尹碧茹 刘志军

（海南师范大学心理学院，海口 571158）

随着Web3.0 时代的到来， 在线社交媒体凭借其开放性、 交互性和实时性等特点获得了空前的发展。 借助Twitter、微博等社交平台，人们能够在网络空间中进行实时在线互动， 自由公开地对时事热点以及日常生活表达自己的观点和情绪 （Jin ＆ Zafarani，2017），从而使得网络空间出现大量的情绪信息，为传统情绪的研究提供了新的发展空间，逐渐形成一个新的研究领域——网络情绪（cyberemotions）。

对网络情绪的系统研究最初出现在2009 年欧盟第七框架计划中的子项目——网络情绪研究中，其目的是探究集体情绪在信息通信技术中的作用，为未来智能通信技术的发展提供支持 （Ahn et al.，2011）。研究者收集了不同网络平台中的情绪数据和在线讨论引发情绪的心理生理数据， 建立由大数据驱动的网络情绪模型， 开发了在线文本情绪分析程序（Holyst，2017）。 此研究成果引起了计算机科学、新闻传播学以及心理学等不同学科对网络情绪领域进一步地探究， 研究者一方面通过分析网络空间中的情绪信息，提取和预测了许多社会经济问题，例如政治选举、 商业决策等（Dong，Chen，Tang，Qian，＆Zhou，2016）， 另一方面通过分析网络空间中情绪的异常动态，如抑郁、焦虑等负面情绪，为研究机构、信息咨询组织和政府部门及时解决社会问题提供大量帮助（Beasley ＆ Mason，2015）。

目前研究者对此领域研究成果的梳理和总结缺乏多学科、跨领域的综合分析，仅有的少量研究是就某一具体问题展开的， 集中在新闻传播学或计算机科学的单一学科领域中 （孙立眀，2016；Mantyla，Graziotin，＆ Kuutila，2018）。 因此，本文将综合不同学科背景下的网络情绪相关文献进行分析和整理，探讨其基本理论、研究方法和表达特性，梳理网络情绪的治理措施，为今后此领域的研究提供借鉴。

1 文献统计分析

本文以“网络情绪”“互联网情绪”及“微博情绪”为关键词， 在中国知网进行检索； 以 “online emotion ／sentiment” “internet emotion ／sentiment” “cyber emotion ／sentiment”Twitter emotion ／sentiment”“Facebook emotion／sentiment” 等关键词在 Web of Science 核心数据库中进行搜索， 时间为 2000～2019年，分别整理出460 篇中文和979 篇外文文献，其情况如图1。 从发表论文数量看，2011 年前数量偏少，其后论文数量快速增长，到2019 年急剧增长。 从整体变化趋势看，国外发文数量呈上升趋势，其数量远远多于国内，但是国内的发展趋势基本与国外同步，也呈现较好的上升趋势。 从研究具体主题看，2013年前发表的论文更多地关注产品评论及政治背景下的网民情绪分析，最近6 年才更加关注Facebook、微博等社交媒体中凸显出的大众情绪。

图1 2000 年－2019 年国内外网络情绪文献统计图

近年来， 网络情绪的研究内容逐渐呈现两种取向，一种是以网络情绪分析方法为主体的技术研究，另一种是以网络用户为主体的应用研究。 在网络情绪的技术研究中，作出突出贡献的是Erik Cambria，与相关研究者致力于探究基于词典（Xing，Pallucchini，＆ Cambria，2019）、 机 器 学 习 （Li et al.，2019）、深度学习（Young，Hazarika，Poria，＆ Cambria，2018）等不同方法在网络情绪分析中的应用。国内学者通过关注本土社交平台中的情绪信息， 建立了符合中文语言特点的情绪词库， 针对微博短文本特征改进情绪分析算法和模型， 开发适用于中文文本的情绪分析程序 （牛耕， 潘明慧， 魏欧， 蔡昕烨，2014）。在网络情绪应用研究中起重要影响的研究者是Arvid Kappas， 他不仅对网络情绪的概念和测量方法作出解释 （D’Mello，Kappas，＆ Gratch，2017），还探究了社会群体在线互动中的情绪动态（Garcia，Kappas，Kuester，Dennis，＆ Schweitzer，2016）及生理特征（Kappas，Tsankova，＆ Theunis，2011），使得网络情绪逐渐成为规范的研究领域。同时，研究者也开始利用社交媒体的海量数据分析用户的情绪状态和变化规律，探究网络情绪与心理健康（Rafiqul et al.，2018）、股市走向（Zhou，Zhao，＆ Xu，2016）、用户人格（Pentina ＆ Zhang，2016）等方面的关系。

2 网络情绪的概念及基本结构

2.1 网络情绪的概念

“网络情绪”来自互联网与情绪研究相结合的新兴领域，国内外对“网络情绪”的定义和研究范围并没有一致的界定。 最初“网络情绪”是指网民通过网络互动和传播途径所形成的一种集体情绪 （Ahn et al.，2011；孙立明，2016），这一概念主要强调了网络情绪的集群性， 忽视了单一个体在网络空间的情绪体验和反应。Zhang（2016）曾指出网络情绪应该包括个体或群体对网络社会现象主动或被动的心理体验和情感反映，单一性和集群性是同时存在的。Kappas（2017） 在研究中开始关注网民情绪产生的心理过程，提出网络情绪是指社交网络中的情感过程，个体内在情绪状态会影响在线情绪表达， 并且外部的网络信息也会对在线情绪体验和表达产生影响， 从而引发整个网络空间的情绪变化。 Kappas 还指出网络情绪研究主要用来探究和分析互联网中能够反映个体或群体情绪情感特征的现象， 这些现象往往蕴含在文本、表情图片、表情符号、语音等信息中，因此对互联网中不同信息的情绪分析和探究都属于网络情绪领域的研究范畴。

综上，当前对“网络情绪”的定义还比较宽泛，但不同概念中依然存在共同之处： 网络情绪的主体为个人或群体， 由于受到外部信息或内部情绪状态的影响， 从而在网络空间中主动或被动产生的心理体验和情感反映。

2.2 网络情绪的基本结构

传统情绪结构存在分类取向和维度取向， 网络情绪结构的研究也延续了这两种取向， 形成了网络空间的情绪结构。

2.2.1 分类取向

情绪分类取向认为情绪是个体在进化过程中发展出来对外界刺激的适应性反应， 试图将情绪分为几种彼此独立的、 有限的基本情绪。 其中Ekman（1971）的基本情绪分类说最为突出，他认为存在快乐、悲伤、愤怒、恐惧、厌恶和惊讶6 种基本情绪。 在网络情境中研究者们大致沿袭了这种普遍认可的分类方式， 其中惊讶是唯一具有争议的基本情绪。Wikarsa 和 Thahir（2015）认为从个体情绪的丰富性出发， 惊讶属于网络情境中的基本情绪。 但Kumar等人 （2015） 的研究指出网络用户的基本情绪为快乐、悲伤、愤怒、恐惧以及厌恶5 种，并不包括惊讶，这与董颖红等人（2015）的研究结论一致。 当个体面对不同网络事件时， 所产生的情绪与上述提到的基本情绪有所差别，其差别在于不同网络情境下，个体所产生的情绪会受到网络事件性质的影响， 其情绪体验更加丰富和复杂。例如在与政府相关的事件中，会产生愤怒、讽刺、失望、同情、不信任、焦虑等情绪类型，在重大人祸事件面前，网民的情绪为愤怒、鄙视、 厌恶、 同情和爱五种类型 （Shi，Wang，＆ He，2013；叶勇豪，许燕，2016）。

2.2.2 维度取向

情绪维度取向认为情绪是高度相关的连续体，是一种较为模糊的状态， 很难区分出各种具体情绪（乐国安，董颖红，2013）。经过面部表情、言语表达及情绪词汇语义相似性判断等广泛研究， 不同的研究者认为情绪存在两个稳定、独立的维度，据此提出了不同的两维度模型。 其一为Russell（1980）提出的效价-唤醒模型， 核心情绪状态是通过效价和唤醒度来衡量的， 其中效价用来衡量情绪体验者是愉悦的还是悲伤的， 唤醒度是用来衡量情绪主体所体验到的情绪强度。 其二为 Watson 和 Tellegen（1985）提出的与上述结构相似的环形模型： 积极-消极情绪模型，积极情绪指个体感觉热情、活跃和警觉的程度，消极情绪是一种悲伤忧虑、消极投入的状态，包括愤怒、恐惧、紧张、耻辱等，两者是相互独立的。 前期网络情绪表达研究中多数采用积极-消极情绪模型，将网络情绪表达分为积极情绪和消极情绪两个独立的维度（Golder ＆ Macy，2011）。 随着情感分析技术的深入发展， 研究者们根据主体的自我报告和系统自动标注情绪强度的方法进行激活水平分析， 逐渐基于效价-唤醒理论， 用二维空间模型分析网络情绪的结构， 提高了情绪分析的准确度 （Preotiuc－Pietro et al.，2016）。 由于互联网中的部分文本信息可能属于理性或中性评价， 不涉及主体的情绪性特征，因此研究发现网络空间中存在积极情绪、消极情绪以及无明显情绪三个不同维度（Raghavan，Kumar，Raman，＆ Sridhar，2017）。

3 网络情绪的理论基础

3.1 情绪社会分享理论

情绪社会分享理论 （social sharing of emotion）由Rimé 等人（1991）提出，最初该理论是为了解释一种现象：当个体受到某一情绪事件的影响时，会普遍倾向于自愿地与他人诉说、 谈论这些情绪事件以及表达个人感受，这一过程被称为情绪社会分享。传统的情绪社会分享包括两种形式， 一种是直接面对面与他人诉说或讨论情绪诱发事件， 表达自己内心的情绪体验和反应；另一种是通过日记、书信、诗歌等方式表达情绪内容，间接与他人进行互动。伴随着互联网的兴起和社交媒体的涌现， 个体的情绪表达和分享方式突破了时间和空间的限制， 使得越来越多的情绪信息暴露在网络空间中， 从而推动了情绪社会分享理论在网络空间中的应用。 Hidalgo 等人（2015）利用Live Journal 网站上的博客内容进行情感分析， 发现了个体对于含有情绪感受的博客内容更加感兴趣， 证实了网络空间中仍然存在情绪的社会分享。 另外研究发现情绪分享可以满足个体获得支持和尊重的需要， 有利于促进人际交往和身心健康发展。

3.2 情绪感染理论

情绪感染 （emotional contagion） 由 McDougall（1923） 定义为 “由个体共情反应而直接引发的情绪”，即由他人情绪引起，并产生与他人情绪相匹配的情绪体验， 最初是用来解释个体在面对面交流中非言语部分的情绪传递。 随着情绪感染理论的不断发展，情绪感染不再局限于面对面的交流。研究表明网络空间中的图片、表情、文字等信息也可以作为情绪感染发生的刺激因素， 个体会因为在接触刺激因素后处于生理唤醒的内在机制， 不由自主地产生与刺激因素相类似的情绪（张洪，蒋婷，万晓榆，盛海刚，2019）。 关于情绪感染的发生机制一直存在两种解释——原始性情绪感染和意识性情绪感染。 早期学者倾向认为情绪感染是基于人类的模仿倾向，是个体自动、无意识模仿他人的表情、声音和动作的过程， 并在模仿过程中体验到被模仿者的情绪（Hatfield，Cacioppo，＆ Rapson，2010）。 后来提出的意识性感染观点则认为个体情绪感染是有意识参与的过程，虚假的微笑并不感染他人，因此将情绪感染作为一种理解他人情绪的感知、分辨、接收的过程，受到个体高级认知系统调节 （Hennig－thurau，Groth，＆Paul，2006）。尽管对于情绪感染机制存在一定争议，但网络空间中传播者情绪会影响信息接受者情绪，进而影响其后续行为已经得到了研究证明。 来自Facebook 的研究表明即使缺少传统的人际互动的非言语线索， 情绪状态也可以通过情绪感染转移到其他网络使用者身上 （Kramer，Guillory，＆ Hancock，2014）。 Ferrara 等（2015）发现 Twitter 用户在转发消息之前会首先对其所接收到的信息赋予情感效价，从而突出网络信息的情绪感染效果。

3.3 群际情绪理论

Mackie 等人（2000）在情绪评价理论、社会认同理论和自我分类理论的基础上， 提出了群际情绪理论（intergroup emotions theory），其中情绪评价理论认为情绪来自个体对事件或情境的评价， 该理论侧重分析个体的情绪过程。 为了进一步解释群体互动过程中所产生的情绪， 群际情绪理论以社会认同为桥梁， 将情绪评价理论扩展到集体层面 （Dong et al.，2016）。 群际情绪理论认为社会认同是群体情绪产生的主要原因，当个体对某一群体形成认同后，就会主动将该群体变成自我的一部分， 这种社会自我的存在， 使得个体开始从群体的角度对事件或情境作出评价， 由此产生与群体成员一致的情绪认知和情感体验（Smith ＆ Mackie，2015）。 在网络空间中，各类社会新闻极易引起网民们的关注和情绪表达，由于网络的参与者来自社会不同阶级， 代表着不同群体对某一社会事件的态度和情绪， 当网民找到与自身特征相似的群体时，会加强对该群体的认同感，促使个体从群体的角度评价当前的网络情境， 而出现去个体化的效应（Derks，Fischer，＆ Bos，2007）。网络参与者还会受到群体内刻板印象的影响， 产生与群体内相似的情绪体验， 从而使得个体情绪上升到集体情绪。 高文珺等人（2014）依据群际情绪理论明确了网络空间集体情绪的五种特征即评价标准，包括一致性、非理性、能动性、可控性及偏差性，在此基础上提出了网络集体行动的认同情绪模型， 这对未来网络情绪引发个体行为的实证研究具有重要意义。

上述三种理论都强调网络情绪是个体与网络环境互动的产物，也是个体社会化的表现。它们的区别在于展现了网络情绪发展的不同阶段， 情绪社会分享理论立足于个体自身的心理需求， 从个体层面揭示网络空间中情绪信息的最初出现形式， 但无法解释网络情绪的集群性以及网络集体行为的产生；随后以情绪感染理论为基础的实证研究表明个体情绪在网络空间的传染性， 证实了网络情绪在个体间的传播，但这时网络情绪极不稳定，容易受到情绪事件性质、 传播者与接收者关系或者其它突发事件的干扰； 群际情绪理论能够更好地解释网络情绪是如何从个体层面上升到群体层面， 以至于在一段时间内的网络空间中形成相对稳定的情绪特征， 该理论更加突出个体的认知功能和群体内的影响。 根据唐超（2012）对网络情绪演进的实证研究以及上述三种理论，可以发现在网络事件的影响下，网民的分享意愿促使网络空间出现不同的情绪信息， 处在网络情绪出现期；接下来由于情绪感染机制的影响，网络情绪开始蔓延，处于网络情绪的发酵期；最后在不同网络群体的作用下，网络情绪更加集中且强烈，达到了高峰期，这一阶段更容易引发网络群体性事件。因此可以掌握网络情绪的动态发展过程， 及时防止不良情绪信息的蔓延和群体性事件的发生。此外，当前对网络情绪的实证研究主要侧重在某一理论的解释，未来研究可利用不同理论构建统一模型， 系统地解释网络情绪的动态变化过程。

4 网络情绪的研究方法

4.1 问卷调查法

问卷调查法是指参与者通过问卷和访谈的形式进行自我报告。 常使用此方法探究网民在线交流中的三方面情绪内容：网络情绪表达、情绪体验和情绪调节。 网络情绪的测量工具主要来源于传统测量领域的修订版，具体情况如下：

网络情绪表达的测量工具在Krings 等人编制的情绪表达性量表 （emotional expressivity scale）基础上修订，使其更加符合网络情绪表达特点（陈莹，2016）。 量表共17 个项目，包含抑制情绪、乐于表达情绪、情绪表达不适三个维度，采用6 点计分（1＝从不，6＝总是），其中6 个项目为反向计分。 总分越高，表示个体越乐于表达情绪，内部一致性信度为0.82，可适用于比较网络空间与现实交流中情绪表达的差异。

网络情绪体验的工具主要测量个体在网络空间中的消极情绪体验， 包括网络消极情绪体验问卷（negative online experience questionnaire， NOEQ）和网络愤怒量表（online anger scale，OAS）。 NOEQ由金盛华等人（2015）编制，共12 个项目，包括消极认知体验（3 项）、消极情绪体验（4 项）和消极社交体验（5 项）三个维度，采用 5 点计分（1＝完全不符合，5＝完全符合）。 量表以平均分作为最终分数，分数越高表示个体在网络中消极情绪体验越强烈， 其内部一致性信度为0.89（金盛华，吴嵩，郭亚飞，张林，2015），这一量表使用广泛。 OAS 由 Dillard 和 Shen（2005）编制，该量表的测量前提是为被试创设一个想象场景，然后对其社交平台上的动态进行评价，分为四个维度：烦闷、生气、愤怒及暴怒，采用7 点计分（1＝完全没有，7＝强烈感受）， 被试根据情绪体验在不同的维度上打分， 其信效度良好 （Xie ＆ Xie，2019）。 这两个量表主要适用于青少年和大学生群体， 通常用来评估网络消极情绪体验对不良行为的作用。

网络情绪调节问卷 （online emotion regulation questionnaire）是在 Gross（2003）编制的情绪调节量表（Scale of Emotion Regulation）基础上修订的。 最初情绪调节量表只有认知重评和表达抑制两个维度， 而网络情绪调节问卷以网络情境中情绪调节的实际情况将问卷分为忽视情绪调节、抑制情绪调节、重视情绪调节及宣泄情绪调节4 个维度。 本问卷共28 个条目，采用 5 点计分（1＝非常不符合，5＝非常符合），通过计算不同维度的总分而得出被试在网络空间情绪调节的方式。内部一致性信度为0.78，重测信度为 0.71（解登峰，谢章明，2017）。

Zych 等人（2017）为了更加全面测量网络用户在线交流中的情绪内容， 以情绪智力和述情障碍为理论基础开发了网络情绪问卷（E－motions questionnaire），用来测量青少年和大学生在网络空间中的情感内容。该问卷包括21 个题目，分为网络情绪表达、网络情绪体验、 网络情绪感知和管理及网络情绪使用的好处4 个维度，采用5 点计分（1＝非常不同意，5＝非常同意），该问卷内部一致性信度为 0.94（Zych，Ortega－Ruiz，＆ Marín－López，2017）。 目前此量表在国外应用较多，国内还未见其应用报告。

4.2 行为实验法

行为实验法主要采用情绪诱发法和情绪启动对互联网中的情绪状态进行探究。 基于网络空间的情绪诱发法是指被试在互联网上完成一系列传统的情绪诱发任务，实验材料包括具有情绪色彩的文字、图片、音乐、视频等（Ferrer，Grenen，＆ Taber，2015）。 在一项关于网络情绪传染机制的研究中， 被试被分为两组，一组只接收包含积极词汇的正面新闻消息，另一组只接收充满消极词汇的负面新闻消息， 持续一周后研究者们对被试在Facebook 上发布动态的情绪进行评估。 研究发现接收负面消息的被试比积极消息组更倾向于表达负面情绪， 这不仅表明互联网中情绪诱导的有效性， 也证明了网络参与者的情绪会无意识地受到网络信息的影响（Kramer，Guillory，＆ Hancock，2014）。 为了全面探究网民在线互动中的情绪动态，Garcial 和 Kappas（2016）仍然利用不同情绪的话题新闻展开了一系列情绪诱发任务。 与前者的实验设计相比，本次实验设计更加完善，首先新闻中包含积极、消极和中性三种情绪表达，其次该实验分为自然环境和实验室两种条件， 最后对被试所产生的情绪进行自评和他评， 研究发现参与者体验到的情绪状态取决于给他呈现的内容。 情绪启动是指当启动刺激与目标刺激在相同效价和不同效价两种情况下， 被试在相同效价的情况下对目标刺激的加工会更快和更准确。 在网络空间的情绪启动研究中，实验材料包括网络词汇、表情符号、表情图片（表情包）三类，主要通过经典情绪启动范式或阈上阈下启动范式探究网络词汇、 表情符号和表情图片的情绪启动效应（Maureira et al.，2015），同时比较与现实文字和图片之间情绪启动效应的区别（李紫菲，胡笑羽，2019）。 研究结果表明网络词汇、表情符号、表情图片等能够对被试产生情绪启动效应， 但启动效果有所差别。一般来说，表情图片的启动效应显著强于表情符号， 表情符号的情绪启动效果优于中文词语。

4.3 文本情感分析法

面对互联网中大量的文本情感信息， 传统的研究方法受到了主观性偏差、 生态学效度和样本规模等方面的多重限制， 而网络大数据的发展能够弥补这些方面的不足。 为了更方便地获取和分析网络空间的文本情绪信息， 伴随网络大数据而来的文本情感分析方法应运而生。 情感分析（Sentiment Analysis）是指利用自然语言处理、 统计或机器学习等技术对文本的主观态度、 情绪或观点进行语义定向或极性分析，也可称作观点挖掘（Casillas ＆ Ramirez，2019）。 文本情感分析的方法有以下三种（Medhat，Hassan，＆ Korashy，2014）：基于词典的方法（lexicon based）、基于机器学习的方法（machine learning），以及前两种方法的结合（hybrid）。

基于词典的情感分析方法将网络文本分解为单个词汇， 根据系统中的词汇对文本中的情感词进行搜索，并为情感词标注相应的情感得分，计算该文本各类情绪指数，得出文本中的不同情绪类型，而不仅仅是分为正负性。 例如“语言询问和词汇计数系统”（linguistic inquiry and word count，LIWC）是一款基于心理学的文本情感分析软件， 可以对文本内容进行量化分析并将不同类别的词语加以计算， 如因果词、情绪词、认知词等心理词类在文本中使用的百分比。研究证明LIWC 具有良好的结构效度，能够比较准确地分析网络情绪特点， 因此被应用于多项网络情绪的研究中， 以探究用户心理过程与情绪类型之间的关系，预测用户个性、主观幸福感以及心理健康状况 （Zhao，Jiao，＆ Bai，2016）。 自 Pennebaker 和Francis（1999）建立该系统至今，它也经历了不断完善的过程，并且为了方便中文文本的情感分析，中科院心理所计算网络心理实验室基于LIWC 的发展开发了“文心（textmind）”中文心理分析系统。

基于机器学习的情感分析方法作为一个分类的过程，通过标注训练语料和测试语料，将文本中的情感分为二维或多维度 （Paltoglou ＆ Thelwall，2017）。在初始训练阶段，随机提取总数据的一部分作为训练数据集，再选择不同的分类器训练数据并确定分类模型，如支持向量机、随机森林和神经网络等分类器；余下的部分数据作为测试数据集，在测试数据中执行分类模型，最终生成文本情感的预测结果。 现有研究对于训练和测试的数据量没有明确限制。 叶勇豪等人（2016）收集了与“人祸”事件有关的10006 条微博，按照10%（训练数据）和90%（测试数据）的比例对微博文本中网民情绪特点和表达差异进行探讨。 Mohammad 等人（2016）按照 70%（训练数据）和 30%（测试数据）的比例分析2000 万条与“女权主义”相关的推文，从而探究其中所反映的网民情绪和立场。

前两种方法存在一定的弊端： 基于词典的方法过度依赖词典， 如果在线文本中的情绪词不在该词典中，就无法判断文本的情绪倾向，并且分析过程中容易忽略上下文情境； 而基于机器学习的方法需要依据大量的训练数据，面对不断变化的网络语言，训练数据可能存在不完善的地方和滞后性。 因此不少学者采用两种方法的结合对在线文本进行情绪分析， 首先采用情绪词典对不同主题进行情感得分计算，然后采用基于规则的算法对文本进行情绪分析；其次通过卡方值来识别其他的主观词汇， 然后运用分 类 器 探 测 文 本 的 情 绪 倾 向 （Khan，Atique，＆Thakar，2015）。 Khan 等人（2014）的研究表明，在结果的准确度上， 两者相结合的方法比单独使用任何一种分类器的方法更加具有优势。

5 网络情绪表达的特性

网络情绪表达是指个人或群体在网络空间里通过文字、符号、图片等方式表达自己的情绪和态度的一种网络行为。依据情境，网民情绪表达可分两种形式： 一种形式是针对自己日常生活或者在线交流中所传达的情绪状态，个体内部起主导作用；另一种形式是受到网络事件的影响所产生的情绪表达， 外部事件起关键作用。这两种情绪表达具有不同的特性。

5.1 网络日常中情绪表达

网络日常的情绪表达属于微观人际互动层面，与个体每时每刻的情绪变化息息相关。 人们借助QQ、微信、豆瓣、知乎等网络应用工具，在网上自由公开表达自己的思想、情感，与他人交流观点。 研究者通过收集个体每日发布的动态以及在线交流情况， 能够准确地分析个人在网络空间中日常情绪表达的特性。

首先，从整体而言，网络日常的情绪表达主要以积极情绪和消极情绪两种倾向为主。 与现实中情绪分享相比，网络中的情绪表达更加频繁（Derks，Fischer，＆ Bos，2007）， 并且个体更倾向于表达积极情绪，而不是消极情绪（Qiu，Lin，Leung，＆ Tov，2012；Lin，Tov，＆ Qiu，2014）。其次，在不同的时间单位里，网络空间呈现不同的情绪表达倾向：以天为单位，个人的积极情绪在清晨（上午6 点左右）到夜晚（晚上10 点左右）期间保持较高水平，其余时间以消极情绪为主导；以季节为单位，国外学者Golder 和Macy（2011）认为冬季的积极情绪明显下降，而国内学者汪静莹等人（2016）认为秋季的积极情绪和消极情绪都偏低。 再次， 从不同民族在线情绪表达的分析来看， 虽然汉族群体和少数民族群体在网络空间的积极情绪表达均多于消极情绪表达， 但差异在于少数民族群体更倾向于负面情绪的表达（董浩烨，陈莹，2018）。最后，网络情绪表达的载体不仅只有文字，多数用户会利用表情符号和表情图片在日常动态中表达情绪， 对表情符号的识别也是分析个人在网络空间情绪表达差异的重要途径， 能够用来弥补网络空间缺乏非语言线索对情感交流产生的负面影响（Tang ＆ Hew，2018），体现网络情绪表达的独特性。其中最明显的差异体现在不同性别使用表情符号的频率以及所表达的情绪效价各不相同， 女性会利用情绪图标表达更多的负面情绪， 而男性通常利用表情符号表达积极情绪（Chen，Yuan，＆ You，2018）。

5.2 网络事件中情绪表达

网络事件中的情绪表达属于社会宏观层面的公共表达行为， 一般由某一公共事件或公共话题所引起，如巴黎暴恐事件（Garcia ＆ Rimé，2019）、全面放开二孩政策（周莉，魏冰，杨宇轲，2018）、女权主义（Mohammad， Kiritchenko， Sobhani， Zhu， ＆Cherry， 2016）等不同类型的公共事件和话题。 这些社会热点问题总能引起社会各界的广泛关注， 并且能够在Twitter、论坛、新闻客户端等平台进行激烈讨论， 引发不同性别和文化背景下网民的复杂情绪体验和表达。

网络事件中的情绪表达也主要分为积极情绪和消极情绪两种倾向，但与个体日常情绪表达相比，网络事件中包含着更丰富的情绪类型， 体现在不同事件中情绪表达的差异上。一方面，在以积极情绪表达为主的网络事件中，同情、认同、爱三种情绪类型表现最为频繁；另一方面，在以消极情绪表达为主的网络事件中，表现出愤怒、恐惧、厌恶、讽刺、嫉妒等多种情绪类别， 其中愤怒、 恐惧、 厌恶更为常见（Savolainen，2015）。同时与积极情绪相比，消极情绪在网络空间中的表达更为普遍， 传播力和传染力更强， 容易激发其他网民的相同情绪 （Fan et al.，2014；Ahmad，Ramsay，＆ Ahmed，2019）。不仅网络事件的性质会影响个体的情绪表达， 网民的性别和文化背景也会影响其网络空间的情绪表达。 通过分析不同性别的网民情绪表达特点， 可以得出男性在愤怒、厌恶、鄙视等负面情绪中具有更高的表达倾向和程度，而在同情和爱等积极情绪中，女性具有更高的表达倾向和程度（Chen，Lu，＆ Ai，2018）。 另外，不同文化背景下的用户对同一网络事件的情绪表达也有差异。美国网民倾向于在网络空间宣泄个体情绪，表达自我观点； 而英国网民倾向于对事件抱有批判态度并探求真相； 德国谨慎严密的行为习惯同样体现在网民的情绪表达中；对于法国用户，网络成为了公众宣泄焦虑和悲伤的平台（周莉，蔡璐，刘煜，2017）。

6 网络情绪的治理

通过对网络情绪表达特性的分析可以发现网络空间的情绪变化十分复杂，涉及不同的主体、事件、时间等因素。并且公众在参与网络事件的过程中，因匿名性而让简单发泄情绪成为常态， 其情绪具有浓重的非理性色彩， 一定程度上对整个网络舆论氛围产生了消极的影响， 甚至对社会秩序产生一定的冲击， 造成一系列的网络群体性事件 （朱天， 马超，2018）。 正因为网络情绪带来了巨大的社会影响力，所以研究者们提出了一系列网络情绪治理的措施，形成了以政府为主导，以信息技术为保障，公民共同参与的多层次、协作性、网络化的治理模式（马超，曾君，2019）。

6.1 个体：主动培养媒介素养，提高情绪管理能力

网民作为网络空间的个体存在， 是网络情绪产生的主体。个体网络情绪的表达直接且迅速，因此只有让网民发挥良好的主体作用，辩证看待网络信息，合理管理自身情绪，形成良好的表达习惯，才能从根本上形成有序的网络情绪氛围。首先，网民要增强辨别信息的能力，理性对待网络信息，自觉抵制不良信息的传播。当前网络信息纷繁复杂，虚假信息层出不穷，容易激起人们情绪的波动。如果不具备一定批判思考和辨别真假的能力， 很容易就被这些不实的信息所误导。 其次，及时觉察自我情绪，提高情绪管理的能力。网络空间的情绪分为积极情绪和消极情绪，不同情绪表达带来的影响取决于个体对自我情绪的管理（Vermeulen，Vandebosch，＆ Heirman，2018）。 情绪管理是指个体通过有意识的察觉、适当的调整，以合适的方式缓解情绪，提高对情绪的控制能力，让身心保持良好的状态。 特别是当自己因为网络事件而产生消极情绪和体验时， 应选择合适的方式进行宣泄和表达，及时转化自己的不良情绪。因此理性对待网络信息，合理管理自己的情绪，能够有效避免被网络空间内的负面信息和情绪所感染， 促进网络情绪交流的良性互动。

6.2 社会：完善网络管理机制，发挥舆论引导作用

政府和媒体作为社会层面的两大主体， 应积极承担起网络情绪治理的责任。 在互联网高度发展的新时代， 大量的网民在网络空间表达情绪， 宣泄情绪，对网络舆论产生了巨大的影响力，但网络不是法外之地，世界上没有不受限制的自由。 一方面，政府作为网络情绪治理的首要主体， 为网民提供有效且良好的情感诉求和情绪宣泄平台的同时， 也应加强相关法律法规的建设（Zhang，2016），规范网络空间的情绪表达界限。法律法规具有刚性约束作用，对传播谣言、煽动负面情绪的违法行为进行惩戒，能够起到较好的震慑效果， 这样可以促进网民在网络空间理性地表达情绪，形成制度化的情绪释放机制。另一方面，媒体作为主流传播通道，应发挥正面情绪的引导作用。在以往的研究中发现，突发事件中的网民情绪表达较为一致，负面情绪呈现压倒性的态势，使得网民的情绪呈现恶性循环，情绪影响不断放大。因此正面情绪的作用日益凸显， 新闻媒体在事件中应承担起自身责任，防止负面情绪对公众认知的误导，从积极方向进行引导（周莉，魏冰，杨宇轲，2018），有助于化解社会矛盾、稳定公众情绪。在政府和媒体的共同作用下（刘博，2017），构建合理平等的网络社会关系，在满足网民情绪表达需求的同时，也便于政府了解当前网络情绪发展动态， 对网络舆情事件作出合理的决策。

6.3 技术：充分运用数据监控，掌握情绪传播规律

网络信息技术的不断更新和发展， 为信息传播和情绪表达提供了诸多便利， 使得人们可以自由地在网络世界里表达自己的内心感受和情绪体验。 与此同时，信息技术的发展也产生了一些负面影响，大量的负面虚假信息在网络空间传播， 对网民正确理性的表达产生了消极影响。 因此应克服信息技术带来的不良影响，发挥其优势，严格控制不良信息和非理性情绪的传播， 减少引发网民不良情绪体验的外部刺激。信息技术的优势在于大数据的运用，对网民在社交平台上发表的文本信息及非文本信息 （如表情符号、图片、语音等）进行全方位的挖掘和分析，能够有效地掌握网民对事件的关注程度、 网民的情绪及心理变化、网络舆情事件的发展趋势，帮助有关部门在突发事件之后对网民情绪进行正确引导， 及时避免可能发生的恶性事件（叶勇豪，许燕，朱一杰，梁炯潜，兰天，于淼，2016）。另外通过信息过滤机制，对网民的在线评论进行审核， 屏蔽掉其中含有极端情绪的内容（张洪，蒋婷，万晓榆，盛海刚，2019），营造理性的情绪表达氛围。

7 总结与展望

研究者运用多种研究方法对网络情绪进行深入而广泛的研究，取得了一定的研究成果，并将其应用在大众情绪测量、 临床诊断和社会经济事件预测当中， 这有助于网络参与者合理地表达个人情绪以及加强政府机构对情绪型舆论的管理。 但网络情绪作为研究和实践主题的历史相对比较短暂， 在研究理论、 研究方法以及研究内容上还有待进一步的完善和发展。

第一，构建网络情绪的理论体系。现有体系不完善一方面是因为网络情绪的概念过于宽泛，“网络情绪”与“网络情感”界限不清，导致研究范围过大，不能得出准确的结论（朱天，马超，2018）。 在传统心理学上，情绪和情感具有一定的差异，情绪具有较大的情境性、 激动性和暂时性， 而情感通常用来描述稳定、深刻的社会感情，由于互联网即时性的特征，因此在未来研究中采用 “网络情绪” 这一表述比较准确。另一方面是因为网络情绪的特征、影响因素及作用机制也有待探究， 虽然研究提出了网络情绪的产生有别于现实情绪， 例如Lin 等人 （2015） 在探究Facebook 用户情绪体验的研究中发现，影响网络情绪反应的因素是网络参与者的个人特征、 所浏览的信息以及读者与信息发布者之间的关系。 但是在这些对网络情绪产生影响的因素中，哪些是核心因素，哪些是次要因素，还缺乏系统的理论解释。 因此，未来可对网络情绪影响因素和作用机制进一步探讨，逐步完善网络情绪的理论体系。

第二，改进网络情绪的研究方法。首先，近年来，网络情绪的测量工具虽然不断增加， 但主要来源于传统情绪测量领域的修订版， 缺乏统一规范的网络情绪测量工具， 工具的有效性和适用群体仍需要进一步的检验。 其次，现有研究技术思路较为简单，多采用单一研究方法， 缺乏不同研究方法的综合。 另外，大部分研究仅限于相关研究，缺乏实验设计。 基于此，未来可考虑以下几个方面：其一，开发应用于网络空间情绪研究的测量工具。 利用现有网络情绪的理论、 网络空间的特点以及用户的认知特征等方面， 编制出更贴近在线情境、 更准确有效的评估工具，同时修订国外经典的网络情绪测量工具。 其二，加强网络情绪领域的实验设计， 利用传统的研究范式（如情绪诱导法）考查网络情绪中不同因素之间的作用。 Ferrer 等人（2015）的研究证实了网络空间中情绪诱导的有效性， 能够有效诱导积极情绪和消极情绪，如恐惧、厌恶、悲伤、内疚等，为网络情绪的实验研究提供了重要依据。其三，建立统一的文本情感分析标准。在信息技术发展下，对不同类型文本情感分析方法的深入探究成为网络情绪研究的热点，建立统一标准化的情感词库有利于研究成果之间的直接比较。并且由于情绪表达的复杂性和不稳定性，如何利用新的数据收集和分析方法对在线互动时用户的情绪表达进行分析， 也是研究方法上需要突破的关键点。其四，应将传统研究方法与信息技术结合起来共同运用于网络情绪的研究中， 这不仅弥补了传统方法生态效度和样本规模的问题， 也有利于网络情绪与其他因素之间因果关系的推论。

第三，扩展网络情绪的研究内容。 首先，从研究对象上看， 现有研究所涉及的对象大多不区分其年龄、民族、文化水平等具体层次，且主要集中于大学生群体。 从研究平台来说， 先前的研究主要集中于Facebook、Twitter、微博等较少的网络平台，未来研究可充分利用网络空间的开放性和灵活性， 探究不同社交平台、 不同年龄群体或民族在网络空间中情绪体验、表达或调节的特征和心理规律。 其次，从研究深度上看， 当前研究主要以数据为导向分析大众网络情绪表达的变化规律， 多停留在浅层的现象描述上， 并且以探究网络情绪与社会事件之间的相关关系为主， 忽视了两者是如何随着时间的演变而出现变化的。另外，当前研究也逐渐关注起网络情绪与个体网络行为之间的关系，但主要集中在网络成瘾、网络攻击或者网络偏差等负面行为上， 忽视了网络情绪对个体的积极影响。 Wood 等人（2016）的研究发现网络空间的情绪交流对个体的情绪调节及人际关系都产生着积极的作用， 因此未来研究应重视网络情绪的积极影响， 用更加理性的态度认识网络情绪。