官方平台实时更新数据，发布权威信息；各类新闻媒体密切跟踪，全方位报道；各类自媒体时刻关注疫情信息，活跃在各大舆论场。疫情期间，舆论传播随着疫情发展的不同时间和不同空间而不断演变。其中，舆论传播的重要渠道之一就是微博，因为其用户数量巨大，信息交互频繁、快速等特点，在短时间内迅速形成了强大的“井喷式”网络舆情，从而影响了事件的演化方向，并且对相关政府部门对事件的判断和处理造成影响。因此，对微博网络中的舆论传播机制与对策的研究显得格外重要，有助于各级党政机关及时而准确地掌握舆情动态、回应民众关切，从而提高应对能力。

目前，关于社会媒体舆论传播机制的研究已经引起了许多学者的关注，但是关注点大多集中在于舆论随着时间变化的传播机制，而忽略了社会媒体舆论传播背后的地理位置信息，更少将时间信息与地理位置信息相结合对舆情进行分析。林芹、郭东强[ 1 ]优化SIS模型，在用户心理特征的基础上，通过仿真验证模型有效性，给出防控社交网络舆情的方法。顾亦然和夏玲玲[ 2 ]通过SEIR模型提出一个具有潜伏期的网络谣言传播模型，并总结出一种网络谣言抑制对策。郑蕾和李生红[ 3 ]使用网络拓扑结构，并将微博网络中的信息传播机制与之结合，总结出了微博网络信息传播模型。

本文结合时间与空间对群众情感趋势变化以及社会媒体舆论传播进行双维度分析，探索舆论发展导向、群众情感波动以及疫情出现后不同时空点的相关性，归纳群众情感波动与时空变化的规律。解决网络中发表的关于探究重大疫情舆论导向的文章多数未深入探讨舆论现象外表下推动舆论变化的环境因素，即时空因素所带来的影响的问题。

1 研究思路与模型构建

1.1 总体研究思路（图1）

首先，文本挖掘获取微博数据并进行相关的预处理，通过神经网络算法将文本划分为积极、中立、消极三个维度。

其次，引入SEIR模型进行情感趋势分析，通过GWR（地理加权回归）模型进行情感空间分布预测。

再者，將整个舆论扩散时期划分为增长、爆发、消退三个阶段，通过社会网络建立疫情期间微博舆论的传播机制。

最后，将微博意见领袖类（如新闻、大V等）词云划分为消极事实、积极事实和谣言，试判断这三类对每个阶段导向的影响，以此来提出相对应的对策干预。

1.2 基于SEIR模型的情感趋势分析

1.2.1 SEIR模型构建

这里感染指由于舆论影响发生情绪转变，康复指遗忘微博舆论。

首先根据SEIR传统模型，将人群分为S（易感者：易受情绪影响）、E（潜伏者：被情绪潜在影响）、I（感染者：由于舆论影响发生情绪转变），R（康复者：遗忘情绪）。

这里S为全国网络人数、E为疫情话题讨论人员（中性）、I为情绪指数有变化（消极/积极）、R为积极/消极—中性，由于情绪数据具有个人化的特点，较难准确测定，这里以整体指数为准，即所讨论人员情绪变化皆由整体微博评论的情感指数来作为定量指标。

1.2.2 疫情期间情感指数趋势

这里以疫情期间2019.12—2020.03数据为例，进行情感分析，得到结果如图3所示。

发现处于消极情绪的人居多，处于积极情绪的人较少，证明在疫情开始期间人们都处于消极恐慌的舆情信息中。

基于情感频率代入SEIR模型中进行舆情影响人数预测，见图4。其中参数设定见表1。

根据SEIR的研究结果，我们可以大致将疫情发生后的舆论扩散时期划分为：0～20天为增长阶段，20～40天为爆发阶段，40天后为消退阶段。

增长阶段易感者在人数上占有巨大主导性，人数有压倒性的占比，在增长阶段中期，即疫情发生后10天左右才有下降的趋势，且下降速率十分快。潜伏者和传染者在增长阶段中期开始产生，且潜伏者增长速率明显大于传染者，且二者在此阶段峰值潜伏者越为传染者的4～5倍，可见在舆论情感传播的情绪转化过程中潜伏者对应的被情绪潜在影响因素的影响效果远大于感染者对应的舆论影响因素。此阶段康复者几乎没有出现，仅在18天左右有萌芽趋势。

爆发阶段易感者数量继续急剧下降，并在本阶段下降为0。潜伏者和传染者数量在本阶段上升至整个舆论扩散时期的峰值，且潜伏者峰值人数为传染者峰值人数的两倍，传染者人数达到峰值的时间比潜伏者人数到达峰值的时间延后5～8天。在达到峰值后，二者人数下降的斜率不同，且潜伏者人数下降斜率大于传染者斜率下降速率。也正因斜率的差异性，虽然二者峰值差距较大，但二者曲线的微积分面积相差较小。可知在整个舆论扩散时期，潜伏者和传染者所发挥的作用都不可小觑。本阶段康复者人数开始呈乐观上升态势，并在阶段结束时达到约6×10⁴人。

消退阶段传染者和潜伏者人数持续下降，且传染者人数下降速率依旧保持小于潜伏者下降的速率，最终潜伏者先于传染者人数降为0。康复者人数在传染者和潜伏者人数都降为0后达到峰值，此时已经距离疫情发生时间点过去约85～95天。

整个舆论扩散时期大约持续了3个月左右，期间潜伏者的出现伴随着易感者人数的减少，同时也伴随康复者的增加。传染者的出现加剧了康复者的出现速率，使康复者人数呈一定速度地上升。可见舆论扩散时期中，各要素的人数变化最复杂的阶段为爆发阶段，如果需要在爆发阶段对舆情做出引导，还需要进一步对易感者、潜伏者、传染者、康复者四者之间的内在联系、影响关系进行进一步的研究。

1.3 基于GWR模型的地区情感指数分布

根据分析结果可以得出各个地区拟合效果都比较理想，通过GWR模型得出各个地区的平均情感指数并得出相应地区的情感分析。其中山西省的情感指数最低，情感指数范围在-2.5以下，代表其受疫情影响较小，情绪稳定；贵州省情感指数范围在-2.5到-1.5之间，群众情感较稳定；以陕西省、江苏省、山东省为代表的地区情感指数范围在-1.5到-0.5之间，群众情感也普遍稳定；以青海省、广东省、吉林省为代表的地区情感指数在-0.5到0.5之间，群众有小部分受到疫情影响，情绪有小幅度波动；四川省的情感指数范围在0.5到1.5之间，群众中有部分情绪受疫情以及舆情感染；以云南省、河南省、安徽省为代表的地区情感指数范围在1.5到2.5之间，受疫情以及舆情影响，情绪波动较大。可以得出结论，距离武汉远的地区大部分群众情感趋于稳定，距离武汉近的地区的群众情感波动较为明显。

2 结论与对策

利用SEIR和GWR模型分析了疫情舆论影响的情感转化趋势和情感指数变化的空间特征，其研究结论如下。

1）疫情期间情感趋势中，易感者、潜伏者、传染者、康复者四者转化最为复杂的阶段是舆情爆发阶段，即疫情舆情开始变化后的第20～40天。此阶段四者相互转化关系强烈，在数量趋势上有猛烈变化，是舆情引导的关键时期。此阶段政府应采取官方账号引导、新闻发布等方式对舆情进行正确引导，避免出现盲目镇压、错误报道等现象，使民心散乱，引发疫情恐慌。并且和一般的网络舆情不同，重大疫情网络舆情往往会因为疫情本身的严重性、疫情防控形势的严峻性而增加网络舆情传播的“燃烧温度”加剧了舆情治理的难度[4]。在治理过程中，必定会遇到人力、信息、物资、技术等各方面的约束，因此，针对特殊时期的舆情治理，需要打破固有的惯性思维，从刻板体系层级关系中跳脱，构建更加高效、畅通的中央与地方、地方与地方之间的相互配合关系，不断完善相关治理体系中的僵化性，增加系统灵活性，柔性对待每一次意外情况。

2）从情感分析看，疫情期间处于消极情绪的人居多，处于积极情绪的人较少，说明在疫情开始期间人民都处于消极恐慌的舆情信息中。在舆情爆发阶段出现大规模消极思潮，政府相关部门应直接通过网络媒介发布信息，正确引导网民。对这段时机的把握要重视，一旦错失良机，消极思潮便有进一步向深层次发展的危险[5]。

3）将GWR模型中的地理情感波动强度与SEIR模型中的情感转化情况验证后发现，各个地区的扩散趋势模拟与真实情况拟合度较高，与舆情的生命周期模型趋势基本一致[6]，在舆情扩散趋势预测上可以起到一定作用。重大疫情下舆论治理需要根据不同的地域采取不同的政策方针。在可以预测未来一定时间段内舆情地理传播趋势的基础上，可以对政策下达进行预期拟合，这样对舆情的变化态势有预期的准备，提高治理水平。

参考文献

[1]林芹，郭东强.优化SIS模型的社交网络舆情传播研究[J].情报科学，2017，35（3）53-56.

[2]顾亦然，夏玲玲.在线社交网络中谣言的传播与抑制[J].物理学报，2012，61（23）：544-550.

[3]鄭蕾，李生红.基于微博网络的信息传播模型[J].通信技术，2012，45（2）：39-41.

[4]胡峰.重大疫情网络舆情演变机理及跨界治理研究：基于“四点四阶段”演化模型[J].情报理论与实践（ITA），2020，43（6）：23-55.

[5]潘芳，卞艺杰，潘郁.危机事件网络舆情传播模型及消极思潮应急对策[J].图书情报工作，2010，54（15）：40-43.

[6]任凯，郭黎黎，张燕.社交网络舆情事件的生命周期模型研究[J].科技传播，2019（23）：1-3.