张鹏 兰月新 李昊青 周颖

摘要：[目的/意义]提前进行网络谣言监控和预警是立体化防控网络谣言、增强社会稳定、提高政府执政能力的关键。移动互联网时代，突发事件发生后极易在网络上引起热点舆情、网络危机信息的传播同时为网络谣言的扩散提供良好的土壤，无形中增大了政府部门应对谣言的挑战。[方法/过程]本文采用遗传算法优化BP神经网络构建网络谣言危机预警模型，拟实现对突发事件网络谣言的监控、预警仿真及风险的量化评估。实证分析案例选取天津“8-12”爆炸事故与“和颐酒店女生遇袭事件”，通过计算机对这两起突发事件衍生的网络谣言建立预警模型，并对模拟仿真结果进行验证。[结果/结论]结果表明，遗传算法优化BP神经网络模型在突发事件网络谣言危机预警方面具有较好的适用性，与仅采用BP神经网络模型相比预警的准确性更好。

关键词：突发事件;网络谣言：BP神经网络;遗传算法;危机预警;预警指标

DOl： 10 .3969/j .issn .1008 -0821 .2019 .12 .012

[中图分类号] G206.2 [文献标识码]A [文章编号]1008-0821 （2019） 12-0101-08

中国互联网络信息中心（ CNNIC）第44次统计公报数据表明，截至2019年6月，中国现有网民总数约为8.54亿，其中移动互联网上网人数达到8.47亿，以手机为平台的网民成为上网主力[1]。在众多互联网应用中，其中参与微博的用户数超过3亿，微博上发声的网民具有相当的网民代表性。便携式移动上网设备的普及从根本上改变了公众参与时事的广度和深度，也对大众舆论产生了深远的影响。

重大突发事件产生后，网络环境中会很快形成热点舆情，在多种因素的共同作用下，原始舆情会通过信息异化过程，极易演变为多个版本的网络谣言。同时网络舆情在信息传播过程中往往伴随网络谣言的不断生成和扩散过程，呈现出网络舆情信息异化的一些典型特征[2]。但由于突发事件引发的网络谣言的匿名性、恶意性等会导致的各类信息快速传播，造成广泛的负面影响，从而引发网络谣言危机。如政府相关部门的监测和干预不及时从而导致谣言泛滥并伴随衍生谣言出现，极易引发网络群体性事件发生，甚至于出现网上危机向网下转移的潜在风险。这些由网络传播造成的危机，不仅对社会稳定提出挑战，也同时对个体、经济、社会等实体环境产生恶劣影响，从而进一步增大政府后期的治理与修复公信力的成本[3]。因此在这种复杂的网络谣言危机状态下，对网络谣言识别、监测、预警相比通常意义上的网络舆情难度更大。而对网络谣言预警的需求与目前国内大多学者在定性分析网络谣言扩散机理和治理对策上所提供的学术支持相比，在监测、预警等定量方面的研究方面需进一步加强，而从定量角度研究网络谣言危机预警是适时启动应急预案，同时也是分步分级应对的基础。

本文在前人研究基础上，剖析网络谣言的自身特征，建立相应的预警指标体系，构建了基于遗传算法优化的BP神经网络的仿真模型，并以天津“8·12”爆炸事故与“和颐酒店女生遇袭事件”为例进行实证分析，结果表明构建的模型对突发事件网络谣言危机的定量预警能够取得较好效果。

1 网络谣言预警指标体系构建

“从某种意义上说网络谣言是网络舆情在传播过程中信息异化而产生的，同时起到对原始舆情的发展进行促进和诱导作用[2]”，而突发事件网络谣言预警体系的建设，需要在对其组成要素的本质特征的理解而后进行。但针对网络谣言的有效预警的探讨仍然是新闻学和传播学等多学科中需要解决的难题，目前在这些学科中的定性探讨方面有了一定研究，但在与计算机、大数据、人工智能领域相结合的定量的研究仍需加强。在此之前，借鉴研究相对成熟的网络舆情构建指标体系，结合计算传播学中有关指标定量化的计算方式，以期建立网络谣言预警模型。在指标体系的构建和选取过程中，本文参考了国内外多位学者的相关理论，从多个角度对此问题进行理解。如在构建网络舆情预警指标体系时，有的学者强调了模糊数学和层次分析法的应用，并最终将指标体系定为包含民众关注和态度倾向等在内的四维度[4]：也有学者从突发事件发生后相关网络舆情的传播规律人手，建立包含警源在内的3类要素的指标体系[5];另有学者从信息特征、事态扩散和网民反应3个方面出发，构建网络舆情风险评估体系[6];还有学者将舆情扩散度、聚焦度等4个方面作为重大舆情事件监测的一级指标[7]。综合前人研究成果，本文在相应预警指标体系构建时以科学性和可行性为重点，尽可能保证对研究对象传播规律全面覆盖的基础上，同时考虑定量数据采集的可行性。

1.1 指标构建

由于目前针对网络谣言的定量化研究尚不深入，因此相应的预警指标体系研究是预警工作的前提[8]。但对于突发事件网络谣言危机预警工作该体系中的末级指标多为定性指标，难以进行定量分析应用，无法充分体现网络谣言所具有的动态性。

有学者G.W奥尔波特将谣言所涉及事件的模糊性作为衡量谣言影响力的重要指标，公式为：谣言=事件的重要性×事件的模糊性[9]。而学者克罗斯则认为公众的辨识能力强弱（批判力）是谣言的产生和传播能力的重要影响因子，因此他修正公式为：“谣言=事件的重要性×事件的模糊性/批判力”[10]。在此基础上，有学者认为促使谣言生成的关键因素还包括事件信息的敏感性，并改进公式为：“谣言=（重要性+敏感性）×模糊性/批判力”[2]。

基于此，本文在前人对网络舆情预警指标体系研究的基础上，结合网络谣言的相关特征，构建包括事件舆情热度在内的一级指标和网络搜索量在内的二级指标，如图1所示：

该指标体系包含了事件舆情热度、网络谣言状态和网络谣言趋势3个一级指标，每个一级指标下选取3个相关度较高的二级指标。

1.2 指标的含义及分析

网络谣言预警指标体系中各指标的选取既要能客观地反映出网络谣言的属性和特征，又能够尽量从客观上使得这些指标体系能够量化。为更好地说明本文所构建的该预警体系，具體各级指标将详述如下：

1.2.1 事件舆情热度

事件舆情热度通常是指网民对某突发事件在一定时间里的关注程度。一般认为某事件舆情热度越高，则越容易滋生各类网络谣言。当权威媒体在突发事件发生后难以提供时效性强的灾难新闻时，网络谣言因其快速、低成本和海量信息，对于公众而言更易成为官方媒体缺失时的替代性新闻，混淆事实与观点[11]。因此当一件关系到经济民生、公共安全等的突发事件发生时，如果主流媒体权威信息发布不及时，那么就会产生谣言来填补这段“信息空窗期”，即所谓“灾难之后尽谣言[12]”。因此，本文选取网络搜索量、转发量和评论量3个二级指标来表现突发事件舆情的热度构成。

大量研究实践表明，网络谣言在空间传播的渠道主要包括博客（微博）、论坛和微信3类。在本文选取的天津“8·12”爆炸事故案例中，微博作为拥有62. 96%网络谣言的首发渠道，多次介入该公共事件的舆论引导过程。这意味着微博具有分化传播权利和多元表达空间等优势，搭建了官民传播訴求实现的最佳平台[13]。鉴于此，本文选取微博作为主要的数据来源。

1）网络搜索量

当某一敏感突发事件发生时，人们迫切希望知道真相和内情，但由于传统媒体报道具有一定的滞后性，因此人们会有一个自发在网络上寻求信息补足的过程，因此可以用某个关键词的网络搜索量来反映人们对某一事件的关注和兴趣。网络搜索量可用百度指数来量化，此指数表示网民使用百度搜索引擎工具对某一关注问题的搜索量作为数据基础，通过百度内联算法分析出被搜索的信息在全部使用百度搜索工具的总搜索频次的加权和。

2）评论量

评论量的计算可采用其他微博用户评论某微博时的次数的总和。研究认为若某网民用户对某条原创微博进行了相关评论，则表示他对此微博内容的关注，据此推断，如果某条微博被其他用户评论的次数多，则代表该微博内容具有较高的网络热度，对网民的吸引力较高。

3）转发量

转发量的计算可采用单个原创微博被其他用户转发的数量总和。可以认为被转发的微博代表了他人对此微博观点的认同。微博空间用户可分为四种：发文者、转发者、评论者和浏览者（本文中将点赞用户包含在浏览者中一起考虑，但同时该点赞用户也可能参与了转发和评论，为了避免重复计数，在本文中不进行单独统计）。

1.2.2 网络谣言状态

1）事件模糊度

该指标反映事件的模糊程度。该公式表明在公众批判能力一定的前提下，某件事情和人们的切身利益相关度越高，该事件固有的不确定性和模糊性越强，伴随衍生谣言传播的空间和可能性就越大。为方便数据采集，本文选取事件模糊度作为衡量网络谣言产生可能性大小的指标。判别谣言的模糊性大小的依据根据专家认知后进行评分获得，取值范围在[0，1]之间。评判原则为某突发事件舆情传播时，对该事件包含原因、经过等信息很模糊，存在诸多疑点，可判断为0;而事情的前因后果都比较清楚、没有疑问则判断为1。

2）舆情异化度

在这里舆情异化度是指原始舆情在信息异化的作用下，其分化，衍生出新舆情的强度。信息异化理论认为舆情信息在传播过程中由于受到“噪声”干扰而发生扭曲、失真，即信息本真态的背离。突发事件网络舆情由于不同“噪声”干扰，可衍生出不同版本的网络谣言，原始舆情异化程度越高，政府的防治难度越大。本文中该指标采用舆情异化后出现的不同网络谣言版本数量进行衡量。

3）网民情绪倾向

指突发事件之后，网络谣言内容表现出的情绪倾向，如质疑、恐惧等。以天津“8·12”爆炸事故为例，按照“编号一主题词一集体情绪”对网络谣言文本进行提炼和解读，并将其分为“质疑”、“恐慌”和“正能量”3类[14]。其中“质疑”类谣言主要针对政府和主流媒体，影响程度较高，赋值为1;“恐慌”类谣言来源于造谣者和传谣者的心理特征，其影响程度次之，赋值为0;“正能量”谣言危害最低，赋值为一1。该指标由统计时段内各类谣言赋值代数和来表示。

1.2.3 网络谣言变化趋势

1）媒体报道频次

该指标用与突发事件相关的微博信息发布量表示，反映了媒体对网络谣言消解的程度。

2）信息公开及时度

“在网络舆论生态系统中造谣者和辟谣者是一对存在重要共生关系的对手”[15]。敏感性突发事件发生后，公众急于寻求事情真相，政府和媒体作为权威信息的发布者，对于满足公民知情权和消解谣言起到了至关重要的作用。随着微博、微信、贴吧等新媒体的兴起，极大拉近了普通民众与突发事件的距离，网上言论参与到突发事件的发展过程当中，甚至直接推动和主导了事件，传统的网上舆情处置“黄金24小时”也逐渐应对乏力。在这种情况下，有学者提出了“黄金4小时”概念。但不论是24小时还是4小时，突发事件后政府和媒体发布权威消息越及时，谣言产生的概率越低。该指标用谣言产生后政府或主流媒体发布的第一条辟谣信息所用平均时间来表示。

3）谣言识别能力

网络谣言的产生和传播不仅仅由突发事件本身的敏感性、重要性和模糊性决定，同时也依赖于对信息解读者，即网民的认知水平。一般认为，网民个体由于知识积累或者相关从业经验导致的认知水平越高，对网络谣言的抗御能力相对较强[16]。然而由于个人知识广度和深度的限制，不同的人对同一谣言的可抗能力是不同的。该指标可由专家打分法获得，取值区间为[0，1]，代表面对某一谣言时受众的平均可抗水平，0为没有抗力，1为完全能识别谣言。

2 遗传算法优化BP神经网络

通过对网络谣言传播和扩散特点的研究表明，影响网络谣言传播扩散的因素很多且多个影响因素之间存在复杂的非线性关系。传统的数学模型多为基于线性关系而构建的，因而无法有效模拟多因素耦合导致的网络谣言爆发的相关关系。而BP神经网络的特点是它能逼近任意连续函数，且具备极强的非线性映射的能力。它的这种优点非常适合处理内部运行机制复杂、具有全局性问题特征的实际非线性问题。BP神经网络算法目前已经被广泛应用于系统模式识别、计算机图像处理和各类自然灾害风险评估与预警当中。但从数学的角度看标准的BP神经网络存在一定局限性，该算法的优点能对局部搜索进行优化，能够有较好效果，但当在求解复杂非线性函数全局极值的时候存在不足。因此当使用标准BP神经网络使用梯度下降法训练构建的网络结构时，它更可能陷入局部极值导致训练失败。

遗传算法是一种基于生物界自我遗传机理的随机搜索算法，通过反复交叉迭代等一系列操作可以有效求解全局最优解。这有效地弥补了标准BP神经网络算法的缺点。当我们利用该算法进行求解时，问题的每个个体（可能解）都被编码成为一个“染色体”（具有遗传信息），若干个个体构成了群体（所有的可能解）。本文充分结合标准BP神经网络和遗传算法在各自领域的独特优势，并利用遗传算法优化BP神经网络所需要的初始权值和阀值。在此过程中，遗传算法的全局搜索特征用于寻找相关问题的最优解所在的区域，再利用误差反向传播法找到此最优解。步骤如下：

第一步，种群初始化。每个个体的“染色体”均可视为1个二进制字符串，该字符串分别由输入层与隐含层连接权值、隐含层阀值、隐含层与输出层连接权值和输出层阀值四部分编码组成，将上面所有列出的权值和阀值的编码组合以形成个体二进制编码，而初始群体即为一连串随机生成的M个个体。

第二步，适应度函数。将网络谣言预测样本的预测值与期望值之间的偏差的平方和作为目标函数的输出。目标函数的输出值越小代表网络预测能力越好。但在遗传算法中是适应度值越大表示效果越好。因此，适应度函数可以用目标函数的倒数来进行定义。（期望输入为YK，预测输出为CK，共有m组值）因此，可以得到适应度函数为：

第三步，选择、交叉与变异。遗传算法中的选择操作采用轮盘赌算法来进行、交叉采用常用的单点交叉算子，而变异采用的通过随机概率产生一些变异基因数，通过采用随机的方法选出发生变异的“染色体”基因。如果所选的基因编码为1，则变为0;反之，则变为1。

第四步，重复第二和第三步，反复迭代直到达到进化代数或满足该算法误差要求。此时，就得到了通过遗传算法优化后所需的初始权值和阀值。

第五步，将上一步骤中获得的权值和阀值用作标准BP神经网络模型的初始权值和阀值。

第六步，按照标准BP神经网络模型进行训练，直到达到最大训练次数或满足模型需要的训练误差要求。保存当前用到的所有的权值和阀值。

第七步，此时优化后的BP神经网络将用于最终预警模型。

3 基于Matlab的模拟仿真

该仿真所需软件环境为Matlab R2015b，使用该软件附带的BP神经网络工具箱，可以灵活搭建所需模拟情境，从而避开复杂的计算机语言和程序算法，方便操作和实验。

3.1 输入数据的归一化处理

构建网络谣言危机预警模型指标体系不仅有定性和定量之分，同时也有正向和负向之别，为允许各种类型的指标在一定程度上可衡量其相对大小，有必要规范化每个指标的原始数据，将数据转化为[0，1]上的无量纲值，指标归一化处理方式如下文所示：

3.1.1 正向指标处理

在本文中，正向指标的值越大，代表越安全，对应危机等级也越小。其无归一化处理时以所有数据中最小值为基准，公式如下：

3.1.3 指标性质

如上文所述，网络谣言危机预警指标体系中每个末级指标都需要进行正、负性质的区分，根据模型所需定义结果如表1所示。

3.2 隐含节点及输出节点的选择

本文对于模型所需的隐含节点与输出节点的选择是模型得以成功构建的关键。本文隐含层节点数N是根据相关经验来确定，一般采用式（3）进行计算：

N=√m+n+α （3）

构建的模型中输入层节点数是m，输出层节点数是n，α定义为1-10之间的常数。

3.3 案例选取与数据样本

本文选取天津“8·12”爆炸事故与“和颐酒店女生遇袭事件”作为研究样本，来检测预警模型的适用性。数据主要来源于百度搜索引擎提供的百度指数和新浪微博每日提供的实时数据。天津“8·12”爆炸事故于2015年8月12日23：30左右发生，13日引发大规模网络舆情，至23日事故引发的网络舆情逐渐平息。据统计，围绕这次爆炸事故的细节，网络上共产生27个不同谣言版本。在“和颐酒店女生遇袭事件”发生的7天内，新浪微博该话题阅读量就达到了27.4亿人次，也同时创下当时新的传播记录。同样，该事件在形成网络舆论的同时，也衍生出了多个的网络谣言版本。上述两个案例所衍生的网络谣言产生模式不同于一般的网络谣言，没有酝酿期而是直接在事件发生后第二天集中爆发，且谣言从产生到最终消解时间较短，非常符合突发事件网络谣言的相关特征。因此选取此两例具有代表性的研究对象，案例模拟结果对于突发事件网络谣言危机预警研究具有较强的代表意义。

天津“8·12”爆炸事故中的网络舆论从12日晚到16日晚共6天时间，经历了产生到消亡的完整过程。由于网络谣言爆发时间相对集中，因此本文以6个小时为单位，将12日晚18：00到16日晚18：00划分为16个时间段进行相关数据的采集和统计：“和颐酒店女生遇袭事件”网络舆情从3日晚产生到18日基本消解完毕，该案例以天为单位共提取了16个数据段。两个案例中数据经过归一化处理后如表2（保留3位小数）所示。

本文中筆者与之前构建的标准BP神经网络对单一突发事件网络谣言预警模型设置11监测时间段和选取1个观测点进行预警模拟相比[8]，本文选取2个案例，共设置32个时间段，拟预设5个预测观测点对构建的网络谣言危机预警模型进行验证，为本文所倡导的模型的探索做了进一步研究，为模型最大程度得到适用提供参考。

3.4 遗传算法与BP神经网络参数设置

3.4.1 BP神经网络算法

本文所述的突发事件网络谣言危机预警模型的构建，采用单隐层的三层BP神经网络，从输入层输入遗传算法优化处理过的末级（归一化）指标数据，输出层可输出相应的网络谣言危机预警级别，其结构如图2所示。

根据隐含层的节点计算式（3），在输入节点数m=9，输出节点数n=4的情况下，将α从1-10遍历计算的结果，发现当α=4时，此时BP神经网络性能最佳，此时的隐含层节点数为8。在Matlab软件BP工具箱的参数设置上，训练函数为“Traingdx”，隐含层和输出层传递函数为S型函数“Logsig”，在本实验中将模型最大训练次数设定为1000，训练误差目标设置为0. 01，模型网络学习率设置为0. 05，动量系数设为0.9，其他参数使用默认值。

3.4.2 遗传算法

在本文中，遗传算法中的种群大小可以随机获得50，最大遗传代数为30，交叉率为0.7，变异率为0. 01，权值变化范围[0，1]。

3.5 实验验证及结果分析

划分突发事件网络谣言危机的预警等级，最重要的因素在于方便政府和相关部门对网络谣言进行管理，当网络谣言危机达到预案等级时，启动相应预案，提高社会和谐稳定。根据《国家突发公共事件总体应急预案》中划分突发公共事件预警等级的原则，本文将网络谣言危机预警标准划分为4级：分别为安全级别和轻警、中警、重警级别，输出状态分别对应4个预警等级，用1000、0100、0010、0001表示。

首先，将表2中样本列表中的T1、T8、Tis、T22、T295个时间段作为BP神经网络的测试样本，其余27个样本作为训练样本。经过计算，从图3中误差进化曲线看出，约经过遗传代数30的进化可得到平均误差与最佳误差近乎相同，此时得到最佳初始权值与阀值。

其次，将最佳值返回到已经训练好的标准BP神经网络模型，得到测试样本的所有的5个预警值（输出的最大值转化为1，其余转化为0，如T.中0. 9231为该行最大值，则期望输出为1，将该行其他数值转化为0），从结果上看，遗传算法优化BP神经网络预警的实际输出与期望输出一致，如表3所示。

模拟仿真结果表明，本文构建的网络谣言危机预警指标体系具有一定合理性，通过5个测试样本的期望输出与实际输出对比，该网络谣言危机预警模型具有良好的可预测性，可给有关部门进行网络谣言危机预警时作为参考。

4 结论与讨论

4.1 讨论

1）本文为突发事件网络谣言危机预警提供了一种由遗传算法优化的BP神经网络模型，其实际应用效果与标准BP神经网络算法相比更具科学性和实用性。受篇幅限制具体算法流程在本文中作简化处理，可参考文献[8]。

2）本文以天津“8·12”爆炸事故与“和颐酒店女生遇袭事件”为例进行实证分析，虽然两个案例所伴生的网络谣言产生模式不同于一般的网络谣言，但符合突发事件网络谣言的一般规律，可仅用两个案例进行预警预测分析仍存有一定的局限性，未能对该方法应用于各种类型的突发事件网络谣言预警的效果进行比对验证，将在下步研究中进行该项工作。

4.2 结论

本文在研究分析突发事件网络谣言自身特性的基础上，构建了相应预警指标体系，并采用遗传算法优化BP神经网络，构建模拟实验。该模型通过Matlab软件自有的BP神经网络工具箱实现网络谣言的定量预警。实验模拟结果表明该预警模型具有对数据支持要求较低、便于量化的优点，具有较好的适用性。

本文介绍的方法有利于提升政府及相关部门对突发事件网络谣言进行监测，并对谣言发展的下一阶段进行预警，为管理部门及时采取有效措施提供了参考方法。在下面的研究中将进一步对网络谣言危机预警的指标体系进行完善，进一步减少定性指标，提高数据采集的即时性和有效性，减少人为认知的判断，最终实现计算机实时跟踪热点舆情的监测及转变为衍生谣言后的自动预警，并给出预警级别。

参考文献

[1]中国互联网络信息中心，第44次中国互联网络发展状况统计报告[R].http：//www.cac.gov.cn/2019- 08/30/c_1124938750. htm.

[2]夏一雪，兰月新，赵玉敏.大数据背景下网络舆情信息异化控制模型研究[J].现代情报，2018，38 （2）：3-11.

[3]周颖，张鹏，高扬，等，面向突发事件的网络谣言危害分析及应对策略[J].中国公共安全：学术版，2017，（2）：83-88.

[4]戴媛，我国网络舆情安全评估指标体系研究[D].北京：北京化工大学，2008.

[5]曾润喜.网络舆情突发事件预警指标体系构建[J].情报理论与实践，2010，（1）：77 -80.

[6]兰月新，面向舆情大数据的群体性事件预警研究[M].天津：天津大学出版社.2017.

[7]柯惠新，刘绩宏.重大事件舆情监测指标体系与预警分析模型的再探讨[J].新闻学与传播学，2011，（12）：39-45.

[8]张鹏，李昊青，兰月新，等.基于BP神经网络的突发事件网络谣言危机预警[J].电子政务，2016，（11）：40-47.

[9] Allport G W， Postman L The Psychology of Rumor[ M]. hlewYork：Henry Hoh，1947.

[10] Chorus A.The Basic Law of Rumor[ J]. Journal of Abnormaland Social Psychology， 1953， 48： 313-314.

[11]曹蓉.基于全样本分析的网络舆情指标体系研究综述[J].情报杂志，2015，（5）：154-158.

[12]陈雪奇.灾难事件中谣言的新闻学意义阐释[J]理论与改革，2014，（3）：130-133.

[13]孙燕，谣言风暴：灾难事件后的网络舆论危机现象研究[J].新闻与传播研究，2011，（5）：52-62.

[14]王宏伟.舆情信息工作策略与方法[M].北京：中国人事出版社.2010.

[15]曾润喜，魏冯.政媒共治：灾难事件中网络造谣与辟谣的信息行为研究基于“8·12天津爆炸事故”谣言的内容分析[J].电子政务，2016，（5）：25-34.

[16]张鹏，兰月新，李昊青，等.基于认知过程的网络谣言综合分类方法研究[J].图书与情报，2016，（4）：8-15.

（责任编辑：孙国雷）

收稿日期：2019-04-23

基金项目：教育部人文社会科学基金“面向突发事件的网络流言风险预警及对策研究”（项目编号：17YJC630214）;全国统计科学研究重点项目“舆情大数据环境下突发事件民意监测与评估研究（项目编号：2017L237）;廊坊市科技计划项目“基于大数据的突发事件网络舆情预测技术研究”（项目编号：2019013066）。

作者简介：张鹏（1981-），男，副教授，博士，研究方向：網络舆情、网络谣言研究。兰月新（1981-），男，副教授，硕士生导师，研究方向：网络舆情。李昊青（1983-），男，讲师，馆员，研究方向：网络舆情与社会治理。周颖（1990-），男，硕士，研究方向：网络舆情。