可预测性灾害中网民情感传播特征研究

沈洪洲，马巧慧，张一涵

(1.南京邮电大学 管理学院，江苏 南京 210003 2.南京邮电大学 信息产业融合创新与应急管理研究中心，江苏 南京 210003)

在现代气象预警技术的帮助下，人们已经可以预测暴雨、暴雪、台风等灾害的大致发生时段，我们把这类灾害称为可预测性灾害。可预测性灾害通常有明显的灾前预警阶段，该阶段不仅对灾害预防、灾害降损有极大的作用，也会对人们应对灾害的情绪产生重要的影响。在可预测性灾害中，灾害的网络舆情环境在灾前预警阶段就已开始形成，人们会通过社交媒体获取、转发、评论与灾害相关的信息。伴随着这些信息的扩散，人们的情感也开始传播。互联网技术的发展和社交媒体的普及，使得人们可以在网络上自由地表达自己的观点和态度，诸如微博、微信这样的社交媒体平台已经成为各类灾害事件最主要的舆情聚集地[1]。以新浪微博为例，用户不仅可以通过发布博文来表达自己的观点和情感，还可以通过评论、点赞等行为与微博平台的其他用户进行情感交流[2]。可预测性灾害中网民情感的传播可能会影响灾害整体的社会舆论走向，进而影响政府应急管理部门应对灾害的决策。因此，对可预测性灾害中网民情感的传播特征进行研究具有十分重要的意义。本文以台风“山竹”为例，以新浪微博上的相关博文数据为具体分析对象，通过社会网络分析、情感分析等方法分析网民情感传播特征，在此基础上对可预测性灾害中网民情感传播特征进行详细讨论，并有针对性地提出干预和引导网民情感传播的建议。

一、相关研究综述

在网络舆情中，情感是指网民受舆情信息影响后以一定形式表达出来的态度。理解网民情感的驱动因素，把握他们情感变化的趋势，在公共政策和商业决策的制定中具有重要的战略意义[3]。因此，情感分析已经成为舆情研究中非常重要的组成部分。蒋晓丽和何飞提出，情感应当被理解为一种社会状态，社会规约着特定情感的产生，情感表征着社会现实[4]，因此，与情感分析相关的研究也在社会学领域受到广泛的关注。

情感分析的具体技术手段和方法一直是学者们关注的热点议题。王荣波等人针对TF-IDF和IG在短文本情感分析中特征选择不足的问题，通过提高分类效果明显的特征词的权重等方法改进算法，使其更适应中文短文本的情感分析[5]。Chung和Zeng构建了一个新的模型来剖析情感分析验证系统，该系统模拟了情绪触发的影响，便于分析情绪影响的因果关系，并将人类情感纳入知识管理的模型中[6]。陈夏芳和曹春萍指出情感聚类是情感分析的关键性任务，聚类的结果会影响对文本情感倾向的判断，由此提出一种引入用户反馈机制的基于谱聚类算法的情感分析方法[7]。李勇等人同时采集社交网络用户线上和线下的情感数据，并对用户情感进行时间序列分析，以此来探索社交网络用户情感表达的线上线下差异及其影响因素[8]。

社交媒体已经成为网民表达情感态度的主场，其信息传播具有的开放性、实时性和自由选择性等特点，加剧了情感传播的复杂程度。Stieglitz等人基于社交媒体中的用户情感传播，研究网民间的情感构建方式，并指出在危机传播过程中活跃的用户群体对网民的情感变化会产生更深远的影响[9]。安璐和欧孟花发现在突发公共卫生事件中，主流媒体和自媒体对普通群众的情感影响较大，且随着舆情不断演化，自媒体在情感传播中会起到愈发重要的桥梁作用[10]。王斌指出情感传播造成的社会风险日益突出，主要表现为网民的“泛情绪化”，应当加强网络舆情治理，促使情感影响发挥积极作用[11]。情感在传播过程中往往会相互作用和影响，许多学者将之总结为“情绪感染理论”。如王潇等人指出情绪感染本质上是指通过捕捉他人情感来感知周边人情感变化的交互过程[12]。石密等人研究发现情绪感染并不直接作用于集体行为意向，而是通过情绪体验的无意识感染和信息感知的有意识比较来影响网络集体行为意向的表达[13]。

社交媒体中情感传播的研究方式和研究视角也较为丰富，如毛太田等人利用微博话题标签对网络热点事件进行识别，基于话题研究情感传播特征，对网民情感发生规律和成因进行分析，并提出控制引导策略[14]。Zafarani等人提出用数学表达来描述情感传播，通过研究网民之间情感数值的变化来检测情感是否传播，以及发生情感传播和未发生情感传播的网民的特征差异[15]。陈显龙和李姝娟构建了微博舆情场能量模型，分析微博情感传播特性和时间指数对微博舆情能量场的影响，发现微博舆情情感的绝对值越大，传播特性的指标越高，微博舆情的正向或负向能量峰值越大[16]。

综上，国内外学者已经对网络舆情中网民情感相关的主题进行了多角度的研究，涵盖了情感分析的具体技术和方法、情感传播的基础理论和模型等。然而，当前网民情感的相关研究中，对于特定研究背景的依赖较少，缺乏针对可预测性灾害的研究实例。事实上，可预测性灾害中网民的情感在灾前预警阶段就开始酝酿、触发和传播，因此，网民情感传播特征分析拥有不可忽视的研究价值。

二、研究设计

(一)研究方法

1.社会网络分析法

社会网络分析法可用于对社会网络中行为者(节点)之间的关系进行量化研究[17]。本研究以微博用户为节点，以用户之间的博文转发关系为边，利用Gephi软件对台风中的网民情感传播网络进行构建和测度分析，为后续网民情感传播特征的探讨奠定基础。

2.文本情感分析

文本情感分析又称倾向性分析，是对带有情感色彩的主观性文本进行处理、分析、归纳和推理的过程。本研究在Python程序中调用SnowNLP包对微博博文进行情感分析，为每条博文计算出一个介于(0，1)的情感值，即博文情感倾向为积极情感的概率。研究将介于(0，0.4]的情感值定义为消极情感倾向，介于(0.4，0.6)的情感值定义为中立情感倾向，介于[0.6，1)的情感值定义为积极情感倾向。

(二)研究数据

台风“山竹”于2018年9月7日在西北太平洋洋面上形成， 9月16日17时在广东台山海宴镇登陆，9月18日17时减弱并转移。本研究专注于网民情感的传播，而微博中网民情感最重要的载体就是微博博文。因此，研究以“山竹”和“台风”为关键字，通过网络爬虫抓取了2018年9月7日到9月30日内微博用户发布的相关博文，博文须同时含有上述两个关键词。具体抓取的数据项包括博文作者、博文内容、发布时间、转发数等，数据抓取的时间是2019年11月22日。为了基于转发关系构建社会网络，对没有被转发的原发博文数据进行了剔除，最终留下包含转发关系的博文2 194条。为更加凸显微博博文的传播网络及其作者情感传播变化的细节，本研究将剩余博文按转发量进行排序，并选取转发量排名前十的原发博文作为具体的研究对象。根据这10条博文的转发关系链，研究共提取出809个微博用户节点和817种转发关系，最终构成10个转发关系网络。

根据台风“山竹”的发生过程，研究将2018年9月7日至9月15日定为灾前阶段，将2018年9月16日至9月17日定为灾中阶段，将2018年9月18日至9月30日定为灾后阶段。依据原发博文的发布时间，研究确定了各个博文所处的阶段。

三、数据分析

研究首先分析网民情感传播网络的结构特点和典型传播路径，然后探讨关键节点的情感影响力和传播路径上网民情感的变化特点。数据分析以总体和个体相结合的方式进行，即先对所有传播网络进行总体分析，再结合一个具体的传播网络进行深入探讨。

(一)网民情感传播网络分析

1．传播网络结构测度

研究利用社会网络分析法来分析网民情感传播网络的结构特点，为后续网民情感传播特征分析奠定基础。本研究以发布博文的网民为节点，以博文的转发关系为边，利用Gephi软件生成10个传播网络，并对各传播网络进行结构测度，计算出各网络的节点数、边数、图密度、网络直径和平均路径长度(见表1)。

(1)网络密度测度

图密度常被用来描述各节点之间联系的紧密程度。在社会网络图中，各节点之间的连线越多，该网络的密度就越大，表示该网络结构中信息传播更频繁。表1中各网络的图密度最大值为0.167，最小为0.002，平均值为0.068，说明本研究中各传播网络的网络密度总体而言比较低，网络节点之间的联系不是很紧密。由此可见，在台风“山竹”中，微博用户表达观点和情感时的博文转发密度并不高。

(2)可达性测度

可达性测度可以通过网络的直径和平均路径长度两个指标来评测。直径是指社会网络中任意两节点之间的最大距离，表示任意一条信息传达至最末端节点所经过节点的个数。直径越长，信息传达经过的节点越多，说明信息传播速度越慢。平均路径长度是指两节点之间最短路径的节点个数的平均值，平均路径较短则说明信息传播效率较高[18]。表1中的网络直径最长为10，最短为1，平均值为5.1，即任意两个节点之间的最大距离的平均值是5.1；平均路径长度的最大值是3.884，最小值是1，平均值是2.073，即一个用户平均经过2.073个用户节点的转发才能将信息传递给另外一个用户。由此可以看出，在台风“山竹”中附带用户观点和情感的博文信息的传播速度并不是很快，一条博文可能会经过多个博主转发后，才到达最终用户。在这个过程中，传播路径越长，影响网民情感传播的因素越多，网民情感倾向变化的复杂性便越大。

2．情感传播层次及路径分析

网民的情感传播是随着博文的扩散而展开的，从原始博文开始会形成多个传播层次。本研究以原发博主“圆滚滚胖达君”的情感传播网络为具体分析对象(见图1)，将该传播网络中网民情感的传播过程划分为三个层次。原始博文由博主“圆滚滚胖达君”发出后，通过第一层网友的转发将情感扩散出去。“中国气象台”和“喵流青年”是其中的典型代表，两者的连入度都比较高，但“喵流青年”拥有更长的后续传播链，其后续影响更大。“喵流青年”的博文再次被转发，形成第二层次的情感传播关系，图1中绿色节点都是第二层中参与转发的网民。这些网民的博文被转发进入到了第三层及以上的传播层次中，再一次引发了后续大量的转发，如图1中蓝色节点所示。在传播过程中，有些网民的博文虽然未被大量转发，但他们是将博文从第二层扩散至第三层及以上传播层次的重要中间节点，如图1中的黄色节点。

根据情感传播的层次关系，本研究将情感传播路径分为两类：一类是只进行一层传播的单级传播型路径；另一类是经过多层传播到达最终节点的链式传播型路径。在“圆滚滚胖达君”的情感传播网络中，“圆滚滚胖达君”—“中央气象台”和“圆滚滚胖达君”—“喵流青年”就是两条典型的单级传播型路径，而“圆滚滚胖达君”—“喵流青年”—“设计系奶子”—“颜字君”—“夏目家的小诗哥1”则构成了典型的链式传播型路径。

(二)关键传播节点的识别及其情感影响力分析

1.关键传播节点的识别和分类

本研究中的传播网络结构基于节点之间的转发关系构建而成，节点连入度(即被转发量)可作为衡量关键传播节点的重要指标。本文将连入度大于10的节点视作关键节点，通过对传播网络节点的连入度进行筛选，一共从817个节点中筛选出15个关键传播节点(如表2所示)。研究从节点的连入度、在社会网络中的位置及节点情感倾向三个方面进行关键传播节点特征分析，并根据节点在传播网络结构中的位置，将节点分为传播源点、传播扩散者。

表2 关键传播节点的汇总统计

从表2中关键传播节点博文的发布时间来分析，所有关键节点都集中出现在灾前和灾中两个阶段，其中灾前阶段的关键节点最多，占总数的80%；从关键节点在网络结构中所处的位置来分析，15个关键节点中的14个节点担任着传播扩散者的角色，例如“圆滚滚胖达君”“magami”等原发博主，并未直接引起大量转发；从关键节点情感倾向的角度分析，情感为消极和积极的关键节点有11个，中立的只有4个。由此可见，灾前阶段的网民情感传播更为活跃，大多关键传播节点分布在灾前阶段，而且这些关键节点往往并不是博文的原发者，而是那些具有明确情感倾向(积极或消极)的处于传播链中间的传播扩散者。通过上述分析可以发现，灾前阶段的网民情感传播更为活跃，且情感的变化更为复杂，而灾中阶段的网民情感传播及变化则更为平稳。

2.关键传播节点的情感影响力分析

为深入探究关键传播节点在情感传播过程中所产生的影响力，本研究统计出各关键节点的情感值及其后续节点的情感分布，以及关键节点父节点的情感值及其后续节点的情感分布，并通过对比关键节点及其父节点的后续情感分布的变化来判断关键节点对于网民情感传播的影响。

灾前阶段共有12个关键节点，其中有6个关键节点的情感倾向与其父节点的情感倾向相同，包括“快递员吴彦祖”“谷大白话”“沈三废”“夏目家的小诗哥1”“中央气象台”和“央视新闻1”。这6个关键节点的后续节点的主流情感倾向均与关键节点的情感倾向相同，如“快递员吴彦祖”的情感倾向是消极，其后续节点情感分布中消极情感倾向占比最高(47.1%)。在这6个关键节点中，除了“夏目家的小诗哥1”，其他5个关键节点的后续节点情感分布与其父节点的后续节点情感分布保持一致，如“央视新闻1”后续节点情感分布中消极情感占比最高(83.3%)，其父节点“圆滚滚胖达君”情感分布中也是消极情感占比最高(80%)。

灾前阶段中另外6个关键节点的情感倾向与其父节点的情感倾向不相同，包括“渡边鱼子酱”“林水妖”“喵流青年”“尉迟燕窝”“颜字君”和“知小更”。在这6个关键节点中，除了“颜字君”，其他5个关键节点的后续节点的主流情感倾向与关键节点一致。有4个关键节点的后续节点情感分布与其父节点的后续节点情感分布不同，并且情感分布的变化方向与关键节点情感倾向的变化方向一致。例如，“知小更”的父节点“尉迟燕窝”的情感倾向是消极，其后续节点情感分布以消极为主；而“知小更”的情感倾向变成了积极，其后续节点情感分布也变成了以积极为主。

灾中阶段的3个关键节点中有2个关键节点与其父节点的情感倾向保持一致，而这3个关键节点的后续节点情感分布与其父节点的后续节点情感分布都是一致的。

通过上述分析可以发现，网民情感传播网络中的关键节点对情感传播有显著的影响，它们情感倾向的改变将有极大的可能性会改变其后续节点的情感倾向和分布。

(三)传播路径上的情感变化分析

研究结合“圆滚滚胖达君”形成的具体传播网络，分别从单级传播型路径和链式传播型路径两个角度来探讨网民情感变化的规律。

1．单级传播型路径

原始博文由“圆滚滚胖达君”发出后，经“中央气象台”和“喵流青年”转发形成第一层扩散，构成了两条单级传播型路径。从博文内容(见表3)来看，“圆滚滚胖达君”的博文并不具体，表现出消极倾向。“中央气象台”转发了“圆滚滚胖达君”的博文并进行了补充，试图通过科学数据向网民传递详细的台风信息，纠正网民对台风的错误认知，表现出消极倾向。大多网民选择直接转发此类官方微博的原博文，形成的情感传播路径较短，但直接转发该微博的网民还是受到了“中央气象台”消极情感的影响，有65.7%的网民也表现出了消极情感。与此形成鲜明对比的是，“喵流青年”从给台风命名的角度发表了偏娱乐性质的博文，表现出积极倾向。因为微博平台具有社交娱乐属性，网民对这类博文更感兴趣，所以积极转发了这篇博文，经过多层转发营造了一个更加开放的情感传播环境。直接转发“喵流青年”博文的网民的积极情感占比也超过了一半，达到了55.6%。

表3 单级传播型路径中的博文内容

2．链式传播型路径

以“圆滚滚胖达君”—“喵流青年”—“设计系奶子”—“颜字君”—“夏目家的小诗哥1”这条链式传播型路径为例，在此传播链中，“圆滚滚胖达君”的情感倾向为消极，其转发者的消极情感倾向占比为80%；下一个节点“喵流青年”的情感倾向转变为积极，其转发者的积极情感倾向占比为55.6%；接下来的节点“设计系奶子”的情感倾向依然为积极，然而其转发用户的中立情感倾向占比却达到了75%；再下一个节点“颜字君”的情感倾向是中立，但是其转发者中积极情感倾向的占比为60%；最后一个节点“夏目家的小诗哥1”的情感倾向依然是中立，其转发者中持中立情感倾向的也占到了50%。

通过对上述传播路径中网民情感变化的分析，可以发现一些重要的情感传播特征。其一，随着传播链条的增长，网民的情感倾向不仅受到其上级传播节点的单层影响，还受到传播链条上多层节点的综合影响。例如，“颜字君”的后续节点的主流情感倾向并非中立，这是受前面多个节点情感倾向综合影响的结果，在“消极—积极—积极—中立”的情感传播链条中，两个积极的情感倾向的影响力不可忽视。其二，情感传播链条中非关键节点的情感影响力不明显。如本例中“设计系奶子”这个节点虽然在博文传播中非常重要，但其发出的博文只有“好可爱”这三个字，其转发量很低(连入度仅为4)，不属于本文定义的关键节点，其积极情感倾向并未对后续节点产生太大的影响；而 “圆滚滚胖达君”的消极情感和“喵流青年”的积极情感相互抵消，使得后续节点中中立情感占比最高(75%)。

四、讨论和建议

(一)灾前阶段的网民情感传播最为活跃，且网民情感倾向的变化更为复杂

从灾害三个阶段的博文转发量、传播网络规模和关键节点数来看，灾前阶段的网民情感传播最为活跃。关键节点及其前后节点网民情感倾向的变化，也在一定程度上反映出灾前阶段网民情感倾向变化的复杂性。灾前阶段作为可预测性灾害的特有阶段，期间的网民情感倾向会对全社会的灾前预防、灾中救援及灾后恢复工作产生重要的影响。然而，灾前阶段的网络信息充满了不确定性，网民受多方信息的影响，情感倾向也很容易被影响，呈现出较为复杂的变化态势。因此，在可预测性灾害的应对过程中，政府相关部门应该充分重视灾前阶段网络舆情环境的监控，并通过各类渠道及时发布与灾害相关的官方权威信息，积极、主动地引导网民客观地认识灾害并采取有效的应对措施。

(二)网民情感传播路径长，情感倾向会受到多个传播节点直接和间接的综合影响

网民情感传播网络的可达性测度结果表明网民情感传播的路径较长。在这样的传播路径中，网民的情感倾向不仅会受到上一层级节点的直接影响，也会受到传播路径上其他节点的间接影响。综合影响的结果来自于相同情感倾向的累积和不同情感倾向的抵消。可预测性灾害的网络舆情环境从灾前阶段即已形成，一直延续至灾中应对和灾后恢复阶段。任何负面的和不实的网络言论都可能具有消极的作用，并且极有可能沿着情感传播路径对更多网民的情感倾向产生消极影响。因此，在可预测性灾害的应对过程中，政府相关部门应充分利用大数据及人工智能等先进技术，快速地识别并及时处理负面和不实的网络言论，防止其对更多的网民情绪产生消极影响。

(三)网民情感传播路径上各节点的情感影响力大小不一，关键节点影响力更加显著

从传播路径上网民情感变化分析的结果来看，有些节点虽然在博文传播中具有重要的作用，但在情感传播中影响力有限。而对关键节点的情感影响力分析则表明，这些高连入度的节点对情感传播具有更加显著的影响。网民情感传播网络虽然依赖于信息传播网络，但两者之间存在差异。纯粹的信息转发或转发量过低的简单信息，对于情感传播的影响力非常有限。只有内容且蕴含情感较丰富的信息，才会激起网民的大量转发，并促成网民更加积极的情感表达。可见，那些具有较大影响力的关键节点才是网民情感传播网络中的“织网人”，是网络舆情环境中网民情感的重要引导者。因此，在可预测性灾害的应对过程中，政府相关部门应有针对性地选择情感干预对象，将有限的资源和精力投入到关键节点的情感干预上。