劉昊

（四川外國語大學新聞傳播學院，重慶 400031）

1 引言

近年來互聯(lián)網(wǎng)尤其移動互聯(lián)網(wǎng)的快速普及，微信、微博等社交媒體平臺成為人們日常社交、獲取新聞資訊、傳播熱點事件的重要渠道。以新浪微博為例，2018 年底月活躍用戶共4.62 億，日活躍用戶達到2 億。新浪微博日均文字發(fā)布量1.3 億，日均視頻直播發(fā)布量超過150 萬條，日均回答問題數(shù)超過5 萬條（微博數(shù)據(jù)中心，2018）?；ヂ?lián)網(wǎng)用戶依托社交媒體平臺的關注和好友關系鑲嵌在虛擬網(wǎng)絡上。社交媒體滿足用戶對信息的多元需求，突破地域限制，通過轉發(fā)、點贊、評論，二次傳播用戶觀點或情感。研究發(fā)現(xiàn)網(wǎng)民個體之間信息傳播，帶有明顯的情緒宣泄性質，傳播者的情緒越強，其信息傳播意愿越高（賴勝強，唐雪梅，2016）。社交媒體輿論事件的研究顯示，用戶的情感信息和意見要么影響了事件的走向，要么對事件的發(fā)展方向起決定性作用。因此傳統(tǒng)情感社會的研究不但應引申到網(wǎng)絡空間，更應該對社交媒體情感現(xiàn)象和問題重點關照。本文選擇2018 年的長生生物“假疫苗”事件作為研究案例，該事件被多家媒體報道并在社交媒體大量傳播，成為社會關注的輿論事件?！凹僖呙纭笔录杏写罅康那楦酗@現(xiàn)，在社交媒體上用戶關于事件的互動頻繁，特別是情感的互動有大量的行為數(shù)據(jù)用于研究。同時“假疫苗”事件影響特別巨大，具備涉及生存安全問題、道德底線突破、公眾反映強烈等輿論熱點事件的一般特征。因此“假疫苗”事件個案的研究不但能夠對案例本身有較深的情感探討，更能透過個案窺一斑而知全豹，發(fā)現(xiàn)輿論事件在社交媒體平臺情感傳播的一般規(guī)律。

2 文獻綜述與研究假設

現(xiàn)有的社交媒體輿論研究普遍將情感視為一個重要的影響因素。情感通常是指與人們的社會需要有關的體驗，在意識的控制下，對穩(wěn)定的態(tài)度體驗和行為反應，有穩(wěn)定性、持久性、內隱性、深刻性等特征（王有智，歐陽侖，2003）。社交媒體不但是公眾表達情緒、發(fā)泄情緒的途徑；同時也是媒體動員公眾參與并增強事件的社會影響力的手段（焦德武，2014）。比如在反腐議題的微博討論中，情緒化表達，特別是低喚醒度的負面情緒表達最為顯著（周莉，王子宇，胡珀，2018）。在群體中，每種感情和行動都有傳染性、人群或者大眾的情緒成為人群中個體成員的情緒（古斯塔夫·勒龐）。在社交媒體發(fā)布的內容中，關心、歉意和抱怨會產(chǎn)生典型情感影響（Suin Kim, JinYeong Bak, Alice Oh，2012）。文本內容中包含的情感信息會對文本的被轉發(fā)、被關注的程度產(chǎn)生影響，情感信息影響信息接受者對信息本身的關注（紀雪梅，王芳，2015）。從傳播研究的視角來看，傳播是指傳受之間通過信息共享建立共同意識的過程。情感基于接受者社會經(jīng)歷和文化背景中介作用，決定信息接收者的態(tài)度和意見。情感會顯著影響用戶的傳播行為，進而影響輿論的形成。由傳播的定義推及情感傳播的定義，即基于情感流動的傳受之間建立共同情感的過程，即情感趨同的過程。人際情緒的分享和情緒社會分享均會促進情感趨同效應的產(chǎn)生（孫俊才，盧家楣，2007；Strongman, Kenneth T，2003）。群體情感傳播會發(fā)生循環(huán)效應，經(jīng)過反復循環(huán)加強后，群體內某種情感會在群體之間逐漸達到同質化（Eliot R.Smith, Frederica R. Conrey,2007）。文本或視頻是否包含情感信息或是否能喚醒情感信息會影響到其是否更易被分享（徐翔,2017）。不同種類的情感，比如憤怒、恐慌、悲情,在群體聚合速度存在顯著差異(楊國斌,2009; Christopher K. Hsee, Elaine Hatfield, John G. Carlson,1990; Lars Kai Hansen, Adam Arvidsson, Finn Arup Nielsen, Elanor Colleoni, Michael Etter,2011)。因此研究中有必要對不同情感加以區(qū)分?，F(xiàn)有的社交媒體輿論的研究，情感是一個重要聚焦點且成果豐富。但對社交媒體情感趨同缺乏實證的分析，且在情感更細的分類下情感趨同的研究仍待拓展。鑒于此，本文以情感細粒度測量作為研究工具，以新浪微博作為社交媒體平臺研究對象進行情感趨同現(xiàn)象研究的擴展。

情感實證研究的難點在于情感的分類和測量，情感的分類實證研究多停留在正負層面。情感的分類有“七情說”分類、6 類分類、8 類分類和18 類分類(林傳鼎,2006;Ekman P,1993)。除以上一維的分類方式，情感有多維度的分類方式?；谖谋痉柕那楦袦y量大多通過機器學習（Picard R W,Picard R,1997）或情感詞典（王勇，呂學強，姬連春，肖詩斌，2014）實現(xiàn)。考慮研究的可對比性和可執(zhí)行性，選擇大連理工情感詞本體庫作為工具（徐琳宏，林鴻飛，潘宇，任惠，陳建美，2008），將情感分為三個等級分類（見表1）。社交媒體平臺文本是用戶情感表露的符號和載體，評論與轉發(fā)是社交媒體信息傳播的通道，情感傳播的過程與情感趨同的結果自然可以通過文本的觀測得以檢驗?；诳梢詼y量情感細粒度的級別，結合文獻討論，論文提出如下研究假設：

表1 情感三級分類表

研究假設1 同級同分類微博文本情感強度與微博評論情感強度正相關。

研究假設1.1 微博文本情感強度與微博評論情感強度正相關。

研究假設1.2 同類情感微博文本一級分類情感強度與微博評論一級分類情感強度正相關。

研究假設1.3 同類情感微博文本二級分類情感強度與微博評論二級分類情感強度正相關。

研究假設1.4 同類情感微博文本三級分類情感強度與微博評論三級分類情感強度正相關。

研究假設2 同級同分類微博文本情感強度與轉發(fā)配文本情感強度正相關。

研究假設2.1 微博文本情感強度與微博轉發(fā)配文本情感強度正相關。

研究假設2.2 同類情感微博文本一級分類情感強度與微博轉發(fā)配文本一級分類情感強度正相關。

研究假設2.3 同類情感微博文本二級分類情感強度與微博轉發(fā)配文本二級分類情感強度正相關。

研究假設2.4 同類情感微博文本三級分類情感強度與微博轉發(fā)配文本三級分類情感強度正相關。

研究假設3 情感博弈過程中社交媒體輿論事件的各級情感結構會趨于穩(wěn)定。

3 數(shù)據(jù)提取與清洗

新浪微博數(shù)據(jù)采集選擇火狐瀏覽器6.0編寫腳本實現(xiàn)，時間范圍為2018年7月15日0點至2018年8月9日24點，每隔兩個小時采集一次數(shù)據(jù)。微博內容的提取使用關鍵詞檢索，主要關鍵詞包括“假疫苗”“毒疫苗”“問題疫苗”“長生生物”“狂犬疫苗”“武漢生物”“問題疫苗”“高俊芳”等詞。使用關鍵詞交叉組合篩選目標事件相關微博。在數(shù)據(jù)清洗剔除錯誤和重復數(shù)據(jù)后共計得到有效微博223903條和微博賬號166739個，并采集了微博賬號公開的屬性標簽。數(shù)據(jù)入庫前對采集的賬號數(shù)據(jù)進行了匿名化脫敏處理。使用采集的數(shù)據(jù)繪制以天為單位微博數(shù)量時序圖與“假疫苗”百度指數(shù)波動曲線類似，兩者數(shù)據(jù)能夠交叉印證，數(shù)據(jù)質量可靠。

4 核心概念測量

情感強度既是核心概念也是研究的基礎工具。考慮研究的可對比性和詞庫的成熟性，選擇大連理工林鴻飛教授的中文情感詞匯本體庫，使用詞典標注的方式進行情感的計算。為提升情感計算的準確度。在基礎情感詞典的基礎上，引入程度副詞詞典、連詞詞典、否定詞詞典用于處理情感詞的強化或弱化、情感文本的反向。情感計算分為詞語級、句子級和語篇級。情感強度三級測量分類匯總，低級情感強度分類匯總后得到上一級情感強度。

4.1 詞語情感強度

公式（1）是詞語情感強度的計算，依據(jù)情感詞典查出情感的強度和正負極性?？紤]程度副詞的權重，并對程度副詞和情感強度進行min-max映射。E(w)是單個情感詞的情感強度。S(w)是情感詞在情感詞表中的強度值。P(w)是情感詞的情感極性。P(w)的取值存在四種情況，情感詞是中性詞P(w)=0，情感詞是褒義詞P(w)=1，情感詞是貶義詞P(w)=-1，情感詞是褒貶兩性詞P(w)=0。w(da)為程度詞副詞權重（徐琳宏，林鴻飛，楊志豪，2007；藺璜，郭姝慧，2003；陳國蘭，2016）。

4.2 句子情感強度

公式（2）是將句子中的情感詞，按情感強度，對否定詞進行情感取反，對不同的句型、感嘆句、反問句進行句型權重min-max 標準化引入。E(s)是句子的情感強度。E(w)是單個情感詞情感強度。n是句子情感詞的數(shù)量。m是句子否定詞出現(xiàn)的次數(shù)。W(s)情感詞句型結構權重，處理感嘆、反問等情況，疑問句W(s)值為-1，感嘆句以一個感嘆號結尾W(s)值為1.5，感嘆句以多個感嘆號結尾W(s)值為2，反問句W(s)值為-1.5(劉玉嬌，琚生根，伍少梅，蘇翀，2015)。W(na)是否定詞權重，存在否定詞其值是0.8，否則其值是1（張成功，劉培玉，朱振方，方明，2012）。

4.3 段落情感強度

4.4 二級情感強度分類匯總

公式（4）—（10）實現(xiàn)三級情感強度向二級情感強度的匯總，計算方法按三級情感分類層級關系，逐層累加，累加結果除以用戶微博參與次數(shù)以剔除用戶參與頻次對強度的影響。

4.5 一級情感強度分類匯總

公式（11）—（13）實現(xiàn)二級情感強度向一級情感強度的匯總，計算方法按三級情感分類層級關系，層層累加。最終正向情感強度與負向情感強度的累加，得到總的情感強度值。

5 分析過程

對全部采集到的微博文本進行情感強度的計算，繪制“假疫苗”事件二級、三級情感強度分布旭日圖如圖1所示。從圖1可以看出“假疫苗”事件中二級主導情感是“惡”和“好”，其次“哀”和“懼”。其中“惡”和“好”特別強烈，位于第一陣營，“哀”和“懼”相對強烈位于第二陣營。在“惡”的下屬情感中，“貶責”“憎惡”是主導型情感。對采集的文本分詞后發(fā)現(xiàn)，“假疫苗事件”語料“貶責”高頻情感詞：涉嫌、背后、違規(guī)、危害、害人，“假疫苗事件”語料“憎惡”高頻情感詞：行賄、惡心、惡劣、逍遙法外、黑幕。詞頻分析發(fā)現(xiàn)，情感分布中正面情感中存在大量網(wǎng)民的戲謔的表達和反諷修辭。比如把“假疫苗”事件中的主要涉事人高俊芳稱為“疫苗女王”；引發(fā)“假疫苗”事件成為熱點的關鍵網(wǎng)絡文章的標題為“疫苗之王”；由“假疫苗”事件聯(lián)想到三鹿奶粉，把三鹿奶粉罐子稱為“文物”；使用“厲害吧”，“服不服”等詞修飾不良企業(yè)的造假行為。

圖1 “假疫苗”事件二級、三級情感強度分布旭日圖

5.1 評論情感相關性檢驗

從采集的數(shù)據(jù)集中，提取微博評論量在10以上的微博，共計3781 條，采集其第一頁第一屏按熱度排序評論，最終成功采集評論38051 條，分別隸屬于3270條微博。將采集的微博評論依所歸屬的微博為單位組合成評論集文本，并剔除錯誤數(shù)據(jù)和異常值，計算其情感強度。使用SPSS 對微博文本情感強度變量（微博情感強度、微博負向情感、微博正向情感）和微博評論情感變量（評論情感強度、評論負向情感、評論正向情感）進行相關性分析（結果見表2）。從表2 中可以看出微博情感強度與評論情感強度之間呈弱正相關關系，假設1.1被接受。一級情感分類：微博正向情感強度與評論正向情感強度之間、微博負向情感強度與評論負向情感強度之間相關系數(shù)均呈弱正相關關系，假設1.2 被接受。且與正向情感相比負向情感在微博與微博評論之間的相關性更強。

表2 “假疫苗”事件微博文本與評論一級情感相關性分析表

使用SPSS對微博文本二級情感強度變量（微博樂、微博好、微博怒、微博哀、微博懼、微博惡、微博驚）和微博評論二級情感變量（評論樂、評論好、評論怒、評論哀、評論懼、評論惡、評論驚）進行相關性分析（結果見表3）。從表3可以看出微博本文和微博評論的二級情感分類，除“驚”情感強度相關性不顯著外，其它6維的情感均呈弱正相關關系，但相關系數(shù)除“惡”“哀”在0.2左右，“樂”“好”“怒”“哀”“懼”的相關系數(shù)均在0.15以下，總體呈弱正相關關系，假設H1.3被接受。對比其它類別二級情感，“惡”“哀”兩種情感在微博和評論之間存在更強的相關性。

表3 “假疫苗”事件微博文本與評論二級情感相關性分析表

基于圖1，篩選主要的三級情感（情感強度占比在3%及以上）：“快樂”（占比4%）、“贊揚”（占比22%）、“相信”（占比4%）、“喜愛”（占比4%）、“憤怒”（占比3%）、“悲傷”（占比5%）、“慌”（占比3%）、“恐懼”（占比4%）、“煩悶”（占比3%）、“憎惡”（占比11%）、“貶責”（占比26%）。使用SPSS對篩選后的微博文本三級情感強度變量和微博評論三級情感變量進行相關性分析（結果見表4）。從表4中可以看出，主要的三級情感分類，“貶責”“憎惡”“煩悶”“慌”“快樂”均呈現(xiàn)弱正相關關系，假設1.4被接受，即三級情感分類的考察，三級情感分類中的主導性情感在微博文本和微博評論之間呈現(xiàn)弱相關關系，且越是主導性情感其相關性系數(shù)越高。

表4 “假疫苗”事件微博文本與評論三級情感相關性分析表

5.2 轉發(fā)情感相關性檢驗

從采集的數(shù)據(jù)集中，篩選微博轉發(fā)量在30以上的微博，共計2220條。以篩選的微博為目標頁面，以轉發(fā)量的再轉發(fā)量排序，提取前20條轉發(fā)，將轉發(fā)配的文本構造轉發(fā)配文本變量，剔除錯誤數(shù)據(jù)和異常值，最終得到可供分析微博轉發(fā)文本樣本1901個，計算三級分類情感強度并分類匯總。使用SPSS對微博文本一級情感強度變量和微博轉發(fā)文本一級情感變量進行相關性分析（結果見表5）。

表5 “假疫苗”事件微博文本與轉發(fā)配文本一級情感相關性分析表

從表5中可以看出微博情感強度與轉發(fā)配文本情感強度之間呈正相關關系，假設2.1被接受。一級情感分類：微博正向情感強度與轉發(fā)配文本正向情感強度之間、微博負向情感強度與轉發(fā)配文本負向情感強度之間均成正相關關系，假設2.2被接受，且負向情感的相關性比正向情感要高。

使用SPSS對微博文本二級情感強度變量和微博轉發(fā)文本二級情感變量進行相關性分析（結果見表6）。

從表6可以看出微博本文和微博轉發(fā)配文本的二級情感分類，七個二級情感分類均正相關關系，其中“懼”“怒”“惡”相關性系數(shù)較高，相關性較強，假設2.3被接受。

表6 “假疫苗”事件微博文本與轉發(fā)配文本二級情感相關性分析表

使用前文同樣的方式篩選主要的三級情感，使用spss對篩選后的微博文本三級情感強度變量和微博轉發(fā)配文本三級情感變量進行相關性分析（結果見表7）。從表7中可以看出，主要的三級情感分類均呈現(xiàn)正相關關系，且相關系數(shù)普遍高于0.3，假設2.4被接受。其中情感“慌”的相關性系數(shù)最高，達到0.545，為三級情感中相關系數(shù)最高的一個，其次為“快樂”“貶責”“恐懼”。

表7 “假疫苗”事件微博文本與轉發(fā)配文本三級情感相關性分析表

5.3 情感傳播趨同性檢驗

以天為時間單位計算三級情感分類21 種情感類型的情感強度占比。繪制三級情感分類情感占比時序圖如圖2 所示、二級情感分類情感占比時序圖如圖3 所示和一級情感分類情感占比時序圖如圖4 所示。時間軸范圍為7 月15 日至7 月30 日，該時間段為“假疫苗”事件熱點時間段。

圖2顯示，三級情感分布中7月15日，“贊揚”最高占比51%，“恐懼”和“貶責”分別占比18%和15%，其他情感均勻分布，在7 月16 日至7 月20 日之間，各種情感占比波動巨大，“贊揚”快速下跌拉升、“貶責”極速上漲后回調，“憎惡”和“懷疑”在地位高振幅波動。7 月20 日后各種三級情感占比趨于穩(wěn)定，時間序列折線平穩(wěn)，“貶責”為主導情感維持在25%左右，“贊揚”在情感占比第二，維持在20%左右，“憎惡”在情感占比中位列第三，穩(wěn)定在10%左右，一直持續(xù)到7 月28日，小幅波動后趨于穩(wěn)定。

圖3顯示，二級情感的波動規(guī)律與三級情感相似，其中主導性情感是“惡”和“好”，七種二級情感在7月15日至7月18日進行力量博弈后，主要情感趨同于“惡”和“好”。7月19日開始“惡”情感占比基本穩(wěn)定在45%，“好”情感占比穩(wěn)定在33%，僅在7月22日有小幅的波動。

圖4顯示一級情感分類中的負向情感在7月15日當天即開始快速攀升，并于7月17日攀升至63%，并與負向情感折線發(fā)生了第一次交叉，其后負向情感在7月18日回落至49%，正向情感上升至51%，兩種情感占比折線發(fā)生第二次交叉，正負情感講過兩次力量博弈后，負向情感占據(jù)上風，在7月20日，負向情感占比穩(wěn)定在62%，正向情感占比穩(wěn)定在38%，分別做小幅波動。

從不同情感層級占比的時序圖來，事件情感隨著事件的發(fā)展，各種情感與觀點經(jīng)過社交媒體的傳播和討論后，最終主流情感和其情感占比會趨于穩(wěn)定?；诖苏J為情感傳播存在趨同性現(xiàn)象，假設3被接受。

圖2“假疫苗”事件三級情感分類情感占比時序圖

圖3“假疫苗”事件二級情感分類情感占比時序圖

圖4“假疫苗”事件一級情感分類情感占比時序圖

6 結論討論

社交媒體輿論事件中存在多元情感的波動，情感傳播以一種弱傳播的形態(tài)在微博二次傳播的時候普遍存在。微博傳播的兩個主要渠道評論和轉發(fā)中均存在情感相關性，但情感傳遞的關系是一種弱關系。情感成為一種喚醒、激發(fā)或扭轉輿論熱點事件的公眾態(tài)度和評價的手段。對比評論,轉發(fā)過程情感相關性系數(shù)更高，情感相似性特征更明顯。信息轉發(fā)的過程數(shù)據(jù)顯示，微博本文情感強度和微博轉發(fā)配文本情感強度相關系數(shù)，一級情感分類最大值負向情感（相關系數(shù)0.342），二級情感分類最大值“懼”（相關系數(shù)0.423），三級情感分類最大值“慌”（相關系數(shù)0.545）。顯然更細粒度的情感觀察，微博轉發(fā)過程中情感相關性的特征更明顯，因此識別出細粒度的主導性情感，對社交媒體輿論事件的描述、歸因及預測有重要的意義。且基于相關系數(shù)的高低可以推論在同級別情感中“慌”“懼”和負向情感最容易傳播。這一點在相關的文獻中得到佐證：“恐懼”“悲情”“憤怒”是輿論事件中驅動群體動員的主要情感（湯景泰，2016）?！盎拧焙汀皯帧备哳l詞識別，發(fā)現(xiàn)“可怕”“恐慌”“害怕”“有毒”“恐懼”“地獄”“發(fā)慌”“緊張”“人心惶惶”“緊急”是高頻詞。恐慌意味著安全感被剝奪?？謶值那楦幸坏┥?，人往往會停止其他心理活動，專注于引發(fā)恐懼情感的事物或事件并保持持續(xù)的注意力，直到恐懼消除（威廉·麥獨孤，2010）。“懼”和“慌”的傳播性是最強的，且個體恐慌很容易演變成群體恐慌，進而引發(fā)群體恐慌的雪崩效應，社交媒體輿論負面情感疏導應該對其特別關注。評論和轉發(fā)的過程帶動情感快速迭代，不同情感經(jīng)過輿論場的短期高頻交互后，情感意見會趨于一致，輿論得以生成。且情感分布一旦達到穩(wěn)定狀態(tài)，沒有充足的外部條件刺激，情感改變很難發(fā)生。因此負向情感的疏導，重在一個“快”字，情感趨同前的介入與疏導尤其重要。