突发事件网络舆情传播动力学模型综述

苏妍嫄 张金纯 张亚明*

(1.燕山大学经济管理学院，河北 秦皇岛 066004；2.燕山大学互联网+与产业发展研究中心，河北 秦皇岛 066004)

智能化时代，互联网高开放度和强互动性使公众获得了较大知情权与话语权，也促使网络舆情成为现实社会的晴雨表。特别是21世纪以来，诸如5·12汶川地震、7·23甬温线特别重大铁路交通事故、新冠肺炎疫情、河南特大暴雨等突发事件频繁发生，使得处在恐慌、焦虑状态的网民往往借助社会网络平台表达情感态度，更有一些网民还把网络平台当作泄愤渠道，致使大量真假舆情信息瞬间涌现并几何裂变，形成群体极化现象，甚至引发次生舆情与线下群体性事件，对社会和谐稳定造成严重威胁[1-2]。党的十九届四中全会明确指出，要完善舆论监督制度，健全重大舆情和突发事件舆论引导机制。因此，深入研究突发事件网络舆情传播复杂问题，梳理当前主要研究成果并展望未来研究方向，对推动突发事件网络舆情传播理论研究，揭示网络舆情传播规律，有效应对突发事件下的“炎症风暴”，进而维护国家安全与社会稳定具有重要意义。

1 突发事件网络舆情传播研究总体脉络与综述思路

突发事件网络舆情传播系统规模巨大，结构复杂，且跨越时空界限动态演变。为从宏观层面剖析突发事件网络舆情传播全局研究进展，本文对国内外相关研究文献进行梳理，通过可视化分析直观解读当前研究热点，进而为从微观层面深入剖析突发事件网络舆情传播研究进展奠定基础。

1.1 突发事件网络舆情传播研究总体趋势分析

本节以“SU%(网络舆情+网络舆论)*(事件+危机)*传播”为检索式对CNKI数据库进行检索，来源类别设定为中文核心期刊要目总览、CSSCI、CSCD，截止年份设定为2021年，剔除书评、序等不相关文献，共得到1 471篇中文文献。同时，以“TS=(opinion AND (dissemination*OR diffusion*OR transmission*OR propagation*OR spreading*) AND (crisis*OR emergency*OR event*OR epidemic*OR disaster*OR disease*))”为检索式对Web of Science核心合集SCIE、SSCI数据库进行检索，截止年份设定为2021年，共得到1 504篇外文文献。

基于上述检索文献，绘制突发事件网络舆情传播研究趋势图，如图1所示。可以发现，随着信息技术飞速发展与智能化时代到来，舆论生态和政治生态发生深刻变革，突发事件网络舆情传播相关研究已引起学者广泛关注，国内外相关发文量呈现总体上升趋势。其中，2004—2007年国内外相关研究进展缓慢，处于初期探索酝酿阶段。2007—2018年相关研究逐渐深入拓展，国内外文献发文量也逐渐增多，总体呈逐年上升趋势。2018—2021年，随着新冠肺炎疫情突发事件在全球蔓延，国外文献研究呈现明显上升态势，进入快速增长阶段，而国内文献研究基本维持长期以来的较高发文量，总体保持相对稳定发展。

图1 突发事件网络舆情传播研究趋势

1.2 突发事件网络舆情传播研究热点图谱分析

纵观上述检索文献，学者普遍将突发事件网络舆情传播系统视为复杂舆论生态系统，并将个体抽象为节点，将个体之间的关系抽象为边，进而基于复杂网络理论构建多元动力学模型，以期探索突发事件网络舆情传播系统内部复杂相互作用过程。为进一步直观展示突发事件网络舆情传播研究热点，借助Cite Space软件进行可视化分析，如图2、图3所示，绘制突发事件网络舆情传播研究关键词共现图谱与关键词时区图谱。

观察图2、图3可以发现，国内外学者已围绕舆论生态系统信息主体因子、信息环境因子、舆情信息因子、信息流动因子等要素，对突发事件网络舆情传播问题开展了系列研究。第一，信息主体因子，主要指在社会网络平台等网络空间围绕突发事件表达观点意见的个体或群体。目前，一些学者已围绕突发事件网络舆情“传播特征”“传播特点”“传播模式”等主题开展了多项研究工作，以期探究舆情信息传播主体行为特征。第二，信息环境因子，主要指对突发事件网络舆情传播演化过程产生直接或间接作用的影响因素。如今，国内外学者已从“新媒体”“主流媒体”“自媒体”“政府”“意见领袖”“突发事件”“群体事件”等不同角度构建了指标体系，进而对突发事件网络舆情传播影响因素进行研究。第三，舆情信息因子，主要指突发事件下网络空间生成涌现的观点态度。图2、图3显示，已有学者对“舆情演化”“主题分析”“舆情分析”“形成机制”“信息交互”等开展了深入研究，并探索了突发事件网络舆情生成涌现和观点演化问题。第四，信息流动因子，主要指基于生态系统内在传播机制进行舆情信息传递的流动过程。一些学者通过围绕“舆情传播”“微博传播”“传播模型”“传播机制”等开展研究，剖析了突发事件网络舆情传播的内在机理与传播规律。

图2 突发事件网络舆情传播国内外文献关键词共现图谱

图3 突发事件网络舆情传播国内外文献关键词时区图谱

1.3 突发事件网络舆情传播研究综述思路

根据上述分析可知，立足复杂动力学建模与舆论生态系统理论，挖掘网络舆情传播规律，是研究突发事件网络空间舆论生态系统动力机制的关键。为此，如图4所示，绘制突发事件网络舆情传播系统结构图，围绕舆论生态系统各要素，分别从突发事件网络舆情传播主体行为特征、影响因素、观点生成涌现、传播扩散机制4个方面进行综述。首先针对信息主体因子，分析突发事件网络舆情传播主体行为特征及内在机理，揭示突发事件网络舆情传播行为统计规律；其次，针对信息环境因子，分析突发事件网络舆情传播演化内部、外部影响因素，解析复杂系统因果关系；第三，针对舆情信息因子，分析网络舆情生成涌现过程，剖析社会交互网络与个体认知偏差影响下的异质观点演化机理；最后，基于信息流动因子，探究传播动力学模型构建方法，从信息、环境、主体三维度揭示网络舆情传播规律。通过梳理相关研究成果，对未来研究方向进行展望，以期推动突发事件网络舆情传播理论发展。

2 突发事件网络舆情传播行为动力学分析

基于舆论生态系统信息主体因子视角，探索高度复杂的人类行为，分析用户行为模式和规律，是突发事件网络舆情传播研究的核心议题[3-4]。人类行为动力学基于客观数据探索行为统计特征规律，并据此构建动力学模型模拟预测人类行为，为分析突发事件网络舆情传播行为提供了新的研究范式。本节着重从人类行为动力学视角，梳理国内外相关文献，进行可视化分析，进而据此对突发事件社会网络用户行为特征进行探讨，并对内在机理进行分析，以期揭示出突发事件网络舆情传播行为统计规律。

2.1 突发事件网络舆情传播行为动力学研究图谱分析

本节以“FT=(人类动力学+人类行为动力学) AND FT=(事件+危机)”为检索式对CNKI数据库进行检索，来源类别设定为核心期刊、CSSCI、CSCD，截止年份设定为2021年，剔除期刊索引等与本文内容不相关文献，共得到184篇中文文献。同时，以“TS=(“human dynamic*” AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”为检索式对Web of Science核心合集SCIE、SSCI数据库进行检索，截止年份设定为2021年，共得到129篇外文文献。

由图5可知，突发事件网络舆情传播行为动力学研究发文量呈现总体上升趋势。其中，国外文献关于人类行为动力学方面的研究起步较早，但前期(2005—2007年)发展缓慢，处于酝酿阶段，2007—2009年研究进入增长阶段，发文量逐渐增多，随后平稳发展并呈总体上升趋势。相比之下，国内文献相关研究起步稍晚，但总体发展态势迅猛，尤其伴随腾讯QQ、微博、微信等社会网络平台的兴起与移动智能终端的普及，2008—2013年国内文献相关研究迅速增多且进入快速增长阶段，随后总体趋于稳定。值得注意的是，近年来随着新冠肺炎疫情全球肆虐，国内外文献有关突发事件网络舆情传播人类行为动力学的研究再次呈现逐年递增趋势。

图5 突发事件网络舆情传播行为动力学研究趋势

进一步地，为更清晰论述突发事件网络舆情传播行为动力学研究进展，运用Cite Space软件对国内外检索文献进行主题可视化分析。如图6、图7所示，展现了国内外检索文献关键词共现图谱与关键词时区图谱。从图中可以看出，10余年来国内外学者主要围绕两条主线开展突发事件网络舆情传播行为动力学研究。一方面，一些学者侧重对用户行为时间间隔幂律分布、重尾分布等统计特征进行研究；另一方面，一些学者侧重围绕度分布、关系强度等复杂网络拓扑结构，以及社会网络用户偏好对人类非泊松行为动力学机制进行探索。

图6 突发事件网络舆情传播行为动力学国内外文献关键词共现图谱

图7 突发事件网络舆情传播行为动力学国内外文献关键词时区图谱

2.2 网络用户传播行为幂律分布统计特征挖掘

分析连续行为时间间隔分布，抽取突发事件网络舆情发布、评论和转发行为特征，是探究社会网络用户传播行为的重要途径。2005年，Barabási A L统计分析发现了人类收发电子邮件和书信的时间间隔具有非泊松分布特征，开创了“人类动力学”研究新方向[5]。随后，学者关于移动通讯、网页浏览、在线点播等行为的时间间隔统计分析，也发现了类似的幂律分布规律[6]。例如，学者针对手机用户发送短信的统计结果表明，不论是个体层面[7]还是群体层面[8]，发送短信的时间间隔分布都服从幂律分布，并且连续两次对话之间的间隔时间和对话长度也服从幂律分布。赵庚升等对用户网页浏览行为的时间间隔进行统计分析，发现无论个体还是群体，浏览网页的时间间隔分布都服从幂律分布，且幂指数介于2～3之间[9]。Wu Y等通过对短信网络进行实证研究，提出了“头部幂律、尾部指数”的双模分布[10]。樊超等归纳总结出通信、商业交易、在线点播等活动的时间统计特性均服从幂律分布，幂指数在1～3之间[11]。

近年来，随着微博、论坛、在线社区等的兴起与发展，如图7关键词时区图谱所示，学者进一步聚焦各社会网络平台，通过实证分析网络舆情传播行为。Yan Q等分析了12万条微博信息发布、评论和转发数据，发现信息发布和评论之间的间隔服从幂律分布[12]。Song Y等通过实证分析得出，突发事件下人类在博客和微博上的时间间隔分别服从α=1.3和α=2.0的幂律分布[13]。刘飞等以“昆山反杀案”为例，分析了新浪微博表情符号使用情况，发现表情符号使用频率具有长尾特征[14]。Wang P等对突发事件等情境下用户论坛发帖行为进行分析，发现同一用户发帖时间间隔呈现多尺度特征，在分、小时和天时间尺度上服从不同指数的幂律分布[15]。Kan A等研究了用户在突发事件等情境下Boards.ie 9个论坛中的行为数据，指出用户发帖行为的时间间隔服从指数为1.7的幂律分布[16]。易明等从时间间隔、阵发性、记忆性、波动性、有序性等维度，分析了天涯社区个体和群体发帖、回帖行为时间间隔的幂律分布特征[17]。郭博等以知乎为例，探索了问答社区网络用户访问行为的幂律分布规律[18]。沈洪洲等对知乎问答社区优秀回答者的行为进行分析，发现其回答问题的时间间隔分布具有胖尾特征[19]。

2.3 突发事件下舆情传播非泊松行为动力学机制

上述用户传播行为的幂律分布特性为研究突发事件网络舆情传播问题开拓了全新视野，而如何有效解释这一现象则成为另一个紧密相关的重要问题。为此，学者分别从复杂社会关系网络拓扑结构、人类选择偏好双重视角对此问题进行了阐释。

2.3.1 基于复杂社会关系网络的传播行为动力学机制

一些学者以具体社会网络平台为例，分析了复杂社会关系网络拓扑结构对运行其上的舆情传播行为的影响。Jin M等研究发现，Twitter平台上舆情传播主要受“关注人—粉丝”网络拓扑结构的影响，舆情信息呈级联式扩散且以指数衰减[20]。Lerman K等对Digg、Twitter等平台网络舆情传播特点进行分析，发现舆情传播速度、最终扩散规模均与网络连通性密切相关[21]。Yan Q等研究发现，突发事件等情境下用户发布微博的行为与用户所处的网络结构相关，并据此提出了一种基于用户交互程度和社会网络关系结构的微博发布行为模型，很好地解释了不同用户发布微博数的规律变化现象[22]。

进一步地，由图6、图7可知，学者还深入研究了网络度分布、关系强度等具体拓扑属性对舆情传播的影响[23]。Isham V等研究发现，度相关性即一条边连接的两个节点度值之间的相关性，对传播速度和扩散规模具有较大影响[24]。Park P S等研究指出，网络节点间的弱关系具有桥效应，对舆情信息扩散具有重要影响[25]。Cheng J J等不仅证实了关系强度在网络舆情等信息传播过程中的关键作用，同时还发现，优先选择弱关系无法使网络舆情等信息传播得更快更广，但若移除这些弱关系，传播效率会受到显著影响[26]。此外，在具体测算方面，不少研究还关注在线社会网络舆情传播路径长度等问题，通过构建最短路径模型来对传播范围近似求解。

2.3.2 基于人类选择偏好的传播行为动力学机制

融合人类行为选择偏好，构建排队论等模型是探索突发事件网络舆情传播行为幂律分布特征内在机理的另一类主流方法。Barabási A L提出的基于优先选择机制的任务队列模型，为理解社会网络用户传播行为时间间隔胖尾分布提供了重要理论参考[5]。Zanette D H构建的存在等待时间的SIR模型[27]以及周涛等提出的Related-clock方法[28]，也分别从时间和行为异质性的角度研究了在线社会网络舆情传播机制。Vázquez A等对电子邮件用户数据集进行统计分析，讨论了两个排队模型，第一个模型假设个体任务数量没有限制，预测个体等待时间服从指数为α=3/2的重尾分布，第二个模型对队列长度施加限制，结果得到α=1[29]。吴联仁等基于用户行为时间异质性建立动力学模型，通过异质时间间隔序列对网络舆情传播过程进行仿真[30]。Xiao Y等指出，用户行为主要由社会环境、用户交互程度、用户参与程度和用户关注关系4个因素共同决定，并据此提出了一种用户个体关注焦点和用户交互行为的混合模型[31]。Yan Q等还通过研究突发事件等情境下的微博用户行为特征，发现用户发布微博时间间隔受到用户关注焦点自然衰减规律的影响，同时用户关注焦点变化也会受到交互行为的影响，频繁的交互行为会减缓用户关注焦点的衰减程度，为此提出了基于用户交互和用户关注焦点共同影响的微博发布模型[32]。

3 突发事件网络舆情传播演化影响因素分析

突发事件网络舆情传播系统是一个以因果关系为基础的复杂系统。为形象展示网络舆情传播演化机理，需基于舆论生态系统信息环境因子视角，对网络舆情传播演化影响因素进行有效细分，通过分析内部动态联系，解析复杂系统因果关系，进而探究突发事件网络舆情传播演化影响因素[33]。

3.1 突发事件网络舆情传播演化影响因素研究图谱分析

本节以“SU%(舆情+舆论+谣言+微博+微信)*(事件+危机)*影响因素”为检索式对CNKI数据库进行检索，来源类别设定为中文核心期刊要目总览、CSSCI、CSCD，截止年份设定为2021年，得到321篇与本主题相关中文文献。同时，以“TS=(((influencing factor*) OR (influence factor*) OR (influential factor*) OR (affecting factor*)) AND (rumor OR“public opinion*” OR weibo OR wechat OR twitter) AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”为检索式对Web of Science核心合集SCIE、SSCI数据库进行检索，截止年份设定为2021年，共得到446篇外文文献。

图8展现了2004—2021年国内外文献关于突发事件网络舆情传播演化影响因素研究的总体趋势。从图中可以发现，2004—2009年为该主题研究前期阶段，此时相关研究成果较少且主要见于国外文献。2009—2018年为该主题研究增长阶段，这一期间国内外社会网络平台井喷式增长，且诸如海地地震、3·11日本地震、7·23甬温线特别重大铁路交通事故、8·12天津滨海新区爆炸事故等国内外突发事件相继发生，公众借助网络平台表达观点态度的倾向逐渐增强，促使突发事件网络舆情传播演化影响因素研究热度逐渐上升。2019年至今，随着新冠肺炎重大疫情暴发与全球肆虐，网络空间充斥着海量舆情信息，相关网络舆情传播演化影响因素迅速引起广大学者关注，尤其国外文献呈现爆发增长态势。

进一步地，为更清晰展示国内外学者对突发事件网络舆情传播演化影响因素的研究进展，运用Cite Space软件绘制国内外检索文献关键词共现图谱与关键词时区图谱，如图9、图10所示。从图中可以看出，国内外学者已分别对突发事件网络舆情传播演化内部、外部双重影响因素进行了深入研究。一方面，学者从公众、政府、媒体、大学生、意见领袖等网络舆情传播演化主体维度对网络舆情传播演化内部影响因素进行了分析；另一方面，也有学者从突发事件、危机事件等维度探索了事件属性对网络舆情传播演化的外部驱动影响。

3.2 基于网络舆情传播主体的影响因素分析

网民、媒体、政府是突发事件网络舆情传播系统的三大主体。研究网络舆情传播演化影响因素可立足系统主体，分不同子系统开展动力学分析。余乐安等基于系统动力学，分网民、网络媒体、政府3个子系统深入分析了危化品水污染突发事件网络舆情传播演化规律[34]。Gao G等研究发现，网民大众与意见领袖群体极化、媒体受众数量、媒体报

图10 突发事件网络舆情传播演化影响因素国内外文献关键词时区图谱

道频率、政府关注度、危机预警机制等因素对网络舆情传播具有重要影响[35]。曹武军等将新冠肺炎疫情网络舆情系统划分为网民、网络媒体、政府3个子系统，进而构建了系统动力学模型并进行仿真分析[36]。Xie T等基于系统动力学分析了突发事件等情境下，反应时间、反应能力以及政府透明度对公众情绪的影响[37]。

3.3 突发事件驱动的影响因素分析

事件系统理论指出，事件强度、事件时间、事件空间等属性对人类行为具有重要影响[38]。与其他事件不同，突发事件下公众工作生活往往受到较大扰动，社会正常运转也受到较大冲击，因而往往被认为是网络舆情扩散的导火索，因此还需引入事件相关因素进行分析。狄国强等通过构建系统动力学模型，定量刻画了事件、网民、媒体、政府四因素对网络舆情传播演化的影响[39]。钟慧玲等基于系统动力学构建了“邻避”冲突突发事件网络舆情演化模型，分析了事件易爆度、政府公信力、信息透明度、环境风险感知对网络舆情热度和当地公众的影响[40]。李仕争等运用系统动力学方法，分析了网民、事件、移动社交网络和政府对舆情热度的综合影响[41]。阎海燕等分析了事件、网民、媒体、政府以及企业5个方面对网络舆情传播的影响，构建了企业危机事件网络舆情传播系统模型[42]。姜景等采用系统动力学方法探讨了突发事件微博演化过程，并以“7·23”甬温线特别重大铁路交通事故为实例，分析了舆情热度与其他变量之间的关系[43]。

4 网络舆情生成涌现观点动力学分析

网络舆情生成涌现过程是异质观点不断演化并趋于一致的过程。基于舆论生态系统舆情信息因子视角，以观点演化为切入点，构建动力学模型，是研究网络舆情生成涌现过程的重要思路。有关观点演化问题的研究可以追溯到1956年French提出的简单离散数学模型，随后学者分别从离散观点、连续观点两大思路入手，基于不同规则对此展开深入探索。其中离散观点典型代表有投票模型、Galam模型、Ising模型、Sznajd模型等；连续观点典型代表有Degroot模型、Deffuant-Weisbuch模型、Hegselmann-Krause有界信任模型等。近年来，学者又进一步从不同维度对上述模型进行改进和拓展。

4.1 突发事件网络舆情生成涌现观点动力学研究图谱分析

本节以“SU%(舆情+舆论+谣言+微博+微信+观点+主题+话题)*(事件+危机)*演化”为检索式对CNKI数据库进行检索，来源类别设定为核心期刊、CSSCI、CSCD，截止年份设定为2021年，剔除期刊索引等与本文内容不相关文献，共得到543篇中文文献。同时，以“TS=((“opinion dynamic*” OR “opinion evolution*”) AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”为检索式对Web of Science核心合集SCIE、SSCI数据库进行检索，截止年份设定为2021年，共得到152篇外文文献。

图11为突发事件网络舆情生成涌现观点动力学研究趋势图。从图中可以发现，2005—2009年为研究前期阶段，国内外期刊发文量普遍较少，相关研究处于初步探索阶段，进展比较缓慢。2009—2015年随着国内社会网络用户逐渐增多，突发事件下公众通常借助网络平台发声并产生观点碰撞，使得网络舆情生成涌现观点演化问题逐渐成为国内学术界关注热点，发文量逐年增多，国内文献研究进入快速增长阶段，并于2015—2019年进入总体平稳发展阶段，几乎每年保持50～60篇的发文量水平。2009—2019年国外文献虽较前期阶段有所增加，但发文量相较于国内仍然较少。2019年以来，受新冠肺炎疫情严重性、不确定性等驱动影响，国内外公众聚焦网络平台发表观点并展开讨论，国内外文献有关观点动力学的研究再次呈现上升发展趋势。

图11 突发事件网络舆情生成涌现观点动力学研究趋势

为更清晰体现学者对突发事件网络舆情观点演化模型的改进和拓展研究态势，如图12、图13所示，运用Cite Space软件分别绘制关键词共现图谱与关键词时区图谱，进行可视化分析。从图中可以看出，近年来国内外学者通过构建观点动力学模型围绕网络舆情主题演化、话题演化、演化机理、演化规律等进行了深入研究。例如，一些学者从复杂社会网络关系结构入手，分析交互结构对网络舆情观点演化的影响。此外，还有一些学者基于用户情感倾向、个体认知、主体博弈等视角对传统观点演化模型进行改进和拓展。

4.2 基于复杂社会网络的观点动力学分析

随着社交媒体飞速发展，公众社会关系网络日益复杂，从图12、图13可以看出，一些学者结合现实场景考虑社会交互关系复杂性对舆情观点演化模型进行改进。Shang L等基于Sznajd模型研究了耦合效应对相互依赖链系统观点演化的影响[44]。Li L等基于Ising模型对符号网络中二元观点演化问题进行分析[45]。迟钰雪等结合改进的有界信任机制构建超网络线上线下舆情演化模型，提出了包括模型初始化模块、信息传播与交互影响模块、双空间同步模块的仿真系统框架[46]。Zhou Q等对DeGroot模型进行改进，研究了个体与朋友的朋友二步交流互动下的观点演化问题[47]。Wang C Q围绕两个对立社团的政治宣传问题，在Deffuant-Weisbuch模型基础上提出了一个具有双边宣传和单边信息封锁的对立群体舆情观点演化动力学模型[48]。Li H J等分析多层网络观点信念演化过程，考虑观点信念在各层传播速度的差异提出了多尺度建模框架，进而研究层间度关联性对观点信念演化的影响[49]。马宁等分析了超网络中各子网间异质Agent交互规则，建立了基于超网络的多主体观点演化模型[50]。

图12 突发事件网络舆情生成涌现观点动力学国内外文献关键词共现图谱

图13 突发事件网络舆情生成涌现观点动力学国内外文献关键词时区图谱

4.3 基于社会行为认知的观点动力学分析

由于公众成长阅历、所处情境等不同，个性化时代公众认知行为差异性等日益凸显，从图12、图13可以发现，一些学者考虑个体异质性对传统模型进行了拓展。Si X M等提出一个基于贝叶斯更新规则的CODA观点演化动力学模型，分析情感态度对公众观点演变的影响[51]。黄传超等基于Deffuant模型与CODA行为选择机制，分析认知偏差与无界信任对个体观点决策的影响，构建舆情反转模型，并基于Agent方法模拟分析了不同情境下个体认知与态度的特征以及应对措施[52]。Wei J等考虑超级影响者及争议信息对在线社会网络舆情观点演变的影响，对Deffuant-Weisbuch模型进行改进[53]。Lu A等对H-K有界信任模型进行改进，分析了个体异质性对群体意见演化过程的影响[54]。Jiao Y等针对有目的的交互行动，指出公众观点交互不以位置或社会关系为基础被动地交流，而是受到自身内在动机的驱动影响，进而在CODA模型基础上构建了主动观点动力学模型[55]。Chen X等考虑网络舆情观点演化过程中场独立与场依赖两种认知风格组合作用影响，对H-K模型改进，分别用邻居观点和个体经验代表场依赖认知和场独立认知，提出了基于认知风格的网络舆情演化模型[56]。Li K等建立了基于认知失调的观点动力学模型，研究观点认知失调影响下观点更新与关系网络更新机制[57]。朱侯等提出基于QSIM-ABS的观点演化模型，剖析了信息和民众情绪对观点演化的作用机理[58]。刘泉等结合网络节点多层影响力与节点自信程度构建观点演化模型[59]。曹丽娜等从话题热度和内容变化两方面提出观点演化模型，通过挖掘动态话题链分析了观点演化下网络群体集聚过程[60]。

5 突发事件网络舆情传播动力学建模

基于舆论生态系统信息流动因子视角，构建传播动力学模型是当前剖析突发事件网络舆情传播内在机制的主要研究方法。国内外学者尝试从多个视角进行建模，以期揭示网络舆情传播过程的内在机理。

5.1 突发事件网络舆情传播动力学研究图谱分析

本节以“SU%(舆情+舆论+谣言+微博+微信+信息)*(事件+危机)*(传播模型+传播机理+传播机制+扩散模型+扩散机制+扩散机理+转发模型+转发机制+转发机理)”为检索式对CNKI数据库进行检索，来源类别设定为中文核心期刊要目总览、CSSCI、CSCD，截止年份设定为2021年，剔除期刊索引等与本文内容不相关文献，共得到383篇中文文献，以“TS=((rumor OR information OR opinion OR weibo OR wechat OR twitter) AND (“spreading model” OR “diffusion model” OR “transmission model” OR “propagation model” OR “dissemination model”) AND (crisis*OR emergency*OR event*OR epidemic*OR disease*OR disaster*))”为检索式对Web of Science核心合集SCIE、SSCI数据库进行检索，截止年份设定为2021年，共得到583篇外文文献。

通过归纳整理所检索的文献，绘制突发事件网络舆情传播动力学国内外总体研究趋势图，如图14所示。从图中可以发现，2004—2008年为国内外学者前期探索阶段，发文量普遍偏少。2008—2017年国内外文献研究均进入增长阶段，发文量呈现上升趋势。值得注意的是，以2017年为界限，国内外文献相关研究成果发文量差距逐渐增大，其中，国内文献研究进入稳定发展阶段，而国外文献研究仍然呈现逐年上升趋势。

图14 突发事件网络舆情传播动力学国内外总体研究趋势

进一步地，为具体分析国内外学者在突发事件网络舆情传播动力学建模方面取得的研究进展，运用Cite Space绘制国内外检索文献关键词共现图谱与关键词时区图谱，进行可视化分析。如图15、图16所示。研究前期阶段，国内外学者旨在厘清舆情信息一般传播规则与扩散过程，这一阶段考虑到疾病传播与信息传播相似性，传染病动力学模型成为网络舆情传播研究理论基础。随后，伴随复杂网络理论发展以及社交网络平台日益兴起，考虑复杂网络拓扑结构以及社交网络用户兴趣爱好、情感倾向等社会属性特征的突发事件网络舆情传播研究逐渐引起国内外学者的广泛关注。

图15 突发事件网络舆情传播动力学国内外文献关键词共现图谱

图16 突发事件网络舆情传播动力学国内外文献关键词时区图谱

5.2 基于传染病动力学的舆情传播模型

突发事件网络舆情传播与传染病感染具有一定相似性[61]，通过改进传染病动力学模型来进行研究，成为探索突发事件网络舆情传播规律的重要途径。Daley D J等于20世纪60年代提出了经典的D-K模型，对谣言等舆情传播与流行病传播的相似性进行了全面比较，将均匀混合的人群分为易感者、感染者、免疫者3类，进而运用随机过程的方法进行求解。这里，易感者表示没有听过谣言等网络舆情的人，感染者表示积极传播谣言等网络舆情的人，免疫者表示知道但不再传播谣言等网络舆情的人[62]。Maki D P等在此基础上结合现实场景对传播规则进行完善，指出当传播者相遇后，前一个传播者会变为免疫者，进而建立了M-T模型[63]。这两个模型为学者后续研究网络舆情传播规律提供了理论指导。Sudbury A还进一步验证了舆情传播动力学模型与SIR传染病动力学模型的相似性[64]。

5.3 基于复杂网络的舆情传播动力学模型

伴随着互联网技术和网络平台的飞速发展与更新迭代，传统传染病模型很难精准刻画突发事件网络舆情的传播过程，部分学者将经典传播模型和近年来兴起的复杂网络模型相结合，引入网络拓扑结构来改进传播动力学模型。

5.3.1 小世界网络舆情传播动力学模型

统计分析表明，在线社会网络具有高聚类、小世界等特性，为此可基于小世界网络对传播动力学模型进行改进。Zanette D H率先基于小世界网络构建了传播动力学模型，并求解出传播阈值，揭示了谣言等网络舆情在小世界网络中的传播规律[27]。Santos F C等引入同构小世界网络，探讨了两种机制对传播爆发阈值的依赖关系，以及在自然选择条件下合作者和叛变者的共同演化机制[65]。孙庆川等对小世界网络中的传播规律进行研究，发现当舆情吸引力接近阈值时，添加随机边将增大传播范围，传播耗时对网络规模大小敏感，而当舆情吸引力足够大时，网络结构变动对舆情传播范围影响不大，耗时也趋于稳定[66]。

5.3.2 无标度网络舆情传播动力学模型

由于在线社会网络用户节点度数一般服从幂律分布，基于无标度网络构建舆情传播动力学模型是另一个改进思路。Moreno Y等对谣言等网络舆情在复杂异质网络中的传播规律进行研究，建立了动力学平均场方程[67]。Nekovee M等建立了在线社会网络谣言等舆情传播的动态平均场方程，研究结果表明，无标度网络更容易传播谣言等网络舆情[68]。任立肖等分析了无标度网络机制下网络舆情的传播演化规律[69]。刘亚州等考虑到社会网络平台不同邻居节点影响力的差异，构建了聚类系数可变的无标度网络舆情传播动力学模型[70]。Zhang M等基于BA无标度网络对SEIR模型进行改进，并以新冠肺炎疫情网络舆情为例进行验证，表明网络结构对舆情传播具有重要影响[71]。

5.3.3 加权网络舆情传播动力学模型

值得注意的是，上述小世界网络与无标度网络均假设网络为无权网络，但在现实生活中有些网络中的用户关系强度具有差异，为此一些学者还进一步研究了加权网络上的舆情传播问题。Rattana P等研究了无向加权网络上的SIS和SIR模型，分析了权值分布对流阈值的影响[72]。阚佳倩等考虑加权网络中网络结构非局域性效应、连边权重、社会增强效应对舆情传播的影响，研究发现，个体越倾向接受亲密朋友的信息，舆情越不容易大范围传播，相反，个体越倾向接受非亲密朋友的信息，则舆情越容易大范围传播[73]。王金龙等构建了基于用户相对权重的在线社会网络舆情传播模型，仿真结果表明，在非均匀网络中，该模型更能体现真实网络特点，同时验证了节点地位对舆情传播的影响[74]。

5.4 考虑人类行为社会属性的网络舆情传播动力学模型

网络舆情传播是一种典型的社会传播，与疾病的无意识传播不同，网络舆情传播还受到记忆、兴趣、情感等因素影响[75]，因此还需要进一步将人类行为社会属性引入到模型中，对突发事件网络舆情传播过程进行深入探索。

5.4.1 记忆驱动的网络舆情传播动力学模型

考虑到人类对事物的遗忘性特征，一些学者从遗忘记忆视角展开研究。Gu J等研究发现，遗忘记忆复合机制对网络舆情传播具有显著影响[76]。Zhao L等构建了考虑遗忘率的网络舆情传播动力学模型，发现遗忘记忆机制将延迟谣言等网络舆情结束时间，降低谣言等网络舆情最大影响[77]，初始遗忘率越大或遗忘速度越快，最终范围越小，且时变遗忘率比常数遗忘率更易扩大网络舆情传播范围[78]。Wang J等构建了SIRaRu谣言等网络舆情传播动力学模型，数值模拟也表明遗忘率对谣言等网络舆情传播具有较大影响[79]。

进一步地，学者还将遗忘记忆机制与其他因素相融合，分析对网络舆情传播过程产生的组合影响。Afassinou K提出，考虑遗忘机制和人口受教育程度的SEIR谣言传播模型，发现群体中受过教育的个体越多，谣言影响范围越小[80]。Lv L等提出了综合考虑记忆效应、社会强化效应和非冗余接触的传播动力学模型[81]。王超等引入遗忘机制和遏制机制，构建了在线社会网络舆情传播模型，分析了两种机制对舆情传播的组合影响[82]。Huo L等引入智者新用户状态，建立了考虑遗忘因素和社会强化效用的网络舆情传播动力学模型[83]。

5.4.2 兴趣驱动的网络舆情传播动力学模型

美国学者Lippmann在《Public Opinion》一书中指出，舆情是由公众兴趣发展而来的，舆情内容能否引起用户兴趣是影响其传播行为的重要因素。刘咏梅等引入兴趣衰减系数，发现首次转发概率、兴趣衰减系数以及小世界网络等因素较大影响了网络舆情传播过程[84]。王瑞等引入用户兴趣空间和用户影响空间，根据用户对传播内容的喜爱程度和其他用户的影响程度预测用户接受传播内容的概率[85]。夏志杰等提出了一种改进的SEIR模型，分析了内容吸引力对谣言等网络舆情传播的影响[86]。王长春等引入谣言等网络舆情属性变量，探讨了内容属性、网络结构特征、敌我双方干预强度对谣言等网络舆情传播效果的影响[87]。

5.4.3 情感驱动的网络舆情传播动力学模型

与传统媒体不同，社会网络平台中的舆情传播还伴随公众情感交流，使得网络舆情传播更快更广。尤其突发事件发生后，网民交流讨论还极易加剧群体情感极化，甚至引发线上线下群体性事件。因而，情感分析已成为网络舆情传播研究的重要方面[88]。Anthony S提出一种考虑焦虑因素的网络舆情传播模型，发现高度焦虑的小组比低度焦虑的小组传播网络舆情的频率更高[89]。洪巍等分析了食品安全事件中，传播者情感倾向对网络舆情传播的影响[90]。安璐等以寨卡突发事件为例，通过对舆情情感进行细粒度划分，计算情感强度，分析情感类型、情感强度对突发事件网络舆情传播演化过程的影响[91]。王家坤等引入用户感知价值、用户网络地位与社会强化效应等影响网络舆情传播的因素，建立了网络舆情传播模型[92]。Fu P等构建了考虑个体情感态度的网络舆情传播模型，发现恐慌、悲伤等情感对网络舆情形成及扩散速度具有重要影响[93]。

6 总结与展望

智能化时代，突发事件舆情信息借助社会网络平台几何裂变传播扩散，极易给整个社会带来巨大影响。综合上述分析，现有研究立足舆论生态系统理论，围绕信息主体因子、信息环境因子、舆情信息因子、信息流动因子等方面，基于复杂网络建立了多元网络舆情传播复杂动力学模型，为研究突发事件网络舆情传播问题奠定了坚实的理论基础。综合图1总体研究趋势图与图5、图8、图11、图14这4部分研究趋势图可以发现，突发事件网络舆情传播问题正呈现快速发展之势。此外，从图3总体关键词时区图谱与图7、图10、图13、图16各部分关键词时区图谱中还可以发现，近年来随着新冠肺炎疫情全球肆虐，学者对该突发事件给予了较多关注，但仍有如下问题亟待进一步探索。

1)基于用户画像的突发事件网络舆情传播特征挖掘。如图3、图7所示，“大数据(Big Data)”“云计算(Cloud Computing)”等成为当前研究热词，学者正尝试基于网络空间海量数据挖掘网民传播行为特征。此外，用户画像作为一种标签化的用户模型，可通过提取用户属性、偏好、行为习惯等信息高度概括用户行为特征，为研究提供了新思路。然而，当前基于微博、论坛等多种社会网络平台探讨舆情传播用户画像的研究却很少，难以体现突发事件下网络空间用户活动的全貌。因此，基于网络空间海量舆情数据分析用户传播行为特征，进而绘制较为全面的突发事件网络舆情传播用户画像是亟待解决的重要科学问题。

2)突发事件网络舆情传播演化多元影响因素组态构型研究。突发事件网络舆情传播演化过程受到多元复杂因素耦合扰动作用影响。现有研究已对网络舆情的内部、外部影响因素进行了分析，但多聚焦于同一类别，而对各因素间相互作用及其组态对突发事件网络舆情传播演化过程的影响研究不足。如图10所示，近年来定性比较分析法(QCA)因可有效揭示不同变量因果关系以及不同组合对结果的影响而逐渐引起学者关注。因此，基于突发事件网络舆情实证案例，利用QCA方法对各影响因素进行构型分析，研究不同因素组合对突发事件网络舆情传播演化过程的影响是亟待解决的重要科学问题。

3)线上线下交互下情感驱动的突发事件网络舆情生成涌现机制研究。智能化时代，线上线下耦合交互改变了舆情传播结构。尤其突发事件网络舆情传播极易引发现实社会群体非理性行为并在线上线下相互作用下形成耦合效应，且伴随事态发展，网络舆情主题与情感态度也随之动态演变，共同推动突发事件网络舆情涌现扩散。目前，该问题的研究尚显不足，且忽略了情感倾向性动态演变特性对主题演化的影响，因而远不能满足对突发事件网络舆情生成涌现过程复杂性理解的需要，无法精准刻画情感驱动的个体—群体线上线下动态交互作用下的网络舆情生成涌现过程。因此，探究线上线下交互下情感驱动的突发事件网络舆情生成涌现机制是亟待解决的重要科学问题。

4)网络—信息—行为跨时空耦合的突发事件网络舆情复杂传播机制研究。与普通舆情不同，突发事件网络舆情传播过程呈现群体极化、多主题、跨网络时空动态演变等特征。然而，以往研究主要聚焦分析单一网络单舆情独立传播规律，无法体现突发事件网络舆情传播群体集聚、观点争议等特点，难以深入刻画多信息跨网络传播演变的内在机制。如图16显示，近年来有关舆论生态系统全景分析的“全景生态”研究逐渐引起学者关注，但尚处于探索阶段。因此，如何从网络—信息—行为跨时空耦合视角，对社会关系网络、舆情内容、交互行为等全景信息有效综合，分析内部动力机制，进而构建突发事件网络舆情传播动力学模型是亟待解决的重要科学问题。

5)人机共生视域下国际舆论场突发事件网络舆情传播与应对研究。智能化时代，以社交机器人为代表的计算宣传日渐成为西方操控国际舆论、污名化中国的新手段，中国面临更加错综复杂的国际舆论生态环境。尤其突发事件下，社交机器人已突破传统媒介工具属性渗透到各社交平台中，成为可通过算法自动发布大量虚假信息并与人类互动的行为主体，致使网络舆情传播结构发生系统性变化。此外，由图3可以发现，“共生模式”正逐渐成为当前研究热点。因此，如何有效识别网络空间社交机器人虚假账号，挖掘社交机器人计算宣传行为模式，进而剖析人机交互的国际舆论场突发事件网络舆情复杂传播机制，探索人机共生情境下国际舆论有效应对路径是亟待解决的重要科学问题。