后真相时代考虑信息熵的网民观点演化与舆情研判引导研究*

侯艳辉 孟 帆 王家坤 管 敏 张 昊

(山东科技大学经济管理学院 青岛 266500)

伴随通信技术的创新突破与智能化进程的纵深推进，特别是在信息过载与信息碎片化特征显著的后真相时代，情感先于事实的时代特征使舆情的影响效应被进一步放大。社交媒体的广泛应用与创新突破赋予了舆情信息独特的传播特征，舆情信息的生产更加智能、呈现更加立体、分发更加聚焦；伴之相随，数十亿网民意见表达的数量与密度亦井喷式展现出来。与此同时，考虑到社会热点事件的突发性与不可预知性，互联互通的“地球村”中发生的任何事件均可能成为潜在舆论爆发点，对监管主体的治理能力与水平提出了严峻考验；若处理不当，极有可能引起网络群体极化。鉴于此，以社会热点事件引发的网络舆情为研究对象，重点分析网民观点交互与演化规则，厘清网络舆情的生成、传播与演化过程，进而设计舆情研判预警体系，可为监管主体及时处理社会热点事件、占领意识形态制高点提供决策依据。

1 相关研究综述

围绕社会热点事件，舆情传播过程中网民观点的交互与演化机制研究，有助于理解网民观点的生成与交互机理。基于此，学者们主要从要素和过程两个视角展开研究。

基于要素视角，当前研究通过理论与实践探究了影响网民观点演化的内外部因素。从内部个体层面出发，学者们基于网民间关系强度[1]、态度感知价值、认知失调理论[2]等构建了观点动力学模型，从个体心理学角度探究了网民观点的形成与演化过程；从外部因素层面出发，考虑到媒体多样性[3]、反转信息介入时间、事件敏感度[4]对网民观点演化的影响，学者们研究了平台影响力[5]、舆情信息内容[6]对网民观点生成与交互的影响机制。

基于过程视角，学者们提出网络舆情的演变具有明显生命周期，舆情生命周期不同阶段的观点演化具有不同特征，同时舆情参与主体的行为也具有阶段差异性。如陈华等[7]将网络舆情蔓延过程划分为网络舆情扩散阶段与政府调控网络舆情阶段；基于有界置信模型，魏静等[8]设计了舆情当事人未发声和发声后的两阶段观点演化模型。除此之外，针对媒体用户参与下信息传递的特点，Luo等[9]将媒体对网民的单向影响过程分为信息接收和意见采用两个阶段，为网民观点演化提供了一个更现实的框架。

后真相时代下，网络舆情的风险评估与精细化研判管理愈发重要，舆情研判与引导研究也是国内外相关领域学者关注的重点问题之一。应用爬虫技术分析相关舆情数据，袁媛[10]利用支持向量机构筑埃博拉疫情背景下Twitter网络舆情危机预警系统；Liu等[11]结合AHPSort II和SW方法，建立多阶段网络舆论风险分级模型；以具体舆情事件的微博数据为例，安璐[12]从网民作用、网媒作用、事态扩散、态度倾向、网民情感等维度构建突发事件严重性评估指标，划分突发事件严重性等级，为政府及时采取应急管理措施提供方法指引与数据支持。

由上述分析可知，围绕社会热点事件发展过程中的网民观点演化与舆情研判引导，学者们已经取得了丰富成果；但经过分析发现，该领域仍存在进一步研究的空间：a.网民观点的生成与演化是一个极其复杂的过程，统筹要素与过程双视角，研究网民对舆情事件的了解过程及所接触的携带观点倾向性的媒体报道将更具动态性与现实性。b.社会热点事件舆情研判预警与引导策略的相关研究尚未形成体系；结合网民观点演化过程中的相关统计指标，设计舆情研判预警体系并对引导策略进行分级研究，可促使网络舆情的引导由传统“灭火式”管理向“防火式”治理转变。

2 考虑信息熵的网民观点演化模型

2.1媒体—网民双层网络拓扑结构的搭建作为社会热点事件的“扩声器”，媒体在网络舆情传播与网民观点演化过程中扮演着重要角色：一般而言，社会热点事件往往由媒体直接披露或当事人的发声伴随媒体的报道而逐渐活跃在网民视线里；后真相时代下，媒体带有观点倾向性的新闻报道甚至会重塑网民观点进而影响整个社会舆论的演化态势。如2018年江歌案，部分媒体为博人眼球、抢占流量，将议程设置的焦点放在对刘鑫、陈世峰的舆论批判上而非整个事件本身，导致民意裹挟下的网络暴力不断侵蚀着网络空间，使江歌案网络舆论持续走向极端。

图1 媒体—网民双层网络拓扑结构

鉴于媒体在网络舆情传播与网民观点演化过程中发挥的重要作用，本文拟将社交网络分为媒体层和网民层，构建媒体—网民双层网络拓扑结构。首先，根据抖音、微博平台中媒体账号之间的关联关系，发现媒体账号之间联系的建立具有一定自主性选择特征[13]，故设置媒体层为随机网络。其次，结合Facebook网络结构数据[14]可知，网民账号间存在明显的择优连接特性，故设置网民层为无标度网络。最后，通过剖析新浪微博中媒体与网民账号的社交关系可知，媒体层与网民层的联系主要为网民到媒体的单向关注关系，即网民关注自己感兴趣的媒体，而媒体不会回关普通网民。结合上述分析，构建媒体—网民双层网络拓扑结构如图1所示。

2.2 考虑信息熵的网民观点演化规则

2.2.1网民观点演化过程的影响因素分析

结合社会热点事件网络舆情传播案例及相关研究可知，在舆情传播过程中，网民的观点演化主要受到外部干预信息与个体内部特征的影响。基于已有文献，本文以媒体首发信息量及舆论信息熵[15]为主线，结合舆情事件敏感度[4]、媒体首发观点倾向[16]及网民对网民及媒体的信任程度，研究并设计网络舆情传播与网民观点演化的规则。

a.外部干预信息

媒体首发信息量：社交网络中的舆情信息交互过程实际上是网络用户信息的接收与转发过程；在接收—转发过程中，信息作为中介主体承载用户的情感反馈，赋予了整个交互过程中信息量浮动变化的特征。从信息论视角出发，设置信息量的取值范围为(0,1)，考虑到舆情首发阶段信息碎片化特征明显，因此将t时刻媒体首发信息量定义为INFm∈(0,0.5)。

舆论信息熵：基于Shannon提出的信息熵概念，本文通过t时刻网民i所处社交圈层的舆论信息熵反映网民所处的舆论环境，定义如下：

(1)

舆情事件敏感度：舆情事件的性质显著影响着网民对热点事件的关注程度与观点的表达强度，社会热点舆情事件的敏感度越高，越容易激化社会矛盾。基于此，将舆情事件敏感度定义为K∈(0,1)；随后根据K的取值，将事件敏感度划分如下：K≥0.8表示舆情事件的敏感度较高，0.5

媒体首发观点倾向：媒体对舆情事件首次报道时携带的观点倾向往往会带给网民一种先入为主的主观印象，故网民对舆情事件的观点表达，在很大程度上取决于媒体首次报道舆情事件时所携带的观点倾向。鉴于此，本文将媒体对舆情事件首次报道时携带的观点倾向定义为Om∈(-1,1)，结合相关研究以及现实舆论环境，定义区间Om=(-0.2,0.2)表示媒体首发观点倾向为中立，区间Om∈(0.2,1)表示媒体首发观点倾向为正，区间Om∈(-1,-0.2)表示媒体首发观点倾向为负。

b.个体内部特征

在社交网络平台上分享和交换观点的过程中，网络账号间的信任关系是舆情信息传播与观点扩散的纽带，直接影响到舆情信息量的接收与观点的采纳。结合相关研究，本文将网民之间、网民与媒体之间的信任程度分别定义为：

网民间的信任程度：将网民i1对网民i2的信任程度Wi1i2定义为共同关注的节点数/各自关注的节点总数：Wi1i2=common(di1_in,di2_in)/di1_in，共同关注的节点数越多，网民间的认同感越强烈，网民间的信任程度越高。

网民对媒体的信任程度：将网民i对媒体m的信任程度Wim定义为网民i内在接收力与媒体m外在吸引力的合力：Wim=fi*fm，其中网民i的接收力表示为fi=di_out/di，由i节点的出度来衡量，媒体m的吸引力表示为fm=dm_in/dm，由m节点的入度来衡量。媒体m的入度越大，即对外吸引力越强，被网民信任的可能性也就更高；网民i的出度越大，即网民的接收力越强，对外界的信任程度也就更高。

2.2.2分阶段网民观点演化规则

综合网民观点演化过程中外部干预信息与个体内部特征的影响，本文将热点事件舆情信息传播过程中网民观点的交互与演化过程划分为信息接收、观点生成、观点采纳三个阶段，各阶段网民观点的演化规则设计如下：

a.信息接收

结合相关研究，假定媒体m对舆情信息的发布或报道存在传播阈值MPTm，并定义其服从均匀分布；当媒体m所调查或接收的最大舆情信息量超过其传播阈值，其将成为信息传播源，扩散所接收的舆情信息或携带观点表明立场。媒体层的信息量接收规则如下：

(2)

网民i对舆情信息的接收主要来自所处社交圈层中舆情信息量更充分的媒体或者其他用户，网民i的信息量接收规则如下：

(3)

b.观点生成

社会热点事件网络舆情爆发后，网民受到刺激产生情绪，可通过在社交网络平台上发布推文，将其内在情绪外化为态度和观点[17]。基于此，在初始观点的生成阶段，结合舆情信息传播过程，通过情感强度第一定律[18]定义网民初始观点生成的计算公式如下：

(4)

c.观点采纳

完成舆情信息量的接收及初始观点的生成后，舆情事件不断发酵促使网民进行观点的交互，进而出现观点对抗与采纳现象。基于此，在观点采纳阶段，结合HK模型中的观点交互机制，将网民观点演化规则定义如下：

(5)

2.3 舆情研判预警设计

针对不同类型的社会热点事件网络舆情，舆情预警指标的构建需要从网络信息环境、信息人等方面入手，通过深入分析相关要素与舆情信息的相关关系来构建反映网络舆情演变情况的预警指标体系[19]。结合前文定义，本文从总体舆论信息熵与负面观点网民比例两个方面，设计舆情研判预警指标。

a.总体舆论信息熵

b.负面观点网民比例

综上，本文选择总体舆论信息熵H和负面观点网民比例N作为网络舆情首发阶段的研判预警指标，通过设置研判指标阈值θ，对以上两个指标进行数值高低的排列组合，可将社会热点事件网络舆情等级分为四类：红色预警舆情、橙色预警舆情、黄色预警舆情和绿色安全舆情，具体描述如表1所示。

表1 舆情研判等级划分

3 网民观点演化的仿真实验与分析

基于前述的网民观点演化模型及舆情研判预警设计，本章拟采用仿真实验讨论社会热点事件网络舆情传播过程中网民的观点演化规律与不同因素下网民观点的演化趋势；以及针对需要回应的社会热点事件，讨论不同回应策略对网民观点的引导效果。

3.1 首发阶段舆情研判分级

基于模型相关参数定义及数值分析，将舆情首发阶段按照媒体首发信息量(高0.4、低0.2)、舆情事件敏感度(敏感0.8、平常0.5)、媒体首发观点倾向(正向0.6、中立0、负向-0.6)进行分类，将社会热点舆情事件分为12类，为避免实验结果的偶然性，相关参数的界定均考虑了各定义变量的区间分布及中位数；随后分别进行网络舆情首发阶段的仿真实验，讨论不同类型舆情事件总体舆论信息熵、负面观点网民比例的分布情况，部分事件仿真结果如图2所示。

图2 不同类型舆情事件的仿真实验(部分)

结合上述仿真实验结果，将12类不同的社会热点舆情事件进行归类，设置总体舆论信息熵H的阈值为θh=0.4，负面观点网民比例N的阈值为θn=0.5，并将热点舆情事件划分为4类，如表2所示。

表2 首发阶段舆情研判分级

由社会热点事件首发阶段的舆情研判分级可以看出，媒体首发信息量、舆情事件敏感度及媒体首发观点倾向的不同组合会触发不同等级的舆情预警；其中，负倾向的媒体首发观点、低水平的首发信息量、高水平的事件敏感度，3种属性中任意两种同时出现，均会触发等级较高的红色或橙色预警。

3.2 回应阶段舆情引导策略

首发阶段舆情事件的研判分级，为舆情回应与引导提供了参考标准，相关主体在舆情回应阶段进行干预与引导策略的制定时，回应信息量[21]、回应观点[22]、回应时间[7]是管理实践中需要重点关注的3个方面。基于此，研究不同舆情研判等级下的回应策略对网民观点引导的作用效果。

3.2.1红色预警舆情

选择红色预警舆情等级中的低敏负(INF=0.2，K=0.8，OP=-0.6)舆情作为典型事件，相关实验结果如图3所示。由图3(a)可知，在未引入正向回应观点的情况下(图中+线)，提高回应信息量，可以促进负面观点网民比例下降、推动总体舆论信息熵不断提高至突破阈值线，实现红色预警舆情降级为橙色预警舆情；但回应信息量的发布数值突破0.6后，对舆情的引导效果便达到上限，此时引入并提高回应观点的正向引导作用(图中*线)，可以有效打破回应信息量引导效果的上限，实现红色预警舆情降级目标。类似的，由图3(b)(c)(f)可以看出，回应观点与回应时间引导效果的发挥均需要突破一定回应信息量和回应观点阈值才可打破相应策略引导效果的上限。由图3(d)(e)可以看出，红色预警等级下，缩短回应时间对回应信息量和回应观点引导效果的提升作用并不明显。

图3 红色预警舆情等级下回应信息量、回应观点、回应时间对网民观点演化过程的影响

结合上述实验与分析结果可知，红色预警舆情的低首发信息量与媒体首发观点的负倾向特征赋予了该等级下舆情事件高模糊性与负面性的特点，在红色预警舆情回应阶段，解除预警的关键是弥补首发阶段舆情信息量极低的缺陷，因此监管主体首先需要增强回应信息量，继而辅以回应观点的正向引导作用，即可发挥引导策略的最优效果。

3.2.2橙色预警舆情

选择橙色预警舆情等级中的高敏负(INF=0.4，K=0.8，OP=-0.6)舆情作为典型事件，相关实验结果如图4所示。由图4(a)(f)可知，回应信息量与回应时间引导效果的发挥均需要突破一定回应观点阈值才可打破相应引导效果的上限，使当前橙色预警舆情降级为黄色预警舆情；类似的，由图4(b)(c)可以看出，回应观点与回应时间引导效果的发挥均需要突破一定回应信息量阈值才可实现橙色预警舆情降级目标，且回应观点对其他策略的加成作用要优于回应信息量。由图4(d)(e)可以看出，在橙色预警舆情等级下，缩短回应时间对回应信息量和回应观点引导效果的提升作用不够明显。

图4 橙色预警舆情等级下回应信息量、回应观点、回应时间对网民观点演化过程的影响

结合上述实验与分析结果可知，橙色预警舆情的高敏感度或首发媒体观点的负倾向特征赋予了该等级下舆情事件不确定性或负面性的特点，在橙色预警舆情回应阶段，解除预警的关键是加强回应观点的正向引导力度，在具备有效回应信息量的基础上即可实现引导策略的最优效果。

3.2.3黄色预警舆情

选择黄色预警舆情等级中的高平正(INF=0.4，K=0.5，OP=0.6)舆情作为典型事件，相关实验结果如图5所示。由图5(a)(d)可知，提高回应信息量的策略效果不会受到回应观点和回应时间的限制，回应信息量需超过0.6方可使当前黄色预警舆情降级为绿色安全舆情；由图5(b)(e)可以看出回应观点的策略效果受回应时间影响相对较小，但需要突破一定回应信息量阈值，方可实现黄色预警舆情降级目标；由图5(e)(f)可以看出，回应时间的策略效果受限于一定回应信息量阈值，但回应时间的缩短可以在不同程度上弥补回应信息量和回应观点不足的缺陷，且回应时效性越高，对网民观点引导的效果越理想。

图5 黄色预警舆情等级下回应信息量、回应观点、回应时间对网民观点演化过程的影响

结合上述实验与分析结果可知，在总体舆论信息熵偏高且负面观点网民比例偏低的黄色预警舆情回应阶段，解除预警的关键是提高舆情回应的时效性，缩短回应时间，在具备一定回应信息量的基础上及时发挥引导策略的最优效果。

4 舆情观点演化案例分析

为进一步验证上述理论模型及研判指标的有效性，选取2021年在新浪微博引发热议的“成都四十九中高中生坠楼事件”作为舆情案例研究网民观点实际演化情况，利用Python编写爬虫程序，累计获取评论文本数据23 953条。根据热点事件首发与回应微博主体的发博时间，将成都四十九中高中生坠楼事件分为四个阶段——一次首发与三次回应，调用百度情感倾向分析API进行评论数据的情感倾向分析，分别计算舆情研判指标N和H，分析各阶段所处舆情研判等级以及所采用回应策略对研判等级的调节效果。

a.第一次通报

2021年5月10日14∶30成都49中发布第一次通报，宣布学生坠亡事实并表示将进一步配合调查。当前该舆情事件首发信息量低，事件敏感度高，各种虚实难辨的消息在网络中传播，引发网民激烈讨论。此阶段舆论焦点集中于学校、家长、孩子三方主体，主要诉求是公布监控、调查原因、澄清网络传言。通过计算研判指标得到N1=0.828(高)，H1=0.448(低)，根据所设计的舆情研判预警指标推断此时间段内舆情事件等级为红色预警舆情。

b.教育局回应

2021年5月11日03∶54成都成华教育发布第二次通报，判断学生坠楼排除刑事案件，认定高坠属于个人行为。主体回应时间相对及时，但发布内容缺少事实证据的支撑，回应信息量不高，民众诉求未得到正面解答；主体回应观点偏中立。此阶段舆情受到“阴谋论”等极端负面观点的影响，网络舆论负倾向明显；此时舆论焦点转移到教育局主体，持续低迷的信息量使得网民对事件真相与监控事实的诉求愈发强烈。通过计算研判指标得到N2=0.893(高)，H2=0.334(低)，判定此时间段内舆情事件等级仍为红色预警舆情。

c.警方回应

2021年5月11日19∶43平安成华发布第三次通报，以警方身份认定学生系高坠死亡，排除刑事案件，家属无异议。主体回应时间比较及时，回应信息量较上次并无明显增添；主体回应观点偏正向，积极引导网民不信谣不传谣。当前时间段出现了相信警方的正面观点持有者，但也存在大量认为通报敷衍、对结果不满的负面观点持有者。此时舆论焦点在于“家属无异议”，同时，网民对监控事实的诉求仍未得到回应。通过计算研判指标得到N3=0.739(高)，H3=0.565(高)，判定此时间段内舆情事件等级降为橙色预警舆情。

d.新华社回应

2021年5月13日02∶11新华社还原学生坠楼事件，详尽的回应信息量充分解答了民众的信息诉求；新华社回应观点偏正向，并批判性地指出了整个舆情事件发展始末存在的不足，较好地回应了群众关切。此阶段舆论焦点重新回到孩子、家长、学校三方主体，在回应信息量充足的情况下，网民最终获得了舆情事件真相。通过计算舆情研判指标得到N4=0.441(低)，H4=0.721(高)，判定此时间段内舆情事件等级降为黄色预警舆情。

综上所述，成都四十九中高中生坠亡舆情事件的后续回应阶段存在回应策略安排不当的问题，经过不同主体的三次回应，舆情等级从维持红色预警降低为橙色预警，最终仅能降到黄色预警。结合热点事件的案例分析，本文首发阶段舆情研判指标与回应阶段引导策略的有效性均得到验证，舆情首发阶段研判指标的设计可以有效衡量当前舆情事件所处等级；其次，舆情回应阶段需要权衡回应信息量、回应观点、回应时间三者的策略组合，通过有针对性的舆情引导策略回应民众关切，平息网络负面舆论。

5 结语

本文将社会热点事件网络舆情划分为首发与回应两个阶段，基于信息熵理论构建的观点演化模型揭示了网民观点生成、交互与演化的内部逻辑，为舆情研判预警提供了前期理论基础；研判指标的设计可以有效判断首发舆情的预警等级，不同等级下舆情回应与引导策略的分析为监管主体甄别并处理高风险舆情提供了重要参考。以社会热点事件为研究对象，整合前人研究的过程与要素视角，本文对后真相时代下的舆情演化进行了阶段式研究，动态地刻画了媒体作为信息发布主体下的网民观点演化模式，并进一步设计了舆情研判预警指标与针对性的舆情引导策略，较为完整的呈现了舆情从首发、回应到平息的全过程，具有一定理论价值与实践意义。

本文模型参数设置仍具有一定的随机性，为提高模型普适性，未来可以从以下方面进行改进：首先，可以从信息源文本数据入手，通过主题挖掘、情感分析等大数据分析技术来计算实际舆情信息量与情感强度；其次，可以收集更多实证数据来优化模型相关参数，提高模型通用性。