突发事件中网络情绪测量与预警研究的回顾与反思

周高琴

【内容摘要】本文以“知网”“万方”和“维普”为数据源筛选相关领域代表性研究文献，对突发事件中网络情绪测量与预警的已有研究进行了系统综述，认为相关研究颇具现实导向性和技术应用性，但在理论建构方面存在不足，需借鉴多学科成果提供成熟的理论支撑;另外，长期追踪研究和多类综合研究也比较少，需完善信息预案库提升研究层次。

【关键词】突发事件;网络情绪;情绪测量;情绪预警

近年来，突发事件中的网络信息流动总携带着比较显著的情绪色彩，给社会应急管理带来不少新的挑战。普通意义上的“情绪”是指个体因某种外部刺激所致的突发反应，而“网络情绪”则更多地指向“网民”这类对象，是一种具有共享性的群体心理体验。

在网络空间，情绪尤其是负面情绪的集聚、共振极易强化群体的非理性认知，从而放大公共风险。有文献指出，网络情绪是突发事件舆情系统中的重要效能因素，它们的演化常常会影响整个事件的舆论发展走向;①对于信息时代的突发事件，网民情绪往往是决定其影响程度的重要因子。②目前，突发事件中的网络情绪问题已经引发社会的强烈关注，并成为学界的研究热点。研究者认为，测量突发事件中的群体情绪演化，建构有效的预警干预机制是提升政府应急能力的重大课题。③通常，情绪的测量又是建立在情绪结构的把握基础之上。故此，本文拟从突发事件网络情绪的结构、测量与预警这些方面展开，通过文本分析法，归纳国内学术界的相关研究现状。

为了较为全面地获取研究资料，本文以“知网”“万方”和“维普”为数据源，将“网络情绪”“网民情绪”“用户情绪”“社会情绪”“网络舆情”与“突发事件”“情绪测量”“情绪预警”作为主题词进行组合检索，最后筛选出46篇相关文献。

一、突发事件中网络情绪的结构研究

目前，学术界针对情绪结构的研究大致有两条路径：其一是分类取向（categorical approach），主要是剖析情绪的基本或者复合成分的构成;其二是维度取向（dimension approach），大多以情绪的向度和强度为基点探讨其特征。

（一）突发事件中网络情绪的分类取向

情绪分类取向研究旨在通过某个标准，将情绪分成独立、具体且有限的几种情感状态。在这类研究看来，每种基本情绪都有着独特的内部机制与外在表现，分类取向就是要识别情绪中某些稳定的、突出的情感指向。

與传统的社会情绪相比，互联网环境下的情绪更加动态多变，研究者在不同的事件、不同的情境中，对网络情绪作出了不同的分类。以“李某某案”为例，廖为民对网络舆情爆发时的社会情绪进行了分析，从242条微博评论中梳理出10种情绪类型：骂人、感叹、反讽、起哄、感慨、讥讽、调侃、讽刺、无语和警示。④唐超以“群众围堵酒驾司机砸车”事件为研究对象，把百度贴吧中的网民发言作为样本内容，从中整理出7种情绪构成：理性、同情、支持政府、愤怒、讽刺、失望和不信任，其研究表示，后四种情绪正是造成网络情绪自组织系统走向无序的关键点。⑤在“温州动车事故”案例中，叶永豪等人聚焦具有社会性和利群性的道德情绪，他们收集两万多条微博数据，从中解析出愤怒、厌恶、鄙视、同情和爱这五种主导的道德情绪。⑥不过，这种专门从某个角度对某种属性情绪进行分类的研究并不多见。

综合上述研究，可观察到当前的网络情绪分类取向多依托于突发社会公共事件，情绪的分类指标一般比较多，由此可见其复杂性。在情绪色彩方面，负面情感指向非常明显。

（二）突发事件中网络情绪的维度取向

情绪维度取向研究认为，情绪是一种模糊的连续体，其中的各种情感成分高度相关但难以区分，应该用维度阐释情绪的结构，以便发现不同层面的情绪及其表现出的特征。

针对突发事件中的网络情绪，常用的基础结构维度是“消极—积极”模型，这在文宏⑦、钟智锦⑧等人的研究中均可见到。以该模型为基础，描述从一个极端通过中间点到另一个极端的情绪维度较为普遍。比如靳明、靳涛等将黄金大米事件中的网民情绪基调分为三个维度：积极情绪、中立情绪和消极情绪;⑨冯兰萍、严雪等根据情感值的大小，将突发事件中的微博评论情绪分为正面（>0）、中立（=0）和负面情绪（<0）。也有的研究者将情绪的强度进一步细化，发展出四维的情绪结构模型。例如赵卫东和赵旭东等以某次边疆突发暴力事件为例，将其从1-10分为四个强度区间：极端负情绪、负情绪、正情绪和极端正情绪，在事件的演化中，这些负情绪不断转化为极端负情绪。⑩

除此之外，一些研究也采用了“效价—唤醒”维度（矢量模型）进行网络情绪评估。例如周莉、蔡璐等选取了“巴黎暴恐”事件，立足于Tsai的情绪维度理论，归纳了四种情绪效价组合：正情绪+高唤醒度、负情绪+高唤醒度、负情绪+低唤醒度、正情绪+低唤醒度。他们的研究指出，“巴黎暴恐”事件中的网络情绪具有高唤醒度和高参与度的特点，其中情绪唤醒度是催生社会性传播行为的重要因素。在传统时代的情绪取向研究中，“效价—唤醒”维度较为常见，但针对突发事件的网络情绪考察，采用该维度的研究还并不多。

当前，突发事件的网络情绪模型以二、三维居多，主要根据极性和强度表示情绪之间的关系。相关研究对传统情绪维度理论的借鉴较多，在情绪矢量模型上的探讨有待多样化。

二、突发事件中网络情绪的测量

（一）情绪测量的对象

在情绪分析中，情绪测量一直是个难点。传统的情绪测量有自我报告测量、惊愕反应测量、信息处理风格测量和推理量表测量等手段，但这些常规的实验法和量表法难以用于网络平台的情绪测量。针对突发事件中的网络情绪，很多研究者将舆情爆发时出现的网络数据作为研究材料，经过数据筛选和清洗之后，再进行情绪分析。

从体量上来看，这些网络上的文本数据大致可分为两类：其一是小数据样本。例如在“李某某案”中，为集中描绘舆情爆发后的围观者心态图景，研究者聚焦最早披露该案的某位编辑的微博信息，收集其有效的评论转发信息，选定前面的500条信息，最终获得两万字左右的情绪测量样本。其二是大数据样本。例如在“红黄蓝事件”中，依靠拓尔思大数据平台，相关研究从460万条微博数据中抽取2.2%作为样本，最终采集到6万多条有效的数据。在大数据提取上，通过Python编程编写爬虫跨网页提取信息是当前的重要手段，除了主页信息，有的研究也会通过二次爬取，获取用户ID、性别、粉丝数、地理位置等其他属性数据以做深化分析。至于网络情绪的生成主体类型，目前尚无统一的划分方式，从信息行为的角度，可将其分为信息加工者、信息搜索者和信息传播者等七种类型;从网民表达的特征角度，可将其分为积极传播者、消极传播者和理性参与者等四种类型。

不难发现，在突发事件中，网络情绪的发生主体比较多元，无论是小样本还是大样本的情绪测量，其文本对象大多源自事件的关键性网络信息、事件的相关网络评论等。

（二）情绪测量的方法

网络情绪的测量涉及数据检索、信息抽取、文本挖掘和自然语言处理等多个方面，从测量路径来看，其测量的方法主要有以下几种：

1.基于情感词典的情绪分析

情感词典是判断文本情绪倾向的一项重要工具，目前多数词典是通过人工所建构，首先需要阅读大量语料，标记具有情绪倾向的词语、句子、篇幅等内容，再根据其情绪的极性、强度和语义方向建构相应的分类器。由此一来，通过语义分析提取关键词的词典得以编成构成。

面向突发事件中的网络情绪，利用情感词典进行判别的方式大致有三类：其一是借助通用的情感词典直接判别网络情绪。在中文文本处理方面，知网的HowNet、台湾大学的NTUSD和大连理工的DUTIR等是最常用的几个开放情感词典。其二是拓展通用情感词典以构成新词典。例如，李长荣、曹彦波等人以大连理工的情感词汇本体库为基础，对现有的情感词典进行拓展，建立起新的情绪词汇库。其三是根据语料建构专用性的情感词典。有的研究者认为，通用情感词典的稳定性很好，不过其领域适应性一般，在对突发事件展开情绪分析时适用性不足，有必要建立更准确的突发领域情感词典。例如，针对暴雨洪涝期间的网民情绪，周莉和杨小莉以近5年的微博评论文本为语料，通过人工提取网络情绪关键词并进行赋值，建立起“突发事件·暴雨洪涝”情感词典，该词典包括悲伤、担忧和关心等7个情绪类别，各类词汇共计611个。由于人工建构情感词典的工作比较复杂繁重，一些研究者开始探讨情感词典的自动构建方法，例如崔彦琛、张鹏等人使用PMI-IR、S0-PMI等算法，建立消防事件网络舆情情感词典。整体来看，学术界中面向突发事件领域的情感词典不多，而自动构建的突发专用情感词典仍有待开发。

情感词典能够快速地完成给定文本的情绪识别，但在实际的研究中，这类方法仍面临不少的难题。诸如，在新词汇层出不穷的网络时代，如何提升情感词典的完整性和包容性？面对褒词贬用、贬词褒用或者一词多义的中文时，情感词典如何判定文本的情绪倾向……

2.基于機器学习的情绪分析

这是一种通过训练集和分类器识别文本情绪的方法，目前基于机器学习的情绪分析有两类：“有监督”的情绪算法、基于深度学习的情绪算法。

“有监督”的情绪算法步骤大致分为两步：首先是建立语料库，一部分语料作为训练集，剩下的语料用作测试集;再者，将人工标注好情绪极性的词汇作为训练集，通过机器学习算法建立分类器模型，再用模型对新输入的文本映射出相应的结果。常用的文本分类算法有支持向量机、朴素贝叶斯、梯度提升树和最大熵等机器学习模型。其中，朴素贝叶斯分类器是颇受欢迎的一种机器模型。一些研究者认为，朴素贝叶斯原理简单且分类可靠，在文本分类方面的优势独特。他们以“天津8·12事件”为例，用朴素贝叶斯分类器评定15164条微博评论的情绪倾向，获取文本情绪属于正向的概率，进而建立该事件的网络舆情态势演化模型。为了更好地把握突发事件中网络用户的情绪问题，有的研究会同时采用两种算法进行情绪分析，他们首先通过贝叶斯分类器计算出文本的情绪倾向度，以此建构用户画像库，再通过梯度提升树进行建模训练，建立一个基于画像属性的情绪预测模型，达成预测用户每个阶段情感倾向的目的。基于监督的机器学习提供了诸多的情绪分类方法，不过，它们需要依赖大量人工标注的语料数据，在构造训练集的时候还应尽量保持与实际测试集的数据分布相近。此外，它们一般都是浅层模型，在算法上也存在一定的局限，如，不能高效地判定较为复杂的文本表述模式，很难识别字数不足、信息较少的文本情绪等。

相对于浅层模型，深度学习能够自动从原始数据中学习层次化的特征，并充分地考虑上下文信息，以及高效地表达数据中包含的复杂模式，在解决短文本情感分类问题上效用相对较好。常用的深度模型有深度神经网络、卷积神经网络、循环神经网络、长短记忆神经网络和堆叠自编码器等，其中，一些深度模型循环神经网络存在梯度爆炸抑或消失的问题，增加了门结构的长短记忆神经网络可以解决这个问题，因此，现阶段的一些研究偏向于利用长短记忆神经网络进行情绪分析。基于长短记忆神经网络模型，金占勇和田亚鹏等建立了灾害事件网络舆情情感识别模型，通过对突发自然灾害事件进行实证研究，他们认为该模型的情绪识别效果要优于卷积神经网络和支持向量机算法。陈凌、宋衍欣引入长短时记忆神经网络模型，识别台风“利奇马”中微博用户的情绪，建立了一种用于分析用户情绪上下文的LSTM模型。在突发事件领域，相比基于监督的情绪识别，基于深度学习的情绪分析成果并不多，长短记忆神经网络模型的应用正处于开发期，学界倾向于利用其来研究突发灾害事件中的网民情绪问题。

鉴于语义词典与机器学习的路径各有所长，有学者提议将两者做结合分析，这类研究在其他领域已有开展，但在突发事件方面的应用还处于起步阶段，可成为未来的一个重要趋向。

三、突发事件中网络情绪的预警

监测是实现突发事件预警的基础和前提，网络情绪预警则是监测的目的，是网络舆情管理的重要环节，可为管理者提供识别舆情风险、评估舆情危机的机会，以便他们采取有效的应对措施。针对突发事件中的网络情绪预警，涉及的研究议题大致如下：

（一）突发事件中网络情绪的预警指标

在现有文献中，网络情绪大多作为二级指标或者三级指标，出现在网络舆情预警指标体系中。例如，有的研究者构建了暴恐事件网络舆情风险预警指标体系，在一级指标“网民反应”中设置了“网民情绪”这个二级指标，并将其分为“情绪分布”和“转移程度”，采用的测量方法分别是客观数据和开放式问卷，通过权重计算，提出“情绪分布”是高风险指标。有的研究者构建了旅游危机事件网络舆情监测预警指标体系，在准则层“舆情本体”的因素层“信息内容”中设置了“意见情绪状况”指标，其权重为0.0221。同样，在突发事件网络谣言危机预警指标体系中，在一级指标“网络谣言状态”亦可见“网民情绪倾向”二级指标，但在该指标的量化说明及数据获取方式上，其论述不够明确。

虽然，也有少数学者涉足突发事件网络情绪预警指标体系的研究，但相关研究还处于发展阶段。例如，刘志明和刘鲁初步提出了一套突发事件情绪异常波动预警指标集，该指标集包含了两类指标：整体情绪指标和单一情绪指标，前者包含了情绪分布度和情绪分布变化率，后者包含了情绪热度和情绪拐度。他们结合指标集，从时空维度定义了几种情绪异常模式，其研究更多的是一种探索性研究，并没有涉及对异常的详细分析。

当前关于网络舆情预警指标已有较多研究，但相关研究在定义指标时，对用户情绪因素关注不足，面向突发事件专门探索网络情绪预警指标体系的研究比较少，有待进一步拓展。

（二）突发事件中网络情绪的预警级别

网络情绪预警等级标识所监测到的情绪风险转化为情绪危机的可能性程度是一个重要的指标，预警等级越高，事态危机的可能性越大。在突发事件应急管理中，设定预警级别可有效控制危机发展。

在设置预警级别时，研究者通常将其分为四个层面，从低到高依次用蓝色、黄色、橙色和红色来加以表示，并普遍认为黄色代表警戒线。从文献成果来看，学术界涉及情绪预警级别的研究大致有两类：其一是利用情绪进行网络舆情预警。有部分研究尝试计算情绪得分，据此进行网络舆情预警。比如，李继红赋予了不同预警色不同的情感值：蓝色为情感值50分以下，黄色为情感值50-70分，橙色为情感值70-85分，红色为情感值85分以上，由此将网络舆情警级分为轻警级、中警级、重警级和巨警级。在参考李继红设定的情绪值的基础上，田千金对爆发期和蔓延期的舆情危机进行预警，将危机分为Ⅰ级（一般危险）、Ⅱ级（较大危险）、Ⅲ级（重大危险）和Ⅳ级（特大危险）这几类警级。也有少数研究是根据观点的数量划分舆情警级，在“郑州交警撞死婴儿事件”中，通过采集微博数据，研究认为，不利于社会和谐的舆论超过了整体评论的1/4，应采取黄色Ⅱ级预警级别。其二是根据情绪的生命状态，结合国际或国内惯例，设置预警级别专门进行情绪预警。例如，刘志明、刘鲁基于Aging theory模型，设计了面向突发事件的微博负面情绪生命周期模型，依照我国相关机构对突发事件的管理规定，将用户负面情绪预警划分为轻度活跃（IV级）、中度活跃（III级）、非常活跃（II级） 和特别活跃（I级）。可是，这种专门性的情绪预警级别研究并不多见。

由上可见，在突发事件领域，情绪预警级别的研究更多地依附于网络舆情预警的大范畴内，纵深的、专门性的研究比较薄弱，无论是理论还是应用层面都需要不断加强。

（三）突发事件中网络情绪的预警机制

预警机制是指能灵敏识别风险并及时提供警示的制度、机构等构建的系统，其作用在于通过超前反应来防患于未然。突发事件中，建立情绪预警机制能有效辅助相关部门进行决策。

研究者认识到，必须建立和完善网民情绪监测预警机制，准确掌控网民情绪变化，按照相应等级启动情绪干预措施，强化网民抗干扰能力。但在具体的机制探讨上，相关文献并不多，且主要集中在技术分析层面。面对突发事件中的群体情绪，有研究者设计了一套情绪监控预警模型，它由主题检测与跟踪模块、主题评论的情绪层次分类模块和时空模式分析与预警模块这几部分组成。不过，该模型还只是一个初步的探讨，在情绪的针对性、不同情绪的演化模式等方面尚未进行深入的探索。有研究者在分析公众恐慌的起因及特点的基础上，建构了一个网络舆情监测与恐慌度量系统，该系统主要包括信息收集、信息预处理、数据库和显示控制等模块，可以按照不同的要求筛选信息，进行多样化的图形展示和模型度量。但该恐慌度量与监测系统在帖子文本识别上仍需提升，也需要在大量实际案例的测试中改进。也有研究者认为，网络公共情绪预警机制应遵循可测量、延续性、准确性和导向性的原则，包括情绪跟踪检测、情绪整理加工以及判断分析、情绪警报等多个系统，并建立从线上到线下的双层组织体系。然而，这种多维度的情绪预警机制研究较少，有待进一步丰富。

四、研究述评与展望

（一）研究的基本特点

通过梳理现有文献，可以发现，突发事件中网络情绪的测量与预警研究呈现以下特点：

1.技术应用性

当前研究关注技术应用层面，即通过技术的方式实现突发事件中网络情绪的测量与预警，因此，各种工具、模型和方法被不断提出，卷积神经网络、循环神经网络以及长短记忆神网络等深度学习模型已经成为文本情绪分析领域的重要方向。从情报信息技术的角度探讨网络情绪的预警机制也比较热门，研究者试图借助多層模块技术提升情绪预警水平。大数据时代，学术界则思考如何应用大数据分析技术提高情绪测量、预警的效果。

2.现实导向性

当前研究以控制突发事件中的网络舆情为目的，结合特定的案例进行情绪的测量与预警分析，整体研究的现实导向性比较强。在事件类型上，旅游危机事件、暴恐事件、环境群体性事件和灾害事件均有涉及，其中，社会公共事件的学术关注度更高;在研究方法上，往往以网民评论为关键材料进行情绪测量的实验分析，运用德尔菲法或层次分析法建构情绪预警指标，再用特定案例进行实证模拟，以保证其具有一定的指示性作用。

（二）现有研究的不足与继续研究空间

1.理论建构不足，需借鉴多学科成果提供成熟的理论支撑

在现有文献中，有关突发事件中网络情绪的研究理论框架并不完善，不少议题被分散在公共舆论、情绪危机以及应急管理等研究之中，呈现出碎片化的现象，这反映出该领域基础理论构建上的不足。由于理论建设上的薄弱，一些研究往往浅尝辄止，无法纵深地、多维度地展开。并且，突发事件中的网络情绪问题往往会涉及多学科的知识应用，但目前整体研究缺乏学科协同、系统化的理论成果，造成部分研究将复杂情绪进行简单化处理的结果。

加强理论研究，对于厘清突发事件中网络情绪的构成成分、影响因素等问题，以及提高情绪测量与预警效果，都具有重要意义。现有研究应发展系统的理论研究，建构且完善相应的研究框架，促进理论与应用的融合，同时也要重视跨学科研究，有效借鉴吸收社会心理学、信息传播学和公共管理学等相关学科的成果，在交叉学科背景下深度剖析网民情绪，为突发事件中的用户情绪应对提供多方位的理论支撑，推动网络情绪测量与预警机制的科学发展。

2.长期追踪研究和多类综合研究较少，需完善信息预案库提升研究层次

突发事件中网络情绪的测量与预警涉及一系列复杂的问题，其研究需要一个典型的、全面的信息预案库的支撑。然而，目前的研究并没有相对完整的知识库作为后备，很多数据来源比较分散且系统性不足，因此，分阶段、追踪式的研究就难以开展。再者，就突发事件本身而言，它们的类型多样化，所导致的具体情境也各不相同，这便决定了网民情绪的测量与预警要面对复杂的情境预设。而现有的研究多是单案例研究，以某个特定形态的具体事件为对象进行定量分析，很少出现针对多种类型突发事件的综合研究。此外，即便是在某个具体的情境下，用户群体的多样化也致使相关问题的研究必然是个复杂的过程。

完善突发事件网民情绪信息预案库，可更好地了解异构信息整合方式，有助于推进历时性的长期跟踪分析，进一步优化当前的情绪测量、预警机制研究。由于突发事件具有多种类型，网民情绪也常常表现出多种形态，从而使得实际中的网络舆情带有极大的不确定性，因此，未来需拓展研究路径，加强多案例的综合研判，从宏观、微观等不同层面深化对研究对象的认识，以便有效化解网络情绪应对实践中的诸多问题。

注释：

①叶琼元、兰月新、王强等：《面向突发事件的网民情绪演化系统动力学模型研究》，《情报杂志》2017年第9期。

②凌晨、冯俊文、杨爽等：《突发事件中网民负面情绪的应急响应研究综述》，《情报杂志》2017年第11期。

③杨德生、程慧、叶绮娜：《重大突发事件对群体情绪的影响测度及预警干预研究——以新冠肺炎疫情为例》，转引自《第七届全国大学生统计建模大赛优秀论文集》，中国统计教育学会2020年版，第54页。

④廖卫民：《网络舆情爆发时的社会情绪测量及其结构分析——以李某某案为例》，《浙江理工大学学报（社会科学版）》2016年第2期。

⑤唐超：《网络情绪演进的实证研究》，《情报杂志》2012年第10期。

⑥叶勇豪、许燕、朱一杰等：《网民对“人祸”事件的道德情绪特点——基于微博大数据研究》，《心理学报》2016年第3期。

⑦文宏：《网络群体性事件中舆情导向与政府回应的逻辑互动——基于“雪乡”事件大数据的情感分析》，《政治学研究》2019年第1期。

⑧钟智锦、廖小欧、游宇霞：《网络社区中的情绪感染现象——基于环境类议题与爱国主义类议题的实证研究》，《新闻记者》2019年第9期。

⑨靳明、靳涛、赵昶：《从黄金大米事件剖析指桑骂槐式的公众情绪——基于新浪微博的内容分析》，《浙江社会科学》2013年第6期。

⑩赵卫东、赵旭东、戴伟辉等：《突发事件的网络情绪传播机制及仿真研究》，《系统工程理论与实践》2015年第10期。

周莉、蔡璐、刘煜：《文化差异中的网络情绪表达——YouTube中四国对“巴黎暴恐”事件的网络情绪分析》，《情报杂志》2017年第3期。

刘念、丁汉青：《从愤怒到厌恶：危机事件中公众的情绪图景》，《新闻大学》2020年第12期。

汤志伟、闰瀚楠：《公共危机情境下网络空间群体信息选择偏好的实证研究》，《情报杂志》2013年第6期。

蔡璐：《突发事件中的网络情绪表达——以2016年武汉特大暴雨中的微博评论为例》，华中师范大学2017年硕士学位论文。

李长荣、纪雪梅、郭凤仪：《突发公共卫生事件中在线健康社区关键用户的情感表达特征研究》，《现代情报》2021年第7期。

曹彦波：《基于社交媒体的地震灾区民众情绪反应分析》，《地震研究》2019年第2期。

周莉、杨小俪：《面向突发事件应急管理的情感词典构建——以“暴雨洪涝”灾害为例》，《武汉理工大学学报（社会科学版）》2019年第4期。

任中杰、张鹏、兰月新等：《面向突发事件的网络用户画像情感分析——以天津“8·12”事故為例》，《情报杂志》2019年第11期。

金占勇、田亚鹏、白莽：《基于长短时记忆网络的突发灾害事件网络舆情情感识别研究》，《情报科学》2019年第5期。

陈凌、宋衍欣：《基于公众情绪上下文的LSTM情感分析研究——以台风“利奇马”为例》，《现代情报》2020年第6期。

瞿志凯、张秋波、兰月新等：《暴恐事件网络舆情风险预警研究》，《情报杂志》2016年第6期。

付业勤、郑向敏、郑文标等：《旅游危机事件网络舆情的监测预警指标体系研究》，《情报杂志》2014年第8期。

刘志明、刘鲁：《面向突发事件的群体情绪监控预警》，《系统工程》2010年第7期。

李继红：《基于情感计算的网络舆情预警研究》，南昌大学2016年硕士学位论文。

田千金：《环境群体性事件网络舆情演化及预警研究——以中泰垃圾焚烧厂事件为例》，湖南科技大学2018年硕士学位论文。

王雪猛、王玉平：《基于情感倾向分析的突发事件网络舆情预警研究》，《西南科技大学学报（哲学社会科学版）》2016年第1期。

刘志明、刘鲁：《面向突发事件的民众负面情绪生命周期模型》，《管理工程学报》2013年第1期。

李季梅、陈宁、陈安等：《突发事件的网络舆情监测与恐慌度量系统》，《中国科技资源导刊》2009年第2期。

梁鑫：《网络公共情绪危机的预警机制研究》，电子科技大学2015年硕士学位论文。