突发公共事件中的用户负面情感关键影响因素识别

胡媛　唐慧娟　马丽微等

关键词： 突发公共事件； 负面情感； 关键影响因素； 扎根理论； ＤＥＭＡＴＥＬ 方法

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２４．０７．００９

〔中图分类号〕Ｇ２０６ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２４） ０７－００９６－１３

近年来， 新冠肺炎疫情、重庆山火等突发公共事件频发， 对公众的正常生产、生活造成较大影响，并以极强的延展力和渗透力引发广泛关注， 在网络上掀起了较大的舆论风波。突发事件的背后反映了具体的社会民生问题和公众诉求， 是“风险强度”空前加剧与“风险环境” 空前扩张的现代风险社会的一种表征。智媒时代， 微博、微信、抖音等社交媒体平台具有极强的包容性和自由度， 为突发公共事件的舆论发酵提供新的空间， 使得公众可以脱离原本所属的社会关系发表言论、表达多种情绪与态度， 且更容易受到网络舆论的情绪影响。突发事件相关信息的传播往往伴随着强烈的情绪传播， 如果在信息传播中存在负面情感， 那么负面情感可能会不断累积。虽然适当的负面情感可以帮助公众缓解紧张和焦虑， 但如果疏导和排解不及时， 极易引发违规和过激行为， 影响社会稳定。引发负面情感的能量越剧烈， 越会释放更大的能量场， 当负面情感能量积累到一定程度时就会触发社会群体行为［１］ 。倘若无法及时、有效地引导突发公共事件中用户的负面情感， 极易导致极端的社会群体行为。可见负面情感是突发公共事件危机产生的“扩音器” 和“催化剂”， 极易演化成危及社会安稳的“导火索”， 其演化的关键影响因素和引导调节策略亟需探究和制定。因此， 为迅速、准确地应对用户负面情感， 营造积极的网络环境， 本文基于突发公共事件中负面情感引导的重要性， 结合情感相关理论， 以突发公共事件为情境， 以用户负面情感为研究对象， 挖掘用户内在与外在环境中的负面情感关键影响因素，以期为突发事件中的用户治理提供指导。

１ 研究基础

１.１ 文献综述与研究问题

近年来， 越来越多的学者关注突发公共事件中用户的负面情感， 经综合梳理发现， 国内外学者对突发公共事件用户负面情感的研究主要集中在用户情感分类［２－５］ 、特征识别［６－７］ 、传播［１０－１２］ 、演化［１３－１６］以及影响因素等方面。在情感分类研究中， 不同学者从不同学科、视角并运用不同方法构建情感分类标准。从内容分类来看， Ｐｏｒｉａ Ｓ 等［２］ 建构的多类别情感分析框架识别了中性、愤怒、悲伤、喜悦这４ 种主要的情感类型； 范涛等［３］ 提出网民负面情感包括愤怒、厌恶、恐惧和悲伤４ 种负面情感。从粗细粒度来看， 陈可嘉等［４］ 从粗粒度上将情感分为积极、中立、消极３ 种； 崔彦琛等［５］ 基于突发事件领域情感词典从细粒度上将情感分为７ 大类和２１小类。在情感特征识别中， “计算机媒体沟通模型（ＣＭＣ）”［６］ “去个性化社会认同模型（ＳＩＤＥ）”［７］ 以及复杂网络等被广泛运用于用户类型研究。不同用户类型所展现出来的负面情感倾向性表达概率各有差异， 在微博、论坛等社交媒体上， 活跃用户［８］ 、匿名用户［９］ 更倾向于表达负面情感。在负面情感传播方面， 研究者会关注负面情感的动态传播， 研究负面情感传播特征与机理识别［１０］ 、传播模型构建［１１］ 和情绪表达［１２］ ， 研究发现， 负面情绪和网络平台更易放大突发公共事件的负面影响。在负面情感演化方面， 学者们从政府［１３］ 、媒介［１４］ 、时空［１５］ 、情景［１６］ 等单个或多个角度展开研究， 总体上负面情绪呈逐渐降低趋势， 但也会不间断反弹， 降低负面情绪才能减轻对社会的影响。在用户负面情感影响因素的研究中， 学者们对不同群体进行实证分析，对突发公共事件中不同人群、宏微观层面、政府措施、社会现状等相关因素进行探索［１７－１８］ ， 以期从根源减少负面情感。

现有研究虽为本文研究奠定了坚实的基础， 更多关注情感分类识别和传播， 尤其注重从技术角度构建模型； 影响因素研究大多基于单案例或从单一角度分析， 较少从整体视角挖掘突发事件中用户负面情感的关键影响因素识别， 缺乏普适性和完整性［１８］ 。因此， 基于目前充足的情感分类研究， 进一步探究情感细粒度分析、情感转化和情感影响因素有助于理论发展和实践参考。负面情感的细粒度分析能够对用户情感进行更细致的区分， 更准确地认识和把控用户情感； 情感转化是情感治理的核心思路， 探究各细分类别的用户情感之间如何转化，能够推进用户情感治理， 维护社会情绪稳定； 影响因素是追本溯源， 探究负面情感的关键影响因素和致因机理， 以此入手从根源引导和治理负面情感。

综上， 本文把用户负面情感作为一个整体对象加以研究， 以便从全局和整体视角构建全面的用户负面情感影响因素理论框架， 进而探索其中的关键影响因素， 解析相互作用关系和组合路径， 为我国突发公共事件应急管理与用户情感引导提供治理依据。据此， 本文主要解决两个问题： ①以突发事件中的用户负面情感为研究对象， 构建用户负面情感影响因素的理论框架； ②挖掘关键影响因素， 揭示相互关系与作用机理， 并在此基础上提出对策建议。

１.２ 研究理论与方法

１.２.１ 理论基础

情绪认知理论是心理学领域的理论， 集成者是Ｌａｚａｒｕｓ Ｒ Ｓ［１９］ ， 他率先提出认知评价在情绪产生机制中的重要性， 认为情绪是通过认知评价决定和完成的对意义的反应。该理论主张情绪产生于人对环境刺激产生的认知和评价， 并提出用户情绪产生和演化的３ 个方面的影响因素， 即环境事件发展、自身生理状况以及评价的认知过程［１９］ 。整合危机图式（Ｉｎｔｅｇｒａｔｅｄ Ｃｒｉｓｉｓ Ｍａｐｐｉｎｇ， 简称ＩＣＭ）是一种基于情绪视角的危机传播理论， 关注公众的危机情绪是如何通过认知过程形成， 认为用户在危机中会根据应对和组织参与的程度产生不同的负面情绪。Ｊｉｎ Ｙ 等［２０］ 据此凝练出危机传播中最主要的４ 类负面情绪： 愤怒、焦虑、悲伤和恐惧。刘念等［２１］ 修订中国语言环境中的ＩＣＭ 理论模型， 认为愤怒、厌恶、悲伤与恐惧才是危机事件中的主要负面情绪。这些负面情感会影响公众对危机沟通策略的偏好，以及对组织所采取策略的接受程度。

文章研究过程中使用的扎根理论是仅靠研究者进行理论凝练的， 结论易产生主观偏差。因此， 本文以某些经典理论为辅助指导， 结合情感分类综述，将愤怒、焦虑、厌恶、悲伤和恐惧作为主要负面情绪， 即以经典理论和前文综述为扎根理论编码的理论支持。

１.２.２ 方法基础

扎根理论是一种“自下而上” 的质性研究方法， 基于广泛的数据来源， 深入分析研究对象、探索研究核心［２２］ 。它可在已有理论与文献的指导下，借助个人知识及经验对初始数据和相关概念进行连续分析比较， 构建概念间的联系， 从而创建理论模型。该过程涵盖了开放性编码、主轴编码及选择性编码等步骤［２３］ 。本研究将扎根理论与情绪认知理论结合进行编码分析， 不仅可以减小经验不足带来的误差， 也能提升各维度因素分析的准确性。

决策试行与评价实验方法（Ｄｅｃｉｓｉｏｎ－ｍａｋｉｎｇ Ｔｒｉ?ａｌ ａｎｄ Ｅｖａｌｕａｔｉｏｎ Ｌａｂｏｒａｔｏｒｙ， 简称ＤＥＭＡＴＥＬ）是Ｇａ?ｂｕｓ Ａ 和Ｆｏｎｔｅｌａ Ｅ 提出的， 该方法可以有效建立各要素之间的逻辑关系和相关关系［２４］ ， 计算识别出系统内各因素的主次。ＤＥＭＡＴＥＬ 方法已被广泛运用于复杂系统影响因素研究中［２５］ 。为解决ＤＥＭＡ?ＴＥＬ 法中专家评判模糊问题， 本文运用模糊集理论中的三角模糊数对专家主观评分结果进行量化。模糊集理论在描述不确定性因素方面具有一定的优势，利用模糊数来量化如“很高” “良好” 等模糊性语言， 再转化为精确数值， 避免专家主观判断和评分产生的差异性［２６］ 。

因此， 本文使用扎根理论挖掘全面的影响因素，构建了较为全面的影响因素理论框架， 并采用融合模糊集理论的ＤＥＭＡＴＥＬ 方法， 识别出影响因素理论框架中的关键影响因素及其逻辑关系。

２突发公共事件中用户负面情感影响因素理论框架构建

本文以知微事见平台发布的事件影响力指数排行榜为据， 根据突发公共事件的定义［２７］ ， 依次选择事故灾难、社会安全、自然灾害与公共卫生事件中影响力最高的事件， 同时基于事件影响力指数（ＥＩＩ）进行筛选， 最终选择东航客机坠毁事件、唐山打人事件、四川芦山地震事件、土坑酸菜事件为事件样本。根据此４ 类事件在微博、知乎平台设置事件关键词搜索热门话题， 进行网络爬取， 最终收集到１８ ４２３条数据， 经初步处理后得到９ ４２８条有效评论， 预留５００ 条评论用于理论饱和度检验。

２.１ 开放式编码

开放式编码是对原始文本数据资料打散、编码、标签、概念化和范畴化的过程。对网络爬取出的有效评论进行逐句编码分析， 形成初始概念， 剔除重复频次＜３ 的初始概念（除个别较为有代表性的概念）， 最终共筛选出１９１ 个初始概念， 归纳为３５ 个初始范畴， 如表１ 所示。

２.２ 主轴编码

主轴编码在开放式编码的基础上， 基于量化评论后的数据， 归纳和合并各个独立范畴， 剔除由单一、较少概念组成的范畴， 挖掘范畴之间的潜在联系， 凝练出主范畴， 最终形成１１ 个主范畴， 并归纳到环境、生理、认知３ 个维度中， 如表２ 所示。

２.３ 选择性编码

选择性编码就是在主轴式编码的基础上， 对概念与概念、概念与范畴、范畴与范畴之间的关系进一步地分析， 挖掘出核心范畴， 呈现出主范畴与其他范畴之间的关系行为和关系结构。本研究对主范畴连续比较分析， 揭示范畴典型关系结构， 如表３所示。此外， 随机预留的５００条原始数据用于饱和度检验， 编码结果表明， 未产生新的范畴和典型关系， 因此判定理论框架已达到饱和状态。

２.４ 影响因素理论框架

除扎根理论编码所得的影响因素之外， 结合文献回顾进行影响因素的补充对于理论建构是有必要的。在突发公共事件中， 个人的健康状况对情绪的产生显得格外重要， 可将用户的健康状况归为生理维度的主范畴。在认知维度上， Ｌｕ Ｄ 等［２８］ 发现，群体认同对用户的消极情绪有显著的正向影响。另外， 朱代琼等［２９］ 、Ｓｕｎ Ｘ Ｘ 等［３０］ 认为， 风险感知是影响用户情绪的重要因素。综上所述， 本研究构建了突发公共事件中的用户负面情感影响因素理论框架模型， 如图１ 所示， 并凝练出１４ 个突发公共事件中用户负面情感的影响因素。

根据情绪认知理论， 认知评价要素在情绪的产生中处于核心位置， 对情绪起到直接影响作用。用户负面情感受到环境维度、生理维度以及认知维度的影响。其中， 环境维度是指事件与社会环境中的刺激要素， 涵盖事件本身、安全危机、社会体制、社会文化、政府公信力与网络情境６ 个主范畴。在事件本身中， 事件的起因、产生的结果以及发生地点等都会引起用户的关注。安全危机是指突发公共事件对健康、生命以及对社会环境产生的安全风险， 会激发用户的负面情绪。政府公信力是政府获得公众信任度的办事能力， 是引起用户负面情绪的重要因素。另外， 社会体制与社会文化这种对社会群体施加广泛影响的各种社会管理规范和生活现象对用户的情绪产生与变化带来了重要影响。生理维度主要是生理唤醒的刺激要素， 是情绪产生的必要因素之一， 涵盖性别、健康状况与感官刺激３ 个主范畴。性别因素产生的负面情绪尤为明显， 女性群体的感性、情绪化特征使其更容易产生负面情绪［３１］ 。在感官刺激中， 用户视觉上受到刺激产生负面情绪的比例大于听觉刺激所产生的。健康状况表示身心出现不适都会使用户容易出现抑郁、焦虑甚至绝望等负面情绪。认知维度主要指对过去经验的回忆和对当前情境的评估， 包括利益诉求、境遇经历、主体共情、风险感知以及群体认同。用户的利益需求无法得到保障会为其负面情绪产生变化提供动力源， 事件发生时会唤起用户类似的境遇经历， 产生负面情绪。在主体共情范畴上， 用户常常将自己代入到事件中， 易产生愤怒、悲伤等负面情绪。另外， 风险感知表示用户对风险特征以及严重性的主观判断， 对用户认知产生作用后， 将显著唤起负面情绪。群体认同表示用户群体共同的目标与行为标准， 用户认知评价会受到其他人对这一事件评价的影响， 充斥的大量负面情绪极易引起共鸣， 激发用户的负面情绪。

３ 突发公共事件中用户负面情感关键影响因素分析

３.１ 描述性统计

根据德尔菲专家调查法， 成立专家小组， 选择的专家数量应大于５ 人， 有学者提出７ 人左右的群体规模产生的决策是最有效的［３２］ ， 因此本研究邀请７ 位相关领域的专家对各因素之间的影响强弱进行打分。本文遴选的调查对象包括： 网络用户行为领域专家３ 名、网络舆情领域专家１ 名、应急信息管理领域专家３ 名， 具体如表４ 所示。

３.２ 模糊－ＤＥＭＡＴＥＬ分析

现有关于突发公共事件中用户负面情感影响因素之间的关联性分析不够细致， 用户的负面情感模型有待改进。ＤＥＭＡＴＥＬ 方法善于探索因素关联和各强度的影响， 有助于系统分析数据、因素相关性和逻辑关联。具体步骤如下：

第一， 通过量化专家的语言评估， 将影响力大小等级分为５ 个级别， 使用没有影响、影响较低、影响低、影响高、影响很高来进行评价， 评价尺度分别用０～４ 表示。

第二， 建立直接影响矩阵。通过问卷调查就突发公共事件中用户负面情感对遴选专家进行调研，并针对调研结果进行统计和分析， 将结果的语义变量转化为对应的评分。将专家问卷评价结果转化为ｎ×ｎ 矩阵， Ｙ ＝｛１，２，…，ｋ｝表示评分专家人数， 为降低专家主观判断对结果造成的影响， 需要对Ｙ个专家的评估结果取众数［３３］ ， 由此可得到原始直接影响矩阵Ｚ_ｉｊ， 如表５ 所示。

第三， 矩阵的模糊化、去模糊化和规范化。基于原始直接影响矩阵， 根据模糊尺度［３４－３５］ 予以转化，再通过重心法［３６］ 去模糊化， 最后对其进行标准化处理， 得到规范化清晰直接影响矩阵， 如式（１） 所示：

影响度表示该因素影响其他因素的程度， 被影响度表示该因素受到其他因素的影响程度， 值越大则影响程度越大。中心度和原因度分别表示该因素对用户负面情感影响程度和该因素对其他因素的影响情况。该值大于０ 意味着对其他要素影响更多，即原因因素； 该值小于０ 意味着被其他要素影响更多， 即结果因素。图２ 中， 原因度方面， 区域１ 和２ 代表高原因度， 区域３ 和４ 代表低原因度； 中心度方面， 区域１ 和４ 代表高中心度， 区域２ 和３ 代表低中心度。

因此， Ａ２ 安全危机、Ａ５ 政府公信力、Ｃ５ 群体认同３ 个因素分布在区域１， 表示他们在系统中的重要性高， 且对其他因素产生了重要影响。区域２ 中的Ａ６ 网络情境、Ｂ２ 感官刺激、Ｂ３ 健康状况对系统内其他因素产生了影响， 但他们的中心度低于平均值， 在系统中的重要性低。区域３ 仅有２ 个因素， 即Ｂ１ 性别与Ｃ３ 境遇经历， 其中性别因素在整个系统中的重要程度最低。区域４ 包括Ａ１ 事件本身、Ａ３ 社会体制、Ａ４ 社会文化、Ｃ１ 主体共情、Ｃ２ 利益诉求、Ｃ４ 风险感知６ 个因素， 在系统中的重要性大且易受其他因素的影响。

３.３ 关键影响因素识别与计算

３.３.１ 原因类因素分析

原因类因素往往对整体具有主动影响。因此，本文着重探究原因类影响因素， 发现６ 个原因类影响因素中， 有３ 个属于关键影响因素（Ａ２、Ａ５、Ｃ５）。

由图２ 可知， 第二象限中的Ａ６ 网络情境、Ｂ２感官刺激、Ｂ３ 健康状况对系统内其他因素产生了影响， 但他们的中心度低于平均值， 在系统中的重要性低。“Ｂ２ 感官刺激” 的原因度最高， 但在反映重要程度的中心度指标上排名靠后， 对突发公共事件负面情感产生的影响不大， 因此不能作为关键因素。“Ｂ３ 健康状况” 中心度为倒数第二， 影响度和被影响度均靠后， 表明该因素对其他因素影响较低又不易受到其他因素影响， 与其他因素的密切程度不高， 所以不能作为关键因素。“Ａ６ 网络情境”的影响度排名靠前， 对系统内其他因素产生了影响，但其中心度低于平均值， 重要性低， 因此也不能作为关键因素。

图２ 中， Ａ２ 安全危机、Ａ５ 政府公信力、Ｃ５ 群体认同３ 个因素分布在第一象限， 表示他们的原因度和中心度均较高， 在系统中的重要性高， 且对其他因素产生了重要影响。原因度排名第三的因素是“Ｃ５ 群体认同”， 其中心度排名很高， 这意味着在突发公共事件用户负面情感的产生过程中， 相对于其他因素来说， “Ｃ５ 群体认同” 对负面情感起到很重要的作用。另外， 表７ 的数据显示， “Ｃ５ 群体认同” 的影响度排名第一， 这表明该因素对其他因素有十分显著的影响， 对其进行控制有利于减少负面情绪的产生。因此， 要对用户负面情绪进行引导与控制， 应当重视群体认同作用， 可将其视为关键影响因素。“Ａ２ 安全危机” 的原因度排名很高，但在中心度指标上排名处于中间位置， 同时“Ａ２ 安全危机” 的影响度排名很高， 被影响度排名靠后，表明该因素对其他因素有很高的影响力， 但受到其他因素的影响很小， 其对突发公共事件中用户负面情感产生起着很重要的辅助作用， 所以可作为一个关键影响因素。“Ａ５ 政府公信力” 的中心度和影响度排名并非很高， 处于中间位置， 但从影响度和被影响度得分来看， 该因素对其他因素有较高影响，同时政府公信力在用户负面情绪的产生过程中发挥重要作用， 因而将其视为关键影响因素。

３.３.２ 结果类因素分析

通常认为， 结果类因素由于易受其他因素干扰而不作为关键影响因素。但是为了明确不同因素的特征， 仍有需要对该类因素进行分析。所以， 深入分析后发现８ 个结果类因素中有６ 个被认为是关键影响因素。

第四象限包括Ａ１ 事件本身、Ａ３ 社会体制、Ａ４ 社会文化、Ｃ１ 主体共情、Ｃ２ 利益诉求、Ｃ４ 风险感知６ 个因素， 在系统中的重要性大且易受其他因素的影响。在结果类因素中“Ｃ１ 主体共情” “Ｃ２利益诉求” 在系统中的中心度排名分别为３、４， 表明两者对用户负面情感的产生较为重要。但是根据表７ 中的原因度和影响度排名可知， “Ｃ１ 主体共情” “Ｃ２ 利益诉求” 虽然较容易受到其他因素的影响， 但是也对其他因素有一定的影响。因此， 考虑到“Ｃ１ 主体共情” “Ｃ２ 利益诉求” 在突发公共事件中对用户负面情感所起到的重要作用， 本文将其确定为关键影响因素。由“Ｃ４ 风险感知” 的中心度和影响度排名可知， 该因素容易受到其他因素的影响， 但是也存在一定的影响力， 而且感知风险是影响用户负面情绪的重要因素， 有必要重点关注， 因此可认定为关键影响因素。“Ａ１ 事件本身”“Ａ４ 社会文化” “Ａ３ 社会体制” 这３ 个影响因素中心度和影响度排名适中， 若要从环境维度加以考虑，以事件本身、社会文化和社会体制为切入点进行考虑， 也较为合适， 而且需要保持关注， 因而也可将这３ 个因素视为关键影响因素。

第三象限仅有２ 个因素， 其中“Ｂ１ 性别” 因素中心度、原因度、影响度和被影响度是最低的分数， 表明其不但影响其他因素的能力较弱， 也容易受到其他因素的影响， 该因素在突发公共事件中对用户负面情感产生有较低的影响， 不宜作为关键影响因素。“Ｃ３ 境遇经历” 在整个系统中的影响度和被影响度分别排名第１２ 位和第９ 位， 表明影响其他因素的能力很弱且容易通过调整其他因素来改善，以调整用户负面情感， 不会对整个系统产生关键影响。因此， 亦不被识别为关键影响因素。

４ 结论与建议

影响突发公共事件中用户负面情感的因素具有因素多元化、关系复杂化的特点。在用户负面情感的影响中， 有９ 个关键因素被识别并确认。这些关键因素包括３ 个原因类影响因素和６ 个结果类影响因素： 原因类影响因素包括Ａ２ 安全危机、Ａ５ 政府公信力、Ｃ５ 群体认同； 结果类影响因素包括Ａ１事件本身、Ａ３ 社会体制、Ａ４ 社会文化、Ｃ１ 主体共情、Ｃ２ 利益诉求、Ｃ４ 风险感知。

具体而言， 突发公共事件中用户负面情感的来源是Ａ２ 安全危机， 用户所有的负面情感往往来源于社会环境对个体生命健康和财产安全的影响。而对于安全危机和负面情感的发生， Ａ５ 政府公信力的能力是影响舆情处理和用户情感调节的效率和质量的重要因素。此外， Ｃ５ 群体认同则进一步引导和推进负面情感在用户之间的传播。同时， Ａ１事件本身、Ａ３社会体制、Ａ４ 社会文化、Ｃ１主体共情、Ｃ２利益诉求和Ｃ４风险感知作为结果类影响因素， 需要保持关注。事件本身要素代表事件自身造成的影响， 事件发生时间、影响程度、是否与其他事件叠加发生都可能对用户减轻负面情感产生重要影响。社会体制表示社会管理机构、规范的统一体， 当出现违背固有体制管理的情况时易滋生不满情绪。社会文化代表各类群众影响的社会现象、文化生活， 网络媒体中是否产生网络抗争文化或事件是否违背了社会的期望都是用户产生负面情感的关键因素。用户自身的情绪共鸣能力（主体共情）、对个人安全和权利的诉求（利益诉求）、对事件风险的主观判断（风险感知）， 在突发公共事件中用户负面情感的产生与爆发中发挥了重要作用。

综上， 本文研究得出的９ 个关键影响因素有助于调节用户负面情感。基于对突发公共事件中用户负面情感影响因素的探索和分析， 本文为用户负面情感的多元主体协同治理提出如下建议：

１） 改善用户能力， 加强预期防控

负面情感引导关键在于改善用户情绪， 包括用户改善和预期防控两方面。一是用户改善， 即正面情感能量的日常宣传和用户信息素养的提升。日常宣传是形成政府引导媒体、媒体带动用户的正向情绪感染力， 激发用户自组织情感动员。如事前的日常正面宣传， 通过传统媒体和新媒体进行事实传播、谣言治理和舆论引导， 传播具有正能量的新闻和信息， 引导用户部分负面情感逐渐向积极情感转化；事中及时召开新闻发布会解答疑问、动员、安抚等，引导用户负面情绪的同时挖掘感人画面、宣扬真善美的正面态度， 积极的“共同体” 情感能够唤醒用户的归属感； 事后及时公布事件全程发展。通过日常的正面宣传和积极情感的传播， 让用户能够产生乐观的情绪、树立正确的价值观（如爱国、诚信、友善等）。坚持正面宣传为主， 不等于不需要舆论监督。习总书记强调： 舆论监督和正面宣传是统一的， 而不是对立的［３８］ 。在宣传中既要直面突发公共事件， 也要深入分析、传递积极心态、引导心理预期， 进而推进治理工作的进展［３９］ 。通过提升民众的识别信息真假、分析信息危害、推断事件发展的能力， 使得民众能够避免对网络信息不正确地认识， 采取合理的信息行为和个人行动。同时， 构建积极的社会氛围、提升民众的乐观心态和信息素养，能够有效抵抗公共事件负面影响， 减少负面情绪传播和恶化， 为政府治理突发公共事件提供助力和良好环境。二是预期防控， 即针对可能出现的负面情感风险和问题， 采取积极的措施， 降低风险。利用情感细粒度模型和情感转化逻辑对公共事件进行情绪和观点分析， 以便及时了解用户态度倾向， 预测行动趋势。其一是建立不同类型公共事件的情感细粒度模型， 更准确地预测用户可能会出现的不同情感。情感细粒度模型可从分级分类角度进行细粒度预测。分级即将用户负面情感根据情感的轻重程度分为３ 个层次， 一级、二级、三级， 级别越高， 负面情感程度越深； 分类即将用户负面情感进行类别划分， 如愤怒、怀疑、恐惧、焦虑、沮丧、痛苦等。通过层次和种类的区分， 基于不同负面情感群体的人数和分布， 对治理的不同方案和轻重缓急进行判断和选定。其二是关注“情感转化” 的逻辑。无论是哪一阶段， 治理的目的和逻辑都是情感转化，将整体情感向正面转化， 即基于情感细粒度模型和算法发现不同层次不同类别的群体。将其从层次上进行情感转化， 从三级转到二级， 从二级转到一级， 将用户负面情感的浓烈程度慢慢降低； 将其从种类上进行情感转化， 从怀疑转化为信任， 从担忧转化为放心， 或逐步改变， 从愤怒的极端情感转化为冷静的怀疑， 然后再转为信任。

２） 提升政府能力， 加强指导和部门协调

政府能力与突发公共事件中用户负面情感的解决息息相关。提升政府能力有助于用户负面情感的有效解决和政府公信力的提升。第一， 提升政府能力， 加强组织能力、预防能力、应急能力和保障能力。组织能力即坚持党政的统一领导和指挥， 制定应急制度和措施， 避免多头指挥； 预防能力即建立健全突发事件预测机制、预警系统和情感细粒度模型， 实时追踪预测情感变化； 应急能力是提升突发公共事件的解决能力， 如疫情需要医疗能力， 食品安全需要检验和监管能力； 保障能力是在公共事件期间的物资保障， 保证居民的生活和生命不受影响，保障事件治理有充足的资源支持。通过政府四方面的提升， 加强用户的信心， 提升政府公信力和治理能力。第二， 全流程分阶段细粒度关注用户情感变化与需求， 阶段化实施策略精准引导情感转化。不同情感状态可以反映不同公众情感需求， 政府应根据不同的情感状态来剖析其背后的情感需求。突发公共事件爆发初期， 用户的情感状态大多为不安、焦虑、恐惧等， 其背后是对和谐感、安全感等良性情感的需求， 需要关注公众行为背后所隐藏的差异化情感状态， 进行个性化的情感回应和情感资源供给。通过与社交平台协作获取初期数据进行细粒度情感分析， 预测各种不同情感群体的数量、分布和诉求， 把握舆情发展态势， 提高风险感知能力。与官媒、主流媒体、意见领袖、相关领域权威人士／部门（如疫情对应医疗领域、食品安全对应质监局或市监局）保持同步， 基于初期数据的预测， 主动对不同负面情感群体进行有差别的回应（如质疑类群体进行解释说明， 恐惧类群体进行安抚开导等），对各类正面情感用户进行肯定和激发（如点赞转发正面热点事件， 拍摄采访正面典型人物或案例）， 推动负面情感群体性正向转化。当突发公共事件进入爆发期， 用户的愤怒、沮丧等负面情绪会占据主导地位。此时， 政府的研判能力和沟通能力极为重要，应保持数据同步更新， 实时追踪不同情感群体的发展趋势， 准确评估突发公共事件发展方向和网民负面情绪集中点。对依然没有情感转变的各类负面群体和经过情感转化变成负面情感的群体进行重点关注， 对这些群体进行情感的细粒度划分， 针对不同情感和诉求进行着重解决（如对不信任群体公布社会各界努力的证据和成效）； 对突发事件中的正面事件进行报道和宣传， 传播正能量。随着突发公共事件发展成熟， 为防止舆情二次爆发， 政府和媒体、各单位、各社区对内部人员进行引导宣传， 降低用户的各种猜忌和过度恐慌， 增强公众对政府的信任和支持。突发公共事件发展的后期， 政府仍需要对事件进行监控， 了解网民关注下降程度、负面情绪消退程度等， 防止负面情绪反弹或复燃， 同时相关领域权威人士／ 部门进行治理成果和结果陈述， 官媒、主流媒体等进行报道和证明， 稳定用户对事件依然存在的疑问心理和负面情绪， 有效化解安全危机。总体而言， 政府应做好掌舵， 把控好情感转化方向， 防止正面情感的负向转化， 促进负面情感的正向转化。

３） 营造社会文化， 完善双向情感沟通机制

突发公共事件中的用户情感治理并非单向的治理， 而是双向的沟通和有效地反馈。因此， 应完善双向沟通机制， 整理用户意见， 及时反馈引导， 通过互动来解决源头的负面情感， 传递积极的思想情感， 营造良好的社会文化和氛围。比如， 政府通过线上多媒体（传统与新兴媒体）沟通、线下意见收集（公共调查、网格化渠道）， 给予公众情感关心，弥合信息不对称所带来的认知差异； 通过线上线下的积极联动， 建立客观的事件评价矩阵和精准地放、管、服防控机制， 与公众建立良好的信任关系， 获取公众对事件的真实反映和利益诉求， 如新闻发布会、社交媒体互动等； 根据对用户数据的整理和分析， 针对不同情感粒度和诉求的群体进行回复和方案制定（如对悲观类群体提供行动和成效， 增强信心， 对焦虑类群体进行疏导和注意力转移）， 促进不同负面群体能够向正面转变； 通过主流媒体和意见领袖等及时、广泛地传达政府的精神意见和处理措施， 解决用户的需求， 疏解用户的负面情绪， 引导舆论的正向发展， 推进社会氛围的良性情感转变。此外， 政府的应急措施需要及时迅速， 避免安全危机受到群体认同的加速推动， 一旦负面群体认同的传播效应产生， 用户的风险感应和负面情绪将迅速发展， 形成负面社会情绪和不良的氛围。应急措施需要软硬兼施， “软” 措施是积极采取宣传科普等柔性手段树立正确的价值观和教育广大用户，传播积极、乐观、信任的价值观， 营造不信谣、不传谣、不造谣的社会文化， 提高公众对突发公共事件的认知和理解， 保持理智， 规范自身言行举止。“硬” 措施是加大对网络谣言的整治力度， 对虚假、恶意评论及恐慌情绪制造者进行严格管控， 避免恐慌、担忧和焦虑等情绪的蔓延。对于用户的负面情绪需区别对待， 比如恐惧情感、愤怒情感及悲伤情感等会产生不同后果， 切忌盲目采取删帖的单一管理方式， 关注用户不同利益诉求， 采取不同应对措施， 因地制宜化解负面情绪危机， 帮助用户负面情感向积极情感方向转化。

本文针对公共突发事件中的用户负面情感关键影响因素进行了整体性探讨和分析， 尚未考虑不同粒度负面情感， 以及情感间转化的关键因素， 后续会继续对其展开进一步的研究与探索。