社会民生事件中网络舆情演化与引导机制研究*

冯雯璐 苏健威 杜义华 齐宝森

(1.中国科学院计算机网络信息中心 北京 100190；2.北京师范大学 北京 100875)

信息技术的迭代变革推动了新的网络舆论生态结构的形成，促使网络舆情呈现出新的特点。首先，舆情参与主体数量激增，泛化多元，在“重新部落化”的过程中产生的合作或冲突的网络行为，以及非理性的“集体狂欢”作用下，造成了舆论偏差和群体极化，加速舆情发展。其次，作为客体的舆情信息复杂过载，容易在短时间呈裂变式几何级数扩散传播，产生信息级联效应和次生舆情危机。信源不明，谣言相伴而生，加之算法协同过滤机制，使多元主体的信息表达呈现出“网络社群巴尔干化”特征[1]，固化圈层传播中的极化倾向，致使拟态空间舆论与事实存在差距，影响公众的信息选择与认知判断。第三，网络舆情的产生时间和演化过程具有突发性和动态性，信息扩散呈现跨媒介、多路径特点，新媒体平台成为主要舆论阵地。当特定舆论空间所聚集的用户群体表现出不同网络行为时，会导致主次舆论场变化，跨舆论场群体间的观点博弈和协同传播，又影响着网络舆论信息流空间和网络韧性，致使舆情快速蔓延至整个社会舆论场。

社会民生事件具有上述网络舆情的普适特点，其话题信息主要涉及衣食住行、文化教育、伦理规范等，属于对抗冲突较小的“弱议题”舆情事件。但因其贴近生活、关乎公共利益、高发生率而容易引起网民的广泛关注，特别是引发面临较大生活压力的新兴中产阶级的群体性焦虑，而这些人又是网络舆论表达的活跃者，因此，社会民生舆情表现出了更加明显的网络聚焦效应。我国正处于社会转型期，社会矛盾问题依然突出，社会民生舆情已然成为一种常态化存在。故针对此类事件的舆情应对研究，对疏解社会情绪，防范社会风险具有重要意义。

1 文献回顾与研究问题

网络舆情是以互联网为传播媒介，以舆情事件刺激主体，形成对事件的认知、态度、情感和行为倾向的集合[2]。近年来，公共事件中的舆情极化现象频发，对公共决策、政府运行机制和社会共识形成均起到制约作用。为了降低网络舆情产生的负面效应，国内外学者加强了对网络舆情演化规律、特征、影响因素等方面的研究，以期提出更为有效的，符合互联网传播逻辑的舆情引导方案。

1.1 网络舆情演化规律及特征探索

目前国内外学者对网络舆情演化进程及规律进行了大量研究，多基于舆情演进周期、舆情主体作用和演变过程中信息传播特点等方面对其进行探索。现有文献通常将网络舆情周期分为三至六个阶段，如Burkholder等提出了经典的复杂灾害下舆情演化的三阶段模型[3]；An等研究了突发公共卫生事件在微博和Twitter上的舆情话题演变模式及周期规律[4]。舆情主体研究方面，唐晓波等基于复杂网络分析探索意见领袖与微博舆情热点演变的关系[5]；易臣何等提出网络舆情事件中网民情绪经历的“个体情绪-群体情绪-链体情绪”的演化规律及其对政府形象的影响[6]。舆情信息传播特点研究方面，Peters等基于系统动力学模型研究舆情扩散中的级联效应及其效率问题[7]。

1.2 网络舆情演化影响因素分析

相关研究众多，其中模型分析和总结性研究较常见，多以阐释性视角论述个体及组织在网络舆情演化过程中的行为、作用和多因素间交互关系如何改变舆情状态。Jain等改进Louvain算法识别社区网络的社区结构，并基于Firefly算法确定社交网络中的意见领袖来研究其在舆情发展中的作用[8]；Hegselmann等通过构造有界信任模型，分析群体观点和规模对舆情发展的影响以及关联关系[9]；Ma等在传染病模型基础上，增加了“双向社会加强效应”的影响因素，研究不同条件下未知者对舆情演进的影响[10]；李静等基于协同理论和多案例研究，分析不同参与主体在网络舆论场中的互动关系如何改变舆情态势[11]。

1.3 网络舆情引导机制研究

当前关于舆情引导策略的相关研究较为零散，多集中于传播学、社会学和情报学领域，重点关注互联网为舆情引导工作带来的挑战以及应对这些危机的引导策略，但基于互联网技术特征的智能化引导方式的研究较少且相对滞后。韩素梅等结合里杰斯特提出的危机公关3T原则，从“时、度、效”3个方面论述了新媒体舆情的引导法则[12]；夏一雪等研究了舆情大数据环境下网民情感引导模式，针对两种类型的突发事件，提出了舆情引导“时度效”标准及对应策略[13]。Feng构建情感计算模型应用于网络社交媒体热点新闻挖掘和舆情引导分析，以有效提升引导效果[14]。

综上所述，通过梳理相关研究成果发现，一方面，许多研究集中于对舆情演进规律、影响因素、网民情感、引导策略等方面进行双变量关系分析，缺乏从集合组成要素的微观层面将多者置于统一系统结构中，对其相互作用机制进行定量研究。另一方面，舆情演化影响因素研究中的变量选择，常忽略相异性质因素组合在不同排序下导致舆情发展的多路径可能。此外，尽管关于舆情引导机制的研究较多，但多停留在宏观理论与政策研究层面，缺乏针对于具体应用场景、结合多案例分析，开展量化研究的“时度效”引导方案的提出。基于此，本文尝试将网络舆情演化规律及影响因素、网民负面情感和舆情引导机制置于同一框架下，采用QCA定性研究与“时度效”建模仿真定量研究相结合的方法，针对社会民生事件场景，提出分众化精准引导策略，从而在一定程度上拓宽网络舆情研究思路，为应对社会民生舆情危机提供科学决策支持。

2 社会民生舆情演化影响因素分析

不同于重大突发事件潜伏期风险积聚时间长，出现征兆不明显，迅速而猛烈地进入爆发期，易产生较大破坏力等舆情演化规律，社会民生舆情作为一般舆情事件，其危机诱因往往具有偶然性，但所反映的风险问题通常能够体现较为深入的社会矛盾和利益冲突，容易在多舆情主体的交互作用下产生较为明显和较长时间的网络发酵过程，表现出蔓延期前置的特征。因此，综合前人学者们提出的理论假设，本文将社会民生舆情演化周期划分为潜伏期、蔓延期、爆发期、衰退期4个阶段。潜伏期，事件在网络上披露，信息传播渠道集中，出现少量意见领袖。蔓延期，伴随更多媒体和意见领袖关注和报道该议题，吸引更多网民参与到舆情事件的讨论中，逐渐分裂为持不同观点的子话题群体，并在个体和群体间意见冲突与交互的过程中，完成舆情信息的再生产与扩散，促使事件话题不断发酵，舆情事态迅速扩大。爆发期，伴随事实还原过程，大量媒体和意见领袖通过导向性议题设置，完成网民的情绪渲染和不同意见群体的持续博弈，舆情信息在短时间内爆炸式增长，不断催生出新的舆情热点，致使围绕该事件的原生和次生舆情共同推动话题热度达到峰值，部分事件会出现多个舆情高潮，进而形成一定的社会影响，促使相关主管部门介入，加速事件处置。此时，舆情网络结构呈现多结构洞，多节点共鸣型传播特点。衰退期，随着事件所反馈的问题得到解决，舆情事态变小、变弱，不再升级扩大，舆情主体参与度降低，舆情网络呈现同质化网络缓解特征。

本文尝试从舆情演化动力学视角来分析社会民生舆情呈现上述周期演化规律的主要影响因素[15]，为fsQCA的变量选择提供依据。其中，舆情事件的敏感性和危害性是舆情演进的内源动力；网络传播推动力和引导主体的控制力是舆情演进的外源动力，前者会受到网民、意见领袖和媒体的影响，后者会受到响应情况、信息公开程度、主体公信力、具体引导策略等方面的影响，参见图1。

图1 网络舆情演化动力图

2.1 研究方法

为更好地揭示社会民生舆情演化过程中多元变量的共同作用，本文选用模糊集定性比较分析方法，该方法建立于模糊集理论的基础上，保留了核心的集合理论原则，能够处理集合间的部分隶属问题，同时拥有定性和定量的属性，能够避免对核心变量的粗糙分类，对变量提供更细粒度的测量。

2.2 案例选择

本研究采取立意抽样方式，以人民网发布的《中国互联网舆情分析报告》为基础案例库，选取2016-2021年间的36例符合条件的典型社会民生事件作为研究样本(参见表1)。样本案例涉及三类社会民生问题，主要为生命安全问题，如刑事类案件、公共事故、药物及食品安全等；其次为社会伦理问题，如网络暴力、基因编辑、网络诈捐等；第三类为社会公平问题，如高考公平、学术造假、顾客维权等。这些反复出现的舆情热点话题，能够反映公众的社会心理以及所对应的社会矛盾和问题。

表1 研究案例

续表1 研究案例

2.3 变量设置与赋值

网络舆情事件的演化和传播机理较为复杂，本文从上述舆情演进动力学视角出发，结合前人研究的理论假设，尝试从舆情事件、网民情感和传播属性3个层面，探究社会民生舆情演化的影响因素。本文对变量的隶属分数赋值采用了四值处理(1、0.67、0.33、0)。解释变量与结果变量设置如下(变量赋值参见表2)。

表2 变量赋值汇总

2.3.1事件层面解释变量

a.事件性质。事件层面的解释变量是舆情事件比较研究中常用的条件变量[16]。不同事件话题会呈现出多样态演进特征，其中高敏感性、强危害性事件更容易激起网民的讨论与问责。本文将出现个体死亡或群体严重伤害的案例编码为1，无则编码为0。

b.涉事主体响应类型。社会民生事件中，涉事方可以为个人、团体或政府，其对事件的响应速度及态度决定了舆情发展进程。本文参照杨立华等的编码方法[17]，将涉事主体采取积极响应措施编码为1，未及时采取积极措施编码为0。

c.引导主体公信力。舆情发展存在多元引导主体和多元意见倾向，舆情引导主体的公信力越强，越会强化引导意见的可信度和劝服力，起到正向干预作用[18]，本文将有权威媒体机构或政府部门介入的案例编码为1，无则编码为0。

2.3.2情感层面解释变量

a.共情心理。孙菲指出强大的情感共鸣会形成“封闭的社交网络”，促成舆情极化情绪的形成[19]。当与涉事方具有相似特征，或从属于同类社会属性群体时，更易引发群体同理情绪。本文将反映社会现象或涉及社会多数群体的案例编码为1，涉及少数群体编码为0。

b.公众诉求。公众通常会对其认为重要的、出乎意料的、负面事件产生“追责”诉求[20]，当诉求没有得到满足时，会加速舆情恶化。曾祥敏等认为公众舆论表达的情绪化和代表的实际诉求会影响舆论走向[21]，本文参照其对公众诉求的类型划分，将人身安全、经济利益等具体诉求编码为1，将非具体的情感诉求编码为0。

2.3.3传播层面解释变量

a.意见领袖。意见领袖在引导群体意见、形成舆论合力、改变舆情走向等方面具有显著作用[22]，本文沿用彭祝斌等对意见领袖的识别条件[23]，统计了案例相关热点微博话题下的意见领袖数量，将10个以上意见领袖参与的事件编码为1，6～10个编码为0.67，1～5个编码为0.33，无则编码为0。

b.媒体力量。媒体通过报道加速舆情信息传播，影响网民对事件的观点建构和舆情进程[24]。本文对事件相关热点微博话题下的媒体账号进行统计，将10家以上媒体参与的事件编码为1，6～10家编码为0.67，1～5家编码为0.33，无则编码为0。虽然媒体账号在微博中发挥意见领袖的作用，但在本文编码过程中，将两者进行了独立编码。

2.3.4结果变量：舆情热度变量

本文使用“舆情热度变量”作为结果变量，沿用刘宸玎的编码方法[25]，将微博话题讨论量作为舆情热度的原始定量数据来源，通过检索事件元关键词，统计相关话题的讨论量总数(以“万”为单位，保留2位小数)，对所有案例进行排序、分段。排序1～10的赋值为1，11～20的赋值为0.67，以此类推。

2.4 结果分析

2.4.1单变量必要性分析

将所有条件变量输入fsQCA3.0软件中，以舆情热度作为结果变量，进行单变量必要性分析，见表3。

表3 单变量必要性分析结果

其中，一致性和覆盖率指标的算法如下：

(1)

(2)

由表3可知，共3个变量通过了必要一致性检验(一致性得分超过0.9)。分别是变量：共情心理(0.90)、媒体力量(0.97)、意见领袖(0.97)，说明上述三个变量均为结果变量“舆情热度”的必要条件，即高舆情热度时，“共情心理”“媒体力量”“意见领袖”均起到显著作用[26]。

2.4.2模糊集比较分析

将赋值后真值表输入fsQCA3.0软件中，设置频数阈值为1，前因集作为结果集子集的一致性阈值为0.775，进行标准化分析。本文使用标准化分析提供的中间解作为最终结果。

如表4所示，标准化分析提供了导致高舆情热度的3种条件组合路径，按照净覆盖率降序将其分别编码为S1、S2、S3。

表4 标准化分析结果

S1表明，当事件的共情潜力较强，涉事方消极响应，引导主体公信力较强，公众有较强的情感诉求时，在媒体和意见领袖的推动下，舆情更易爆发。隶属于该条件组合的具体案例包括杭州女子被造谣出轨快递员事件、江歌事件、章莹颖失踪事件、杭州女子失踪案、鲍毓明涉嫌性侵养女等。

S2表明，当事件的危害性、敏感性不强，共情潜力较强，涉事方消极响应，引导主体公信力较强时，在媒体和意见领袖的推动下，舆情热度迅速攀升。隶属于该条件组合的具体案例包括鲍毓明涉嫌性侵养女事件、杭州女子被造谣出轨快递员事件、陕西奔驰女车主维权事件等。

S3表明，当事件的危害性、敏感性不强，共情潜力较强，涉事方积极响应，引导主体公信力较强，公众有较强的情感诉求时，媒体报道不多，但意见领袖发挥较大助推作用时，舆情热度迅速攀升。隶属于该条件组合的具体案例为罗一笑事件。

值得强调的是，单变量必要性分析中出现的3个结果必要条件(共情心理强、媒体数量多、意见领袖数量多)在所选择的舆情案例中几乎均有体现，故这3个变量在社会民生舆情引导中更具参考意义。

3 负面情感引导时度效研究

从上述QCA的分析结果能够看到，社会民生事件越具有共情潜力，越能够引起公众的情感诉求，舆情越快速爆发。由此可见，网民对公共舆情危机的影响日益凸显。一方面，网民情感的网络行为表达直接体现其差异化诉求，是网络舆情演化的重要驱动因素。舆情发展过程中，网民情感经历了认知判断、情绪激发、情感碰撞、缓和平稳4个阶段。个人在接收到舆情信息时，进行“选择性加工”并持观望态度；伴随事实认知深化进一步激发个体情绪，价值判断固化；新的刺激因素促成反馈情绪，通过网络表达传播，并在情感碰撞后形成群体意见，进而在“集体记忆”和群体情绪裹挟下，引发链体反应，推动舆论极化；最后网民的话题关注度降低并转移，舆情风险消退。另一方面，网民在舆情事件中参与角色的变化，催生出新的舆情引导困境。算法分发机制下的“信息茧房”加剧网民思维固化和非理性行为的衍生，侵蚀主流舆论引导力，易引发线下群体性事件；网民以其庞大基数深度参与舆情信息的“议程设置”，极大增加谣言数量和扩散性，带来舆论场域的失焦。因此，为了有效应对社会民生舆情，就需要重视网民作用，依托舆情大数据的分析研判，更好地解决网民负面情感引导的“时度效”问题。

3.1 舆论引导“时度效”机制

近年来，“时度效”已经成为舆论引导的重要基础和衡量标准。“时”强调时间维度上的引导时机选择，既要将舆情事件置于一段历史时间内进行全局考察，又要保证首次引导的时效性，把握关键引导时机。“度”强调方法维度上舆论引导的准确性和针对性，引导内容要真正触达人心，引导节奏要适度而非过度。“效”强调影响维度上引导策略的有效性，保障时与度的优化策略选择。三者辩证统一，度和效受到时的制约，需要在特定时间实现；效是时与度的目标和出发点，时和度的把握，会影响引导效果，时与度的选择，又需要效的衡量。在舆论引导实践中，只有将三者视为有机整体，综合考虑并予以实施，才能做到合时、适度、有效。基于此，本文尝试通过模型分析来研究网民负面情感引导的“时度效”关系。

3.2 负面情感引导模型

社会民生事件演化周期内的舆情信息量变化通常呈现“S型”曲线特征，因此，本文选取Logistic模型作为常态模型来研究此类舆情事件中网民负面情感的演化规律[13]。假设舆情事件发生后，t时间内网民负面情感信息量为N(t)，r为信息增长率，K为信息量上限，初值N(0)=N0，则所对应的负面情感常态模型为：

(3)

网民的负面情感会在引导主体实施引导措施α后，由常态模型转变为引导模型。当引导系数α∈(0，+∞)时，引导主体实施了正向引导策略，且α的值越大，正向引导程度越强。假设引导系数α能直接作用于网民的负面情感，令引导模型的初值N(0)=N(t0)，t0为舆情事件实施引导措施的最佳时间节点，则负面情感引导模型为：

(4)

社会民生舆情演化过程中，潜伏期的风险积聚具有突发性和隐蔽性，少量舆情主体产生发表、转载、评论等参与行为，尚未引起公众情感共鸣。当舆情主体和舆情信息数量不断增加，产生了一定规模的公众意见和情绪表达时，共同的立场和诉求使负面观点不断聚集后，网民的负面情感自常态模型初值N0开始，进入蔓延期。伴随舆情态势发展，网民对于事件的负面情绪积累达到高峰，甚至产生群体性舆情极化现象，致使负面舆情信息数量迅速呈几何级数激增，在t1后进入爆发期，直至舆情热度逐渐衰退，网民情感趋于平稳。因此，根据Logistic曲线特征，t1为Logistic方程“S型”曲线中的第一次重要拐点，通过计算函数拐点，可以得到网民负面情感演化的关键时间节点t1为：

(5)

舆情事件发生后，网民负面情感首先按照常态模型进行演化，在t0后开始实施引导模型，故实施引导措施的最佳时间节点t0的选择非常关键。本文基于社会民生舆情演化周期规律，尝试对演化过程中的首次最佳引导时间进行分析，而通过研究t1能够为t0的选择提供参考依据。t1在初值和上限确定时仅与信息增长率r有关，令舆情事件中r的取值范围为[0，1.8]。当舆情开始时，网民负面情感信息在[0，t1]区间增量较少；t1时间后网民负面情感信息的增量值快速增加。因此，社会民生事件的最佳引导时间t0应在爆发期前，即t0∈[0，t1]。

3.3 时度效仿真分析

由于社会民生事件中网民负面情感初值N0和信息增长率r较大，负面情感信息量增长较快，致使t1的值较小，即舆情会在较短时间内从蔓延期进入爆发期。因此，最佳引导时间t0可能会出现在t1的右侧。为了更好地研究此类舆情事件的引导“时度效”关系，本文选取t1前1个时间单位作为前置引导，t1后1个时间单位作为后置引导，对最佳引导时间t0进行研究。设置负面情感初值N0为50，信息增长率r为0.8，负面情感信息量上限K为5000，进行时度效仿真模型分析。基于上述参数设定，通过模型计算得到仿真数据表(参见表5)。

表5 仿真数据

经计算，前置引导时间为3.0977，后置引导时间为5.0977。令引导系数α分别为{0.5，1，1.5，2}，得到社会民生舆情事件“时度效”仿真分析结果，参见图2、图3。

图2 社会民生舆情事件“时度效”仿真分析(前置引导)

图3 社会民生舆情事件“时度效”仿真分析(后置引导)

从仿真分析结果可知，当引导主体采取正向引导措施时，网民负面情感大幅减少，并且随着引导系数α的增加，负面情感信息量持续下降，降低程度分别为33.33%、50%、60%、66.67%。当α增加到1之后，负面情感信息量已降低至50%以下，引导效果显著。

通过对比“前置引导时间”与“后置引导时间”的仿真分析结果能够发现，在进入t1之前的蔓延期采取正向引导措施，网民负面情感值增长缓慢，而在进入t1之后的爆发期实施引导，网民负面情感值短时间内快速增加。因此，最佳引导时间节点选在“前置引导阶段”能够有效舒缓网民情绪，同时，处于蔓延期的舆情风险具有较大随机演化特征，一些事件由于缺乏争议性和冲突性，难以引发公众情感共鸣，在此阶段进行有效干预，能够使舆情信息在大规模扩散之前快速消退。而引导时间节点选在“后置引导阶段”可能会面临较多不确定因素。例如，大量负面信息导致主舆论场内的信息数量不对等，引导效果甚微；舆情风险的反复性和不确定性，使得出现新诱因、反转剧情或关联性事件时，会产生多轮舆情周期现象；谣言泛滥导致真相难以识别，舆情影响扩大，产生涟漪效应，引发社会化和多元化舆情议题增加，上述情况都会促使网民负面情感加剧。故社会民生舆情的最佳引导时间节点应选取在“前置引导时间”的蔓延期。而一旦错过了该时间段，考虑到舆论引导的必要性，可以选择在爆发期采取较强程度的正向引导措施和隐性管控策略，最大程度弱化情绪极化与线上线下关联风险。此外，由于前置与后置引导时间的负面信息变化量差异不大，最佳引导时间的选取并非最重要因素，应采取“先度后时”原则，重点确保引导策略实施的针对性、全面性和有效性。

4 分众化舆情引导路径构建

基于上述以网民情感疏导为核心的舆情引导“时度效”机制研究，本文尝试进一步探索构建区别于传统刚性管控“一体化引导模式”的、以网民群体特征和实际需求为基础的“分众化引导模式”(参见图4)，从引导时间、干预程度、效果评估等方面，优化社会民生舆情引导策略。本文提到的引导主体包括政府机构、个人、企业等涉事方，实际舆情引导中可根据事件性质决定引导主体的界定。

图4 分众化引导模式

4.1 把握时：注重舆情引导时势、时效、时机

“时”是社会民生舆情引导需要考虑的首要因素，这里所说的“时”，既代表时间、时机，也代表时局。首先，“第一时间发声”对所有舆论引导工作而言都至关重要，尽管社会民生事件应采取“先度后时”的引导原则，但引导主体也需要在监测和研判到舆情发展的苗头时，以权威身份快速响应，主动发声，抢夺公众“第一眼”，力争在舆情态势升级之前，尽可能利用多种媒介渠道扩大正面阐释声量，赢得主动权和话语权，避免因真相缺位、谣言泛滥而陷入舆论工作的被动局面。其次，社会民生舆情的引导工作会经历多层次引导，多渠道作用的周期，要充分把握每一阶段的最佳引导时机。由仿真分析结果可知，不同于重大突发事件“黄金4小时”的舆情处置原则，社会民生事件的舆情响应周期较长，一些事件会伴随谣言和次生舆情的衍生而在两三天后达到高潮。因此，此类事件需要相对持续性的引导手段，密切关注舆情主题演变和网民情感诉求，在蔓延期和突发期，结合焦点问题和事件处置的关键节点，针对目标引导群体，实施针对性的引导策略。此外，社会民生事件往往与国家政策和民生大事休戚相关，需要在宏观层面上结合时代背景，将舆情事件置于复杂多变的国际环境加以考虑，也要从我国正处于的关键发展时期加以衡量，分析舆情事件与同期社会热点的关联关系，多角度、多侧面挖掘事件所反映的社会问题和主要矛盾，从而精准把握舆情引导的痛点，营造正向舆论，因势而谋，总揽全局。

4.2 把控度：掌握舆情引导深度、广度、强度

“度”强调把握好舆情引导的尺度和程度，即依托大数据、人工智能、区块链等信息技术，在大量分析研判工作的基础上，通过正向引导措施的实施，使引导内容直达人心。这就需要从内容层面保障引导信息的质量和水平，使其被公众所接受；从传播层面确保引导内容广泛扩散，精准送达；从管控层面阻断负向舆情信息对公众的干扰，肃清舆论环境。首先，舆论引导要在尊重真实性、客观性、准确性的新闻传播规律的基础上，实时公布事件处置进展，及时调整引导口径，充分表达鲜明的观点意图。同时，为了更好地达到正面宣传效果，需要在分析用户数据的基础上，合理配置内容议题、叙事框架、话语形式、表现方式等，提升引导内容的说服力，达到引起公众情感共鸣，进而产生正向传播行为的引导目的。其次，基于本文QCA的分析结果，要充分发挥传统媒体的宣传资源和新媒体平台的技术优势，以及意见领袖的圈层影响力，构建全媒体时代的“联合引导机制”，打造汇聚民意、高效触达的交互传播矩阵，强化主流舆论对公众认知的影响。同时把握好不同社会民生事件的引导信息数量、推送频次和引导时长，确保引导工作的适度性，避免过犹不及。再次，把握好舆情引导的对象范围，对目标人群进行精准定位、观点研判和特征分析，制定差异化引导方案，利用智能分发算法，实现引导内容的有效送达。最后，利用技术手段遏制谣言的滋生与传播，提升舆情演化全过程的“内容把关”效率，同时加强“网络水军”和负面账号的识别与管控，打击舆情事件中的异常传播行为，破坏负向群体传播的同质性，有效降低舆情传播峰值，加速舆情衰退。

4.3 把稳效：确保舆情引导全面、精准、有效

想要获得良好的社会民生舆情引导效果，主要取决于是否在遵循网络信息传播规律的基础上，实现了引导主体消解舆情、改变目标引导对象态度和行为的意图。因此，可以从网络传播效果情况和网民反馈情况两个方面构建基于大数据的引导效果评估体系，并开展初始、过程、最终效果评估的动态化、分阶段的测量工作，进而为舆情引导“时”与“度”的策略选择与调整提供依据。首先，传播效果评估方面，一方面，可以通过舆情信息全量数据采集与分析，判定舆情周期是否加速演化。另一方面，可以从传播力、影响力、说服力的角度，对跨舆论场引导内容的传播指数综合测量，来衡量引导策略的全面性和有效性。其中，引导内容的传播范围越广(由跨媒体平台数量及信息总数衡量)、持续时间越长(由引导内容持续传播时间衡量)、传播速度越快(由传播信息量和引导持续时间衡量)，其融合传播力就越强；引导内容的综合阅读量、点赞量、转发量、评论量越大，网民的参与程度就越高，其对公众产生的影响力就越大；传播主体公信力越强，主要舆论场中正面发文及评论占比远高于负面信息时，引导内容对媒体和网民的说服力就越好。其次，网民反馈评估方面，结合心理学的相关研究，通过探索网民线上行为与线下情绪、认知、行动具体指标的关联关系，构建网民情绪态度识别模型，结合问卷调查方式，进而对引导措施实施后的目标引导对象进行态度转变率测量，来判断网民的负面情感是否缓解，是否产生了理性化的事实认知，并推动了有益行为的转变，是否最终促成社会共识的形成，加速社会矛盾的解决，从而科学评估引导策略对公众作用的精准性和有效性。

5 结论与讨论

本文探索了社会民生事件的舆情演化特征、影响因素，以及基于网民负面情感分析与“时度效”研究的分众化引导机制，得出以下结论：a.社会民生事件作为反映民情的重要窗口，更具网络聚焦效应，容易将社会问题放大，引发网民的不满情绪和群体极化现象，处置失当会对政府机构和涉事方的公信力带来冲击。b.社会民生舆情演进存在较为明显的周期规律，与重大突发事件相比，蔓延期前置，有较长时间且相对明显的网络发酵过程。通过定性比较研究发现，能否引起公众共情心理，满足公众情感诉求，媒体报道与意见领袖的传播作用是影响舆情发展的重要因素，为引导策略的研究提供了依据。c.针对网民负面情感的“时度效”仿真分析，能够帮助测量引导时间、引导程度和预期效果，同时表明，较强程度的正向引导措施，能够有效疏解网民的负面情绪，但应采取“先度后时”原则，充分把握蔓延期的最佳引导阶段。d.基于上述研究构建的分众化引导路径，考虑到了引导群体特征和差异化诉求，从时、度、效3个维度提出的较为系统的舆情引导方案，符合智能化舆情治理特征，能够为新时期的舆论引导工作提供参考。

本文通过QCA定性比较分析得到的条件组合路径并不能描述所有社会民生舆情的生成轨迹，在未来的研究中，将进一步利用舆情大数据研究不同类型公共事件的舆情传播机理和演进规律，提升研究的精准度，并制定更为详尽的时、度、效多级量化指标，探索实践层面更具操作性和指导性的舆情引导方案。