大数据背景下网络舆情信息异化控制模型研究

2018-03-14夏一雪兰月新赵玉敏

现代情报 2018年2期

夏一雪+兰月新赵玉敏

〔摘要〕[目的/意义]面向大数据研究网络舆情信息异化机理以及控制模型，是政府控制信息异化程度的关键，为政府应对和治理网络舆情提供理论参考依据。[方法/过程]定性分析大数据环境下网络舆情信息异化机理，将网络舆情演化机理模型拓展为信息异化控制模型，并在此基础上通过数值仿真研究政府控制信息异化的分类问题。[结论/结果]经过理论建模和实证分析得出本文构建的信息异化控制模型是可行的，以上理论研究可为政府准确把握大数据环境下网络舆情信息异化程度，制定网络舆情治理策略提供参考依据。

〔关键词〕大数据；网络舆情；信息异化；控制模型

DOI：10.3969/j.issn.1008-0821.2018.02.001

〔中图分类号〕C9126；G203〔文献标识码〕A〔文章编号〕1008-0821（2018）02-0003-09

The Research on Information Alienation Control Model of

Network Public Opinion under Big Data Environment

Xia YixueLan Yuexin*Zhao Yumin

（The Chinese Peoples Armed Police Force Academy，Langfang 065000，China）

〔Abstract〕[Purpose/Significance]Facing big data to research the information alienation mechanism and control model of network public opinion，this is the key to control information alienation degree during network public opinion propagation，and can provide references of network public opinion management for government.[Method/Process]Through the qualitative analysis of the information alienation mechanism of network public opinion under big data environment，expanded the network public opinion evolution mechanism model to information alienation control model，and then researched the classification problem of information alienation control through numerical simulation.[Result/Conclusion]Through theoretical modeling and empirical analysis，confirmed the feasibility of information alienation control model in this paper.The above theory research will contribute to accurately grasp the degree of network public opinion information alienation under big data environment，and provide references of network public opinion countermeasures for government.

〔Key words〕big data；network public opinion；information alienation；control model

1現状分析

大数据时代，网络舆情信息不仅具有突出的海量特征，并且产生及传播速度快、来源及类型多样化、传播平台及途径多元化，特别是海量多源异构信息之间相互碰撞、相互交织，信息关联程度极大增强，这些均成为信息过载、信息失实、信息重复等信息异化的重要诱因。研究大数据环境下网络舆情信息异化的演化机理，有助于明晰网络舆情信息异化程度，进而为政府有针对性地进行信息异化控制，更好应对和治理网络舆情，提供理论依据。

我国学术界针对信息异化的研究，以基础研究、政策研究为主，主要包括两个方面的研究主题：一是信息异化理论研究，包括信息异化的本质[1]、根源[2]、控制对策[3]，分析信息异化的积极因素与消极影响，讨论信息异化的扬弃[4]。二是特定视角下信息异化理论及其应用研究，主要体现为5个方面：①生态学视角下信息异化理论研究，研究控制信息异化的生态学思路，提出控制信息异化的生态学策略[5]。②心理学视角下信息异化理论研究，分析各种异化现象的心理成因和心理机制，提出各种异化现象之间呈现出一定程度的递进关系[6]。③微时代、新媒体、大数据等网络社会视角下信息异化理论研究，从概念界定、问题表现、引发因素、主要影响、消解路径等方面研究网络社会信息异化问题，分析网络信息伦理的缺失问题，探索形成道德、法律、制度、技术等动态的信息异化控制体系[7-8]。④信息异化理论在网络舆情中的应用，剖析网络衍生舆情与信息异化的价值关联，研究不同信息异化条件下正面衍生舆情和负面衍生舆情的传播特性[9-10]。⑤信息异化理论在社会治理中的应用，主要研究信息公开过程中的曲解、裁剪引致的信息异化现象，对环境影响评价的公众参与、邻避风险治理等社会治理问题的影响机制[11-12]。上述研究的关键词共现网络如图1所示。

图1信息异化研究关键词共现网络

大数据环境下，网络舆情信息异化风险加大，运用信息异化理论分析网络舆情传播演化规律，能够为网络舆情理论研究提供新视角。但是，目前理论界关于信息异化理论在网络舆情领域的应用研究，仅限于分析网络衍生舆情，仍有很多问题需要解决，例如①如何从定量视角解读网络舆情信息异化的演化机理问题；②政府在网络舆情信息异化过程中采取控制措施对舆情演化的影响问题；③网络舆情信息异化过程中，政府控制信息异化分类问题等。综合以上问题，本文定性分析大数据环境下网络舆情信息异化机理，通过网络舆情演化模型拓展为信息异化控制模型，同时根据数值仿真研究政府控制信息异化分类模式，以上理论研究可以为政府准确把握大数据环境下网络舆情信息异化程度，制定网络舆情治理策略提供参考依据。

2大数据环境下网络舆情信息异化机理

21大数据环境下网络舆情信息异化现象

目前，对信息异化概念有多种不同的解释，其中主要观点认为：信息异化是指信息在生产、传播和利用过程中，由于受到各种因素的干扰导致了信息生产与信息消费之间的矛盾，使主体丧失了控制信息的能力和原有的内涵，并为信息所奴役、支配[1]。信息异化包括信息本身的异化、信息主体的异化、信息与信息主体的异化、信息主体间的异化等4个方面，本文面向大数据环境研究网络舆情信息异化问题，因此主要研究信息本身的异化现象。

隨着移动宽带互联网的普及，某个网络话题产生后，众多主体通过原创、转发、共享等方式发布大量文字、图片、音视频等信息，分布于不同网络平台，逐步形成一个网络舆情大数据环境（图2）。由于海量多源异构信息之间相互碰撞、相互交织，极易诱发信息异化。如果信息异化程度没有得到有效控制，网络流言、网络谣言以及网络暴力等干扰正常的信息传播，将严重破坏网络空间环境。

211网络舆情主体导致的信息异化

网络舆情主体很多，主要包括普通网民、政府、意见领袖、网络推手、网络媒体、网络水军等，其中普通网民的数量占绝大多数，其他主体数量较少，但是在网络舆情传播过程中发挥的作用很大。特别是网络推手、网络水军等出于不同目的对信息传播的误导、极化和操纵，是导致信息异化的主要因素。同时，网民心理多元化，认知程度、情感状态多样化，组成结构中低学历、低龄、低收入群体占比高，上述因素使得网络言论视角纷繁、众声喧哗，也会导致网络舆情传播过程中引发信息异化。

212网络舆情信息传播过程中导致的信息异化

网络舆情传播过程中，微博、微信、视频网站等网络传播平台通过发布、转发、评论、共享等多种传播方式，对文字、图片、视频等多种格式信息进行广泛快速的传播，极易使得网络空间处于一种信息过载的状态，尤其是真实信息、虚假信息、猜测信息等交织在一起，使得网络信息极易产生异化现象，进而导致网络流言、网络谣言、网络暴力等。

除了以上两点，信息法律、信息政策、信息伦理、信息管理等[5]网络舆情传播的外部环境也会导致信息异化现象。例如微信、微博、贴吧平台等3家网络传播平台涉嫌违反《网络安全法》等法律法规，对其平台用户发布的法律法规禁止发布的信息未尽到管理义务，导致用户传播的暴力恐怖、虚假谣言等危害国家安全、公共安全、社会秩序的信息大量扩散[13]。

22大数据环境下网络舆情信息异化机理

221网络舆情传播规律遵循信息生命周期理论

根据网络舆情定义[14]，网络舆情即网民通过互联网对某一网络话题进行交流的信息总和。这个和值是随时间单调递增的变量，它和网络舆情统计数据是有区别的。统计数据通过累加[15]可以得到和值变量，而和值变量通过累减可以得到统计数据。网络舆情是对某一网络话题进行交流的信息总和，和其他网络信息一样是不断发展变化的，同样具有孕育、产生、发展直至消亡的生命过程，所以可以用信息生命周期理论来理解和研究网络舆情，目前已有几位学者开展了一些研究[16-19]。在理论层面，按照信息生命周期理论，网络舆情传播演化具备周期性[18，20]，并且在一个演化周期内可以划分传播阶段，可以用Logistic、Gompertz等描述生命周期理论的“S”型曲线模型研究网络舆情演化规律[21-22]（图3）。

222网络舆情信息异化机理

假设x（t）代表网民针对某一网络话题进行交流而形成网络舆情的信息量和值，其初值x（0）=x0，上限为K。由

于网络舆情演化过程中，信息量和值的增长率与网络舆情信息量和值以及“剩余空间”1-xK呈正比。基于此，网络舆情传播演化机理为：

dxdt=rx1-xK

x（0）=x0

信息过载、信息失实、信息重复等[23]是信息异化的主要形式，网络舆情传播过程中，信息异化体现为大量信息在舆情传播初期集中爆发，使得网络舆情传播规律发生改变，研究信息异化后的网络舆情传播规律有利于控制舆情的信息异化程度。信息异化对网络舆情传播规律的影响主要体现为网络舆情信息量在传播初期集中爆发，使得网络舆情演化趋势“左移”（图4），网络舆情数据提前达到“饱和”状态，为未来舆情演化趋势增加不稳定因素。同时，由于网络舆情信息量快速增加，导致内禀增长率r随着时间的变化而变化。

3大数据环境下网络舆情信息异化控制模型

31网络舆情信息异化控制机理

信息异化导致传播过程中网络舆情信息量激增，大量不同形式、不同情感倾向的信息汇聚、碰撞，极易形成网络流言、网络谣言以及网络暴力等，为网络空间环境带来不稳定因素，如何有效控制网络舆情的信息异化程度是政府治理网络舆情的关键。正如前文研究，信息异化导致网络舆情传播机理发生变化，故而需要政府针对信息异化的程度进行控制，所以信息异化情况下的网络舆情传播规律是异化过程和控制过程共同作用的结果（图5）。

在异化过程和控制过程的综合作用下，当异化过程成为主要过程时，网络舆情信息量增长迅速，增长率增量大于零；当控制过程成为主要过程时，网络舆情信息量增长缓慢，增长率增量小于零，两个过程的交界点处形成曲线拐点。所以网络舆情传播过程中，如果政府没有对信息异

化现象进行持续、有效地控制，则会出现两个过程交替进行的状态，累加数据将会出现多个“S”型曲线结构，而其对应的网络舆情统计数据则呈现出多个峰值的波动状态（图6）。以“国乒退赛”网络舆情按小时统计数据为例（图7，舆情监测起止时间：20170623-20170702），统计数据呈现多个峰值，而累加数据则是由多个“S”型曲线连接而成。

32大数据环境下网络舆情信息异化控制建模

信息异化过程导致网络舆情信息量快速增加，而控制过程则会使信息量增加变缓，所以在两个过程共同作用下，网络舆情传播演化机理模型的内禀增长率由常数变为关于时间的函数变量，即网络舆情传播演化机理由：

dxdt=rx1-xK

x（0）=x0

变为：

dxdt=r（t）x1-xK

x（0）=x0

其中，x（t）代表网络舆情的信息量和值，初值x（0）=x0，上限为K，r（t）>0。上式即为大数据环境下网络舆情信息异化控制模型，求解微分方程得到模型解为：

x（t）=x0exp∫t0r（s）ds1+x0K∫t0exp∫s0r（s1）ds1r（s）ds

由于模型解的结构依赖于内禀增长率r（t）的函数表达式，不同的表达式代表不同的网络舆情信息异化控制模式，本文将通过开展模拟仿真来研究不同类型的信息异化控制模式。

33大数据环境下网络舆情信息异化控制模式

网络舆情信息异化过程和政府控制过程共同作用，导致网络舆情信息量演化过程随之变化。当信息异化过程占优时，则政府控制效果较差，网络舆情信息量急剧增加；当控制过程占优时，则政府控制效果较好，网络舆情信息量增加趋势变缓；当两个过程竞争均不能主导舆情演化时，则网络舆情信息量增加趋势变快和变缓交替进行。基于此，本文根据作用结果将政府控制信息异化的模式分为：最差模式、中和模式和最优模式。

331最差模式

最差模式中，政府控制信息异化效果最弱，信息异化过程成为占优过程，网络舆情信息量激增，提前达到“饱和”状态，信息异化控制模型的内禀增长率以递增饱和类函数为主（图8）。在实际网络舆情案例中，如果政府被动应对网络舆情，则在网络舆情传播初期往往出现这类模式，尤其是突发事件发生后，网络舆情信息异化几率更高，需要政府短时间内应对网络舆情，学术界相继提出黄金24小时、黄金4小时，甚至黄金1小时。

332中和模式

中和模式中，信息异化和政府控制共同发挥作用，网络舆情信息量时而增长迅速，时而增长缓慢，舆情数据交替达到“饱和”状态，信息异化控制模型的内禀增长率以震荡类函数为主（图9）。在实际网络舆情案例中，如果政府应对网络舆情后，由于缺乏持续、有效的控制措施，网络舆情传播往往出现这类模式，网络舆情统计数据则出现波动现象。

333最优模式

最优模式中，网络舆情传播过程中政府控制成为主要过程，网络舆情信息量增长缓慢至“饱和”状态，信息异化控制模型的内禀增长率以递减类函数为主（图10）。在实际网络舆情应对过程中，最优模式需要以大数据为基础和支撑，提前感知信息异化风险，做到主动预防预测预警。

4大數据环境下网络舆情信息异化控制仿真

为有效模拟网络舆情信息异化程度及政府控制信息异化的效果，本文应用MATLAB进行数值模拟仿真并绘制图像，研究政府控制信息异化的3种模式：最差模式、中和模式和最优模式。信息异化前的参数为上限K=100，初值x（0）=10%K=10，信息增长率r=05，信息异化后信息量上限、初值保持不变，内禀增长率函数r（t）的初值r（0）=05，具体表达式根据不同模式进行选取。为进一步研究信息异化程度，根据文献[21]，计算网络舆情传播阶段为：潜伏期[0，176]，扩散期[176，702]，消退期[702，∞]。

41最差模式

选取两类递增曲线，修正指数曲线r1（t）和S曲线r2（t）作为信息异化时的内禀增长率函数，具体表达式如下：

r1（t）=2-15·08t，r2（t）=21+3·exp（-02t）

通过MATLAB分别绘制信息异化前后网络舆情信息量曲线（图11，图12）。观察图像发现：异化后的曲线在扩散前期就已经达到饱和状态，而且修正指数曲线r（t）对应图像的信息异化速度更快。在最差模式中，信息异化成为主导过程，异化的舆情信息量快速增加至“饱和”状态，如果舆情信息继续异化的话，信息量突破上限K的几率大增。在实际舆情案例中，当某些突发事件发生后，如果政府没有及时、有效控制信息异化，则网络舆情信息量将迅速激增，为后续网络舆情应对和治理增加难度。

42中和模式

选取两类震荡曲线，三角函数曲线r3（t）和震荡衰减曲线r4（t）作为信息异化时的内禀增长率函数，具体表达式如下：

r3（t）=05+04sin2t，r4（t）=05+15exp-t2sin（2t）

通过MATLAB分别绘制信息异化前后网络舆情信息量曲线（图13，图14）。观察图像发现：异化后的曲线和异化前的曲线几乎同时达到饱和状态，震荡衰减曲线r4（t）对应的异化曲线在初期很短时间内快速增加，但信息量很快便趋于饱和状态而缓慢增加。在中和模式中，信息异化和控制过程共同发挥作用，异化后的舆情信息量曲线增长缓慢，并且曲线形状是由多个“S”型曲线连接而成，由于信息异化前后两条线很接近，所以信息异化前后的网络舆情传播阶段比较接近，这种模式在实际舆情案例中，所占比例是最高的。

43最优模式

选取两类递减曲线，反比例曲线r5（t）和反“S”曲线r6（t）作为信息异化时的内禀增长率函数，具体表达式如下：

r5（t）=05t+1，r6（t）=06-051+4·exp（-02t）

通过MATLAB分别绘制信息异化前后网络舆情信息量曲线（图15，图16）。观察图像发现：有效的控制措施可以使舆情增长变缓，延迟达到“饱和”状态，并且反比例曲线的控制效果远超过反“S”曲线。在最优模式中，控制过程发挥主导作用，有效控制后的舆情信息量曲线传播阶段全部滞后于信息异化前的曲线，但是最终的饱和值一致，这为政府治理网络舆情提供了充分的时间。

5实证研究

51数据来源

为验证本文构建的大数据环境下网络舆情信息异化控制模型，通过清博舆情监测软件（yuqing.gsdata.cn）选取20175-20178期间8个网络舆情案例作为验证案例，获取网络舆情统计数据（按天进行统计，均为事件发生后20天

图16增长率为r6（t）时信息异化前后对比图像

的统计数据）。8个案例分别为：孙杨世锦赛夺冠、G20峰会、香港回归20周年、京津冀大暴雨、柯洁大战AlphaGo、“一带一路”高峰论坛、男乒退出比赛、章莹颖案嫌犯被诉，案例基本数据如下（表1，表2）。

52确定系数的方法

大数据的核心是预测。如何在大数据环境中预测网络舆情信息异化趋势是网络舆情治理的关键。在实际工作中，需要确定模型参数，尤其是确定内禀增长率函数来确定信息异化模式，为政府治理网络舆情提供参考依据。本文构建的网络舆情信息异化控制模型为：

dxdt=r（t）x1-xK

x（0）=x0

其对应差分方程为：

Δx（k）=r（k）x（k）1-x（k）K

其中Δx（k）=x（k）-x（k-1），k=1，2，3，…，k为监测数据个数。当通过网络舆情监测软件获取数据后，Δx（k），x（k），K可以通过数据计算或者估计，在此基础上可以估计内禀增长率r（t）对应的离散数列r（k），k=1，2，3，…，据此可以通过拟合数据推断得出r（t）的具体曲线形状，进而确定信息异化控制模式。

53模型验证

根据上述方法，通过数据分析方法，推断得出内禀增长率函数对应的图像（表3），据此可以估计网络舆情信息异化程度及政府控制信息异化的效果。观察表中图像发现，事件3和事件7的对应模型中的内禀增长率曲线整体为递减趋势，其他事件增长率曲线则起伏趋势较大，所以事件3和事件7为最优模式，其他事件为中和模式，这也证明本文构建的信息异化控制模型符合实际情况。在实际工作中，通过网络舆情监测数据建模后，得到估计的增长率曲线，然后通过软件拟合数据便可以得到曲线对应的函数表达式，据此可以推断网络舆情信息异化程度，预测未来趋势，为政府治理网络舆情提供参考依据。

6结论与展望

61研究结论

网络舆情大数据环境下，由于海量信息之间相互碰撞、相互交织，极易产生信息异化现象。如果信息异化程度没有得到有效控制，甚至会出现网络流言、网络谣言以及网络暴力等，严重破坏网络空间环境。信息异化过程导致网络舆情信息量快速增加，而控制过程则会使信息量增加变缓，所以在两个过程共同作用下，网络舆情传播演化机理模型的内禀增长率由常数变为关于时间的函数变量。基于此，本文构建了网络舆情信息异化控制模型为：

dxdt=r（t）x1-xK

x（0）=x0

通過本文的研究可以得出以下结论：

1）通过理论研究和数值仿真研究得出，信息异化发生后，将网络舆情传播演化机理改进为信息异化控制模型是可行的，这一点已经通过网络舆情实证研究进行了验证；

2）通过模型中内禀增长率函数可以研究网络舆情信息异化程度，通过网络舆情数据分析可以估计增长率函数，推断信息异化程度，为政府治理网络舆情提供参考依据。

62研究展望

621网络舆情信息异化控制关键节点问题

本文仅仅研究了网络舆情信息异化控制模型，并通过实例验证了模型的可行性，下一步需要在此模型基础上研究网络舆情信息异化控制关键节点以及不同强度的控制力度对信息异化的影响程度，进而为政府控制信息异化，治理网络舆情提供时间参考。

622面向大数据的网络舆情趋势预测问题

本文构建的模型属于机理模型，在大数据环境下，需要在此基础上继续研究预测模型。此外，由于信息异化的影响，网络舆情信息量可能会突破“饱和”状态，所以在本文基础上还需将上限参数K拓展为函数K（t），才能实现网络舆情信息量的动态预测。

参考文献

[1]孙瑞英.信息异化问题的理性思考[J].情报科学，2007，（3）：340-344.