郑杏冉 黄卫东

摘要：[目的/意义]引入网民心理理论研究情感主题，探究突发公共事件中网民情绪爆发以及负面舆情现象的触发和生成的心理原因，为突发公共事件舆论引导提供帮助。[方法/过程]以“东航坠机”为关键词爬取微博评论作为研究对象，利用情感分析、LDA主题挖掘，结合舆情生命周期和社交网络方法，对事件发生不同阶段的不同情感下用户所关注的主题进行可视化分析，并结合网民心理对网络舆情中情感主题展开更加深入的挖掘，找出网民消极情绪形成和导致负面舆论行为背后的心理问题。[结果/结论]研究表明，引起网民消极行为的原因除了事件本身的因素外，还有网民的个体心理和群体心理以及潜在心理活动的催化。研究结果可为减轻舆情危机风险和有效引导舆论方向提供帮助。

关键词：深度学习；突发事件；情感主题；舆情引导；网民心理

分类号：G206

引用格式：郑杏冉， 黄卫东. 网民心理视角下突发公共事件情感主题研究[J/OL]. 知识管理论坛， 2024， 9（1）： 93-107 [引用日期]. http：//www.kmf.ac.cn/p/380/. （Citation： Zheng Xingran， Huang Weidong. Research on the Emotional Theme of Public Emergencies from the Perspective of Netizen Psychology[J/OL]. Knowledge Management Forum， 2024， 9（1）： 93-107 [cite date]. http：//www.kmf.ac.cn/p/380/.）

1  引言/Introduction

突发公共事件是指突然发生，导致重大人员伤亡、财产损失、生态环境破坏和严重的社会危害，公共安全受到危及的紧急事件，包括自然灾害、事故灾难、公共卫生事件和社会安全事件[1]。移动互联网在方便人们获取信息的同时，也成为大众发泄情绪和表达观点的主要阵地。一方面，突发公共事件的复杂性、突发性和持续性容易让部分网民在社交网络上发表过激言论，事件发布的滞后性更会导致谣言和不实信息在網络上传播；另一方面，突发公共事件带来的冲击极易影响到公众的心理，且事件发酵过程中出现的新情况不断影响大众的情绪和关注主题的走向，这种影响可能是积极的，但也可能是消极的，而消极的舆情会恶化突发公共事件的态势，带来舆论危机。因此，网民心理在突发公共事件的整个传播过程中起着重要的推动作用。面对一系列突发公共事件相关信息，网民自身往往带有主观情绪，影响情绪的因素之一就是网民的心理，网络信息的传播往往就是网民情绪的传播，严重时将会影响事件走向。同时相关心理学研究表明，情绪会显著影响我们的行为，所以探究网民情绪形成和负面行为爆发背后的网民心理，对引导网络舆情、推动社会稳定治理具有重要的研究意义。

目前国内外学者大多数对突发公共事件的网络舆情研究集中在舆论传播与演化路径等方面，缺少基于网民心理研究突发公共事件舆情生成原因。本文旨在提出一种将网民心理相关理论融合情感主题的研究方法以对突发公共事件舆情演化进行梳理，挖掘网民负面行为和消极情绪形成的心理原因。因此，以突发事件“东航坠机”为例，挖掘网民情感主题，构建事件不同阶段中的舆情主题关系图谱，找出网民出现极端消极倾向行为的各个节点，分析各个阶段出现负面行为状况的心理原因，为政府、媒体和意见领袖等治理主体在突发事件网络舆情控制和引导方面提供数据和理论支持。

2  文献综述/Literature review

2.1  突发公共事件网络舆情研究现状

目前，对于突发公共事件舆情治理相关研究主要集中在于舆情的形成过程、传播演化、监测预警和回应引导4个方面：

（1）突发公共事件网络舆情形成和触发过程的研究。突发公共事件一旦发生极容易引发社会舆情，而舆情的触发往往是多种因素综合作用的结果[2]。其中舆情的主体、客体、本体和媒介以及过程是舆情形成的最重要的五大要素[3]。事件的属性、主体、范围、倾向都能够对热点话题的形成产生影响，大范围的权威信息更能够成为热点[4]。同时个人的受教育程度、个人顽固性、个人初步意见等外部特征也会对舆情的形成产生影响[5]。

（2）突发公共事件舆情的传播与演化。这一过程是学者们的重点关注对象，从总体上分为阶段和要素两个视角。从阶段视角看，学者们结合生命周期对舆情传播演化的阶段过程进行分析，提出舆情生命周期从生成到结束分为三阶段[6]、四阶段[7]、五阶段[8]等过程理论。从要素视角看，现有研究主要集中在主体内容[9]、客体的情感态度和意见[10]等方面。姚艾昕等利用LDA主题分析法研究新冠疫情谣言内容的分布特征和热门谣言的主题特征，得出医疗类谣言占比最高[11]；S. Wang等提出一种动态网络结构，对主题感知偏好和用户邻接信息被用户影响之间的二元关系所反映的先验信息进行分解[12]；V. Schoenmueller等对Twitter上虚假新闻发布、传播者历史帖子的语言进行语义分析、主题挖掘，并分析其发布虚假新闻的情感动机[13]。

（3）突发公共事件的监测和预警。学者们利用不同的监测指标和构建不同的模型对其进行研究，如采用层次分析法与专家调查法[14]、解释结构模型（Interpretative Structural Modeling Method， ISM）和贝叶斯网络模型（Bayesian Network， BN）[15]等。L. J. Peng等甚至在考虑发展特点和传播特点的基础上，构建了包括4个一级指标和13个二级指标的网络舆情预警指标体系[16]。

（4）突发公共事件舆情的回应与引导。以民众角度，利用情感分析和主体提取，提出基于民众反应制定政府回应策略的方法[17]；以政府角度，从思路、模式、手段、政府信息供给决策、效果评价等5个方面进行舆情引导与治理的创新[18]。

综上所述，当前围绕突发公共事件网络舆情热点分布在舆情的传播演化和回应引导方面，学者们从不同角度、利用不同技术方法为治理主体把握事件舆情传播演化规律并为引导治理提供参考。但现有研究也存在着较为薄弱的地方，如在研究方向上对舆情的生成上研究关注度较少，在研究视角上需要强化跨学科融合的视角。

2.2  情感分析和主题挖掘研究

目前，情感分析主要有三种方法：①基于情感词典的情感分析方法。除了常用的知网HowNet情感词典[19]、大连理工大学情感词典[20]和台湾大学NTUSD简体中文词典[21]外，学者们为提高情感分类准确率考虑到颜文字和语气词对于细粒度情感分类的影响[22]；也有将三层神经网络结构融入动态情感词典的构建中提高准确度[23]。②基于机器学习的情感分析方法，朴素贝叶斯（Naive Bayesian， NB）[24]和SVM（Support Vector Machine， SVM）[25]是文本分类效果较好的算法。研究者在此基础上不断改进，为获得更高的准确率。杨妥等结合情感分析和SVM-LSTM模型来提高股指预测精度，与传统股指预测方法相比实现结果均方差缩小约0.083[26]；杨爽等从词特性特征、情感特征、句式特征和语义特征4个方面，提取动词、名词等14个特征，使用SVM方法对微博情感进行5级分类[27]。③基于深度学习的情感分析方法，通过模拟人脑的组织构造，形成更有效的情感语义表达技能。其中卷积神经网络（Convolutional Neural Network，CNN）是广泛用于情感表达的深度学习模型之一[28]。程艳等提出的基于注意力机制的多通道CNN和双向门控循环单元，能够弥补CNN不能高效提取上下文语义信息的问题[29]。综上所述，利用深度学习的分类方法准确率更高，因此本文使用改进的CNN模型进行情感分类，对评论文本进行积极、消极情感分类处理。

微博平台噪音大和短文本的特点使得微博舆情主题挖掘主要采用文本聚类法，如K-means聚类法[30]和LDA（Latent Dirichlet Allocation）模型[31]等主题挖掘模型。蔡永明等基于传统的LDA模型加入共词网络分析，提高短文本中主题挖掘的准确性[32]。安璐等利用潜在狄利克雷分配模型和自组织映射（Self-organizing map， SOM）方法对比Twitter与微博上关于西非埃博拉暴发的微博热点主题特征，指出了演化模型和时序趋势的相似点和不同点[33]。T. T. ZHAO等在动态人类认知过程模型的基础上引入基于概率增益的动态模型来检测潜在主题，提高主题挖掘效果[34]。赵常煜等基于LDA主题模型对Twitter中内容按照中英文挖掘“一带一路”的讨论主题，寻求融合主题和情感的分析方法[35]。综上可见，LDA主题生成模型应用广泛，且能高效、准确地挖掘出评论文本的主题特征。

3  模型设计/Model design

3.1  研究总体框架

本研究主要对突发事件“东航坠机”相关的微博评论进行文本采集、数据清洗、情感主题挖掘，结合网民心理理论对网民产生的负面行为进行分析。最终，为在突发公共事件舆情传播过程中产生主要影响的主体（政府部门、主流媒体、意见领袖等）提出针对性的舆情治理策略。研究框架如图1所示：

（1）使用数据管家软件的网络爬虫采集“东航坠机”这一突发公共事件的微博评论数据集，包括发布时间、发布者、微博内容等存放在本地CSV文件中。

（2）对微博评论数据集进行清洗，包括删除无关和空白数据、数据去重、异常值数据处理等。

（3）根据生命周期理论，结合选取的突发事件热度变化，划分出舆情演化生命周期。对划分后的数据以时间为单位进行积极和消极情感的分类处理。对完成分类后的文本进行关键词提取以及LDA主题挖掘，挖掘出不同时间段内积极和消极评论的主题内容，结合共词分析和社交网络分析对突发事件内评论关键词进行可视化呈现。

（4）根据网民心理相关理论分析产生消极情感行为和负面现象的原因，为相关舆情治理部门了解真实网络世界提供参考建议。

3.2  数据采集和数据清洗

本文使用数据管家软件的自定义网络爬虫对微博上以“东航坠机”为关键词的微博博文信息进行采集，得到从2022年3月21日至3月31日共计43 737条原始数据。收集到的数据比较零散，含有英文、表情符号等噪声数据，考虑到这些噪声数据会影响文本情感分析的准确性和确定挖掘主题的个数，笔者首先对数据进行清洗，包括重复和异常值处理、中文分词、过滤停用词等，为后续文本分析做准备。其中，中文分词采用jieba工具实现，停用词过滤通过自定义词典和正则化表示进行，经过这一系列步骤能够获得更高效的评论内容，从而提高舆情分析效果。为挖掘突发事件主题特征词，本文使用TF-IDF方法计算特征词的权重，该方法的计算公式如（1）所示：

公式（2）表示特征词出现在评论中的词频，ni，j为特征词ti在文本dj中出现的次数，分母

为文本中所有特征词的个数。公式（3）表示的倒文档频率，分子N表示整个的文本的数量，分母包含特征词的评论数量，并进行log和数字加1的处理。

3.3  情感主题模型构建

在情感主题获取过程中，本文利用改进的CNN卷积神经网络对积极和消极的评论进行分类，并结合LDA主题对文本进行挖掘，最后融合网民心理理论探讨导致网民极端情绪行为的原因。

在情感分类过程中，微博文本具有短文本、碎片化等特征，利用传统的CNN情感分类模型存在文本信息过短，容易导致提取特征和情感分类有误。传统的LSTM模型能够捕捉长距离的依赖关系，确保结构完整但是无法编码从后到前的信息[36]。为解决此问题，本文选择通过双向的LSTM算法，从全局考虑文本上下文语义关系，完整地将信息进行融合和分类，获取更准确的情感特征，并与提取的主题词向量结合形成BiLSTM模型。因此，为了获得更好的突发公共事件情感分类模型，笔者利用融合思想，将两个模型得到的特征進行非线性连接构成CNN-BiLSTM模型。将CNN与BiLSTM进行融合，使得BiLSTM解决LSTM无法处理信息的缺点，利用CNN模型对局部特征高效提取的优点，同时又可以使用BiLSTM进行双向的特征学习提取全文本的优势，然后对CNN和BiLSTM获取特征进行合并，经过全连接层最后由Softmax进行分类并输出分类结果。CNN-BiLSTM结构模型如图2。利用本文提出的情感分类模型能够更精准获取信息并实现文本数据的高效分类。

由于微博文本数量大、内容繁杂多样，为了更好地分析在生命周期下突发公共事件不同情感的主题演化，本文借助LDA主题模型从评

论文本中提取共同主题，用于分析每个生命周期下，不同主题的舆情关注度演化过程。LDA具有预测单词关联和记忆任务的优势，不需要人工进行标注就能够在大量的微博评论文本中推断出规定数量的主题，极大提高了主题提取的效率。同时本文利用基于Relevence公式的LDA文本主题挖掘，采用Sievert等搭建的交互式可视系统LDAvis进行主题挖掘可视化。通过交互式调整可以更明确地确定主题数量和主题词，从而提高情感话题的可读性和独立性。Relevence公式如（8）所示：

其中，w代表詞库中的词语，k是主题。Pw表示词语w在主题—词语分布矩阵f中的边际概率，fkw代表词语w与主题k的相关度。通过调节λ改变词语与主题的相关性r。当r接近1时，主题相关性高。当r接近0时，其中排他性的词较高。

3.4  网民心理理论

网民心理具有复杂性、层次多样性，在赵成玉对网民心理的态势感知的研究基础上，本文将从网民的个体心理、群体心理两个维度去考虑对舆情传播中情感主题演化的影响[37]。强化突发公共事件舆情治理研究方面多学科融合的研究视角为突发公共事件舆情治理中的参与主体提出正确积极的引导策略。网民个体心理主要体现在这几个方面：①恐惧和不安情绪表达。随着经济社会的发展，网民看到关于突发公共事件的负面信息时候，会不由自主地产生焦虑、恐惧、坐立不安和抑郁等正常应激反应，并迫切地希望进行彼此交流。当事件信息不全面时候，这种情绪极易转化成谣言。②受个体已有认知的影响。面对外部刺激时，个体会根据自己对已有的认知结构对事件进行解读，并对已有的信息选择性地加工和完善，进而做出反应。③利益驱使的个人私欲。心理学家马斯洛在需求层次理论中提到，个体有自我实现的需求[38]。在虚拟网络中发表观点，试图获得更多人的关注和认可。微博舆论容易被有心人用来谋取个人利益。

网民的群体心理主要体现在这几个方面：①从众心理。个体受到群体压力时，容易改变原有的观点或认知，形成与公众或多数人相似的观点意见[39]。②去个体化。个体融入群体后，容易失去自己独有个性，来降低独自承担责任的风险[40]。③社会期望落空产生相对剥夺感。在某种状态下按照某种标准或某种参照物与自己的情况进行比较、发现自己处于弱势时所产生的剥夺感，通常表现为不满、愤恨。

4  实验分析/Experimental analysis

4.1  实验数据与舆情周期划分

2022年3月21日，一架东航波音737-800客机确认坠毁，该事件迅速在社会上引发广泛关注。网民通过微博平台积极参与该事件的讨论，相关话题登上热榜。本文以此作为研究案例进行分析，以微博用户发布的博文作为舆情数据来源，进行实证分析。根据百度指数数据统计，东航事件舆情周期是从2022年3月21日至2022年3月31日。综合考虑爬虫程序的效率和微博的搜索特点，使用数据管理采集器，以“东航坠机”为搜索关键词，抓取舆情周期内所有微博数据。获取微博文本、用户等信息后，经过删除信息缺失评论，去除@、#、URL链接、表情等预处理步骤后，保留10 052条评论。根据舆情发展态势，结合本次事件特征，整个舆情的热度峰值出现在2022年3月22日，2022年3月23日之后事件热度迅速大幅度地下降并趋于平缓，这一变化符合网络舆情周期三阶段模型[41]。本文将“东航坠机”的舆情周期划分成形成期、爆发期和消退期三个阶段，见图3。形成期为2022年3月21日至2022年3月22日；爆发期为2022年3月22日至2022年3月23日；消退期为2022年3月23日至2022年3月31日。笔者将每个阶段的微博评论进行整理合并，获得的评论中形成期有2 698条，爆发期有4 498条，消退期有2 904条，最后以CSV格式储存。

4.2  舆情周期内情感分布

在舆情周期内，本文采用基于深度学习的情感分析方法，对开源情感分析模型CNN-BiLSTM进行训练后，利用此模型对微博评论文本进行情感分类，将文本分为积极和消极两种情感。首先，创建对CNN-BiLSTM模型进行训练的样本数据集。笔者将获得的微博评论样本部分进行人工标记，作为训练模型的样本，共有5 026条。在人工标注的时候，若评论传达积极情感时，则标注“+1”；若评论传达的是消极情感时，则标注为“-1”。在本文所选择的“东航坠机”事件话题中，如“希望大家平安”“奇迹出现”“不传谣”等事件结果是满足网民对事件结果的期盼，可判定为文本属于正向积极的情感；“造谣”“害怕”“伤心”属于网民消极负面情感。其次，根据上述规则进行模型训练。经过训练的分类模型，性能指标准确率为0.73，达到了较为满意的效果，证明本次构建的情感分类器可以对剩余评论进行分类。最后，使用训练后的分类模型对全部文本的情感进行预测，得到情感分类结果。为进一步分析文本情感特点，将三个舆情演化阶段的情感分类结果做统计分析，分析结果如表1所示：

舆情周期内，情感倾向分布情况见图4。根据表1和图4分析可得，在“东航坠机”事件整个生命周期内，总体负面评论占比多于正面评论，除了形成期正面情感文本多于负面情感10个百分点外，爆发期和消退期的负面情感都远多于正面26个百分点。因此，消极情感是整个舆情周期内的主导情感，且在爆发期负面情感更为激烈。

4.3  舆情周期内情感主题分析

网民情感倾向是由话题触发，并受心理机制影响形成的。所以，探究不同情感背后的评论主题和心理机制具有重要意义。为研究周期内不同阶段中用户评论的主题变化，建立“情感—主题”的映射关系，笔者以形成期积极情感的数据为例进行说明。文本使用jieba进行分词，然后利用TF-IDF将文档进行向量化。使用LDAvis工具，先设定预估的主题数量是8。经过反复调试，保证主题之间没有交集后，最终确认主题数为4。经过多次的迭代、聚类之后获得形成期积极评论主题的识别结果见图5。LDAvis工具直观地显示出不同主题在二维向量空间上的距离，不同大小的圆圈代表主题包含文本数量的差异。在二维空间向量上，这4个主题之间没有重叠。由此表明，指定的4个类别结果是可行的。

通过调整LDAvis中的参数λ以提高主题词汇的准确性。LDA主题模型会采用高频词对主题进行描述，为确保描述主题的全面性，在参考以往研究的基础上，本文将输出的关键词设为30，其中某一主题（没有先后顺序）的描述关键字序列为“平安—希望—奇迹—坠机—东航—祈祷—平平安安—发生—出现—飞机……”。

使用此方法对剩余的形成期消极评论、爆发期积极和消极评论以及消退期积极和消极评论做主题聚类分析。为进一步挖掘事件微博评论主题特征词之间的关系，基于社交网络方法，利用Gephi软件进行主题关联分析。将前文中获得的主题关键词的低频部分过滤掉，获得核心关键词，并利用这些关键词构建共现关系。使用Gephi软件绘制不同舆情阶段中积极和消极的关键词社交网络关系。以颜色区分不同的主题，相同颜色的节点代表同一主题中的关键词。最终实现结果见图6—图11所示。

通过对图6—图11的分析研究发现，网民对于此次坠机关注的话题是偏消极的。形成期的积极评论图谱主题讨论分布较为均匀，围绕的大都是对于坠机事件的相关报道，产生网民祈祷遇难者平安、出现奇迹，发出要把握当下的期盼等行为，消极的评论中比重更多的主题是关于对此突发坠机意外的难过、悲痛和害怕的负面情绪内容，以及自己对坠机遇难者的感同身受的心情，引起群体的同理心情；爆发期中的积极评论主题更多围绕对灾难的祈福和网友在面对大量不实报道发出呼吁不信谣不传谣等言论，消极评论更多围绕坠机事件的负面情绪，对于这场空难发生的悲伤和痛心包括对遇难者的情感、对人生无常的感慨等；消退期积极评论更偏重于遇难现场的报道真实状况和搜救结果，此时关注点重新回到坠机的情况上，伴随着事件的真相还原，“平安”“注意安全”和“寻找真相”等具有积极情感增加，公众的讨论逐渐趋于平缓。网民消极评论的主要关注更偏重于坠机这件事给群众和遇难者家属带来的痛苦情感以及对营销、蹭热度、造谣者的厌恶憎恨和为遇难者祈福默哀等内容。综合上述内容，总结突发公共事件网民的积极和消极行为见表2。

过多消极的评论会给网络用户带来负面影响，了解产生这些舆论的因素所在有利于采取有针对性的引导措施。因此笔者将分析重点放在负面情感主题上。众所周知，网民的评论往往围绕突发事件报道内容进行，图12为官方发布的坠机事件几个重要节点的新闻信息，将其与表2词

汇主题表进行对照分析，可以看出网民的情感主题与部分新闻报道吻合，但存在大量衍生的负面行为内容。从表中得出，网民情感主题内容不仅涉及事件本身的讨论，更掺杂着由网民心理催化后所产生的消极情绪。因此，事件的进一步发酵往往和这一阶段的网民心理问题有着一定的关系，笔者结合第三章中提到的网民心理理论进一步研究情感主题的生成演化规律，见图13。

从图13中看出，在形成期，网上发布的部分不完整坠机事件信息以图片、文字、视频、音频等传播方式转发，使得大众产生对突发事件未知伤亡、死亡的恐惧与害怕，好奇心促使群众从各种渠道获取坠机真相，这让部分媒体、营销号有机可乘，在认知偏差和获取流量博得热度的心理下对坠机事件进行过度解读和营销，开始在网络上发布大量不实言论，极易左右大众的判断，造成不知真相的网民产生进一步的不安和焦虑情绪。在爆发期，随着坠机事件的搜寻工作进一步开展，事件信息不断被整合和扩大化传播，关注这一事件的群众急速增长，同时出现更多受利益驱使的人加入对事故的无底线造谣和蹭流量行为，在网络上形成不良之风，群体效应显著，网民情绪受到感染，部分网民为了获得达成一致的认同感，失去理性判断，使信息传播过程中出现更多的造谣言论，对事件发展走向和社会和谐带来负面影响。在消退期，坠机真相被进一步揭开，网民情绪有所缓解，但是网民容易将自己和遇害者纳入一个群体范围之中，被共同命运的情绪影响，对遇难者产生共情，进而产生的悲伤、失望、痛苦会在重大突发事件结束后很长时间内影响公众情绪，别有用心的人会利用网民对社会的不满或者消极的情绪散布影响国家安全和社会稳定的信息。

4.4  小结

本文针对网络舆情的研究缺乏网民心理视角、舆情实时分析较差等问题，提出了一种利用情感分析和主题挖掘获取舆情周期内大众產生的正面和负面情感主题的方法。以“东航坠机”的微博评论为研究对象，从网民心理理论的角度对突发事件舆情信息传播过程中各种负面现象和负面情绪进行剖析，相关管理部门可以在不同阶段根据文本分析结果进行舆论引导。

（1）形成期。这一时期主要围绕坠机事件内容讨论，这一阶段由于个人心理的激化出现网络谣言爆发以及相关媒体从业者无下限地蹭流量等行为，网民整体的情绪和行为都偏消极，并且此时对突发事件的讨论分散，辨别能力较差的群众更易受到迷惑。这一系列行为持续影响用户的情绪。因此，当地政府管理部门应该及时做好坠机事件的信息核实和筛查，并与主流媒体合作，由媒体对坠机事件的现场以及网民关注的各类问题进行详细报道，对受害者家属表达出人文关怀，对救援情况进行追踪，对事故原因进行追问，让网民负面情绪得到排解。

（2）爆发期。在爆发期公众的讨论主题除了为遇难者祈福外，由于坠机现场信息爆发式上升，部分营销号等为利益发布不实信息，群众在认知偏差、从众心理等因素的作用下，极易受到谣言信息的误导，进一步加深公众的负面情绪并在社交平台上发布消极言论。该阶段政府管理部门应该及时和民众进行沟通，保证信息交流的畅通，对谣言内容及时澄清，对谣言的发布者进行警告处罚，从源头避免谣言的产生。主流媒体要对当事人、知情者进行多方报道，对坠机事件的各个角度进行解读，避免谣言的散布和蔓延，同时将网民的注意力转移到积极向上的内容中，比如聚焦于救灾过程中的救援主体的行动等。

（3）消退期。消退期的情感主题虽回到坠机事件本身上，舆论热度逐渐下降，但是潜在的同情心理使得网民将长时间沉浸在悲伤情绪中，不利于社会的稳定发展。相关的管理部门要及时介入，发布对遇难者的处理政策，及时开展对事故遇难者家属的心理疏导，稳固群众的信心。主流媒体应持续关注事件处理进度，增加对坠机事故的相关责任以及对遇难者家属进行人文关怀的报道。意见领袖可以增加在政府政策、官方救援力度、法律普及以及灾后如何运营同类飞机等方面为网民提供专业的解读。

5  研究结论及建议/Conclusions and recommendations

本文研究结果表明，网民在社交平台上表达自身观点时除了受事件本身的影响外，网民心理问题也会导致网民产生负面行为和在网络上形成消极氛围。因此正确有效地把握公众心理变化问题是研究突发公共事件舆论应对的关键环节，网民心理特点影响着重大突发事件处置、应对的理念和策略。而在整个突发公共事件中能够影响网民心理整体走向的主体包括政府、媒体、意见领袖等。因此，基于该突发公共事件的研究结论，笔者从以上几类参与主体的角度对突发公共事件舆情不同时间段提出各自的舆情引导和治理建议：

5.1  政府部门

（1）形成期。突发公共事件具有突发性，因此在形成期政府需要持续保持警觉并在第一时间将现场情况或者调查结果公布，即使事件还未掌握全部真实情况，也应如实向大众通报，保证官方与群众的信息顺畅沟通，不给虚假信息传播的机会，并在遏制负面情绪爆发的最佳时机进行控制。避免造成政府失去公信力，造成网民愤怒、焦虑、恐惧等负面情绪的产生。

（2）爆发期。政府应该通过分析大量的社交媒体评论、用户评论和新闻报道等数据，建立社交平台的情绪监测系统，通过技术化的手段随时掌握网民情绪变化，建立情感预警指标，当平台负面情感指标持续降低时，第一时间进行舆情预警，快速从负面情绪中辨别产生消極情绪的原因，及时制定符合当前社会需求的引导机制，稳定舆情局面，避免事态进一步恶化。

（3）消退期。政府需要给突发事件一个合理解释，对事故责任方进行问责，切忌出现搪塞现象。在事件结束后，政府相关部门要对数据进行收集整理并对舆论情况进行评估，从事件中总结经验教训，避免此类舆论事件的再次发生。

5.2  主流媒体

（1）形成期。主流媒体要在事发后迅速做出正确判断，选择合适的标题，把握报道时机，对事件进行真实客观的报道，让大众了解尽可能多的真相，避免因部分被利益蒙蔽的自媒体用户和小媒体散布虚假消息，让舆论变得更加复杂且难以控制。

（2）爆发期。部分网民因认知偏差会产生恐慌、焦虑等负面情感，极易形成身体功能紊乱或造成心理障碍，主流媒体在发文时需要设置多样化的选题，转移民众对突发公共事件的关注点，镇定网民心理，对其情绪进行有效疏导。

（3）消退期。及时跟踪报道事件后续的处理结果和受害者家属的近况，避免因信息断裂而导致负面情绪的产生。

5.3  意见领袖

（1）形成期。意见领袖在社交平台上发布文章，获得大量的粉丝点赞、转发和评论，使得突发事件的相关信息得到迅速扩散，因此意见领袖需要从海量的信息中挖掘出高价值的内容，明确事件的积极发展方向，确保所发布信息的真实性，进而引导普通大众正确地看待突发事件，使事件在发生初期就能形成积极向上的网络讨论氛围。

（2）爆发期。突发事件发酵后，意见领袖需要提高对事件相关信息筛选、分析和加工的准确性，要结合自身特点和事件信息选择发文内容，引导网民情绪往积极向上的方向靠近。

（3）消退期。意见领袖在事件的消退期仍然要坚持正确的价值观，传递正能量，促进问题的解决。选择符合主流价值观的科学分析和专业解读进行发布，利用自身影响力帮助网民提高科学素养。

参考文献/References：

[1] 徐晓日， 刘丹琳. 我国突发公共事件舆情治理研究的热点主题与演进趋势[J]. 行政与法， 2023（6）： 15-27. （XU X R， LIU D L. Hot topics and evolutionary trends of research on the governance of public opinion on public emergencies in China[J]. Administration and law， 2023（6）： 15-27.）

[2] 刘勇， 王雅琪. 公共危机中“次生舆情”的生成与演化——基于对“8·12天津港爆炸事故”的考察[J]. 国际新闻界， 2017， 39（9）： 116-133. （LIU Y， WANG Y Q. The generating and evolution of “Secondary Public Sentiment” in public crisis： based on the focus on “8·12 Tianjin Port Explosion”[J]. Chinese journal of journalism & communication， 2017， 39（9）： 116-133.）

[3] 王平， 谢耘耕. 突发公共事件网络舆情的形成及演变机制研究[J]. 现代传播（中国传媒大学学报）， 2013（3）： 63-69．（WANG P， XIE J Y. Research on the formation and evolution mechanism of network public opinion in sudden public events[J]. Modern Communication （Journal of Communication University of China）， 2013（3）： 63-69.）

[4] 吕鲲， 施涵一， 靖继鹏. 突发公共卫生事件网络舆情热点话题形成组态路径研究——基于微博热搜数据的模糊集定性比较分析[J]. 情报理论与实践， 2022， 45（9）： 148-156. （L? K， SHI H Y， JING J P. Research on the configuration path of online public opinion hot topics in public health emergencies： fuzzy set qualitative comparative analysis based on microblogging hot search data[J]. Information studies： theory & application， 2022， 45（9）： 148-156.）

[5] CHEN T， PENG L， YANG J， et al. Modeling， simulation， and case analysis of COVI D‐19 over network public opinion formation with individual internal factors and external information characteristics[J]. Concurrency and computation： practice and experience， 2021： e6201.

[6] 杜洪涛， 王君泽， 李婕. 基于多案例的突发事件网络舆情演化模式研究[J]. 情报学报， 2017， 36（10）： 1038-1049. （DU H T， WANG J Z， LI J. Research on evolution model for online public opinion of emergent events based on multiple cases[J]. Journal of the China Society for Scientific and Technical Information， 2017， 36（10）： 1038-1049.）

[7] 宋海龙， 巨乃岐， 张备， 等. 突发事件网络舆情的形成、演化与控制[J]. 河南工程学院学报（社会科学版）， 2010， 25（4）： 12-16. （SONG H L， JU N Q， ZHANG B， et al. Formation， evolution and control of network public opinion for emergencies[J]. Journal of Henan University of Engineering （social science edition）， 2010， 25（4）： 12-16.）

[8] 佘廉， 叶金珠. 网络突发事件蔓延及其危险性评估[J]. 工程研究-跨学科视野中的工程， 2011， 3（2）： 157-163. （SHE L， YE J Z. The Assessment on internet emergency spread and its risk[J]. Journal of engineering studies， 2011， 3（2）： 157-163.）

[9] 任中杰， 张鹏， 李思成， 等. 基于微博数据挖掘的突发事件情感态势演化分析——以天津8·12事故为例[J]. 情报杂志， 2019， 38（2）： 140-148. （RENG Z J， ZHANG P， LI S C， et al. Analysis of emotion evolution of emergencies based on Weibo data mining： taking “8·12 Accident in Tianjin” as an example[J]. Journal of intelligence， 2019， 38（2）： 140-148.）

[10] ALMARS A， LI X， ZHAO X. Modelling user attitudes using hierarchical sentiment-topic model [J]. Data & knowledge engineering， 2019， 119： 139-149.

[11] 姚艾昕， 馬捷， 林英， 等. 重大突发公共卫生事件谣言演化与治理策略研究[J]. 情报科学， 2020， 38（7）： 22-29. （YAO A X， MA J， LIN Y， et al. The rumor evolution and governance strategy of major public health emergencies[J]. Information science， 2020， 38（7）： 22-29.）

[12] WANG S， LI L， YANG C， et al. Regularized topic-aware latent influence propagation in dynamic relational networks [J]. Geoinformatica， 2019， 23（3）： 329-352.

[13] SCHOENMUELLER V， BLANCHARD S J， JOHAR G V. Who will share fake-news on Twitter？psycholinguistic cues in online post histories discriminate between actors in the misinformation ecosystem[J]. Computers and society， 2022， 39（2）： 11-18.

[14] 王英杰， 胡漠， 张津赫， 等. 信息疫情下短视频网络舆情预警指标体系构建研究[J]. 情报科学， 2021， 39（11）： 38-44. （WANG Y J， HU M， ZHANG J H. Early warning index system of short video network public opinion under infodemic[J]. Information science， 2021， 39（11）： 38-44.）

[15] 李玥琪， 王晰巍， 王楠阿雪， 等. 突发事件下社交媒体网络舆情风险识别及预警模型研究[J]. 情报学报， 2022， 41（10）： 1085-1099. （LI Y Q， WANG X W， WANG N A X， et al. Risk identification and early warning model of social media network public opinion in emergencies[J]. Journal of the China Society for Scientific and Technical Information， 2022， 41（10）： 1085-1099.）

[16] PENG L J， SHAO X G， HUANG W M. Research on the early-warning model of network public opinion of major emergencies[J]. IEEE access， 2021， 9：44162-44172.

[17] 馬宁， 于光， 闫相斌. 基于舆情评论数据挖掘的政府回应策略优化方法研究——以新冠疫情援助物资使用舆情事件为例[J]. 电子政务， 2021（9）： 23-35. （MA N， YU G， YAN X B. Taking the public opinion event of COVID-19 aid use as an example， research on the optimization method of government response strategy based on public opinion comment data mining-taking the public opinion event of COVID-19 aid use as an example[J]. E-government， 2021（9）： 23-35.）

[18] 齐佳音， 方滨兴. 重大突发事件中网络舆情引导及治理研究——以新型冠状病毒肺炎疫情为例[J]. 上海对外经贸大学学报， 2020， 27（3）： 5-13. （QI J Y， FANG B X. Network public opinion response and governance innovation in serious emergencies： take the COVID-19 epidemic as an example[J]. Journal of Shanghai University of International Business and Economics， 2020， 27（3）： 5-13.）

[19] 王李冬， 张慧熙. 基于HowNet的微博文本语义检索研究[J]. 情报科学， 2016， 34（9）： 134-137. （WANG L D， ZHANG H X. Microblog text semantic retrieval based on HowNet[J]. Information science， 2016， 34（9）： 134-137.）

[20] 崔彦琛， 张鹏， 兰月新， 等. 面向时间序列的微博突发事件衍生舆情情感分析研究：以“6.22”杭州保姆纵火案衍生舆情事件为例[J]. 情报科学， 2019， 37（3）： 119-126. （CUI Y C， ZHANG P， LAN Y X， et al. Time series-oriented study on the sentiment analysis of the derived public opinion for microblog emergencies[J]. Information science， 2019， 37（3）： 119-126.）

[21] 台湾大学自然语言处理实验室．“NTUSD”[EB/OL]. [2023-10-12]. http：//nlg.csie.ntu.edu.tw/. （Natural Language Processing Laboratory of Taiwan University．“NTUSD”[EB/OL]. [2023-10-12]. http：//nlg.csie.ntu.edu.tw/.）

[22] 邱全磊， 崔宗敏， 喻静. 基于表情和语气的情感词典用于弹幕情感分析[J]. 计算机技术与发展， 2020， 30（8）： 178-182. （QIU Q L， CUN Z M， YU J. Emotional dictionary based on emoticons and modal for barrage sentiment analysis[J]. Computer technology and development， 2020， 30（8）： 178-182.）

[23] 李永帅， 王黎明， 柴玉梅， 等.基于双向LSTM的动态情感词典构建方法研究[J]. 小型微型计算机系统， 2019， 40（3）： 503-509. （LI Y S， WANG L M， CHAI Y M， et al. Research on construction method of dynamic sentiment dictionary based on bidirectional LSTM[J]. Journal of Chinese computer systems， 2019， 40（3）： 503-509.）

[24] 李静梅， 孙丽华， 张巧荣， 等.一种文本处理中的朴素贝叶斯分类器[J]. 哈尔滨工程大学学报， 2003（1）： 71-74. （LI J M， SUN L H， ZHANG Q R， et al. Application of native Bayes classifier to text classification[J]. Journal of Harbin Engineering University， 2003（1）： 71-74.）

[25] ZHAO Q．Social emotion classification of Japanese text information based on SVM and KNN[J]. Journal of Ambient intelligence and humanized computing， 2021， 8（6）： 1-12．

[26] 杨妥， 李万龙， 郑山红. 融合情感分析与SVM＿LSTM模型的股票指数预测[J]. 软件导刊， 2020， 19（8）： 14-18. （YANG T， LI W L， ZHENG S H. Stock index prediction based on SVM_LSTM model with emotion analysis[J]. Software guide， 2020， 19（8）： 14-18.）

[27] 杨爽， 陈芬. 基于SVM多特征融合的微博情感多级分类研究[J]. 数据分析与知识发现， 2017， 1（2）： 73-79. （YANG S， CHENG F. Analyzing sentiments of micro-blog posts based on support vector machine[J]. Data analysis and knowledge discovery， 2017， 1（2）： 73-79.）

[28] KIM Y. Convolutional neural networks for sentence classification[EB/OL]. [2023-09-01]. https：//doi.org/10.48550/arXiv.1408.5882.

[29] 程艷， 尧磊波， 张光河， 等. 基于注意力机制的多通道CNN和BiGRU的文本情感倾向性分析[J]. 计算机研究与发展， 2020， 57（12）： 2583-2595. （CHENG Y， YAO L B， ZHANG G H， et al. Text sentiment orientation analysis of multi-channels CNN and BiGRU based on attention mechanism[J]. Journal of computer research and development， 2020， 57（12）： 2583-2595.）

[30] 冯传蕾. 基于多模网络模型的个性化信息推荐算法及应用[J]. 微型电脑应用， 2023， 39（8）： 83-85. （FENG C L. Personalized information recommendation algorithm based on multimode network model and its application[J]. Microcomputer applications， 2023， 39（8）： 83-85.）

[31] BLEI D M， NG A Y， JORDAN M L， et al. Latent Dirichlet allocation[J]. Journal of machine learning research， 2003， 3（4）： 993-1022.

[32] 蔡永明， 长青. 共词网络LDA模型的中文短文本主题分析[J]. 情报学报， 2018， 37（3）： 305-317. （CAI Y M， CHANG Q. Chinese short text topic analysis by Latent Dirichlet Allocation model with co-word network analysis[J]. Journal of the China Society for Scientific and Technical Information， 2018， 37（3）： 305-317.）

[33] 安璐， 杜廷尧， 余传明， 等. 突发公共卫生事件的微博主题演化模式和时序趋势——以Twitter和Weibo的埃博拉微博为例[J]. 情报资料工作， 2016（5）： 44-52. （AN L， DU T Y， YU C M， et al. Microblogging topic evolution pattern and timing trends of public health emergencies： taking Ebola microblogging on Twitter and Weibo for example[J]. Information and documentation services， 2016（5）： 44-52.）

[34] ZHAO T T， LUO X F， QIN W， et al. Topic detection model in a single-domain corpus inspired by the human memory cognitive process[J]. Concurrency and computation： practice and experience， 2018， 30（19）： e4642．

[35] 赵常煜， 吴亚平， 王继民. “一带一路”倡议下的Twitter文本主题挖掘和情感分析[J]. 图书情报工作， 2019， 63（19）： 119-127. （ZHAO C Y， WU Y P， WANG J M. Twitter text topic mining and sentiment analysis under the belt and road lnitiative[J]. Library and information service， 2019， 63（19）： 119-127.）

[36] 胡万钟. 从马斯洛的需求理论谈人的价值和自我价值[J]. 南京社会科学， 2000（6）： 25-29. （HU W Z. On human value and self worth from Maslows theory of needs[J]. Nanjing journal of social sciences， 2000（6）： 25-29.）

[37] GAN C Q， FENG Q D， ZHANG Z F. Scalable multi-channel dilated CNN-BiLSTM model with attention mechanism for Chinese textual sentiment analysis[J]. Future generation computer systems， 2021， 118（1）： 297-309.

[38] 趙成玉. 突发公共事件中微博网民心理的态势感知及引导研究[D]. 济南：山东师范大学， 2020. （ZHAO C Y. Research on the situation awareness and guidance of Weibo netizens psychology in public emergencies[D]. Jinan： Shandong Normal University， 2020.）

[39] ASCH S E. Effects of group pressure upon the modification and distortion of judgments [J]. Journal of Marketing Research， 1951， 16（17）： 394-400.

[40] 王灵芝. 网络舆情群体极化的心理学动因及二维效应[J]. 宜春学院学报， 2015， 37（5）： 34-39. （WANG L Z. Psychological inducements to group polarization for network public opinion and sentiment and analysis of its two-dimensional effects[J]. Journal of Yichun University， 2015， 37（5）： 34-39.）

[41] 陈福集， 张燕. 基于E-Divisive的网络舆情演化分析[J]. 情报杂志， 2016， 35（4）： 75-79. （CHEN F J， ZHANG Y. Quantitative analysis method for long-term network public opinion events[J]. Journal of intelligence， 2016， 35（4）： 75-79.）

作者贡献说明/Author contributions：

郑杏冉：负责数据获取、文献调研分析及论文撰写；

黄卫东：负责论文选题、研究设计、核心框架设计，修改初稿。

Research on the Emotional Theme of Public Emergencies from the Perspective of Netizen Psychology

Zheng Xingran  Huang Weidong

School of Management， Nanjing University of Posts and Telecommunications， Nanjing  210003

Abstract： [Purpose/Significance] The psychological theory of netizens is introduced to study the of emotional theme and explore the psychological causes of the outbreak of netizens emotions and the triggering and generation of negative public opinion phenomena in public emergencies， so as to provide help for the guidance of public opinion in public emergencies. [Method/Process] Taking “China Eastern Airlines crash” as the keyword to crawl Weibo comments as the research object， using sentiment analysis， LDA theme mining， combined with public opinion life cycle and social network methods， the themes that users are concerned about under different emotions at different stages of the incident were visually analyzed. And combining with netizens psychology， a more in-depth excavation of emotional themes in online public opinion were carried out to find out the psychological problems behind the formation of negative emotions of netizens and the behaviors that lead to negative public opinion. [Result/Conclusion] The study shows that in addition to the factors of the incident itself， the causes of negative behaviors of netizens are catalyzed by the individual psychology and group psychology of netizens as well as their potential psychological activities. The research results can help alleviate the risk of public opinion crisis and effectively guide the direction of public opinion.

Keywords： deep learning    emergencies     emotional themes    public opinion guidance     psychology of netizens

Fund project（s）： This work is supported by the National Natural Science Fund of China titled “Research on the Guidance and Blocking Mechanism of Public Opinion Transmission from the Perspective of Emotional Model” （Grant No. 7227011403）.

Author（s）： Zheng Xingran， master candidate， E-mail： 1171532207@qq.com; Huang Weidong， dean， professor， doctoral supervisor.

Received： 2023-08-21    Published： 2024-02-28