摘要：在當前科技黑天鵝事件頻發(fā)的背景下，公眾輿情的有效情報對于預警、監(jiān)測和引導科技輿情至關重要。應用大語言模型和預訓練模型對輿情數(shù)據進行立場分析、情緒標注和主題挖掘，并結合社會沖突理論，從立場與情緒的角度深入分析科技黑天鵝事件可能引發(fā)的輿情風險。研究發(fā)現(xiàn)，公眾對新技術持謹慎態(tài)度，主要擔憂集中在倫理道德和就業(yè)壓力上，這些擔憂可能引發(fā)社會不安、加劇貧富分化。相較于一般輿情，科技輿情具有專業(yè)性、全球性特征以及對倫理道德的深遠影響，其潛在風險更為突出。

關鍵詞：科技黑天鵝事件；輿情；科技；風險感知；風險應對；情緒分析；立場檢測

中圖分類號：TP391 DOI：10.3772/j.issn.1673-2286.2024.10.001

引文格式：王力，張運良，浦墨，等. 立場與情緒視角下科技黑天鵝事件輿情風險感知研究：以ChatGPT事件為例[J]. 數(shù)字圖書館論壇，2024，20（10）：1-8.

科技的迅速發(fā)展改變了人類生活的各個方面，開啟了前所未有的創(chuàng)新時代。然而，在生物工程、人工智能、材料、航空航天等領域頻發(fā)的黑天鵝事件為科技發(fā)展帶來了更多的復雜性和不確定性。當前學界對科技黑天鵝事件的定義相對模糊，但通常指那些在科技領域中突發(fā)且具有巨大影響的事件。本文將科技黑天鵝事件定義為科技領域內難以預測、具有持續(xù)性和連鎖反應的事件。它們能引發(fā)廣泛的社會關注和討論，可能引起深遠的科技和社會變革。由于科技黑天鵝事件的不可預測性和潛在影響，公眾可能會因信息不對稱、不確定性等因素，產生擔憂甚至是過激反應，這些情緒和態(tài)度的變化會影響他們對科技的看法和行為，從而引發(fā)科技輿情。

已有研究表明，科技輿情在網絡輿情整體環(huán)境中，由原來關注度極低的“不起眼”位置走向“臺前”[1]，其和一般公共事件輿情的不同之處在于其涉及的要素更多，甚至會涉及法律空白。當前國內外對科技輿情風險感知的研究相對較少，主要基于定性、定量或兩者相結合的方法，這些方法主要針對科技輿情的特點，用于輿情監(jiān)測和輿情引導等。定性研究主要基于傳播學、社會學等理論，或已有的工程經驗和案例[2]。定量研究集中于對真實輿情數(shù)據的語義分析，旨在挖掘出科技輿情中的隱性知識，多聚焦于使用情感分析、主題挖掘等方法分析公眾對新技術應用的態(tài)度[3]。定性和定量相結合的方法包括結合問卷調查法和層次分析法分析公眾對新技術的立場[4]，利用系統(tǒng)仿真模型模擬輿情演化從而為輿情引導、輿情預警等提供支撐[5]，以及從知識工程的角度構建科技風險事件本體[6]。總的來說，以定性方法分析風險特點的研究占比較高，而定量分析的分析維度較為單一。因此，從多維度深入研究科技輿情風險感知具有理論和現(xiàn)實意義。

針對科技黑天鵝事件的輿情風險感知是指相關利益方（如政府機構、企業(yè)、研究機構等）在科技黑天鵝事件發(fā)生后，對公眾情緒、輿論趨勢和潛在風險的及時識別和監(jiān)測過程?？萍己谔禊Z事件輿情風險感知研究需要解決以下兩個問題：①如何準確高效地抽取科技輿情中的情緒標簽和立場標簽；②如何從多維度挖掘出科技輿情中的隱性風險。為此，本研究設計多維度風險感知模型，使用ChatGLM2、bert-multilingual-goemotion模型以及BERTopic模型對輿情數(shù)據進行立場標注、情緒識別和主題分析，并基于社會沖突理論，從立場與情緒的角度感知科技黑天鵝事件可能引發(fā)的輿情風險。

1 理論與方法基礎

1.1 社會沖突理論

社會沖突理論認為沖突在社會和群體中扮演著積極的角色，有助于促進整合、維持穩(wěn)定和平衡[7]。科塞的沖突功能理論特別強調了沖突在社會多維度發(fā)展中的正面影響，并引入了“安全閥制度”這一概念。該理論認為，當社會群體中出現(xiàn)矛盾時，對立的觀點可能會激發(fā)敵對情緒，如果這種情緒積累到一定程度，可能會對社會的發(fā)展產生負面影響，而安全閥制度的目的在于確保這些情緒被控制在一個可管理的范圍內，以保護社會的穩(wěn)定和發(fā)展。一些學者已經證實社會沖突理論在科技對現(xiàn)代社會影響研究方面的重要性，并提出社會沖突理論可以為突發(fā)事件情境下的網絡輿情治理提供指導[8]。基于此，本研究進一步深入探討情緒與沖突激烈程度之間的聯(lián)系，并將其應用于科技輿情風險感知領域，從理論和實踐兩個層面進行深化研究。

1.2 情緒分析與立場檢測

在情感分析中，情感分類任務受到了廣泛的研究和關注[9]，其目標是對情感文本所體現(xiàn)出的主觀看法進行判定。情緒分析是從情感分類中發(fā)展出來的一個更精細的領域，它不僅識別情感是正面的還是負面的，還能進一步將情感劃分為更具體的類別，如驚喜、憤怒、悲哀、快樂、厭惡和恐懼等。與情感分類相比，情緒分析在細節(jié)上的區(qū)分度更高，對技術的要求也更為嚴格，這使得它能夠進行更深入的信息挖掘和理解。

立場檢測又被稱為視角和意見檢測[10]，通過表達對某個對象的立場來識別視角。早期的立場檢測工作主要分析在線論壇上的辯論，這與近期更多關注社交媒體平臺（特別是Twitter）的研究不同[11]，因為前者有更為明確的單一背景。

立場檢測和情緒分析的區(qū)別在于關注的對象和目標。情緒分析可以沒有特定目標，而立場檢測則需要對給定的目標進行分析。立場檢測主要關注文本中對特定主題或對象的態(tài)度或觀點，旨在確定作者或說話者的立場是支持、反對還是中立的。而情緒分析則是對文本中表達的情緒進行分類，不一定局限于特定的主題或對象，而是關注文本所表達的情感色彩，將其歸類為正面、負面或中性。

立場檢測和情緒分析在某些方面有所聯(lián)系。從語義上看，它們之間的主要聯(lián)系在于情感表達通常包含在立場表達中，而且它們可以使用相似的技術方法。立場與情緒相結合的視角更關注不同立場之間的情緒差異和交互關系，這種更細粒度的分析可以揭示更深層次的輿情動態(tài)。近年來，一些學者已經開始認識到將立場和情緒結合起來分析公眾相關研究問題的重要性[11-16]，但尚未有將情緒與立場結合起來的輿情風險感知研究。此外，基于定量分析的方法缺乏系統(tǒng)詳實的理論分析，而基于定性分析的方法則缺乏真實數(shù)據的支撐，故本研究將二者的優(yōu)勢耦合起來，并將其應用于科技黑天鵝事件的輿情風險感知研究。

2 實驗設計

2.1 研究框架

立場與情緒視角下科技黑天鵝事件輿情風險感知研究框架如圖1所示。首先，從新聞媒體、社交平臺等獲取輿情數(shù)據，確保信息的廣泛性和多樣性。其次，通過數(shù)據清洗與預處理，保證數(shù)據質量。使用ChatGLM2對處理后的數(shù)據進行立場標注，利用bert-multilingualgo-emotion模型進行情緒標注，并人工校對。再次，以社會沖突理論為基礎，結合立場與情緒的標簽，深入分析不同立場下的情緒特征，揭示輿情中的復雜互動關系。最后，使用BERTopic主題分析模型，聚焦于特定事件或對象，提供深層次的輿情洞察。

2.2 立場檢測模型

ChatGLM2-6B是開源中英雙語對話模型ChatGLM-6B的第二代版本，使用了中英雙語預訓練模型，具有雙語能力，同時支持時間更長的對話和應用。ChatGLM2-6B使用了監(jiān)督微調、反饋自助、人類反饋強化學習等算法，初具理解人類指令意圖的能力。

本研究主要關注用戶對科技黑天鵝事件涉及的技術的立場，并將立場分為支持（該技術）、反對（該技術）、中立以及（與該技術）無關4種。因此，基于ChatGLM2模型，編寫相關提示詞模板，并使用少量的人工標注好的立場提示句進行微調，使ChatGLM2可以實現(xiàn)針對科技黑天鵝事件的立場檢測功能。

2.3 情緒分析模型

本研究的目標是實現(xiàn)細粒度的情緒分類，因此選擇bert-multilingual-go-emotion模型。該模型基于GoEmotions數(shù)據集（由人工標注，包含58 000條Reddit評論，并且針對每條評論標注了不同的情緒類別）進行微調，包含中英兩種語言文本。該模型的情緒分析效果較好，準確率達到85.95%，精確率達到91.99%，召回率達到89.56%，F(xiàn)1值達到90.17%[17]。

該模型的訓練數(shù)據集分為28個類別，并將這28個類別進一步歸納為4類[18]：正向、負向、模糊、中立。為后續(xù)研究方便，本研究將中立情緒歸類到模糊類別，情緒歸類如表1所示。

2.4 立場-情緒輿情分析模型

首先，根據參考文獻[8]中沖突陣營劃分的結論，并結合Plutchik情緒輪盤[19]和麻省理工學院提出的情緒軸[20]，對28個情緒類別進一步分類，結果如表2所示。

其次，結合4種立場，得到24種立場-情緒組合，作為輿情主題分析的類別基礎，如表3所示。

在這24個組合中，強沖突組合的評論需要特別關注，有以下原因：①可能存在一些仇恨言論，甚至會形成極端立場；②隱藏著極端群體，容易產生觀點沖突。

2.5 主題抽取模型

主題抽取的目的是進一步厘清沖突觀點中公眾關注的焦點。在本研究中，選擇BERTopic作為主題抽取的方法。BERTopic是一種基于BERT的主題模型，旨在從文本數(shù)據中自動提取主題信息。與傳統(tǒng)的主題模型相比，BERTopic利用了BERT的預訓練語言表示能力，能夠更好地捕捉文本中的語義信息和語境關系。該模型通過對文本進行向量化表示，并利用聚類算法，將文本樣本劃分為不同的主題簇。BERTopic不僅能夠處理長文本，還能夠有效地處理大規(guī)模文本數(shù)據，并且具有較高的主題提取準確度和穩(wěn)健性。BERTopic在文本挖掘、輿情分析、信息檢索等領域已得到應用。

3 研究過程與結果分析

3.1 數(shù)據采集與預處理

經文獻調研和專家咨詢，確認“今日頭條”作為數(shù)據獲取源。另外，有研究表明，科技輿情往往具有短時爆發(fā)性，在短時間內產生的評論更具有情報價值[21]。因此，使用Python編寫爬蟲程序，以“chatgpt”為檢索式，在“今日頭條”上爬取2022年11月15日—2023年4月15日的全部評論，共10 943條。

3.2 立場-情緒視角下的輿情分析

3.2.1 立場統(tǒng)計

首先，下載ChatGLM2-6B模型，并在NVIDIA Tesla V100 32 GB服務器上進行環(huán)境搭建。整理模型訓練的數(shù)據集，將2 000條數(shù)據整理為模型的輸入格式：{“instruction”：“你現(xiàn)在是一個立場檢測工具，請根據輸入的內容，給出內容是反對、支持、無關或中立等結果”，“input”：“內容”，“output”：“結果”}。然后，使用P-tuning方法進行模型微調，學習率設置為2e-2，batch_size設置為8。最后，進行測試，在加載ChatGLM2-6B模型時，同時加載微調后的模型結果。測試通過后，對全部數(shù)據進行立場標注，并人工輔助修正，發(fā)現(xiàn)持中立立場的人數(shù)最多，占全部的52.9%，占比遠高于持其他3種立場的人數(shù)。持支持和反對立場的人數(shù)相當，且在總人數(shù)中占有一定比例。根據李玥琪等[22]的研究，這說明該事件引發(fā)的社會輿情存在著一定風險性，危害程度一般。

3.2.2 不同立場的情緒類別分布統(tǒng)計

對4種立場的情緒類別分布進行統(tǒng)計，如圖2所示，圖中橫軸所示的情緒從左至右依次為正向強沖突、正向弱沖突、負向強沖突、負向弱沖突、模糊強沖突、模糊弱沖突情緒?？梢园l(fā)現(xiàn)，中立立場情緒類別分布比較平均，且模糊情緒類別占比較高。支持立場中，模糊情緒類別與正向情緒類別占比相當。無關立場和反對立場中則多為負向情緒和模糊情緒。

3.2.3 立場-情緒組合分布

對24個立場-情緒組合進行統(tǒng)計，如圖3所示，圖3（a）所示為具有明確立場的評論，圖3（b）所示為持中立和無關立場的評論?？梢园l(fā)現(xiàn)，無論是在支持立場還是在反對立場中，模糊弱沖突情緒都占比較高。此外，中立立場中模糊情緒占比較高是符合正常預期的。在無關立場中，負向情緒占比較高，因此須進一步明確是什么引起公眾的關注，且使其產生了負向情緒，其中是否隱藏了新的風險點。在中立立場中，模糊強沖突和負向強沖突的評論需要得到進一步關注。

3.2.4 風險主題識別

通過定性和定量分析可以發(fā)現(xiàn)，有4類情緒需要特別關注，本節(jié)將依次使用BERTopic模型對其作進一步的風險主題識別。

（1）反對立場中的強沖突情緒，包含（反對，負向，強沖突）和（反對，模糊，強沖突）。反對立場中的強沖突情緒是最需要得到關注的，因為其中可能隱藏很大的輿情風險，反對立場強沖突情緒主題分類結果如表4所示，其中黑體表示極端評論相關主題詞。結合數(shù)據降維方法UMAP（Uniform Manifold Approximation and Projection）降維結果對主題進一步歸類，可以發(fā)現(xiàn)公眾主要有以下?lián)鷳n：①ChatGPT技術的意義；②ChatGPT技術的能力；③ChatGPT對人類未來的影響。值得注意的是，主題詞中出現(xiàn)了很多有極化特點的詞語，這說明相關評論可能發(fā)展為極端立場，從而帶來社會風險。

（2）中立立場中的模糊強沖突和負向強沖突情緒，包含（中立，模糊，強沖突）和（中立，負向，強沖突）。中立立場強沖突情緒主題分類結果如表5所示。從實驗結果可以發(fā)現(xiàn)，中立立場中強沖突評論的主要關注點可分為4個方面：①ChatGPT技術對其他領域（金融、教育等）的影響；②由ChatGPT引發(fā)的中美技術對比；③美國對中國技術的制裁（“長頸鹿”“動物”等均是與此主題相關的調侃評論詞）；④吐槽。和反對立場強沖突評論不同的是，中立立場評論中并未出現(xiàn)極端主題詞，公眾更多圍繞技術本身相關議題進行理性討論。

（3）無關立場中的負向情緒，包含（無關，負向，強沖突）和（無關，負向，弱沖突）。無關立場負向情緒主題分類結果如表6所示。無關立場評論的主題相對統(tǒng)一，均為對文章《ChatGPT替寶馬就冰淇淋事件寫致歉聲明 看完格局拉滿》所提事件本身的討論。值得注意的是，雖然這些評論本身與ChatGPT技術無關，但評論中出現(xiàn)了很多負向的、極端的主題詞，這從側面說明評論中可能隱藏著其他的社會輿論風險問題（“種族歧視”等詞需要特別引起關注）。

（4）支持立場中的正向強沖突情緒，包含（支持，正向，強沖突）。支持立場強沖突情緒主題分類結果如表7所示?；趯嶒灲Y果可以得到3個主題：①對評論文章的認可；②科技發(fā)展的重大意義；③ChatGPT提高生產效率。其中“科技發(fā)展的重大意義”與反對立場強沖突情緒主題“ChatGPT技術的意義”是對立的，存在一定的輿論風險。

3.3 實驗結果述評

結合實驗分析可以發(fā)現(xiàn)，中立立場的評論量遠高于其他立場，這表明科技黑天鵝事件引發(fā)的社會輿情有一定風險性，公眾對新技術持謹慎態(tài)度。通過進一步主題挖掘發(fā)現(xiàn)，持反對立場的公眾主要擔憂ChatGPT技術的意義、能力以及對人類未來的影響。這種憂慮有可能觸發(fā)社會不安，特別是在公眾觀點走向極端的情況下。此外，技術研發(fā)和應用產生的倫理、道德問題對公眾心理產生的影響日益加深，可能導致公眾在短時間內難以接受。這些問題不僅觸及了科技發(fā)展中的道德界限，還突出了建立科技倫理法規(guī)體系的重要性。

除了對科技倫理的擔憂之外，反對立場主題分類結果顯示，人們還擔心新技術的應用增加就業(yè)壓力，并在短期內導致社會矛盾的集中。新技術推廣應用可能導致貧富兩極分化加劇，如信息技術快速發(fā)展造成數(shù)字鴻溝擴大，可能導致社會底層人群被遺棄，收入分配差距、區(qū)域發(fā)展差距等呈現(xiàn)擴大趨勢。

互聯(lián)網成為社會公眾表達訴求的重要渠道和平臺，傳播速度快、范圍廣、碎片化的網絡輿情給社會治理帶來了新挑戰(zhàn)。日益擴大的數(shù)字空間為極端分子開展極端宣傳創(chuàng)造了條件，給國家?guī)戆踩{。

總體上看，和一般公共事件輿情相比，科技事件引發(fā)的輿情具有專業(yè)性、全球性，對倫理道德有深遠影響。科技輿情涉及復雜的技術問題和倫理挑戰(zhàn)，其傳播速度快、范圍廣，且常伴隨安全和隱私問題，對全球社會結構和文化產生作用。

4 結論與展望

本研究從立場與情緒視角構建了科技黑天鵝事件輿情風險感知模型。基于大語言模型和預訓練模型系統(tǒng)地抽取了多維度輿情相關要素，并結合社會學相關理論感知了輿情風險。在理論層面，本研究綜合考慮了立場和情緒對科技輿情的影響，以社會沖突理論為指導思想，同時運用主題挖掘技術進一步明確了輿情風險信息，豐富了科技輿情風險研究體系的維度。在實踐層面，本研究采集了“今日頭條”平臺上與ChatGPT這一典型科技黑天鵝事件相關的輿情數(shù)據，并進行了實證分析，發(fā)現(xiàn)人們對新興技術抱有保留態(tài)度，主要的顧慮涉及倫理問題和就業(yè)挑戰(zhàn)，這些顧慮可能會觸發(fā)社會動蕩、擴大貧富差距。相較于其他類型的輿情，科技輿情因其專業(yè)性強、影響范圍廣和對道德倫理的深刻影響而顯得格外顯著。

在現(xiàn)有研究基礎上，引入多維度視角對科技黑天鵝事件引發(fā)的輿情風險進行了研究，豐富了科技輿情領域的研究成果，并為科技決策部門提供了情報支撐。此外，本研究的結論對科技、社會治理和平臺運營具有指導意義，推動各方更加關注技術的安全性、可持續(xù)性和社會影響，共同構建一個更加安全、公正和可持續(xù)的科技未來。然而，本研究仍存在一些不足，例如研究范圍局限于國內單一平臺中單一事件的單一模態(tài)數(shù)據，因此所得結論具有一定局限性。未來研究將進一步引入多語言、多平臺、多事件、多模態(tài)的輿情數(shù)據，以更全面地感知和分析科技輿情風險。

參考文獻

[1] 曹軍. 科技網絡輿情的特點及監(jiān)測策略[J]. 新媒體研究，2023，9（24）：30-33.

[2] 陳麗敏. 融合自媒體的科技輿情監(jiān)測及應急導向分析[J]. 科技管理研究，2019，39（15）：267-274.

[3] ZETTERHOLM M V，LIN Y Q，JOKELA P. Digital contact tracing applications during COVID-19：a scoping review about public acceptance[J]. Informatics，2021，8（3）：48.

[4] SCHMAGER S，GR？DER C H，PARMIGGIANI E，et al. Exploring citizens’ stances on AI in public services：a social contract perspective[J]. Data Policy，2024，6：e19.

[5] 薛曉斐，方曉印，王儀雯，等. 謠言止于智者還是真相？基于雙層耦合網絡的謠言控制仿真研究[J/OL]. 情報科學：1-22[2024-08-29]. https：//kns.cnki.net/kcms/detail/22.1264. G2.20231211.1627.002.html.

[6] 劉耀，房小瑋，秦迅. 科技風險事件庫構建及事件發(fā)現(xiàn)關鍵技術研究[J]. 情報學報，2022，41（11）：1188-1198.

[7] 科塞. 社會沖突的功能[M]. 孫立評，譯. 北京：華夏出版社，1989：53-55.

[8] 安璐，周凡倩. 突發(fā)事件情境下沖突觀點與重疊共識研究[J]. 情報理論與實踐，2023，46（9）：69-78.

[9] 劉穎，薛云龍. 融合情感分析與多元時間序列的區(qū)塊鏈產業(yè)輿情監(jiān)測研究[J]. 情報工程，2023，9（1）：3-14.

[10] KLEBANOV B B，BEIGMAN E，DIERMEIER D. Vocabulary choice as an indicator of perspective[C]//ACL 2010-48th Annual Meeting of the Association for Computational Linguistics，Proceedings of the Conference. New York：ACM Press，2010：253-257.

[11] EFFROSYNIDIS D，SYLAIOS G，ARAMPATZIS A. Exploring climate change on Twitter using seven aspects：stance，sentiment，aggressiveness，temperature，gender，topics，and disasters[J]. PLoS ONE，2022，17（9）：e0274213.

[12] ALAM M，IANA A，GROTE A，et al. Towards analyzing the bias of news recommender systems using sentiment and stance detection[C]//Companion Proceedings of the Web Conference 2022. New York：ACM Press，2022：448-457.

[13] MARíN-ARRESE J I. Stance，emotion and persuasion：terrorism and the press[J]. Journal of Pragmatics，2021，177：135-148.

[14] THAPA S，RAUNIYAR K，JAFRI F，et al. Stance and hate event detection in tweets related to climate activism-shared task at CASE 2024[C]//Proceedings of the 7th Workshop on Challenges and Applications of Automated Extraction of SocioPolitical Events from Text（CASE 2024）. New York：ACM Press，2024：234-247.

[15] 王思麗，楊恒，劉巍. 基于混合機器學習的網絡輿論情感識別方法研究[J]. 情報工程，2024，10（2）：11-26.

[16] LIU Z W，ZHANG T L，YANG K L，et al. Emotion detection for misinformation：a review[J]. Information Fusion，2024，107：102300.

[17] HF-Mirror[EB/OL]. [2024-11-20]. https：//hf-mirror.com/.

[18] DEMSZKY D，MOVSHOVITZ-ATTIAS D，KO J，et al. GoEmotions：a dataset of fine-grained emotions[C]// Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics. Kerrville：ACL，2020：4040-4054.

[19] IMBIR K K. Psychoevolutionary theory of emotion（plutchik）[M]//ZEIGLER-HILL V，SHACKELFORD T K. Encyclopedia of Personality and Individual Differences. Cham：Springer International Publishing，2020：4137-4144.

[20] KORT B，REILLY R，PICARD R W. An affective model of interplay between emotions and learning：reengineering educational pedagogy-building a learning companion[C]// Proceedings IEEE International Conference on Advanced Learning Technologies. New York：IEEE Press，2001：43-46.

[21] 王力，張運良，曾文. 面向前沿科技風險事件的網絡輿情引導研究：以“基因編輯嬰兒”事件為例[J]. 情報雜志，2023，42（10）：89-95.

[22] 李玥琪，王晰巍，王楠阿雪，等. 突發(fā)事件下社交媒體網絡輿情風險識別及預警模型研究[J]. 情報學報，2022，41（10）：1085-1099.

作者簡介

王力，女，碩士，助理研究員，研究方向：知識組織、情感分析，E-mail：wl_teer@yeah.net。

張運良，男，博士，研究員，研究方向：知識組織、知識工程。

浦墨，女，碩士，研究館員，研究方向：競爭情報。

李琳娜，女，博士，副研究員，研究方向：推薦技術、數(shù)據挖掘。

林毅，男，博士，助理研究員，研究方向：情報方法、多模態(tài)數(shù)據挖掘。

Public Sentiment Risk Perception of Technology Black Swan Event from the Perspective of Stance-Emotion： A Case Study of ChatGPT Event

WANG Li1，2，3 ZHANG YunLiang1，3 PU Mo1，3 LI LinNa1，3 LIN Yi1，3

（1. Institute of Scientific and Technical Information of China， Beijing 100038， P. R. China； 2. Northwestern Polytechnical University， Xi’an 710129， P. R. China； 3. Key Laboratory of Rich-Media Knowledge Organization and Service of Digital Publishing Content， Beijing 100038， P. R. China）

Abstract： Against the backdrop of frequent technology black swan events， effective intelligence from public sentiment is crucial for early warning， monitoring， and guiding technological public sentiment. This article applies large language models and pre-trained models to conduct stance analysis， emotion labeling， and topic mining on public sentiment data. Furthermore， by integrating social conflict theory， it provides an in-depth analysis of the potential risks of public sentiment triggered by technology black swan events from the perspectives of stance and emotion. The study finds that the public maintains a cautious attitude towards new technologies， with primary concerns focused on ethical and moral issues as well as employment pressure， which could lead to social unrest and exacerbate wealth disparity. Compared to general public sentiment， technological public sentiment has more prominent potential risks due to its professional nature， global characteristics， and profound impact on ethics and morality.

Keywords： Technology Black Swan Event； Public Sentiment； Science and Technology； Risk Perception； Risk Response； Sentiment Analysis； Stance Detection

（責任編輯：王瑋）