周高琴

【內(nèi)容摘要】本文以“知網(wǎng)”“萬方”和“維普”為數(shù)據(jù)源篩選相關(guān)領(lǐng)域代表性研究文獻(xiàn)，對突發(fā)事件中網(wǎng)絡(luò)情緒測量與預(yù)警的已有研究進(jìn)行了系統(tǒng)綜述，認(rèn)為相關(guān)研究頗具現(xiàn)實(shí)導(dǎo)向性和技術(shù)應(yīng)用性，但在理論建構(gòu)方面存在不足，需借鑒多學(xué)科成果提供成熟的理論支撐;另外，長期追蹤研究和多類綜合研究也比較少，需完善信息預(yù)案庫提升研究層次。

【關(guān)鍵詞】突發(fā)事件;網(wǎng)絡(luò)情緒;情緒測量;情緒預(yù)警

近年來，突發(fā)事件中的網(wǎng)絡(luò)信息流動總攜帶著比較顯著的情緒色彩，給社會應(yīng)急管理帶來不少新的挑戰(zhàn)。普通意義上的“情緒”是指個體因某種外部刺激所致的突發(fā)反應(yīng)，而“網(wǎng)絡(luò)情緒”則更多地指向“網(wǎng)民”這類對象，是一種具有共享性的群體心理體驗。

在網(wǎng)絡(luò)空間，情緒尤其是負(fù)面情緒的集聚、共振極易強(qiáng)化群體的非理性認(rèn)知，從而放大公共風(fēng)險。有文獻(xiàn)指出，網(wǎng)絡(luò)情緒是突發(fā)事件輿情系統(tǒng)中的重要效能因素，它們的演化常常會影響整個事件的輿論發(fā)展走向;①對于信息時代的突發(fā)事件，網(wǎng)民情緒往往是決定其影響程度的重要因子。②目前，突發(fā)事件中的網(wǎng)絡(luò)情緒問題已經(jīng)引發(fā)社會的強(qiáng)烈關(guān)注，并成為學(xué)界的研究熱點(diǎn)。研究者認(rèn)為，測量突發(fā)事件中的群體情緒演化，建構(gòu)有效的預(yù)警干預(yù)機(jī)制是提升政府應(yīng)急能力的重大課題。③通常，情緒的測量又是建立在情緒結(jié)構(gòu)的把握基礎(chǔ)之上。故此，本文擬從突發(fā)事件網(wǎng)絡(luò)情緒的結(jié)構(gòu)、測量與預(yù)警這些方面展開，通過文本分析法，歸納國內(nèi)學(xué)術(shù)界的相關(guān)研究現(xiàn)狀。

為了較為全面地獲取研究資料，本文以“知網(wǎng)”“萬方”和“維普”為數(shù)據(jù)源，將“網(wǎng)絡(luò)情緒”“網(wǎng)民情緒”“用戶情緒”“社會情緒”“網(wǎng)絡(luò)輿情”與“突發(fā)事件”“情緒測量”“情緒預(yù)警”作為主題詞進(jìn)行組合檢索，最后篩選出46篇相關(guān)文獻(xiàn)。

一、突發(fā)事件中網(wǎng)絡(luò)情緒的結(jié)構(gòu)研究

目前，學(xué)術(shù)界針對情緒結(jié)構(gòu)的研究大致有兩條路徑：其一是分類取向（categorical approach），主要是剖析情緒的基本或者復(fù)合成分的構(gòu)成;其二是維度取向（dimension approach），大多以情緒的向度和強(qiáng)度為基點(diǎn)探討其特征。

（一）突發(fā)事件中網(wǎng)絡(luò)情緒的分類取向

情緒分類取向研究旨在通過某個標(biāo)準(zhǔn)，將情緒分成獨(dú)立、具體且有限的幾種情感狀態(tài)。在這類研究看來，每種基本情緒都有著獨(dú)特的內(nèi)部機(jī)制與外在表現(xiàn)，分類取向就是要識別情緒中某些穩(wěn)定的、突出的情感指向。

與傳統(tǒng)的社會情緒相比，互聯(lián)網(wǎng)環(huán)境下的情緒更加動態(tài)多變，研究者在不同的事件、不同的情境中，對網(wǎng)絡(luò)情緒作出了不同的分類。以“李某某案”為例，廖為民對網(wǎng)絡(luò)輿情爆發(fā)時的社會情緒進(jìn)行了分析，從242條微博評論中梳理出10種情緒類型：罵人、感嘆、反諷、起哄、感慨、譏諷、調(diào)侃、諷刺、無語和警示。④唐超以“群眾圍堵酒駕司機(jī)砸車”事件為研究對象，把百度貼吧中的網(wǎng)民發(fā)言作為樣本內(nèi)容，從中整理出7種情緒構(gòu)成：理性、同情、支持政府、憤怒、諷刺、失望和不信任，其研究表示，后四種情緒正是造成網(wǎng)絡(luò)情緒自組織系統(tǒng)走向無序的關(guān)鍵點(diǎn)。⑤在“溫州動車事故”案例中，葉永豪等人聚焦具有社會性和利群性的道德情緒，他們收集兩萬多條微博數(shù)據(jù)，從中解析出憤怒、厭惡、鄙視、同情和愛這五種主導(dǎo)的道德情緒。⑥不過，這種專門從某個角度對某種屬性情緒進(jìn)行分類的研究并不多見。

綜合上述研究，可觀察到當(dāng)前的網(wǎng)絡(luò)情緒分類取向多依托于突發(fā)社會公共事件，情緒的分類指標(biāo)一般比較多，由此可見其復(fù)雜性。在情緒色彩方面，負(fù)面情感指向非常明顯。

（二）突發(fā)事件中網(wǎng)絡(luò)情緒的維度取向

情緒維度取向研究認(rèn)為，情緒是一種模糊的連續(xù)體，其中的各種情感成分高度相關(guān)但難以區(qū)分，應(yīng)該用維度闡釋情緒的結(jié)構(gòu)，以便發(fā)現(xiàn)不同層面的情緒及其表現(xiàn)出的特征。

針對突發(fā)事件中的網(wǎng)絡(luò)情緒，常用的基礎(chǔ)結(jié)構(gòu)維度是“消極—積極”模型，這在文宏⑦、鐘智錦⑧等人的研究中均可見到。以該模型為基礎(chǔ)，描述從一個極端通過中間點(diǎn)到另一個極端的情緒維度較為普遍。比如靳明、靳濤等將黃金大米事件中的網(wǎng)民情緒基調(diào)分為三個維度：積極情緒、中立情緒和消極情緒;⑨馮蘭萍、嚴(yán)雪等根據(jù)情感值的大小，將突發(fā)事件中的微博評論情緒分為正面（>0）、中立（=0）和負(fù)面情緒（<0）。也有的研究者將情緒的強(qiáng)度進(jìn)一步細(xì)化，發(fā)展出四維的情緒結(jié)構(gòu)模型。例如趙衛(wèi)東和趙旭東等以某次邊疆突發(fā)暴力事件為例，將其從1-10分為四個強(qiáng)度區(qū)間：極端負(fù)情緒、負(fù)情緒、正情緒和極端正情緒，在事件的演化中，這些負(fù)情緒不斷轉(zhuǎn)化為極端負(fù)情緒。⑩

除此之外，一些研究也采用了“效價—喚醒”維度（矢量模型）進(jìn)行網(wǎng)絡(luò)情緒評估。例如周莉、蔡璐等選取了“巴黎暴恐”事件，立足于Tsai的情緒維度理論，歸納了四種情緒效價組合：正情緒+高喚醒度、負(fù)情緒+高喚醒度、負(fù)情緒+低喚醒度、正情緒+低喚醒度。他們的研究指出，“巴黎暴恐”事件中的網(wǎng)絡(luò)情緒具有高喚醒度和高參與度的特點(diǎn)，其中情緒喚醒度是催生社會性傳播行為的重要因素。在傳統(tǒng)時代的情緒取向研究中，“效價—喚醒”維度較為常見，但針對突發(fā)事件的網(wǎng)絡(luò)情緒考察，采用該維度的研究還并不多。

當(dāng)前，突發(fā)事件的網(wǎng)絡(luò)情緒模型以二、三維居多，主要根據(jù)極性和強(qiáng)度表示情緒之間的關(guān)系。相關(guān)研究對傳統(tǒng)情緒維度理論的借鑒較多，在情緒矢量模型上的探討有待多樣化。

二、突發(fā)事件中網(wǎng)絡(luò)情緒的測量

（一）情緒測量的對象

在情緒分析中，情緒測量一直是個難點(diǎn)。傳統(tǒng)的情緒測量有自我報告測量、驚愕反應(yīng)測量、信息處理風(fēng)格測量和推理量表測量等手段，但這些常規(guī)的實(shí)驗法和量表法難以用于網(wǎng)絡(luò)平臺的情緒測量。針對突發(fā)事件中的網(wǎng)絡(luò)情緒，很多研究者將輿情爆發(fā)時出現(xiàn)的網(wǎng)絡(luò)數(shù)據(jù)作為研究材料，經(jīng)過數(shù)據(jù)篩選和清洗之后，再進(jìn)行情緒分析。

從體量上來看，這些網(wǎng)絡(luò)上的文本數(shù)據(jù)大致可分為兩類：其一是小數(shù)據(jù)樣本。例如在“李某某案”中，為集中描繪輿情爆發(fā)后的圍觀者心態(tài)圖景，研究者聚焦最早披露該案的某位編輯的微博信息，收集其有效的評論轉(zhuǎn)發(fā)信息，選定前面的500條信息，最終獲得兩萬字左右的情緒測量樣本。其二是大數(shù)據(jù)樣本。例如在“紅黃藍(lán)事件”中，依靠拓爾思大數(shù)據(jù)平臺，相關(guān)研究從460萬條微博數(shù)據(jù)中抽取2.2%作為樣本，最終采集到6萬多條有效的數(shù)據(jù)。在大數(shù)據(jù)提取上，通過Python編程編寫爬蟲跨網(wǎng)頁提取信息是當(dāng)前的重要手段，除了主頁信息，有的研究也會通過二次爬取，獲取用戶ID、性別、粉絲數(shù)、地理位置等其他屬性數(shù)據(jù)以做深化分析。至于網(wǎng)絡(luò)情緒的生成主體類型，目前尚無統(tǒng)一的劃分方式，從信息行為的角度，可將其分為信息加工者、信息搜索者和信息傳播者等七種類型;從網(wǎng)民表達(dá)的特征角度，可將其分為積極傳播者、消極傳播者和理性參與者等四種類型。

不難發(fā)現(xiàn)，在突發(fā)事件中，網(wǎng)絡(luò)情緒的發(fā)生主體比較多元，無論是小樣本還是大樣本的情緒測量，其文本對象大多源自事件的關(guān)鍵性網(wǎng)絡(luò)信息、事件的相關(guān)網(wǎng)絡(luò)評論等。

（二）情緒測量的方法

網(wǎng)絡(luò)情緒的測量涉及數(shù)據(jù)檢索、信息抽取、文本挖掘和自然語言處理等多個方面，從測量路徑來看，其測量的方法主要有以下幾種：

1.基于情感詞典的情緒分析

情感詞典是判斷文本情緒傾向的一項重要工具，目前多數(shù)詞典是通過人工所建構(gòu)，首先需要閱讀大量語料，標(biāo)記具有情緒傾向的詞語、句子、篇幅等內(nèi)容，再根據(jù)其情緒的極性、強(qiáng)度和語義方向建構(gòu)相應(yīng)的分類器。由此一來，通過語義分析提取關(guān)鍵詞的詞典得以編成構(gòu)成。

面向突發(fā)事件中的網(wǎng)絡(luò)情緒，利用情感詞典進(jìn)行判別的方式大致有三類：其一是借助通用的情感詞典直接判別網(wǎng)絡(luò)情緒。在中文文本處理方面，知網(wǎng)的HowNet、臺灣大學(xué)的NTUSD和大連理工的DUTIR等是最常用的幾個開放情感詞典。其二是拓展通用情感詞典以構(gòu)成新詞典。例如，李長榮、曹彥波等人以大連理工的情感詞匯本體庫為基礎(chǔ)，對現(xiàn)有的情感詞典進(jìn)行拓展，建立起新的情緒詞匯庫。其三是根據(jù)語料建構(gòu)專用性的情感詞典。有的研究者認(rèn)為，通用情感詞典的穩(wěn)定性很好，不過其領(lǐng)域適應(yīng)性一般，在對突發(fā)事件展開情緒分析時適用性不足，有必要建立更準(zhǔn)確的突發(fā)領(lǐng)域情感詞典。例如，針對暴雨洪澇期間的網(wǎng)民情緒，周莉和楊小莉以近5年的微博評論文本為語料，通過人工提取網(wǎng)絡(luò)情緒關(guān)鍵詞并進(jìn)行賦值，建立起“突發(fā)事件·暴雨洪澇”情感詞典，該詞典包括悲傷、擔(dān)憂和關(guān)心等7個情緒類別，各類詞匯共計611個。由于人工建構(gòu)情感詞典的工作比較復(fù)雜繁重，一些研究者開始探討情感詞典的自動構(gòu)建方法，例如崔彥琛、張鵬等人使用PMI-IR、S0-PMI等算法，建立消防事件網(wǎng)絡(luò)輿情情感詞典。整體來看，學(xué)術(shù)界中面向突發(fā)事件領(lǐng)域的情感詞典不多，而自動構(gòu)建的突發(fā)專用情感詞典仍有待開發(fā)。

情感詞典能夠快速地完成給定文本的情緒識別，但在實(shí)際的研究中，這類方法仍面臨不少的難題。諸如，在新詞匯層出不窮的網(wǎng)絡(luò)時代，如何提升情感詞典的完整性和包容性？面對褒詞貶用、貶詞褒用或者一詞多義的中文時，情感詞典如何判定文本的情緒傾向……

2.基于機(jī)器學(xué)習(xí)的情緒分析

這是一種通過訓(xùn)練集和分類器識別文本情緒的方法，目前基于機(jī)器學(xué)習(xí)的情緒分析有兩類：“有監(jiān)督”的情緒算法、基于深度學(xué)習(xí)的情緒算法。

“有監(jiān)督”的情緒算法步驟大致分為兩步：首先是建立語料庫，一部分語料作為訓(xùn)練集，剩下的語料用作測試集;再者，將人工標(biāo)注好情緒極性的詞匯作為訓(xùn)練集，通過機(jī)器學(xué)習(xí)算法建立分類器模型，再用模型對新輸入的文本映射出相應(yīng)的結(jié)果。常用的文本分類算法有支持向量機(jī)、樸素貝葉斯、梯度提升樹和最大熵等機(jī)器學(xué)習(xí)模型。其中，樸素貝葉斯分類器是頗受歡迎的一種機(jī)器模型。一些研究者認(rèn)為，樸素貝葉斯原理簡單且分類可靠，在文本分類方面的優(yōu)勢獨(dú)特。他們以“天津8·12事件”為例，用樸素貝葉斯分類器評定15164條微博評論的情緒傾向，獲取文本情緒屬于正向的概率，進(jìn)而建立該事件的網(wǎng)絡(luò)輿情態(tài)勢演化模型。為了更好地把握突發(fā)事件中網(wǎng)絡(luò)用戶的情緒問題，有的研究會同時采用兩種算法進(jìn)行情緒分析，他們首先通過貝葉斯分類器計算出文本的情緒傾向度，以此建構(gòu)用戶畫像庫，再通過梯度提升樹進(jìn)行建模訓(xùn)練，建立一個基于畫像屬性的情緒預(yù)測模型，達(dá)成預(yù)測用戶每個階段情感傾向的目的?；诒O(jiān)督的機(jī)器學(xué)習(xí)提供了諸多的情緒分類方法，不過，它們需要依賴大量人工標(biāo)注的語料數(shù)據(jù)，在構(gòu)造訓(xùn)練集的時候還應(yīng)盡量保持與實(shí)際測試集的數(shù)據(jù)分布相近。此外，它們一般都是淺層模型，在算法上也存在一定的局限，如，不能高效地判定較為復(fù)雜的文本表述模式，很難識別字?jǐn)?shù)不足、信息較少的文本情緒等。

相對于淺層模型，深度學(xué)習(xí)能夠自動從原始數(shù)據(jù)中學(xué)習(xí)層次化的特征，并充分地考慮上下文信息，以及高效地表達(dá)數(shù)據(jù)中包含的復(fù)雜模式，在解決短文本情感分類問題上效用相對較好。常用的深度模型有深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、長短記憶神經(jīng)網(wǎng)絡(luò)和堆疊自編碼器等，其中，一些深度模型循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度爆炸抑或消失的問題，增加了門結(jié)構(gòu)的長短記憶神經(jīng)網(wǎng)絡(luò)可以解決這個問題，因此，現(xiàn)階段的一些研究偏向于利用長短記憶神經(jīng)網(wǎng)絡(luò)進(jìn)行情緒分析?；陂L短記憶神經(jīng)網(wǎng)絡(luò)模型，金占勇和田亞鵬等建立了災(zāi)害事件網(wǎng)絡(luò)輿情情感識別模型，通過對突發(fā)自然災(zāi)害事件進(jìn)行實(shí)證研究，他們認(rèn)為該模型的情緒識別效果要優(yōu)于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法。陳凌、宋衍欣引入長短時記憶神經(jīng)網(wǎng)絡(luò)模型，識別臺風(fēng)“利奇馬”中微博用戶的情緒，建立了一種用于分析用戶情緒上下文的LSTM模型。在突發(fā)事件領(lǐng)域，相比基于監(jiān)督的情緒識別，基于深度學(xué)習(xí)的情緒分析成果并不多，長短記憶神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用正處于開發(fā)期，學(xué)界傾向于利用其來研究突發(fā)災(zāi)害事件中的網(wǎng)民情緒問題。

鑒于語義詞典與機(jī)器學(xué)習(xí)的路徑各有所長，有學(xué)者提議將兩者做結(jié)合分析，這類研究在其他領(lǐng)域已有開展，但在突發(fā)事件方面的應(yīng)用還處于起步階段，可成為未來的一個重要趨向。

三、突發(fā)事件中網(wǎng)絡(luò)情緒的預(yù)警

監(jiān)測是實(shí)現(xiàn)突發(fā)事件預(yù)警的基礎(chǔ)和前提，網(wǎng)絡(luò)情緒預(yù)警則是監(jiān)測的目的，是網(wǎng)絡(luò)輿情管理的重要環(huán)節(jié)，可為管理者提供識別輿情風(fēng)險、評估輿情危機(jī)的機(jī)會，以便他們采取有效的應(yīng)對措施。針對突發(fā)事件中的網(wǎng)絡(luò)情緒預(yù)警，涉及的研究議題大致如下：

（一）突發(fā)事件中網(wǎng)絡(luò)情緒的預(yù)警指標(biāo)

在現(xiàn)有文獻(xiàn)中，網(wǎng)絡(luò)情緒大多作為二級指標(biāo)或者三級指標(biāo)，出現(xiàn)在網(wǎng)絡(luò)輿情預(yù)警指標(biāo)體系中。例如，有的研究者構(gòu)建了暴恐事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警指標(biāo)體系，在一級指標(biāo)“網(wǎng)民反應(yīng)”中設(shè)置了“網(wǎng)民情緒”這個二級指標(biāo)，并將其分為“情緒分布”和“轉(zhuǎn)移程度”，采用的測量方法分別是客觀數(shù)據(jù)和開放式問卷，通過權(quán)重計算，提出“情緒分布”是高風(fēng)險指標(biāo)。有的研究者構(gòu)建了旅游危機(jī)事件網(wǎng)絡(luò)輿情監(jiān)測預(yù)警指標(biāo)體系，在準(zhǔn)則層“輿情本體”的因素層“信息內(nèi)容”中設(shè)置了“意見情緒狀況”指標(biāo)，其權(quán)重為0.0221。同樣，在突發(fā)事件網(wǎng)絡(luò)謠言危機(jī)預(yù)警指標(biāo)體系中，在一級指標(biāo)“網(wǎng)絡(luò)謠言狀態(tài)”亦可見“網(wǎng)民情緒傾向”二級指標(biāo)，但在該指標(biāo)的量化說明及數(shù)據(jù)獲取方式上，其論述不夠明確。

雖然，也有少數(shù)學(xué)者涉足突發(fā)事件網(wǎng)絡(luò)情緒預(yù)警指標(biāo)體系的研究，但相關(guān)研究還處于發(fā)展階段。例如，劉志明和劉魯初步提出了一套突發(fā)事件情緒異常波動預(yù)警指標(biāo)集，該指標(biāo)集包含了兩類指標(biāo)：整體情緒指標(biāo)和單一情緒指標(biāo)，前者包含了情緒分布度和情緒分布變化率，后者包含了情緒熱度和情緒拐度。他們結(jié)合指標(biāo)集，從時空維度定義了幾種情緒異常模式，其研究更多的是一種探索性研究，并沒有涉及對異常的詳細(xì)分析。

當(dāng)前關(guān)于網(wǎng)絡(luò)輿情預(yù)警指標(biāo)已有較多研究，但相關(guān)研究在定義指標(biāo)時，對用戶情緒因素關(guān)注不足，面向突發(fā)事件專門探索網(wǎng)絡(luò)情緒預(yù)警指標(biāo)體系的研究比較少，有待進(jìn)一步拓展。

（二）突發(fā)事件中網(wǎng)絡(luò)情緒的預(yù)警級別

網(wǎng)絡(luò)情緒預(yù)警等級標(biāo)識所監(jiān)測到的情緒風(fēng)險轉(zhuǎn)化為情緒危機(jī)的可能性程度是一個重要的指標(biāo)，預(yù)警等級越高，事態(tài)危機(jī)的可能性越大。在突發(fā)事件應(yīng)急管理中，設(shè)定預(yù)警級別可有效控制危機(jī)發(fā)展。

在設(shè)置預(yù)警級別時，研究者通常將其分為四個層面，從低到高依次用藍(lán)色、黃色、橙色和紅色來加以表示，并普遍認(rèn)為黃色代表警戒線。從文獻(xiàn)成果來看，學(xué)術(shù)界涉及情緒預(yù)警級別的研究大致有兩類：其一是利用情緒進(jìn)行網(wǎng)絡(luò)輿情預(yù)警。有部分研究嘗試計算情緒得分，據(jù)此進(jìn)行網(wǎng)絡(luò)輿情預(yù)警。比如，李繼紅賦予了不同預(yù)警色不同的情感值：藍(lán)色為情感值50分以下，黃色為情感值50-70分，橙色為情感值70-85分，紅色為情感值85分以上，由此將網(wǎng)絡(luò)輿情警級分為輕警級、中警級、重警級和巨警級。在參考李繼紅設(shè)定的情緒值的基礎(chǔ)上，田千金對爆發(fā)期和蔓延期的輿情危機(jī)進(jìn)行預(yù)警，將危機(jī)分為Ⅰ級（一般危險）、Ⅱ級（較大危險）、Ⅲ級（重大危險）和Ⅳ級（特大危險）這幾類警級。也有少數(shù)研究是根據(jù)觀點(diǎn)的數(shù)量劃分輿情警級，在“鄭州交警撞死嬰兒事件”中，通過采集微博數(shù)據(jù)，研究認(rèn)為，不利于社會和諧的輿論超過了整體評論的1/4，應(yīng)采取黃色Ⅱ級預(yù)警級別。其二是根據(jù)情緒的生命狀態(tài)，結(jié)合國際或國內(nèi)慣例，設(shè)置預(yù)警級別專門進(jìn)行情緒預(yù)警。例如，劉志明、劉魯基于Aging theory模型，設(shè)計了面向突發(fā)事件的微博負(fù)面情緒生命周期模型，依照我國相關(guān)機(jī)構(gòu)對突發(fā)事件的管理規(guī)定，將用戶負(fù)面情緒預(yù)警劃分為輕度活躍（IV級）、中度活躍（III級）、非常活躍（II級） 和特別活躍（I級）。可是，這種專門性的情緒預(yù)警級別研究并不多見。

由上可見，在突發(fā)事件領(lǐng)域，情緒預(yù)警級別的研究更多地依附于網(wǎng)絡(luò)輿情預(yù)警的大范疇內(nèi)，縱深的、專門性的研究比較薄弱，無論是理論還是應(yīng)用層面都需要不斷加強(qiáng)。

（三）突發(fā)事件中網(wǎng)絡(luò)情緒的預(yù)警機(jī)制

預(yù)警機(jī)制是指能靈敏識別風(fēng)險并及時提供警示的制度、機(jī)構(gòu)等構(gòu)建的系統(tǒng)，其作用在于通過超前反應(yīng)來防患于未然。突發(fā)事件中，建立情緒預(yù)警機(jī)制能有效輔助相關(guān)部門進(jìn)行決策。

研究者認(rèn)識到，必須建立和完善網(wǎng)民情緒監(jiān)測預(yù)警機(jī)制，準(zhǔn)確掌控網(wǎng)民情緒變化，按照相應(yīng)等級啟動情緒干預(yù)措施，強(qiáng)化網(wǎng)民抗干擾能力。但在具體的機(jī)制探討上，相關(guān)文獻(xiàn)并不多，且主要集中在技術(shù)分析層面。面對突發(fā)事件中的群體情緒，有研究者設(shè)計了一套情緒監(jiān)控預(yù)警模型，它由主題檢測與跟蹤模塊、主題評論的情緒層次分類模塊和時空模式分析與預(yù)警模塊這幾部分組成。不過，該模型還只是一個初步的探討，在情緒的針對性、不同情緒的演化模式等方面尚未進(jìn)行深入的探索。有研究者在分析公眾恐慌的起因及特點(diǎn)的基礎(chǔ)上，建構(gòu)了一個網(wǎng)絡(luò)輿情監(jiān)測與恐慌度量系統(tǒng)，該系統(tǒng)主要包括信息收集、信息預(yù)處理、數(shù)據(jù)庫和顯示控制等模塊，可以按照不同的要求篩選信息，進(jìn)行多樣化的圖形展示和模型度量。但該恐慌度量與監(jiān)測系統(tǒng)在帖子文本識別上仍需提升，也需要在大量實(shí)際案例的測試中改進(jìn)。也有研究者認(rèn)為，網(wǎng)絡(luò)公共情緒預(yù)警機(jī)制應(yīng)遵循可測量、延續(xù)性、準(zhǔn)確性和導(dǎo)向性的原則，包括情緒跟蹤檢測、情緒整理加工以及判斷分析、情緒警報等多個系統(tǒng)，并建立從線上到線下的雙層組織體系。然而，這種多維度的情緒預(yù)警機(jī)制研究較少，有待進(jìn)一步豐富。

四、研究述評與展望

（一）研究的基本特點(diǎn)

通過梳理現(xiàn)有文獻(xiàn)，可以發(fā)現(xiàn)，突發(fā)事件中網(wǎng)絡(luò)情緒的測量與預(yù)警研究呈現(xiàn)以下特點(diǎn)：

1.技術(shù)應(yīng)用性

當(dāng)前研究關(guān)注技術(shù)應(yīng)用層面，即通過技術(shù)的方式實(shí)現(xiàn)突發(fā)事件中網(wǎng)絡(luò)情緒的測量與預(yù)警，因此，各種工具、模型和方法被不斷提出，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及長短記憶神網(wǎng)絡(luò)等深度學(xué)習(xí)模型已經(jīng)成為文本情緒分析領(lǐng)域的重要方向。從情報信息技術(shù)的角度探討網(wǎng)絡(luò)情緒的預(yù)警機(jī)制也比較熱門，研究者試圖借助多層模塊技術(shù)提升情緒預(yù)警水平。大數(shù)據(jù)時代，學(xué)術(shù)界則思考如何應(yīng)用大數(shù)據(jù)分析技術(shù)提高情緒測量、預(yù)警的效果。

2.現(xiàn)實(shí)導(dǎo)向性

當(dāng)前研究以控制突發(fā)事件中的網(wǎng)絡(luò)輿情為目的，結(jié)合特定的案例進(jìn)行情緒的測量與預(yù)警分析，整體研究的現(xiàn)實(shí)導(dǎo)向性比較強(qiáng)。在事件類型上，旅游危機(jī)事件、暴恐事件、環(huán)境群體性事件和災(zāi)害事件均有涉及，其中，社會公共事件的學(xué)術(shù)關(guān)注度更高;在研究方法上，往往以網(wǎng)民評論為關(guān)鍵材料進(jìn)行情緒測量的實(shí)驗分析，運(yùn)用德爾菲法或?qū)哟畏治龇ń?gòu)情緒預(yù)警指標(biāo)，再用特定案例進(jìn)行實(shí)證模擬，以保證其具有一定的指示性作用。

（二）現(xiàn)有研究的不足與繼續(xù)研究空間

1.理論建構(gòu)不足，需借鑒多學(xué)科成果提供成熟的理論支撐

在現(xiàn)有文獻(xiàn)中，有關(guān)突發(fā)事件中網(wǎng)絡(luò)情緒的研究理論框架并不完善，不少議題被分散在公共輿論、情緒危機(jī)以及應(yīng)急管理等研究之中，呈現(xiàn)出碎片化的現(xiàn)象，這反映出該領(lǐng)域基礎(chǔ)理論構(gòu)建上的不足。由于理論建設(shè)上的薄弱，一些研究往往淺嘗輒止，無法縱深地、多維度地展開。并且，突發(fā)事件中的網(wǎng)絡(luò)情緒問題往往會涉及多學(xué)科的知識應(yīng)用，但目前整體研究缺乏學(xué)科協(xié)同、系統(tǒng)化的理論成果，造成部分研究將復(fù)雜情緒進(jìn)行簡單化處理的結(jié)果。

加強(qiáng)理論研究，對于厘清突發(fā)事件中網(wǎng)絡(luò)情緒的構(gòu)成成分、影響因素等問題，以及提高情緒測量與預(yù)警效果，都具有重要意義。現(xiàn)有研究應(yīng)發(fā)展系統(tǒng)的理論研究，建構(gòu)且完善相應(yīng)的研究框架，促進(jìn)理論與應(yīng)用的融合，同時也要重視跨學(xué)科研究，有效借鑒吸收社會心理學(xué)、信息傳播學(xué)和公共管理學(xué)等相關(guān)學(xué)科的成果，在交叉學(xué)科背景下深度剖析網(wǎng)民情緒，為突發(fā)事件中的用戶情緒應(yīng)對提供多方位的理論支撐，推動網(wǎng)絡(luò)情緒測量與預(yù)警機(jī)制的科學(xué)發(fā)展。

2.長期追蹤研究和多類綜合研究較少，需完善信息預(yù)案庫提升研究層次

突發(fā)事件中網(wǎng)絡(luò)情緒的測量與預(yù)警涉及一系列復(fù)雜的問題，其研究需要一個典型的、全面的信息預(yù)案庫的支撐。然而，目前的研究并沒有相對完整的知識庫作為后備，很多數(shù)據(jù)來源比較分散且系統(tǒng)性不足，因此，分階段、追蹤式的研究就難以開展。再者，就突發(fā)事件本身而言，它們的類型多樣化，所導(dǎo)致的具體情境也各不相同，這便決定了網(wǎng)民情緒的測量與預(yù)警要面對復(fù)雜的情境預(yù)設(shè)。而現(xiàn)有的研究多是單案例研究，以某個特定形態(tài)的具體事件為對象進(jìn)行定量分析，很少出現(xiàn)針對多種類型突發(fā)事件的綜合研究。此外，即便是在某個具體的情境下，用戶群體的多樣化也致使相關(guān)問題的研究必然是個復(fù)雜的過程。

完善突發(fā)事件網(wǎng)民情緒信息預(yù)案庫，可更好地了解異構(gòu)信息整合方式，有助于推進(jìn)歷時性的長期跟蹤分析，進(jìn)一步優(yōu)化當(dāng)前的情緒測量、預(yù)警機(jī)制研究。由于突發(fā)事件具有多種類型，網(wǎng)民情緒也常常表現(xiàn)出多種形態(tài)，從而使得實(shí)際中的網(wǎng)絡(luò)輿情帶有極大的不確定性，因此，未來需拓展研究路徑，加強(qiáng)多案例的綜合研判，從宏觀、微觀等不同層面深化對研究對象的認(rèn)識，以便有效化解網(wǎng)絡(luò)情緒應(yīng)對實(shí)踐中的諸多問題。

注釋：

①葉瓊元、蘭月新、王強(qiáng)等：《面向突發(fā)事件的網(wǎng)民情緒演化系統(tǒng)動力學(xué)模型研究》，《情報雜志》2017年第9期。

②凌晨、馮俊文、楊爽等：《突發(fā)事件中網(wǎng)民負(fù)面情緒的應(yīng)急響應(yīng)研究綜述》，《情報雜志》2017年第11期。

③楊德生、程慧、葉綺娜：《重大突發(fā)事件對群體情緒的影響測度及預(yù)警干預(yù)研究——以新冠肺炎疫情為例》，轉(zhuǎn)引自《第七屆全國大學(xué)生統(tǒng)計建模大賽優(yōu)秀論文集》，中國統(tǒng)計教育學(xué)會2020年版，第54頁。

④廖衛(wèi)民：《網(wǎng)絡(luò)輿情爆發(fā)時的社會情緒測量及其結(jié)構(gòu)分析——以李某某案為例》，《浙江理工大學(xué)學(xué)報（社會科學(xué)版）》2016年第2期。

⑤唐超：《網(wǎng)絡(luò)情緒演進(jìn)的實(shí)證研究》，《情報雜志》2012年第10期。

⑥葉勇豪、許燕、朱一杰等：《網(wǎng)民對“人禍”事件的道德情緒特點(diǎn)——基于微博大數(shù)據(jù)研究》，《心理學(xué)報》2016年第3期。

⑦文宏：《網(wǎng)絡(luò)群體性事件中輿情導(dǎo)向與政府回應(yīng)的邏輯互動——基于“雪鄉(xiāng)”事件大數(shù)據(jù)的情感分析》，《政治學(xué)研究》2019年第1期。

⑧鐘智錦、廖小歐、游宇霞：《網(wǎng)絡(luò)社區(qū)中的情緒感染現(xiàn)象——基于環(huán)境類議題與愛國主義類議題的實(shí)證研究》，《新聞記者》2019年第9期。

⑨靳明、靳濤、趙昶：《從黃金大米事件剖析指桑罵槐式的公眾情緒——基于新浪微博的內(nèi)容分析》，《浙江社會科學(xué)》2013年第6期。

⑩趙衛(wèi)東、趙旭東、戴偉輝等：《突發(fā)事件的網(wǎng)絡(luò)情緒傳播機(jī)制及仿真研究》，《系統(tǒng)工程理論與實(shí)踐》2015年第10期。

周莉、蔡璐、劉煜：《文化差異中的網(wǎng)絡(luò)情緒表達(dá)——YouTube中四國對“巴黎暴恐”事件的網(wǎng)絡(luò)情緒分析》，《情報雜志》2017年第3期。

劉念、丁漢青：《從憤怒到厭惡：危機(jī)事件中公眾的情緒圖景》，《新聞大學(xué)》2020年第12期。

湯志偉、閏瀚楠：《公共危機(jī)情境下網(wǎng)絡(luò)空間群體信息選擇偏好的實(shí)證研究》，《情報雜志》2013年第6期。

蔡璐：《突發(fā)事件中的網(wǎng)絡(luò)情緒表達(dá)——以2016年武漢特大暴雨中的微博評論為例》，華中師范大學(xué)2017年碩士學(xué)位論文。

李長榮、紀(jì)雪梅、郭鳳儀：《突發(fā)公共衛(wèi)生事件中在線健康社區(qū)關(guān)鍵用戶的情感表達(dá)特征研究》，《現(xiàn)代情報》2021年第7期。

曹彥波：《基于社交媒體的地震災(zāi)區(qū)民眾情緒反應(yīng)分析》，《地震研究》2019年第2期。

周莉、楊小儷：《面向突發(fā)事件應(yīng)急管理的情感詞典構(gòu)建——以“暴雨洪澇”災(zāi)害為例》，《武漢理工大學(xué)學(xué)報（社會科學(xué)版）》2019年第4期。

任中杰、張鵬、蘭月新等：《面向突發(fā)事件的網(wǎng)絡(luò)用戶畫像情感分析——以天津“8·12”事故為例》，《情報雜志》2019年第11期。

金占勇、田亞鵬、白莽：《基于長短時記憶網(wǎng)絡(luò)的突發(fā)災(zāi)害事件網(wǎng)絡(luò)輿情情感識別研究》，《情報科學(xué)》2019年第5期。

陳凌、宋衍欣：《基于公眾情緒上下文的LSTM情感分析研究——以臺風(fēng)“利奇馬”為例》，《現(xiàn)代情報》2020年第6期。

瞿志凱、張秋波、蘭月新等：《暴恐事件網(wǎng)絡(luò)輿情風(fēng)險預(yù)警研究》，《情報雜志》2016年第6期。

付業(yè)勤、鄭向敏、鄭文標(biāo)等：《旅游危機(jī)事件網(wǎng)絡(luò)輿情的監(jiān)測預(yù)警指標(biāo)體系研究》，《情報雜志》2014年第8期。

劉志明、劉魯：《面向突發(fā)事件的群體情緒監(jiān)控預(yù)警》，《系統(tǒng)工程》2010年第7期。

李繼紅：《基于情感計算的網(wǎng)絡(luò)輿情預(yù)警研究》，南昌大學(xué)2016年碩士學(xué)位論文。

田千金：《環(huán)境群體性事件網(wǎng)絡(luò)輿情演化及預(yù)警研究——以中泰垃圾焚燒廠事件為例》，湖南科技大學(xué)2018年碩士學(xué)位論文。

王雪猛、王玉平：《基于情感傾向分析的突發(fā)事件網(wǎng)絡(luò)輿情預(yù)警研究》，《西南科技大學(xué)學(xué)報（哲學(xué)社會科學(xué)版）》2016年第1期。

劉志明、劉魯：《面向突發(fā)事件的民眾負(fù)面情緒生命周期模型》，《管理工程學(xué)報》2013年第1期。

李季梅、陳寧、陳安等：《突發(fā)事件的網(wǎng)絡(luò)輿情監(jiān)測與恐慌度量系統(tǒng)》，《中國科技資源導(dǎo)刊》2009年第2期。

梁鑫：《網(wǎng)絡(luò)公共情緒危機(jī)的預(yù)警機(jī)制研究》，電子科技大學(xué)2015年碩士學(xué)位論文。