郑秀月

（福州黎明职业技术学院，福州 350001）

微博传播速度快、范围广、多中心、碎片化的特点可以将校园事件通过网络爆料、网络传播，迅速吸引大量网民关注，在相对短时间内，形成大量不利于学校和个人正常发展的信息，让学校或个人迅速推到舆论压力漩涡的中心，形成网络危机。网络危机的危害集中体现在：学校或个人面对网络质疑时，显得力不从心，引发不信任感，从而降低对个人的信用力和学校的公信力，而且这种负面影响力持续深远，甚至可以将累计上百年的学校名誉毁于一旦。对于校园网络舆情危机的处理重点是要建立校园网络舆情危机预警指标体系，并且通过科学的计算进行评估。本文拟在构建校园网络舆情危机预警指标体系的基础上，引入BP神经网络的算法，进而实现网络危机事件的定量评估。最后通过计算机模拟仿真实验，结合“某高校王某恢复招研资格”的事件对该模型进行检测与分析。

1 案例简介

2018年3月31日，生于1992年的高校研究生陶某在学校出现意外。学校立即成立专班调查和处置相关事宜并且发布通报称，王某存在与学生认义子关系等与科研无关的行为，以及指导学生升学就业过程中方式方法欠妥等情况，于是校方暂定了王某的研究生招生资格。2020年11月20日，某高校研究生院公示王某招生资格。某高校部分学生从25日以来开始行动，呼吁社会公众、校内学生和教职工通过实名签署联名信的形式（以下简称“联署活动”），抵制王某恢复研究生招生资格，这封联名信将在研究生招生资格公示期间（2020年11月27日17:00前）以书面形式上交学校相关部门，引发进一步的网络舆情危机。

在新浪微博的搜索引擎中，把时间范围控制在2020年11月20日到2020年12月1之间，输入关键字“某高校王某恢复招研资格”即了解到这个时间段内微博关于该事件的关注情况。

2 基于BP神经网络的校园网络舆情危机预警研究

2.1 校园网络舆情危机预警模型

2.1.1 校园网络舆情危机预警模型的指标体系与算法

（1）指标体系的搭建（表1）。真实度（X1）得分在0到1之间。0表示某校园舆情危机主题是假的，1表示是真实的，100%真实发生，0.5表示部分真实，0.7表示大部分真实。敏感度X2得分在0到1之间。根据校园危机的敏感词汇进行打分。敏感词汇的等级越高，打分越高。

表1 校园网络网络舆情危机指标体系

影响力X3得分在0到1之间。发布者负面影响力越高，校园舆情危机就愈加严重，打分越高。

支持评论数量（X4），对于某条涉及校园信息的微博，支持评论数量越高，校园舆情危机也就愈加严重。

否定评论数（X5），此指标用负值来表示，否定评论数越多，校园舆情危机压力就相对减轻。

发帖数（X6）发帖数越高，校园舆情危机也就愈加严重。

转发数（X7），转发数越高，受众越多，校园舆情危机也就愈加严重。

点赞数（X8），因为关注的焦点是对校园存在危害的微博，点赞数量越高，校园舆情危机也就愈加严重。

（2）算法简介。大致三个阶段：输入、处理和输出。输入包括样本采集。处理包括归一化处理，确定输入、输出、隐含层，设置训练参数，创建BP网络模型，调用函数等。输出包括训练样本和测试样本的输出，如果测试样本的输出符合训练样本的预期则学习结束，如果不符合训练样本的预期，则再次学习，调整阈值，直到符合预期为止，如图1所示。

图1 算法设计

总之，步骤就是整个BP神经网络的训练过程，将输入——处理——输出贯彻其中，不断调试阈值，不断逼近期望值，完成预警分析。

2.2.2 校园网络舆情危机预警模型的实证过程

（1）信息采集与归一化处理。通过新浪微博搜索统计和专家打分的方法，获得原始数据，将原始采集数据归一化处理（保留3位小数）如图2所示。

图2 归一化后的样本数据

（3）确定训练样本和测试样本期望输出值（图3,4）。

图3 训练样本期望输出

图4 测试样本期望输出

（4）设置训练参数与调用训练函数。不同的训练参数，对测试结果有着重要影响，经过笔者多次尝试，最后设置参数数如下。

图5 训练参数

误差曲线图说明，经过388次训练后，误差值接近，在误差范围内，达到训练目的（图6）。

图6 误差曲线图

（5）检测。通过检测，表明实际输出的结果与期望结果一直，输出结果为1 000，表示蓝色预警信号，表明当检测到第22个时间段时，校园网络舆情危机已经消除。实验结果证明，本文构建的校园网络舆情危机指标体系基本合理，将BP神经网络应用到校园网络舆情危机预警切实可行。

3 结论

本文根据校园网络舆情传播规律特征建立网络危机预警指标体系，结合BP神经网络的数学模型的仿真实验，验证了该模型的功能性和有效性。在应对校园网络舆情危机问题上提供了预警的方法和对策。下一步就是完善指标，提高数据采集的及时性和有效性，最终实现网络实时监控和自动预警。