基于社交媒体大数据构建高校舆情预警体系

杨如美 聂作婷 羊 洋 陈祖梅 季明辉 雷 阳*

（1.南京医科大学护理学院 江苏·南京 211166；2.中国计量大学校医院 浙江·杭州 310018）

中国互联网络信息中心发布的第46次《中国互联网络发展状况统计报告》显示，中国网民已经超过了9.4亿，其中约2.3亿为学生。移动互联网的普及使得以微博、微信、抖音为代表的“新媒体、自媒体”迅速发展，深刻影响学校舆情变化。与以往不同，自媒体环境下，网络评论、短视频等发布门槛低，契合当前生活节奏快、移动化的信息交互模式，但也容易致使舆论热点，引发社会不良影响。

高校常成为各种新思想、新思潮碰撞和激荡的基地，青年学生思想活跃，善于接受新理念，但缺乏社会阅历，容易受到煽动。同时，大学生是社交媒体的主要使用者，善于并喜欢使用社交媒体记录生活和发表意见，致使高校往往成为舆情爆发的中心。如果引导不当，易演变为社会群体事件。因此，加强舆情预警已经成为各大高校的共识，也是高校行政管理的重要内容之一。与大众网络舆情研究相比，高校舆情研究成果相对较少，有关预警体系构建的研究更为匮乏。本文就高校舆情的内容特征、致使源、引导和应对策略等进行综述，着重探讨社交媒体大数据技术在构建高校舆情预警体系中的应用潜力。

1 高校舆情的内容和特征

高校舆情是指在高校网络空间的具有传播性、公众性、一定倾向性以及影响力的言论和意见的总和[1]。确切地说是指以高校学生为主体，包含了高校教师和工作人员在内的，于互联网空间内发表的言论和意见。高校舆情的内容一般包括三个方面：（1）聚焦国内外时事。大学生具有较强的社会公民责任感，一些国际国内社会热点问题容易激发他们的社会责任感与家国情怀，成为高校舆论的热点话题。（2）聚焦校园突发事件。既往校园突发事件，如伤害事故、突发公共卫生事件等比较容易受学生关注。而近年来的调查表明学术诚信、工作就业等问题已经上升到学生关注焦点。（3）聚焦与学生利益密切相关话题。高校的规章制度、收费、考试以及后勤等问题与学生利益密切相关，一旦出现问题也比较容易受到学生的关注，成为舆论的热点。

高校舆情的特征是：（1）主体凝聚性。高校学生教育背景相似、年龄相近，个体之间具有同质性，感情能够产生共鸣，在同一网络空间内容易形成一致性的意见和价值观。（2）个体主观性和情绪化。高校学生舆情具有极大的主观性，反映的意见往往脱离社会现实。大学生危机意识薄弱，缺乏理性思考，导致其情绪变化极大，容易受到负面情绪的煽动而出现不理智的行为。（3）相对容易控制。高校网络目前普遍以实名制注册，利于溯源。大学生看问题比较感性，舆论话题更新快，在正确的引导下容易控制舆情。

2 高校舆情的研究现状

与国外相比，我国高校网络舆情研究还处于起步阶段。2007至2017年间，高校网络舆情的文章逐年增加。目前的研究主要集中在三个方面：高校网络舆情致使源，高校网络舆情引导策略、高校网络舆情视角下的思想政治教育研究[2]。

（1）高校网络舆情致使源。杨俊娇等[3]认为高校舆情的形成受到社会因素、心理因素和传播因素的影响。从社会因素来看，舆情是由社会存在决定的，是社会矛盾持续积累的结果；从心理因素来看，高校学生因其特有的特点：思想活跃、具有较强的社会公民责任感、社会阅历不足、人生观价值观正处于成熟初期等，而热衷于表达，但对事物的认识易表现出片面性、幻想性、从众性；从传播因素来看，互联网的迅猛发展，大学生作为电子产品和科技技术的原住民，使用网络和社交媒体分享生活已经成为不可或缺的生活一部分[3]。与杨俊娇观点相似，何健等[4]从主观与客观的角度解析了高校舆情形成因素，詹红燕等[5]提出高校学生认知的多元化，不同声音的博弈在加大舆情的负面效应中也起到重要作用。在国外的文献中，一份由171名大学生参与的调查，列出了关于在社交媒体上分享舆情的29个原因的调查问卷中，排名最靠前的原因是信息的感知特征、自我表达和社交，而准确性和权威性的排名却不高[6]。大学生在社交媒体上分享信息通常缺乏危机意识，主要以分享吸引眼球的信息或与朋友互动等为目的。有研究表明社交媒体用户在分享和传播舆情时有时可能是无知和漠不关心的[7]，而大学生群体因其社会经验相对较少，正处于身心发展的成熟初期，容易受到各种价值观的影响，易导致错误信息的传播，甚至造成舆情危机。

（2）高校网络舆情引导策略。2009年王建发表在《信息网络安全》上的《高校网络舆情的监测与引导》[8]是最早论述高校网络舆情引导的文章，他提出需要通过建设专业化的网络政工队伍、设立新闻发言人制度、实施地方和高校联动、加强网络行为规范教育和建立有效的信息收集、整理与反馈机制等手段对高校网络舆情进行合理的引导和管理。李景升等[9]提出构建六维一体的应对体系，即多维采集机制、别类分析机制、应急预警机制、反馈机制、三次干预机制和研判防控机制。也有学者提出要从协同治理的角度来建立综合应对的体系。例如，尚俊杰等[10]从“舆论领袖”的角度提出需要重视和引导舆论领袖，发挥其有益的作用，把握积极的话语权等。在高校网络舆情引导策略中，有学者尤其强调引导时机。李维安等[11]学者认为舆情引导时机至关重要，舆情往往需要在最短时间做出最有效的反应，但单纯的“快”速反应并不一定有效。何玉梅等[12]以微博舆情为例，指出舆情初始期，因其尚缺乏用户互动而关注舆情事件本身的特点，是影响用户态度的最佳时期。

（3）高校网络舆情视角下的思想教育。高校舆情与思想教育之间存在密切关系。目前普遍认为舆情对于思想教育是一把双刃剑。高校应该利用舆情中积极向上的元素促进思想教育工作的凝聚力和导向性，并尽可能杜绝不良舆情对大学生思想的渗透和影响。为此，高校思想工作者需要不断丰富教育理念，更新教育方法，增强教育工作的吸引力；同时需要对舆论进行筛选和甄别，控制舆论带来的不良影响。

尽管目前研究已经取得了初步进展，但主要处于舆情预警研究的基础阶段——就网络监测方法来说，主要有三种：网络问卷调查、网络内容分析法和使用指标体系构建模型监测法。上述三种方法都基于问卷调查，其样本通常缺乏代表性，同时存在成本高、时效性差、动态观察有限等问题[13]，很难在网络这种海量信息、瞬息万变环境下做到最优化抽样、快速反应，也就无法正确反映总体的特征和情况；最重要的是，无法动态描述舆情发展的过程和进展，难以对舆情演变进行预判，影响舆情的引导；也无法准确追溯舆情事件发生的演变过程，影响舆情事件发生后的反思与改进。另外，参与网络调查的用户往往会有意的隐藏或提供错误的信息，抑或是回忆偏倚而选择与舆情发生当时有偏差的信息，虚假的信息得不到监管，因此抽样调查结果的准确性和真实性也得不到保证。基于此，问卷调查法已经无法适应移动互联网需求，新的研究范式的改革非常必要。随着互联网的应运而生的大数据技术脱颖而出，大数据方法能够克服上述传统问卷调查方法的缺陷。部分学者开始探索社交媒体大数据技术在构建舆情预警体系中的应用。

3 社交媒体大数据技术在高校舆情监测中的作用

目前大数据方法运用于网络舆情监测主要使用四种方法。一是根据搜索引擎进行舆情趋势分析，比如使用百度指数来分析舆情的演变趋势；二是基于网络文本信息挖掘。对网络文本进行语义分析、聚类分析等进行趋势预测。三是基于社会网络的网络舆情主题分析等。比如胡治宇[14]对大数据环境下高校舆情监测技术进行了介绍，例如使用Gooseeker等编程语言进行信息抓取，开源软件HTMLParser对抓取的信息进行清洗，Shark-Search搜索策略算法改进和主题爬虫Heritrixs实现等。王英等[15]以“南昌大学自主保洁”微博舆情事件为例，使用网络爬虫和文本分析技术对舆情信息进行信息采集和分析，用情感分析法对舆情中人们的情绪进行分析，从而为舆情预警进行研判。上述研究中大数据方法用于高校舆情监测的研究比较碎片化、零散化，尚未形成系统的研究体系。四是基于舆情传播环节进行监测。王欢妮等[16]认为高校舆情预警体系常规包括监测、汇集、分析、警报和预控五个环节，良好的预警系统应该尽量压缩监测、汇集和分析这三个过程，对后两个环节要更予以重视。也有学者认为需要根据舆情事件发生的过程，在事件前期、中期和后期从舆情强度、影响力和持续性的三个方面的指标构建预警体系[17]。钱言玉等[18]就监测、汇集、分析、警报和预控等环节提出了许多具体的措施，如信息过滤，定向采集，话题追踪以及用户关注度监测等等。刘毅[19]则提出网络爬虫和信息监听等手段进行信息采集、利用计算机技术和专家库对舆情信息进行分析和评级，帮助决策者判断和提出应对策略。赵云泽[20]总结了当前舆论监测研究的不足，提出监测的视角和内容仍需要创新，应该增加社会情绪、文本价值、社会阶层话语权等指标。并建议建立危机事件大数据库，实现自动匹配识别功能，以弥补人工识别效率低、时间滞后等缺点。

大数据在舆情监测中首先要解决数据采集和数据分析两个问题。舆情数据分布在网络系统中的各个角落，收集这些信息的时候可以采用如Hadoop等分布式采集方法以提高采集效率。采集后的数据由于格式等不同需要对数据进行预处理，垃圾数据需要过滤。使用Map-reduce方法可以将原本杂乱无章的数据的某些特征进行归类，存入数据中心进行分类管理和数据挖掘。大数据中的Storm模块还可以对网络舆情信息进行实时监控，对网民行为和舆情主题等可以进行监测，能够很好的弥补Hadoop技术只能离线监测的不足。而Spark技术和Blink技术则可以解决Hadoop运算较慢的缺点，可以提高舆情监测和计算的效率。舆情领袖意见及传播途径等信息可以通过Spark或者Blink技术进行数据挖掘。

大数据还可以对采集来的舆情数据进行智能化分析。主要的思路是使用深度学习的方法，通过对文本词汇分析、情感分析等数据挖掘方法获取的信息进行智能化处理，让机器学习舆情的特征规律，从而对舆情的演变规律进行预测和推导。例如使用TensorFlow或者LTSM（长短程记忆模型）对舆情特征进行深度学习，通过舆情智能计算和趋势分析，为舆情决策提供依据。最后通过机器学习得到的舆情特征规律可以整理为舆情知识，建立舆情数据库，结合专家意见可以构建智能化舆情预警机制。

4 社交媒体大数据用于高校舆情监测所面临的挑战

运用大数据方法虽然具有数据量大、数据实时性、数据种类丰富的特点，但收集的数据也并非完全可靠，例如祁岩等[21]在将一款基于谷歌搜索的应用产品，谷歌流感趋势（GFT）作为案例的研究中，发现GFT用流感相关关键词的搜索量的变化来预测流感发生，受到很多噪音的影响。比如，某段时间内“流感”相关词的搜索量增加并不一定代表流感疫情的发生，可能只是上映了一部关于流感的电影。运用大数据方法也容易受到质疑，互联网公司不会公开核心的技术，这就导致研究方法是不透明的、不可重复的，在高校舆情的监测与预测中，很难对这项技术掌握透彻，在外周环境发生改变时，也无法做出及时有效的调整。陈瑞祥等[22]也提出大数据用于高校舆情监测会遇到监测人才队伍缺乏、舆情发现设置粗略、舆情模型建构疏漏、数据管理方式固化的疑难。

5 结论

近十年来高校舆情的研究逐年增加，研究的重点是舆情引导策略，以及高校网络舆情视角下的思想政治教育研究，而有关高校舆情预警体系的研究仍然较少。网络问卷调查、网络内容分析法和使用指标体系构建模型监测法是目前舆情监测研究的主要方向。上述方法都基于问卷调查，已经无法适应移动互联网的需求。大数据方面可以在舆情信息采集、信息挖掘等方面发挥作用，对舆情进行实时监控，并能利用机器学习方法对采集到的舆情信息进行智能化分析，形成舆情特征数据库，且可以结合专家意见，充分发挥人的先验知识和机器学习的高效性，构建更加智能化的舆情预警机制，为高校舆情决策提供科学依据。