新媒体环境下突发环境事件网络舆情风险信息感知模型

谢媛　李本乾

关键词： 新媒体环境； 突发环境事件； 网络舆情； 风险信息感知

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０６．０１６

〔中图分类号〕Ｇ２０３ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１ （２０２３） ０６－０１５８－０８

新媒体环境是利用数字技术和网络技术， 通过互联网、宽带局域网、无线通信网、卫星等渠道，以及电脑、手机、数字电视机等终端形成的环境。其在舆情传播方面有着非常重要的作用， 因为使用新媒体的用户较多， 舆情信息传播的深度与广度也在随之扩大， 一旦传播的负面舆情信息影响力超出可控范围， 即会引起突发性舆情危机事件。该类事件的发生会导致网民产生恐慌情绪， 动摇用户的信息， 丧失独立思考的能力， 从而产生消极的影响。基于这种情况， 就需要对突发环境事件作出准确的判断， 但是新媒体环境下网络舆情是一个较为复杂的事物， 其具有较强的不确定性， 增加了网络舆情風险信息感知与引导的难度。为了避免用户在突发公共事件中产生恐慌情绪， 以及被错误观点引领，发表不正当言论， 需要构建突发环境事件网络舆情风险信息感知模型。

２０２０ 年， Ｓｈｉ Ｘ 等［１］ 提出一种基于双向生成对抗网络（ＢＩＧＡＮ）的无监督方法， 实现配电网络在线监测数据的操作风险评估； ２０２１ 年， 李金泽等［２］ 在构建的突发舆情事件情报语料库基础上建立了突发舆情事件感知模型， 实现了舆情风向的感知； 李树文［３］ 利用探针捕获网络流量数据包和人工免疫算法构建检测模型， 实现网络安全风险检测； ２０２２年， 曹科才等［４］ 构建分数阶微分方程模型， 使用参数拟合方法降低了网络舆情系统整数阶数学建模方法的保守性； 兰月新等［５］ 在挖掘舆情传播的核心要素指标的基础上， 对网络舆情异常数据进行建模，并提出风险计算方法， 实现舆情风险的检测。上述模型中虽能够对风险信息感知， 但是感知信息来源于实验室数据， 并非实际数据， 容易出现与实际情况差距较大的情况， 准确性较低， 不能为事件分析提供帮助。

基于上述情况， 本文设计一个新媒体环境下突发环境事件网络舆情风险信息感知模型， 通过舆情主体建模、舆情信息模型建立与网民情感模型建立，计算传播概率， 采用Ｌｏｇｉｓｔｉｃ 回归模型感知风险信息风险高低， 实现突发环境事件网络舆情风险信息感知。

１网络舆情信息评价指标和影响因素集构建

目前， 我国对网络舆情的研究主要集中在从网络科学与技术的角度， 开发先进的技术方法和简化数理统计模型来采集和挖掘舆情信息， 从而代替网络舆情分析判据的科学性。网络舆情在内容上具有复杂性、突变性、对抗性等特点， 本文结合新媒体环境下舆情本身的性质和特点， 以网络舆情传播的舆情主体、舆情信息和网民情感３ 个核心影响要素作为评价指标， 建立信息评价指标和影响因素集。

网络舆情的主要关键词为社会、事件、网络、公众、民众、信息、情感、情绪、态度等， 本文据此提炼网络舆情传播核心要素为舆情主体、舆情信息和网民情感， 构建网络舆情传播核心要素集为：

Ｉ ＝ ｛Ｓ， ｘ， Ｅ｝ （１）

式（１）中， Ｓ 代表舆情主体， ｘ 代表舆情信息， Ｅ 代表网民情感。

舆情主体， 公共舆论的传播主体分为一般网民和引导者两类， 前者的受众人数多， 但是传播的影响力却很弱； 后者主要包括媒体、政府、网络大Ｖ等网络上拥有舆论导向功能的网民， 虽然人数不多， 但其舆论导向作用却是巨大的。

舆情信息， 舆论信息包括发布主体、发布时间、发布内容、转发、评论、点赞和发布网址等。

网民情感分为两类（正面和负面）、三分（正面、中性、负面）和四分（愤怒、厌恶、高兴、悲伤）、七分（愤怒、厌恶、恐惧、高兴、喜好、惊讶）等。

基于上述分析可知， 信息、网民情感以及舆情主体涉及多个指标， 建立网络舆情信息评价指标体系， 并分析影响因素［６］ 。主要指标如表１ 所示。

其中， 突发环境事件网络舆论信息流的风险指数是用来度量突发环境事件后， 网络舆论信息流出现异常波动的概率。它包含了４ 个现实层面的指数：地区ＧＤＰ 数值、地区人均收入水平、地区和谐度、地区网民数量。原因在于， 在比较和谐的经济条件下， 突发环境事件的网络舆情信息流出现异常波动的可能性较低， 而反过来则相反。突发环境事件的网络舆情信息流传导扩散风险指数是指突发环境事件中的信息流动的异常波动性、深度和持续时间，它的传导扩散范围越广， 主题越深； 时间越长， 风险也就越大。因此， 具体分为６ 个指标： 主要网站突发环境事件专题点击率、发布突发环境事件专题网站数量、浏览议题网民分布省份、浏览突发环境事件议题网民职业分布数量、舆情信息流已持续天数、突发环境事件议题回复网贴数量， 这６ 个指标能够更好地反映突发环境事件网络舆情信息流传播扩散的相关情况。突发环境事件网络舆情信息流平复风险指数是衡量政府在网络舆情信息流蔓延后，政府导控、平复网络舆情信息流的能力和效率。通常情况下， 管理能力越差， 管理效率越低， 所面临的危险也就越大。它包含５ 个层次： 政府舆情反应速度、政府舆情回应民众满意度、突发环境事件解决民众认可度、监测平台完善度和员工质量。

满足上述条件后， 用叶节点替换子树， 替换后修剪决策树， 提高数据的决策能力， 不断迭代计算， 直到所有的数据计算完成， 即完成新媒体环境下突发环境事件网络舆情风险信息感知和预警。

６实验对比

以实际发生的突发环境事件网络舆情事件为实验对象， 并将文献［１］构建的面向风险监测的感知模型、文献［２］构建的突发舆情事件的情报感知模型与本文所构建模型对比， 对比３ 个模型在不同场景下的应用效果。

６.１实验内容

此次实验研究共分为两个部分， 第一部分实验为采用３ 种方法分析疫情事件舆情情感演化情况，主要包含参与者的消极情绪比例、积极情绪比例以及没有参加评论的比例。

第二部分实验以多个突发环境事件为研究对象，以数量为指标， 与实际微博转发数量对比， 分析不同方法的感知情况和预警准确率， 从而反映本文方法的感知效果。分析关注、转发以及评论这些数据的人数， 第二部分实验中， 事件爬取条数如表３ 所示。

将上述内容作为实验对象， 详细的实验结果如下。

６.２实验结果分析

分析疫情背景下疫情事件舆情情感演化情况，对比结果如图１～图３ 所示。

分析图１～ 图３ 可知， ３ 种模型对于未参与者的信息感知结果与实际值相差较小， 其主要原因是未参与者对于目标事件持中立态度， 不发表积极或消极的评论， 因此其感知结果虽有一定偏差， 但与实际值相差较小。而面对消极情绪者、积极情绪或无感者两类对象， 两种对比模型在信息感知方面与实际数据存在一定差距， 感知精度不够稳定， 然而所构建模型对不同情绪的用户感知情况与实际趋势基本一致， 证明所构建感知模型能够准确模拟此次事件中的舆情情感演化情况， 并对其进行分析。其主要原因是所构建模型建立了网络舆情传播核心要素演化模型， 明确了演化规律， 因此可以通过感知用户的情绪来准确感知舆情情感演化情况。

第二部分风险感知情况的实验结果如表４ 所示。

基于表４ 可知， 所构建模型应用下感知的转发数量与实际转发数量相差较小， 最大相差低于１０条。说明采用本文方法构建的模型对微博转发数量的感知效果较好； 而两种对比模型与实际转发数量相差较大， 说明感知效果较差。由此证明了所构建模型利用Ｌｏｇｉｓｔｉｃ 回归方法具有一定的有效性。

第二部分风险预警的实验结果如表５ 所示。风险预警即为筛查微博中恶意评论的数量。

基于表５ 可知， 所提出的突发环境事件网络舆情风险信息感知模型在微博恶意评论预警上， 与实际恶意评论条数相差最多不超过５ 条， 而另外两个模型预警的恶意评论条数与实际恶意评论条数相差均较大。说明本文所构建模型通过决策树算法可以預警恶意评论的发展动态， 验证了决策树模型具有一定的有效性。

７结束语

网络舆情发展过程中， 负面信息较多会引起用户恐慌， 为此本文通过建立突发环境事件网络舆情信息流风险指标集， 以此为基础明确网络舆情传播核心要素演化规律， 并采用Ｌｏｇｉｓｔｉｃ 回归模型感知风险信息风险高低后， 结合决策树算法实现舆情风险预警。基于上述过程完成了新媒体环境下突发环境事件网络舆情风险信息感知模型的构建， 实验结果表明， 所研究的模型具有较高的感知准确性和预警能力。通过此模型能够很好地处理突发状况， 提高网民在突发环境事件下面对不良信息时保持理性，以有效扭转舆情演化的方向。本文不足之处在于需要构建的模型过多， 在后续研究中需要优化模型并分析信息感知的影响因素， 为相关领域提供帮助。