喬玉為，鐘智錦，許小可，曹仁猛

(1.中山大學(xué) 傳播與設(shè)計(jì)學(xué)院，廣東 廣州 510275;2.大連民族大學(xué) 信息與通信工程學(xué)院，遼寧 大連 116000；3.大連理工大學(xué) 人文與社會(huì)科學(xué)學(xué)部科學(xué)學(xué)與科技管理研究所, 遼寧 大連 116024)

一、引言

突發(fā)事件是指突然發(fā)生的、造成或者可能造成嚴(yán)重社會(huì)危害，需要采取應(yīng)急處理措施予以應(yīng)對(duì)的自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生事件和社會(huì)安全事件(1)該定義引自《中華人民共和國(guó)突發(fā)事件應(yīng)對(duì)法》。該法于2007年8月30日第十屆全國(guó)人民代表大會(huì)常務(wù)委員會(huì)第二十九次會(huì)議通過(guò)，自2007年11月1日起施行。。近些年，由于社交媒體在輿論場(chǎng)中的深度嵌入，一些個(gè)體的、局部的事件被迅速傳播，逐漸蔓延為全國(guó)性的輿論熱潮。這種事件的內(nèi)核往往折射出一定的公共性。正是這種公共性使得它們?cè)谏缃幻襟w的助力下，突破單個(gè)事件、局域事件的邊界，進(jìn)入到公共輿論空間。而事件中蘊(yùn)含的公共性也使得它們能夠引發(fā)網(wǎng)民情緒的共鳴，在集體情緒的推波助瀾下，輿論的發(fā)酵變得十分迅速。本研究旨在探索情緒在輿論的形成和擴(kuò)張過(guò)程中究竟扮演了怎樣的角色，情緒的傳染呈現(xiàn)出怎樣的模式。這些問(wèn)題的解答，需要以典型的案例作為切入口，本研究選擇2018年的“昆山反殺案”作為研究對(duì)象。

2018年8月27日，劉某醉酒駕駛寶馬轎車強(qiáng)行闖入非機(jī)動(dòng)車道，與正常騎自行車的于某險(xiǎn)些碰擦，雙方遂發(fā)生爭(zhēng)執(zhí)。劉某持刀砍向于某，隨后被于某奪刀并追砍，劉某經(jīng)搶救無(wú)效死亡。該事件視頻在微博曝光后，引起了網(wǎng)民的廣泛關(guān)注與討論，情緒渲染使得網(wǎng)絡(luò)輿論不斷發(fā)酵。網(wǎng)民的討論聚焦于是否屬于正當(dāng)防衛(wèi)、法律是否公平，“昆山案”的性質(zhì)和影響也變得更加復(fù)雜。公眾對(duì)正當(dāng)防衛(wèi)議題的討論，尤其圍繞法律公平性問(wèn)題的表達(dá)，可能出現(xiàn)情緒化特征，而這種情緒化表達(dá)往往能夠左右網(wǎng)絡(luò)輿情，甚至最終影響事件本身的走向[1-2]。從案件發(fā)生(8月27日)至昆山市公安局發(fā)布結(jié)案通報(bào)(9月1日)，在短時(shí)間內(nèi)，“昆山案”發(fā)生與審理過(guò)程經(jīng)歷了一個(gè)相對(duì)完整的生命周期，微博平臺(tái)集合了網(wǎng)民對(duì)該案件表達(dá)的多種情緒。那么，在該案件中，社交媒體用戶的情緒是如何分布的？情緒傳染的模式是什么？促使情緒傳染的因素有哪些？本研究以 “昆山案”微博數(shù)據(jù)為基礎(chǔ)，運(yùn)用情緒挖掘與社會(huì)化網(wǎng)絡(luò)分析方法，判定文本的基本情緒，并對(duì)情緒類型進(jìn)行判斷和識(shí)別，以期回答以上問(wèn)題。

二、文獻(xiàn)綜述

(一)突發(fā)事件的輿論研究

國(guó)內(nèi)社會(huì)科學(xué)關(guān)于突發(fā)事件的研究主要集中于行政管理、新聞傳播與信息學(xué)等領(lǐng)域。行政管理領(lǐng)域的研究聚焦于突發(fā)事件的預(yù)警、危害，應(yīng)急處理存在的問(wèn)題以及應(yīng)急處理的條件、機(jī)制等，突發(fā)事件應(yīng)急處理的過(guò)程往往涉及政府部門(mén)管理、制度的規(guī)范性、信息與資源的配置等方面[3-6]。

在新聞傳播領(lǐng)域，研究?jī)?nèi)容集中在媒體對(duì)突發(fā)事件輿論引導(dǎo)方面的分析。學(xué)者們認(rèn)為，在以傳統(tǒng)媒體為主導(dǎo)的傳播格局中，由于傳受關(guān)系的固化格局，突發(fā)事件輿論在很大程度上是大眾傳媒議程設(shè)置的產(chǎn)物，可控性程度較高[7-8]。

隨著互聯(lián)網(wǎng)的發(fā)展，社交媒體為普通大眾發(fā)聲搭建了平臺(tái)，參與突發(fā)事件討論的主體變得多元，突發(fā)事件輿論的擴(kuò)散規(guī)模、可控程度、分布形態(tài)趨于復(fù)雜多變[9]。劉路認(rèn)為微博能夠?qū)⒖陀^的突發(fā)事件轉(zhuǎn)化為微博事件，喚起輿論，并使社會(huì)焦點(diǎn)議題涌現(xiàn)[10]。余秀才通過(guò)觀察突發(fā)事件的輿論傳播態(tài)勢(shì)發(fā)現(xiàn)，微博輿論初期，網(wǎng)民的觀點(diǎn)與評(píng)論具有非理性成分，但這種非理性成分并非貫徹始終——當(dāng)事件真相逐漸浮出水面，網(wǎng)民會(huì)有針對(duì)性地對(duì)自己的評(píng)論進(jìn)行適度修正，甚至發(fā)生輿論反轉(zhuǎn)[11]。

(二)網(wǎng)絡(luò)輿論中的情感分析與情緒分析

突發(fā)事件輿論中的情感和情緒是國(guó)內(nèi)外學(xué)者研究的熱點(diǎn)。情緒和情感是指能夠反映人對(duì)客觀事物態(tài)度的主觀體驗(yàn)和相應(yīng)的行為反應(yīng)[12]。心理學(xué)者認(rèn)為，情感是經(jīng)過(guò)長(zhǎng)時(shí)間積累的、具有深沉體驗(yàn)的感情狀態(tài)，表現(xiàn)為對(duì)特定事物穩(wěn)定、持久的心理傾向。情緒是人在特定情境中的一種短暫而強(qiáng)烈的情感反應(yīng)，通常表現(xiàn)為“高興、驚訝、厭煩、悲傷、恐懼、憤怒”等瞬時(shí)反應(yīng)[13-14]。個(gè)體在網(wǎng)絡(luò)輿論場(chǎng)中的表達(dá)，既有觀點(diǎn)，又常常流露出或強(qiáng)或弱的情緒，情感分析(sentiment analysis )與情緒分析(emotion analysis)成為研究輿論的一個(gè)重要視角。在以往的研究中，這兩種概念比較容易混淆。情感分析又稱情緒傾向性分析或者意見(jiàn)挖掘，主要對(duì)情緒進(jìn)行積極、消極或中立的粗粒度分類[15-17]。但在實(shí)際應(yīng)用中，微博的細(xì)粒度情緒往往更能展示用戶對(duì)于事物的態(tài)度。細(xì)粒度情緒分析實(shí)際上是對(duì)粗粒度情緒的進(jìn)一步分類，把“積極”“消極”兩類再劃分為“歡樂(lè)”“高興”“哀傷”“厭惡”等更貼近人們真實(shí)情緒的類別[18-19]。學(xué)者們利用復(fù)雜網(wǎng)絡(luò)分析、機(jī)器學(xué)習(xí)等方法分析了網(wǎng)絡(luò)中的情緒的分布、傳染，發(fā)現(xiàn)情緒在傳播過(guò)程中具有生命曲線特征，隨著事件的發(fā)酵，主流情緒會(huì)有很大差異[20-22]。本研究對(duì)“昆山案”微博用戶即時(shí)評(píng)論中的情緒進(jìn)行分析，即利用情感分析對(duì)其進(jìn)行正向與負(fù)向情緒劃分。國(guó)外也有大量研究聚焦于社交媒體中的情緒分布。多孝仁(Hyojin Do)等研究了韓國(guó)Twitter用戶對(duì)MERS爆發(fā)的情緒反應(yīng)，發(fā)現(xiàn)恐懼和憤怒占主導(dǎo)地位，憤怒情緒的數(shù)量隨時(shí)間的推移而增加，恐懼和悲傷反應(yīng)的數(shù)量減少[23]。文卡塔(Venkata)等對(duì)災(zāi)難性颶風(fēng)桑迪(Sandy)期間Twitter上發(fā)布的推文進(jìn)行了情感分析，發(fā)現(xiàn)用戶的情緒變化不僅取決于他們的位置，還取決于距離災(zāi)難的距離。同時(shí)，隨著情緒分歧(divergence of sentiments)的增加，轉(zhuǎn)發(fā)推文的幾率降低[24]。近期，國(guó)外學(xué)者對(duì)社交媒體上關(guān)于新冠疫情的情緒關(guān)注較多。帕特里夏(Patricia)等分析了Twitter、YouTube與官方新聞網(wǎng)站等平臺(tái)文本，發(fā)現(xiàn)西班牙的隔離措施顯著影響了人口的情緒，憤怒情緒反應(yīng)最為明顯，但隔離措施并沒(méi)有影響人群的喜悅或厭惡情緒反應(yīng)[25]?？肆_卡莫(Crocamo)等研究了Twitter用戶關(guān)于COVID-19的討論，發(fā)現(xiàn)隨著時(shí)間的推移，負(fù)面情緒不斷上升，在關(guān)鍵事件之后有所放大[26]。

(三)網(wǎng)絡(luò)輿論中的情緒傳染

在網(wǎng)絡(luò)媒體平臺(tái)，網(wǎng)民在特定的話題和情境下進(jìn)行互動(dòng)，而情緒則是網(wǎng)絡(luò)話題事件的根本動(dòng)因。這是因?yàn)槭录旧砟軌蚣ぐl(fā)網(wǎng)民的情緒，調(diào)動(dòng)他們的力量，從而刺激網(wǎng)絡(luò)互動(dòng)[27]，也強(qiáng)化了對(duì)被討論現(xiàn)象的認(rèn)知與態(tài)度。

互聯(lián)網(wǎng)平臺(tái)的交互性和開(kāi)放性，使得情緒在社交網(wǎng)絡(luò)互動(dòng)中的大規(guī)模傳染成為可能。人們?cè)谏缃痪W(wǎng)絡(luò)上接觸到帶有情緒傾向的內(nèi)容時(shí)，會(huì)對(duì)情緒產(chǎn)生如共鳴、強(qiáng)化或者分歧等反饋?，F(xiàn)有的研究表明，F(xiàn)acebook、Twitter兩大國(guó)外主流社交平臺(tái)上都存在情緒傳染的現(xiàn)象，例如克萊默(Kramer)收集了Facebook用戶的動(dòng)態(tài)來(lái)研究大規(guī)模的情緒感染現(xiàn)象，發(fā)現(xiàn)在用戶發(fā)布帶有情緒傾向的新動(dòng)態(tài)后，他們的朋友更有可能發(fā)布帶有相同情緒的詞語(yǔ)和內(nèi)容，而且這種影響效果在三天之后也仍舊是顯著的[28]。

快樂(lè)、悲傷、抑郁等情緒的傳染現(xiàn)象也受到學(xué)者們的關(guān)注，不同情緒的喚起與傳染特征也有所不同。以“快樂(lè)”情緒為例，當(dāng)內(nèi)外刺激滿足個(gè)體需要時(shí)，個(gè)體就會(huì)產(chǎn)生積極的情緒[29]。這種情緒的傳染效果也有性別化的差異，即同性之間更容易察覺(jué)出對(duì)方的快樂(lè)，而在情緒發(fā)生傳染時(shí)，女性的快樂(lè)程度比男性要低。此外，處于社交網(wǎng)絡(luò)中心的人快樂(lè)程度要比處于社交網(wǎng)絡(luò)中心邊緣的人群要高[30]。社交的選擇性使得人們?cè)诨ヂ?lián)網(wǎng)上產(chǎn)生了相近或者相反的情緒體驗(yàn)與表達(dá)，例如樂(lè)觀、積極向上的用戶在社交媒體上更傾向于發(fā)表正能量或者激勵(lì)自己的積極言論[31]。張少群在驗(yàn)證Twitter平臺(tái)上的情緒傳染現(xiàn)象時(shí)，統(tǒng)計(jì)了推文及其回復(fù)中的情緒詞的使用量，發(fā)現(xiàn)有更多情緒表達(dá)的原文收到的回復(fù)往往也更有可能表達(dá)情緒[32]。

(四)社交媒體信息的傳播模式

社交媒體上的信息傳播融合了廣播式傳播(broadcast)與病毒式傳播(contagion)兩種模式[33]。廣播式傳播是指大量用戶直接從同一用戶(原始用戶)那里接收信息。這些原始用戶粉絲數(shù)量龐大，信息傳播迅速，它們一般是傳統(tǒng)媒體、政府官方賬號(hào)或名人[34]。這個(gè)過(guò)程是一個(gè)“一對(duì)多”(one-to-many)的傳播過(guò)程，在這個(gè)過(guò)程中，原始用戶通過(guò)一個(gè)主題影響大量受眾[35]。在病毒式傳播模式中，社交媒體中的一條信息可能來(lái)自擁有少量粉絲的草根用戶。草根用戶的信息最初可能不會(huì)到達(dá)大眾，但傳播的信息可以被其同質(zhì)用戶接受和傳播，最終通過(guò)多級(jí)傳播到達(dá)許多個(gè)人，即“一對(duì)少數(shù)”(one-to-few)的傳播過(guò)程[36]。圖1概要地說(shuō)明了這兩種類型的分發(fā)模式：左圖為廣播式傳播模式，指的是由來(lái)自單個(gè)根節(jié)點(diǎn)(parent node)影響信息的擴(kuò)散；右圖為病毒式傳播模式，指的是由多代分支過(guò)程組成，其中任何一個(gè)節(jié)點(diǎn)直接“感染”其他節(jié)點(diǎn)[34]。

圖1 廣播和病毒擴(kuò)散的示意圖

盡管當(dāng)下關(guān)于情緒分析的研究并不少，但大部分研究都將“情緒分類模型”“情緒傳染機(jī)制”作為研究目標(biāo)，旨在提高微博情緒詞的提取效率和準(zhǔn)確度，以及對(duì)微博事件情緒的時(shí)序變化作出描述，對(duì)特定的情緒在突發(fā)事件中的喚起、傳染模式以及相關(guān)因素的研究仍然較為缺乏。本研究將以“昆山反殺案”為切入口，通過(guò)文本挖掘與復(fù)雜網(wǎng)絡(luò)分析，探究突發(fā)事件輿論中情緒傳染的模式，重點(diǎn)關(guān)注突發(fā)事件發(fā)展態(tài)勢(shì)、情緒極性以及輿論傳播網(wǎng)絡(luò)中的級(jí)聯(lián)深度(原創(chuàng)微博作者到轉(zhuǎn)發(fā)者的最大距離)等相關(guān)因素?；谇叭搜芯恳约氨狙芯康年P(guān)注重點(diǎn)，我們提出以下問(wèn)題：

問(wèn)題1：在突發(fā)事件中，網(wǎng)絡(luò)輿論中的情緒類型與情緒極性是如何分布的？

問(wèn)題2：在突發(fā)事件中，網(wǎng)絡(luò)輿論中的情緒傳染呈現(xiàn)的是廣播式模式還是病毒式模式？

問(wèn)題3：在突發(fā)事件的網(wǎng)絡(luò)輿論中，哪些因素與情緒的傳染有關(guān)？

三、研究方法

(一)研究樣本

本研究挑選了70 140個(gè)微博原創(chuàng)帖發(fā)布用戶，并且跟蹤這些用戶而抓取了1 675 022條與“昆山案”相關(guān)的轉(zhuǎn)發(fā)記錄。在這些用戶中被轉(zhuǎn)發(fā)的用戶有37 952個(gè)。通過(guò)對(duì)原創(chuàng)微博用戶轉(zhuǎn)發(fā)量的統(tǒng)計(jì)發(fā)現(xiàn)，這些原創(chuàng)微博的作者絕大多數(shù)是一些新聞媒體、政府機(jī)構(gòu)等賬號(hào)，并且貢獻(xiàn)了主要的轉(zhuǎn)發(fā)量。轉(zhuǎn)發(fā)量排在前五的微博賬號(hào)為：@頭條新聞(429 162)，@昆山公安(165 128)，@新京報(bào)(87 727)，@人民日?qǐng)?bào)(74 846)和@ CCTV今日說(shuō)法(63 641)?！袄ド桨浮卑l(fā)生時(shí)間為2018年8月27日，昆山公安局對(duì)案件的最后一次通報(bào)時(shí)間為2018年9月1日。為了涵蓋“昆山案”的全部輿論演化過(guò)程，我們將數(shù)據(jù)的時(shí)間跨度設(shè)置為2018年8月27日至2018年9月2日，并對(duì)數(shù)據(jù)進(jìn)行清洗。經(jīng)過(guò)對(duì)所有樣本去重，刪除與目標(biāo)內(nèi)容無(wú)關(guān)(含投票機(jī)制、格式錯(cuò)誤、關(guān)鍵字段有缺失值)的微博，最終得到1 303 214 條有效評(píng)論。

(二)數(shù)據(jù)預(yù)處理

本研究目的是探索社交媒體平臺(tái)上用戶對(duì)于突發(fā)事件的情緒傳染規(guī)律，因此主要關(guān)注與“昆山案”相關(guān)的原創(chuàng)微博內(nèi)容以及轉(zhuǎn)發(fā)用戶評(píng)論內(nèi)容，不考慮“昆山案”相關(guān)的原創(chuàng)微博下只評(píng)論不轉(zhuǎn)發(fā)的數(shù)據(jù)。研究根據(jù)轉(zhuǎn)發(fā)微博字段中是否含有表達(dá)式“//@用戶名：評(píng)論內(nèi)容”來(lái)判斷是一級(jí)轉(zhuǎn)發(fā)還是多級(jí)轉(zhuǎn)發(fā)；若不含有該表達(dá)式，則認(rèn)為是一級(jí)轉(zhuǎn)發(fā)，即直接從原微博用戶轉(zhuǎn)發(fā)；若含有一個(gè)或含有多個(gè)該表達(dá)式，則取第一個(gè)表達(dá)式中用戶作為上級(jí)節(jié)點(diǎn)用戶。

(三)變量測(cè)量

本研究使用大連理工大學(xué)信息檢索研究室整理和標(biāo)注的中文情緒詞匯本體庫(kù)(DUTIR)。該詞匯本體庫(kù)包含7種情緒分類即“樂(lè)、好、怒、哀、懼、惡、驚”，共包含情緒詞匯27 466個(gè)，情緒強(qiáng)度分為“1,3,5,7,9”五檔，“9”表示強(qiáng)度最大，“1”為強(qiáng)度最小。每個(gè)情緒詞在每一類情緒下都對(duì)應(yīng)了一個(gè)極性，其中，“0”代表中性，“1”代表積極，“2”代表消極，“3”代表兼有積極和消極兩性。在計(jì)算微博文本的情緒強(qiáng)度值時(shí)，負(fù)值表示該情緒詞為消極情感，正值表示該情緒詞為正面情感，0表示該情緒詞為中性，或者兼有積極和消極兩性。此外，本研究使用了《知網(wǎng)》情感分析用詞語(yǔ)集中中文程度級(jí)別詞語(yǔ)詞典[37]，該詞典一共包含219個(gè)程度級(jí)別詞語(yǔ)，并分為6種程度(從強(qiáng)到弱)：“極其|extreme / 最|most”“很|very”“較|more”“稍|-ish”“欠|insufficiently”“超|over”。本研究將屬于“極其|extreme / 最|most”類的程度級(jí)別詞語(yǔ)的強(qiáng)度值設(shè)置為3.0，“很|very”設(shè)置為2.5、“較|more”設(shè)置為2.0、“稍|-ish” 設(shè)置為1.5、“欠|insufficiently” 設(shè)置為1.0，“超|over” 設(shè)置為0.5。本研究也構(gòu)建了否定詞詞典，共包含119個(gè)否定詞，如常見(jiàn)的“不、沒(méi)、無(wú)、非、莫、弗、勿、毋、未、否、別、無(wú)、休、難道等”。

1.粗粒度的情感分析

在粗粒度的情感分析中，本文使用情緒詞典中情緒詞極性來(lái)進(jìn)行情緒分析，并把情緒傾向分為“積極”“消極”和“中性”，以便于準(zhǔn)確地測(cè)量發(fā)表者對(duì)“昆山案”的態(tài)度、觀點(diǎn)和立場(chǎng)(如支持、中立、反對(duì))。在情感字典當(dāng)中，每一個(gè)情緒詞包含它的情緒極性(-1，0，1)以及它的情緒強(qiáng)度值(1至9)，以及對(duì)應(yīng)的情緒類別(樂(lè)、好、怒、哀、懼、惡、驚)，比如，用戶評(píng)論內(nèi)容“事件發(fā)生后見(jiàn)到過(guò)的最好的法律解釋”以及“真的是天大的好消息！”的情緒極性皆為“積極”，但是二者變現(xiàn)出的情緒強(qiáng)度則完全不同，后者明顯強(qiáng)于前者。此外，情感詞、程度副詞、否定詞三者共現(xiàn)的位置會(huì)影響情感的表達(dá)。三者組合模式如表1所示。

表1 情感詞、程度副詞和否定詞組合模式

基于情感字典中情感詞的極性和強(qiáng)度值，以及情感詞、程度副詞、否定詞三者共現(xiàn)的位置，單條微博的情緒強(qiáng)度的計(jì)算公式如下所示[38-39]：

(1)

其中：i表示一條微博中包含情緒詞的個(gè)數(shù)；Oi代表情緒詞前面否定詞的個(gè)數(shù)；ai代表情緒組合中程度副詞的強(qiáng)度；pi為情緒詞的極性值(-1，0，+1)；m為表1中組合模式的權(quán)重。本研究將組合4的權(quán)重設(shè)置為0.5，其他組合的權(quán)重設(shè)置為1。Strength<0，則表明該條評(píng)論為消極情緒；若Strength=0則表明該條評(píng)論為中性情緒；若Strength>0，則表明該條評(píng)論為積極情緒；Strength的絕對(duì)值越大，說(shuō)明情緒的強(qiáng)度越強(qiáng)。

2.細(xì)粒度的情緒分析

與粗粒度情感分析不同，細(xì)粒度的情緒分析是從人類的心理學(xué)角度出發(fā)，多維度地描述發(fā)表者所持有的態(tài)度，能夠更深層次地挖掘用戶對(duì)“昆山案”的情緒寫(xiě)照。本研究使用情緒詞典的方法來(lái)衡量用戶發(fā)表評(píng)論的情緒類別。在情緒類型方面，我們采用大連理工大學(xué)信息檢索實(shí)驗(yàn)室提出的七分類法，情緒類別分為“樂(lè)、好、怒、哀、懼、惡、驚”7類型?！昂谩北硎尽百潛P(yáng)、尊敬、信任”等言語(yǔ)中表達(dá)主觀認(rèn)同的積極情緒；“樂(lè)”表示“快樂(lè)、喜歡、安心”等積極情緒；“怒”表示“憤怒、氣憤、惱火”等負(fù)面情緒；“哀”表示“悲傷、失望”等負(fù)面情緒；“懼”表示“恐懼、慌張、害怕”等負(fù)面情緒；“惡”表示“厭惡、憎惡”等負(fù)面情緒；“驚”表示“驚訝、驚奇”等情緒(表2)。同時(shí)，我們?cè)黾恿艘粋€(gè)無(wú)情緒類別，用于標(biāo)記沒(méi)有明顯情緒特征的評(píng)論。結(jié)合公式(1)，我們計(jì)算了單條微博中某j類情緒的強(qiáng)度，其計(jì)算公式如

(2)

所示，其中：i表示第i個(gè)屬于j類的情緒詞；k表示屬于j類情緒的情感詞個(gè)數(shù)；公式Oi，αi，pi，m的定義與公式(1)相同。最終，單條微博所屬的情緒分類為|Ej|max所在情緒分類。

基于公式(2)，本文得到了每條用戶評(píng)論內(nèi)容的情緒類別，并直接使用“樂(lè)、好、怒、哀、懼、惡、驚”以及“無(wú)情緒”進(jìn)行多元情緒的表示。例如，評(píng)論“活該[吐]，執(zhí)念幻化成風(fēng)，活該[吐]”的情緒類別是“惡”(語(yǔ)句中出現(xiàn)“活該”“[吐]”皆屬于“惡”的情緒)；評(píng)論“大快人心，看到點(diǎn)正能量的新聞?wù)娴母吲d！”的情緒類別是“樂(lè)”(語(yǔ)句中“大快人心” 和 “高興” 屬于“樂(lè)”的詞匯，“正能量”屬于“好”，但是“樂(lè)”的情緒強(qiáng)度大)。

表2 情緒分類

3.情緒級(jí)聯(lián)方差

以往的研究表明，在不同的社會(huì)網(wǎng)絡(luò)中，信息、行為和情緒的擴(kuò)散可以延伸到距離信息源二到四度社會(huì)距離的個(gè)體處，呈現(xiàn)出“三度影響力現(xiàn)象”[40]。許可等利用新浪微博中約7 000萬(wàn)條消息構(gòu)建了轉(zhuǎn)發(fā)網(wǎng)絡(luò)并分析了好友間情緒的相關(guān)性，結(jié)果表明：隨著用戶的社會(huì)距離增大，不同情緒的相關(guān)性會(huì)逐漸減弱[41]。級(jí)聯(lián)深度指的是原創(chuàng)微博作者到轉(zhuǎn)發(fā)者的最大距離。為了研究情緒傳染中級(jí)聯(lián)深度與情緒極性之間的相互關(guān)系，我們定義了情緒級(jí)聯(lián)方差這一指標(biāo)，用來(lái)刻畫(huà)當(dāng)前級(jí)聯(lián)深度中，評(píng)論帖的情緒與原始帖情緒之間的變化情況。其定義為：

(3)

其中Pci為評(píng)論帖的情緒極性，Pco為原始帖的情緒極性，Nc為級(jí)聯(lián)深度c上的帖子總數(shù)。

4.結(jié)構(gòu)病毒式指標(biāo)

信息傳播一般會(huì)融合廣播式和病毒傳播式兩種特征，極少出現(xiàn)單一傳播方式。為了研究“昆山案”中哪種擴(kuò)散方式起主導(dǎo)作用，我們采用結(jié)構(gòu)病毒式指標(biāo)(Structural Virality Index)來(lái)進(jìn)行衡量。該指標(biāo)是指一條信息傳遞到所有末端節(jié)點(diǎn)的平均步數(shù)，可以測(cè)量關(guān)于某一信息的主要傳播模式[34]。在本研究中，我們首先構(gòu)建單條微博信息的傳播樹(shù)結(jié)構(gòu)，然后計(jì)算所有節(jié)點(diǎn)之間平均距離，其公式為：

(4)

其中dri表示傳播樹(shù)中節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的最短距離，n表示節(jié)點(diǎn)的個(gè)數(shù)。

5.網(wǎng)絡(luò)模體分析

網(wǎng)絡(luò)模體是網(wǎng)絡(luò)的子圖，通常由少數(shù)幾個(gè)節(jié)點(diǎn)連接構(gòu)成，模體能夠揭示網(wǎng)絡(luò)的演化規(guī)律[42]。為了刻畫(huà)信息傳播由廣播式傳播向病毒式傳播的演化過(guò)程，本研究進(jìn)行了不同節(jié)點(diǎn)數(shù)量的探索。結(jié)果顯示，三節(jié)點(diǎn)的模體只能產(chǎn)生兩種能夠刻畫(huà)廣播式和病毒傳播的模體，即三節(jié)點(diǎn)的星型結(jié)構(gòu)和鏈狀結(jié)構(gòu)；而五節(jié)點(diǎn)的模體能夠產(chǎn)生九種結(jié)構(gòu)，能夠更加準(zhǔn)確地刻畫(huà)傳播模式的過(guò)渡過(guò)程。因此，本研究選取五節(jié)點(diǎn)的模體來(lái)描述整個(gè)“昆山案”事件中的信息擴(kuò)散方式，并按照九種結(jié)構(gòu)模體的平均深度從小到大排序，模擬廣播式傳播過(guò)渡到病毒式傳播的過(guò)程。模體的平均深度為根節(jié)點(diǎn)到所有的葉子節(jié)點(diǎn)的平均距離，其公式如下：

(5)

其中n表示網(wǎng)絡(luò)中的連邊數(shù)目，i表示葉子節(jié)點(diǎn)，r表示根節(jié)點(diǎn)，dri表示中根節(jié)點(diǎn)r到葉子節(jié)點(diǎn)i的距離。若一條信息的擴(kuò)散方式屬于廣播式傳播，那么這條信息的擴(kuò)散深度較低，如果該信息經(jīng)過(guò)多級(jí)轉(zhuǎn)發(fā)，那么該信息具有較高的擴(kuò)散深度。為了能夠準(zhǔn)確刻畫(huà)上述兩種方式的傳播特點(diǎn)，本研究使用平均深度為1的模體I來(lái)刻畫(huà)最極端的廣播式傳播；使用模體平均深度為2.5的模體IX來(lái)刻畫(huà)最極端的病毒式傳播；使用模體II至模體VIII來(lái)抽象地模擬廣播式傳播至病毒式傳播的過(guò)渡(圖2，D是模體平均深度)。

圖2 網(wǎng)絡(luò)模體示意圖

6.情緒傳染網(wǎng)絡(luò)的構(gòu)建

為了探究突發(fā)事件中情緒的傳播情況，本研究使用了網(wǎng)絡(luò)科學(xué)中的圖論法[43]來(lái)構(gòu)建情緒傳播網(wǎng)絡(luò)。圖的類型有四種：無(wú)權(quán)無(wú)向圖(邊沒(méi)有權(quán)重與方向)、無(wú)權(quán)有向圖(邊沒(méi)有權(quán)重但有方向)、加權(quán)無(wú)向圖(邊有權(quán)重但無(wú)方向)、加權(quán)有向圖(邊有權(quán)重也有方向)。本研究使用加權(quán)有向圖來(lái)構(gòu)建情緒傳染網(wǎng)絡(luò)，記為G(V,E,W)，其中V表示原創(chuàng)微博內(nèi)容以及用戶評(píng)論內(nèi)容的節(jié)點(diǎn)集合V={V1，V2…，Vn}，其節(jié)點(diǎn)屬性是評(píng)論內(nèi)容的情緒類別。E表示上、下級(jí)轉(zhuǎn)發(fā)用戶情緒之間形成轉(zhuǎn)發(fā)關(guān)系的連邊的集合E={e1,e2…,en}，W表示上、下轉(zhuǎn)發(fā)用戶之間情緒類別傳遞權(quán)重W={w1,w2…,wn}，并且連邊之間具有方向性{vi,vj}≠{vj,vi}。通過(guò)有向加權(quán)網(wǎng)絡(luò)，能夠有效地刻畫(huà)多元情緒在信息傳播的傳遞情緒以及情緒內(nèi)部之間的內(nèi)在聯(lián)系。

四、研究結(jié)果與發(fā)現(xiàn)

(一)微博用戶的情緒極性與情緒類型的分布

我們對(duì)被轉(zhuǎn)發(fā)的原創(chuàng)帖進(jìn)行了粗粒度情感分析(表3)，積極情緒所占比例為30.90%，消極情緒所占比例為36.83%，中性情緒所占比例32.27%，情緒極性分布較為均勻。

表3 被轉(zhuǎn)發(fā)的原創(chuàng)帖的情緒極性分布

我們統(tǒng)計(jì)了轉(zhuǎn)發(fā)用戶的情緒類型頻率分布(表4)，發(fā)現(xiàn)對(duì)該事件進(jìn)行客觀討論的無(wú)情緒內(nèi)容占比為37.57%，而情緒化表達(dá)占比高達(dá)62.43%。這說(shuō)明在“昆山案”事件的討論中，網(wǎng)絡(luò)表達(dá)呈現(xiàn)出“強(qiáng)情緒，弱信息”的特征，這與前人研究結(jié)論呈現(xiàn)相似性[44]。無(wú)情緒類型占比最高(37.57%)，也說(shuō)明在涉及法律公正性問(wèn)題討論中，對(duì)該議題的客觀理性的討論占據(jù)了較重比例，隨著案情的發(fā)展，微博用戶表達(dá)逐漸歸于理性。

在“昆山案”事件的討論中，“好”的情緒十分突出(35.94%)，與原創(chuàng)帖的情緒極性相較，轉(zhuǎn)發(fā)帖的消極情緒有所下降，積極情緒所有上升。這可能因?yàn)榘赴l(fā)前期微博用戶對(duì)于某的正當(dāng)防衛(wèi)進(jìn)行了聲援。在案件審判后期，正當(dāng)防衛(wèi)的審判結(jié)果滿足了微博用戶的樸素正義觀，體現(xiàn)出當(dāng)內(nèi)外刺激滿足個(gè)體需要時(shí)，個(gè)體就會(huì)產(chǎn)生積極情緒[29]。同時(shí)，“好”作為一種強(qiáng)烈情緒能夠?qū)W(wǎng)民的行動(dòng)力產(chǎn)生較高喚醒功能[45]。這說(shuō)明微博用戶對(duì)法律公平性問(wèn)題的關(guān)注與參與度比較高。

表4 轉(zhuǎn)發(fā)用戶情緒類型分布

(二) “昆山案”事件中情緒傳染的路徑與特征

1.情緒傳染路徑以廣播式傳播為主

我們對(duì)“昆山案”事件情緒的擴(kuò)散方式進(jìn)行了分析，圖3(a)為所有微博傳播樹(shù)的結(jié)構(gòu)病毒式指標(biāo)分布。由圖可知，結(jié)構(gòu)病毒式指標(biāo)集中分布在2.0左右，結(jié)構(gòu)性擴(kuò)散程度比較低，說(shuō)明該事件的傳播路徑主要是廣播式傳播。圖3(b)為該事件中9種形式的模體數(shù)量分布，其中模體I、II的數(shù)量較多，模體IX的數(shù)量較少，說(shuō)明在整個(gè)事件傳播的過(guò)程中模體I和模體II起主導(dǎo)作用。在實(shí)證網(wǎng)絡(luò)中，符合模體I和模體II形狀的根節(jié)點(diǎn)一般為高影響力用戶。一般情況下，微博平臺(tái)中的高影響力用戶為新聞機(jī)構(gòu)用戶、政府官方用戶及微博認(rèn)證用戶等，說(shuō)明“昆山案”的根節(jié)點(diǎn)用戶為以上三類。這可能因?yàn)槔ド焦?、檢察機(jī)關(guān)在此案中采取了“短平快”的做法，從案件發(fā)生到判定只用幾天時(shí)間，既減少了輿論過(guò)度炒作、發(fā)酵的時(shí)間，也及時(shí)地向社會(huì)發(fā)布案件細(xì)節(jié)，大大降低了情緒傳染的病毒式傳播模式幾率。

2.情緒傳染具有趨同性特征

我們建構(gòu)了“昆山案”中情緒的網(wǎng)絡(luò)關(guān)系(圖4)，并統(tǒng)計(jì)了情緒鏈權(quán)重。情緒鏈即主帖情緒與回帖情緒構(gòu)建的邊，例如，主帖情緒為“好”，回帖情緒也為“好”，則兩帖間構(gòu)建了一條情緒鏈，即情緒鏈權(quán)重為1。情緒鏈權(quán)重越高，圖中的顏色越深。研究發(fā)現(xiàn)，“好”“樂(lè)”和“惡”等情緒傳染呈現(xiàn)顯著的同質(zhì)性特征，即“好”的情緒傾向傳遞“好”，“惡”的情緒傾向傳遞“惡”，“樂(lè)”的情緒傾向傳遞“好”。由于人們接觸帶有情緒傾向內(nèi)容時(shí)，會(huì)對(duì)情緒產(chǎn)生反饋，如共鳴、強(qiáng)化或者分歧等。用戶發(fā)布帶有情緒傾向內(nèi)容后，其轉(zhuǎn)發(fā)者更有可能發(fā)布帶有相同情緒內(nèi)容。當(dāng)信息發(fā)布者選擇較為鮮明的情緒詞的時(shí)候，這些強(qiáng)情緒詞會(huì)進(jìn)一步加強(qiáng)關(guān)注者的情緒，使得人們?cè)谶M(jìn)行觀點(diǎn)表達(dá)或內(nèi)容轉(zhuǎn)發(fā)的過(guò)程中，出現(xiàn)趨同性情緒傳染的現(xiàn)象。“昆山案”中的情緒傳染特征恰好印證了情緒傳染趨同性的特征。

圖3 “昆山案”中結(jié)構(gòu)性病毒式指標(biāo)分布

圖4 情緒傳染網(wǎng)絡(luò)的熱力圖

(三) “昆山案”事件中，情緒傳染的相關(guān)因素

1.事件發(fā)展態(tài)勢(shì)與微博用戶情緒有一定關(guān)聯(lián)性

通過(guò)分析不同時(shí)段情緒類型分布(圖5)發(fā)現(xiàn)，“昆山案”事件初期情緒化表達(dá)呈現(xiàn)較為均衡的分布，主導(dǎo)情緒為“好”和“惡”，“好”的情緒略高于“惡”情緒。隨著事件的發(fā)展，人們對(duì)該事件的關(guān)注度不斷增加，評(píng)論量和發(fā)帖量出現(xiàn)了顯著增加，在案件宣判結(jié)果公布當(dāng)天(9月1日)，“好”的情緒出現(xiàn)了爆發(fā)式增長(zhǎng)，并占據(jù)主導(dǎo)地位，“樂(lè)”的情緒同樣上升，而“惡”情緒逐漸衰弱，這說(shuō)明事件的發(fā)展態(tài)勢(shì)與微博用戶情緒有一定關(guān)聯(lián)性。

圖5 情緒類型隨時(shí)間的分布

2.情緒極性與微博用戶轉(zhuǎn)發(fā)狀態(tài)的關(guān)系

我們對(duì)情緒極性與轉(zhuǎn)發(fā)狀態(tài)進(jìn)行了方差分析(表4、表5)。從總體發(fā)帖的情緒極性來(lái)看，被轉(zhuǎn)帖的情緒極性高于未被轉(zhuǎn)帖，這意味著帶有情緒色彩的帖子容易被轉(zhuǎn)發(fā)。但是，在積極發(fā)帖一組，越呈現(xiàn)極端極性的情緒，反而越不容易被轉(zhuǎn)發(fā)，在消極發(fā)帖一組也呈現(xiàn)相同結(jié)果。這可能是因?yàn)?，極端情緒可能脫離事件本身的真相，微博用戶在社會(huì)事件的情緒表達(dá)更偏向于理性討論范疇，所以情緒極性強(qiáng)烈的帖子不容易被轉(zhuǎn)發(fā)。

表4 被轉(zhuǎn)原創(chuàng)帖和未被轉(zhuǎn)原創(chuàng)帖情緒極性比較

表5 被轉(zhuǎn)原創(chuàng)帖和未被轉(zhuǎn)原創(chuàng)帖情緒極性方差分析

3.轉(zhuǎn)發(fā)網(wǎng)絡(luò)的級(jí)聯(lián)深度影響情緒的傳播

我們比較了每層級(jí)聯(lián)深度上發(fā)帖的情緒極性分布(圖6)發(fā)現(xiàn)，隨著級(jí)聯(lián)深度的加深，轉(zhuǎn)發(fā)帖的情緒極性分布越集中，即當(dāng)轉(zhuǎn)發(fā)層級(jí)較淺時(shí)，話題帖的情緒分布較分散，其中既包含中性的發(fā)帖，也有一些積極和消極兩類極端情緒的發(fā)帖，但隨著信息的層層轉(zhuǎn)發(fā)，話題帖的情緒開(kāi)始趨于中性。這說(shuō)明微博用戶的情緒極性越來(lái)越趨向于客觀與理性。這可能是因?yàn)榫W(wǎng)絡(luò)信息生態(tài)系統(tǒng)的自我凈化能夠解決網(wǎng)絡(luò)上產(chǎn)生的虛假、冗余信息等信息污染問(wèn)題，可以對(duì)微博用戶的行為產(chǎn)生正反饋?zhàn)饔?，使得極端情緒的微博用戶慢慢回歸理性[46]。

圖6 各級(jí)聯(lián)上轉(zhuǎn)帖情緒極性分布圖

此外，我們對(duì)各級(jí)聯(lián)深度發(fā)帖與原創(chuàng)帖情緒極性差異進(jìn)行統(tǒng)計(jì)(圖7)發(fā)現(xiàn)，隨著轉(zhuǎn)發(fā)級(jí)聯(lián)深度的加深，轉(zhuǎn)發(fā)帖與原帖的情緒級(jí)聯(lián)方差呈現(xiàn)下降趨勢(shì)。結(jié)合各級(jí)聯(lián)深度上發(fā)帖的情緒極性分布特征，可以發(fā)現(xiàn)，那些直接轉(zhuǎn)發(fā)帖或淺層間接轉(zhuǎn)發(fā)帖的情緒極性較分散，同時(shí)也更偏離原帖的情緒值，而深層轉(zhuǎn)發(fā)帖經(jīng)過(guò)層層轉(zhuǎn)發(fā)，蘊(yùn)含的情緒極性更向原帖情緒值聚合。通過(guò)與產(chǎn)生轉(zhuǎn)發(fā)行為的原創(chuàng)帖(表3)進(jìn)行比較我們發(fā)現(xiàn)，雖然產(chǎn)生轉(zhuǎn)發(fā)行為的原創(chuàng)帖的積極、消極和中性情緒的數(shù)量差距不大，但更深級(jí)聯(lián)上的發(fā)帖情緒更中性，且與原帖情緒相近。這表明，中性發(fā)帖擴(kuò)散的級(jí)聯(lián)更深，更具病毒式傳播的特質(zhì)。

圖7 各級(jí)聯(lián)上轉(zhuǎn)帖與原帖情緒級(jí)聯(lián)方差趨勢(shì)圖

五、結(jié)論與討論

信息傳播的直接效果是獲取知識(shí)，繼而產(chǎn)生態(tài)度，而對(duì)人們態(tài)度的測(cè)量和分析是預(yù)測(cè)其后續(xù)行為的重要變量[47]。本研究以“昆山案”為切入口，討論公共議題在微博輿論場(chǎng)中的情緒傳染模式，探究情緒類型與情緒極性的分布、傳播特征與影響這些特征的相關(guān)因素。研究發(fā)現(xiàn)：本次采樣的微博中關(guān)于“昆山案”的討論，原貼中持積極與消極觀點(diǎn)的用戶高達(dá)67.73%，而持中立態(tài)度的用戶只占32.27%。這表明微博用戶對(duì)作為法律公平性議題的“昆山案”的表達(dá)具有鮮明的情緒化特征，但仍有一定比例的客觀討論內(nèi)容。需要說(shuō)明的是，“昆山案”的傳播所引發(fā)的情緒極性雖然具有傷害類事件傳播的基本特征，但是并不能因此排除其他類型事件，尤其是娛樂(lè)事件引發(fā)用戶情緒極性的各種可能，在這些事件中情緒極性的表達(dá)可能出現(xiàn)另一種景觀。

“昆山案”微博輿論的情緒傳染路徑主要是廣播式傳播，結(jié)構(gòu)性擴(kuò)散程度比較低，情緒傳染出現(xiàn)趨同性特征。這可能是因?yàn)槔ド焦病z察機(jī)關(guān)“短平快”的做法，對(duì)案件細(xì)節(jié)進(jìn)行及時(shí)發(fā)布，使得人們能夠迅速?gòu)墓俜角阔@取準(zhǔn)確信息，也減少了輿論過(guò)度炒作、發(fā)酵的機(jī)會(huì)。從結(jié)果上觀察，“昆山案”事件是一起案件審判結(jié)果與微博用戶預(yù)期達(dá)成一致，并產(chǎn)生較好社會(huì)影響的案例。這說(shuō)明，當(dāng)權(quán)威部門(mén)成為信息的傳播中樞和主要消息源時(shí)，既能彰顯主管部門(mén)應(yīng)有的透明度和公信力，也能避免在信息傳播過(guò)程中其他個(gè)人或主體“越俎代庖”，引發(fā)信息失真的風(fēng)險(xiǎn)。

情緒傳染的趨同性特征意味著，“好”的情緒會(huì)帶來(lái)更多“好”的情緒；同樣，“惡”的情緒也會(huì)帶來(lái)更多“惡”的情緒。這在某種意義上說(shuō)明社交媒體中存在著情緒的“回音壁”現(xiàn)象。這一發(fā)現(xiàn)與之前的研究[28][48]相吻合，再次驗(yàn)證了在網(wǎng)絡(luò)輿論場(chǎng)中存在同類情緒之間相互傳染的現(xiàn)象。這種現(xiàn)象一方面反映了情緒傳染的規(guī)律特征，另一方面也啟示了：在網(wǎng)絡(luò)輿論場(chǎng)中進(jìn)行有意的情緒引導(dǎo)是具有一定的可能性的。

同時(shí)，我們也發(fā)現(xiàn)情緒的傳播與多種因素相關(guān)。第一，“昆山案”事件在宣判當(dāng)日，“好”的情緒呈爆發(fā)式增長(zhǎng)。這說(shuō)明事件本身的發(fā)展態(tài)勢(shì)會(huì)與微博用戶的情緒成一定相關(guān)性。這也側(cè)面反映，司法宣判結(jié)果與微博用戶預(yù)期產(chǎn)生的共鳴，激發(fā)了微博用戶對(duì)司法體系的信任感。第二，微博用戶情緒極性與轉(zhuǎn)發(fā)狀態(tài)之間存在顯著相關(guān)，更偏向積極情緒的帖子容易被轉(zhuǎn)發(fā)，越流露極端情緒的帖子，越不容易被轉(zhuǎn)發(fā)。這體現(xiàn)了盡管網(wǎng)絡(luò)表達(dá)具有更強(qiáng)烈的感情色彩，但微博用戶的轉(zhuǎn)發(fā)行為在一定程度上是理性的，這種理性限制了極端情緒的傳播力。第三，隨著轉(zhuǎn)發(fā)級(jí)聯(lián)深度的加深，一方面，微博用戶的情緒極性越來(lái)越趨向于客觀與理性；另一方面，轉(zhuǎn)發(fā)帖與原帖的情緒極性差值呈現(xiàn)下降趨勢(shì)，中性發(fā)帖擴(kuò)散的級(jí)聯(lián)更深，更具病毒式傳播的特質(zhì)。以上發(fā)現(xiàn)說(shuō)明，隨著突發(fā)事件的進(jìn)程逐漸展開(kāi)，微博輿論越來(lái)越趨于理性，微博輿論場(chǎng)具有“自我凈化”的特點(diǎn)。這種“自我凈化”的表現(xiàn)可能是因?yàn)槭录膲m埃落定，其間的是非曲直逐漸走向清晰，事件初發(fā)期甚囂塵上的各種猜測(cè)和質(zhì)疑慢慢平息緩和，而法律裁決的公正性也啟迪了更多客觀中立的言論。這體現(xiàn)了突發(fā)事件中輿論演變的趨勢(shì)特征，能夠進(jìn)入公共輿論場(chǎng)的事件或多或少都有“奪人眼球”的“新聞點(diǎn)”。這些“新聞點(diǎn)”往往能夠在事件初發(fā)期激發(fā)強(qiáng)烈的公眾情緒。隨著事件全貌漸進(jìn)鋪開(kāi)，轉(zhuǎn)發(fā)網(wǎng)絡(luò)逐漸走向縱深，微博用戶在轉(zhuǎn)發(fā)的過(guò)程中對(duì)事件進(jìn)行討論，“新聞點(diǎn)”對(duì)公眾情緒的刺激作用已不如始發(fā)階段那么強(qiáng)烈，輿論氛圍慢慢走向平和。

本研究的缺陷是只分析了“昆山案”這一事件的輿論情緒傳播，存在單一案例的特殊性可能帶來(lái)的局限。未來(lái)的研究可以分析不同類別的網(wǎng)絡(luò)事件中輿論情緒的傳播模式。在研究方法方面，本文利用基于情感詞典的情緒分析方法對(duì)微博語(yǔ)料進(jìn)行分析，該方法已在前人研究中得到廣泛應(yīng)用與驗(yàn)證。鄭誠(chéng)等將該方法與機(jī)器學(xué)習(xí)中支持向量機(jī)(SVM)進(jìn)行了對(duì)比，發(fā)現(xiàn)該方法在分析微博短文本這類語(yǔ)料上的分類效果要優(yōu)于SVM，尤其是在消極情緒判斷上[38]。然而，該方法也存在一定局限性：一方面，由于人們對(duì)情緒認(rèn)識(shí)的局限性以及中文詞匯表達(dá)的復(fù)雜性與多樣性，無(wú)法將所有情緒納入到情感詞典當(dāng)中；另一方面，微博文本當(dāng)中存在一些反諷、隱喻、疑問(wèn)等復(fù)雜句或者歧義句，僅通過(guò)情感詞典法難以判斷其情緒傾向。因此，在未來(lái)研究中，我們將試圖利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法來(lái)更加準(zhǔn)確地識(shí)別情緒。

(感謝周金連、蒲靜怡為本文作出的貢獻(xiàn)！)