王筱莉 張 靜 趙來軍 夏志杰

(1.上海工程技術(shù)大學(xué)管理學(xué)院，上海，201620； 2.上海理工大學(xué)管理學(xué)院，上海，200093；3.上海交通大學(xué)安泰經(jīng)濟與管理學(xué)院，上海，200030； 4.上海交通大學(xué)中美物流研究院，上海，200030)

1 引言

微博作為我國主要社交平臺，具有“碎片化”信息、“病毒式”傳播、多樣化信道等特點[1]，是當(dāng)前國內(nèi)輿情主要發(fā)生地。微博提供的“熱搜、話題、熱點流”三大應(yīng)用功能使無任何關(guān)聯(lián)的用戶進行信息交互，從而加快了輿情傳播速度，使輿論在短時間內(nèi)迅速擴散。而輿情當(dāng)事人的回應(yīng)、政府對輿情事件的介入、網(wǎng)絡(luò)推手和意見領(lǐng)袖的引導(dǎo)等因素，使輿情在傳播過程中產(chǎn)生多個話題，這些話題此消彼長、相互關(guān)聯(lián)，從而使得輿情衍生話題傳播現(xiàn)象逐漸涌現(xiàn)。如2021年1月18日“鄭爽張恒代孕”事件，在證據(jù)發(fā)布、官方評價和當(dāng)事人回應(yīng)多方影響下，至1月23日共出現(xiàn)九個高熱度微博話題傳播。微博輿情衍生話題的存在擴大了輿情傳播的深度和廣度，其帶來的負面情緒和不實言論極大地干擾著網(wǎng)民日常生活，給社會穩(wěn)定造成影響，因此，微博成為我國政府輿情管理的重中之重，對微博輿情衍生話題傳播規(guī)律的研究十分必要。

近年來，基于傳播動力學(xué)模型在社交網(wǎng)絡(luò)信息傳播方面的研究受到了學(xué)界廣泛關(guān)注，由于在線社交網(wǎng)絡(luò)中的信息傳播機制與傳染病傳播機制相似，大多數(shù)網(wǎng)絡(luò)傳播動力學(xué)研究主要基于經(jīng)典的傳染病傳播模型，如Kermack等[2]提出的經(jīng)典的SIR模型，將模型中的人劃分為三類：S(易感染者)、I(傳播者)、R(免疫者)；陳波等[3]、Witbooi[4]考慮接收到輿情但并未傳播的群體，在SIR模型中加入E(潛在傳播者)構(gòu)建了SEIR輿情傳播模型。之后，不少學(xué)者基于不同考慮在上述經(jīng)典模型基礎(chǔ)上進行了改進，如Zhao等[5]考慮遺忘和記憶機制對個體的影響，提出SIHR模型。隨著網(wǎng)絡(luò)輿情研究的不斷深入，不少學(xué)者對特定環(huán)境下微博輿情進行了研究，魏靜等[6]構(gòu)建改進的SIR模型對微博網(wǎng)絡(luò)結(jié)構(gòu)和信息傳播進行分析；劉泉等[7]構(gòu)建了考慮反從眾心理因素的微博輿情演化模型；張志花等[8]基于喚醒機制，構(gòu)建“冬眠者”被意見領(lǐng)袖喚醒再次進行傳播的微博謠言傳播模型；馬寧等[9]將微博輿情劃分為兩個階段，分析網(wǎng)絡(luò)推手和官方微博在輿情中的博弈，并基于SIR模型和Lotka-Volterra競爭模型進行分析。

在人人觸媒時代，微博輿情衍生話題傳播逐漸盛行，不少學(xué)者開始研究微博輿情話題的衍生特性，朱恒民[10]和李青等[11]基于SIR模型構(gòu)建了微博輿情單一話題傳播演化模型；王治瑩等[12]考慮多種異質(zhì)信息在出現(xiàn)時間差異情境下的競爭傳播規(guī)律，構(gòu)建了非正式信息和正式信息的兩階段競爭傳播模型；丁學(xué)君[13]以SIR模型為基礎(chǔ)，通過引入網(wǎng)民接觸狀態(tài)，構(gòu)建了基于SCIR的微博輿情話題傳播模型；陳富集等[14]在SEIR模型基礎(chǔ)上加入輿情話題衍生率，構(gòu)建了SEIRS微博輿情傳播演化模型；崔金棟等[15]以SEIR模型為出發(fā)點，考慮話題的二次傳播，構(gòu)建了微博話題式信息傳播H-SEIR模型；田世海等[16]對SIR模型進行改進，分別構(gòu)建了網(wǎng)絡(luò)輿情信息生態(tài)群落橫向和縱向衍生模型；Jiang等[17]將人群劃分為敏感、消極、積極、恢復(fù)四個狀態(tài)，依據(jù)真相是否出現(xiàn)將輿情傳播過程劃為兩個階段，分別建立模型進行研究；Zhang等[18]基于SEIR模型，建立初始話題傳播層與衍生話題傳播層雙層輿情傳播模型，研究主題推導(dǎo)率及主題連接方式對傳播趨勢的影響。

雖然以上研究成果對輿情傳播的研究作出了重要貢獻，近幾年關(guān)于微博輿情衍生話題的研究也逐漸增加，但有些研究[15-19]未考慮將原始話題與衍生話題分離為兩類不同傳播人群，或者未考慮到免疫者接觸到新話題時再次轉(zhuǎn)化為衍生話題傳播者的現(xiàn)象，且同一輿情不同話題的傳播也會存在競爭情況。因此，本文基于已有研究提出改進的微博輿情衍生話題傳播模型，改進之處有兩點：①加入免疫者接觸到新話題會轉(zhuǎn)化為新話題傳播者的情況；②將同一輿情不同話題傳播者進行區(qū)分，劃分為不同傳播人群，并構(gòu)建Lotka-Volterra模型，分析不同話題傳播之間的競爭。

1 傳統(tǒng)的傳播模型

1.1 SIR模型

SIR模型是最為經(jīng)典的傳播模型，其將全體人群分為三類: 未知者S，指尚未得知輿情信息的人群；傳播者I，指正在傳播輿情信息的人群；免疫者R，指對輿情信息不感興趣或已經(jīng)傳播過輿情信息的人群。SIR模型的傳播路徑為S→I→R，未知者S以α的比率變?yōu)閭鞑フ逫，傳播者I再以γ的比率變?yōu)槊庖哒逺。當(dāng)傳播過程結(jié)束后，網(wǎng)絡(luò)中只存在S和R兩種狀態(tài)。其傳播路徑如圖1所示。其傳播動力學(xué)微分方程表示如下：

圖1 SIR傳播模型

(1)

(2)

(3)

1.2 SEIR模型

SEIR模型是基于SIR模型的一個擴展模型。該模型在SIR模型的基礎(chǔ)上加入了潛伏人群E，其表示已經(jīng)知道了輿情信息但尚未決定是否傳播信息的人群。SEIR模型的傳播路徑為S→E→I→R，未知者S以α的比率變?yōu)闈摲逧，潛伏者E若對輿情感興趣以μ的比率變?yōu)閭鞑フ逫，否則以β的比率變?yōu)槊庖哒逺，傳播者I以γ的比率變?yōu)槊庖哒逺。其傳播路徑如圖2所示。其傳播動力學(xué)微分方程表示如下：

圖2 SEIR模型

(4)

(5)

(6)

(7)

2 改進SEIR模型的微博輿情衍生話題傳播構(gòu)建

2.1 微博輿情衍生話題傳播模型描述

由于在線社交網(wǎng)絡(luò)中信息傳播機制與傳染病傳播機制相似，考慮微博輿情傳播過程中存在潛在傳播者人群和輿情在平臺中擴散后產(chǎn)生衍生話題的實際情況，本文對傳統(tǒng)SEIR模型進行改進。若話題得到進一步深入或反轉(zhuǎn)，輿情新話題的出現(xiàn)會增加網(wǎng)民對該輿情事件的關(guān)注，進入的新話題使免疫者重新轉(zhuǎn)化為傳播者。與已有研究將傳播者劃分為謠言傳播者和辟謠者不同的是，本文考慮了同一輿情在話題方向上的差別也會存在傳播的競爭，因此在構(gòu)建模型時將不同話題傳播者進行區(qū)分。

微博平臺信息傳播過程中，每個節(jié)點(網(wǎng)民)狀態(tài)會隨著事件信息的發(fā)布、傳播而發(fā)生轉(zhuǎn)變，從而對傳播過程及微博網(wǎng)絡(luò)結(jié)構(gòu)帶來一定的影響[17]。依據(jù)輿情傳播特點[3]，將網(wǎng)民劃分為S(未知者)、E(潛在傳播者)、I(傳播者)和R(免疫者)四類，S表示對輿情事件并不知情的微博用戶，E表示接收到輿情信息后點贊、評論而并未轉(zhuǎn)發(fā)的微博用戶、I表示對輿情信息進行傳播的微博用戶，若同一輿情有差別較大的不同話題擴散時，分別用Ia、Ib、Ic……In表示輿情不同話題傳播者，其中I=Ia+Ib+Ic+……+In。R是指對輿情信息不感興趣的微博用戶。用S(t)、E(t)、I(t)、R(t)表示四類群體在t時刻所占比例，N表示社交網(wǎng)絡(luò)平臺中總?cè)藬?shù)，則S(t)+H(t)+I(t)+R(t)=N。

2.2 微博輿情衍生話題傳播模型建立

當(dāng)輿情只有一種話題傳播方向時，則為最基本的SEIR傳播模型，微博輿情單一話題傳播模型如圖3所示，網(wǎng)民在微博社區(qū)進行輿情傳播的規(guī)則為：①S(未知者)遇到I(傳播者)后，若對輿情感興趣以α1的比率轉(zhuǎn)化為E，否則以α2的比率轉(zhuǎn)化為R(免疫者)。未知者遇到傳播者后，則已獲取了輿情信息，其狀態(tài)發(fā)生改變，故α1+α2=1；②E(潛在傳播者)經(jīng)過考慮后以μ的比率轉(zhuǎn)化為I(傳播者)，以β的比率轉(zhuǎn)化為R(免疫者)，μ代表了潛在傳播者參與輿情傳播的意愿，其中μ+β=1；③考慮到當(dāng)前輿情傳播速度快、周期短的特點，I(傳播者)在遇到R(免 疫者)后以γ的比率轉(zhuǎn)化為R(免疫者)，其中I表示輿情事件所有話題傳播者，k表示微博網(wǎng)絡(luò)平均密度。

圖3 微博輿情單一話題傳播模型

當(dāng)一種輿情話題傳播得到質(zhì)疑或新證據(jù)散布后，輿情往往出現(xiàn)不止一種話題傳播方向，根據(jù)輿情事件的發(fā)展不斷衍生出新話題，微博輿情雙話題傳播模型如圖4所示，傳播模型中各符號含義如表1所示，網(wǎng)民在微博社區(qū)進行雙話題傳播的規(guī)則為：①S(未知者)遇到I(傳播者)接觸到輿情信息后若對輿情話題感興趣，則以α1的比率轉(zhuǎn)化為E(潛在傳播者)，否則以α2的比率轉(zhuǎn)化為R(免疫者)，其中α1+α2=1；②(潛在傳播者)E經(jīng)過考慮后以μ1的比率轉(zhuǎn)化為Ia(傳播者)，以μ2的比率轉(zhuǎn)化為Ib(傳播者)，以β的比率轉(zhuǎn)化為R(免疫者)，其中μ1+μ2+β=1；③Ia、Ib(傳播者)遇到R(免疫者)時分別以γ1、γ2的比率轉(zhuǎn)化為R(免疫者)；④R(免疫者)遇到Ib(新話題傳播者)時，若對新話題感興趣，則以θ的比率轉(zhuǎn)化為Ib(新話題傳播者)。同理，微博輿情事件出現(xiàn)多話題傳播時，其傳播模型如圖5所示。

圖4 微博輿情雙話題傳播模型

圖5 微博輿情多話題傳播模型

表1 微博雙話題傳播模型中各符號含義

基于圖3微博輿情單一話題傳播模型和傳播規(guī)則，給出狀態(tài)轉(zhuǎn)移微分方程如下[8]：

(8)

(9)

(10)

γkI(t)R(t)

(11)

基于圖4微博輿情雙話題傳播模型和傳播規(guī)則，給出狀態(tài)轉(zhuǎn)移微分方程如下：

(12)

+β)E(t)

(13)

(14)

θkIb(t)R(t)

(15)

+γ2kIb(t)R(t)+E(t)-θkIb(t)R(t)

(16)

基于圖5微博輿情多話題傳播模型和傳播規(guī)則，給出狀態(tài)轉(zhuǎn)移微分方程如下：

(17)

+μn+β)E(t)

(18)

(19)

θ1kIb(t)R(t)

(20)

…

θn-1kIn(t)R(t)

(21)

+…+γnkIn(t)R(t)+E(t)-…

-θn-1kIn(t)R(t)

(22)

3 微博輿情衍生話題傳播模型分析

3.1 單一話題和雙話題的傳播閾值分析

為了詳細研究不同參數(shù)對傳播閾值的影響，對閾值分析部分進行可視化，圖6展示了參數(shù) 在[0，0.5]范圍時對傳播閾值的影響，其他參數(shù)取值參考朱恒民等[10]的研究，其中新話題轉(zhuǎn)化率θ取值為0.3，新話題傳播者Ib轉(zhuǎn)化為免疫者R的比率γ2取值為0.2，潛在傳播者E轉(zhuǎn)化為新話題傳播者Ib的比率μ2取值為0.4。由圖6可知，隨著免疫率 的增加，兩種話題傳播模型的傳播閾值均明顯增加，從而促使傳播人數(shù)減少，達到減少輿情事件影響的作用，且由于γ2<θ，可以明顯看出，在相同條件下，雙話題的傳播閾值低于單一話題的傳播閾值，說明在此情況下，雙話題更易傳播擴散。

圖6 參數(shù)β傳播閾值的影響

3.2 原始話題與衍生話題的競爭分析

微博輿情在不同傳播時期存在不同群體和信息之間的競爭，使用Lotka-Volterra競爭模型研究輿情進入發(fā)展期時不同話題傳播演化過程。若輿情傳播時兩種輿情話題都得到了擴散，則輿情話題1與輿情話題2之間存在兩種力量的競爭，屬于不同信息之間的競爭。借鑒Lotka-Volterra競爭關(guān)系模型可得兩種信息之間的競爭關(guān)系如下：

(23)

(24)

其中，x1(t)、x2(t)分別是話題1和話題2通過微博信息交互爭取到的追隨者數(shù)量，即傳播者Ia、Ib。γ1、γ2分別為兩者的增長率，K1、K2為對應(yīng)的傳播者數(shù)量上限，σ1為輿情話題2對輿情話題1的競爭參數(shù)，σ2為輿情話題1對輿情話題2的競爭參數(shù)。

表2 模型平衡點穩(wěn)定性

3.3 與現(xiàn)有衍生話題模型對比分析

現(xiàn)有衍生話題模型研究多是基于SEIR模型進行改進，依據(jù)衍生話題的傳播特點考慮免疫者轉(zhuǎn)化為傳播者或未知者，而很少將原始話題與衍生話題傳播者區(qū)分為兩類人群。為了體現(xiàn)本文研究的先進性，將本文所提出的模型(圖4)與僅考慮一種傳播者模型(圖7)進行比較，利用Matlab進行仿真模擬，參考陳福集等[14]的研究，設(shè)置參數(shù)α1=0.8，α2=0.2，μ=0.7，β=0.3，γ=0.3，θ=0.1，μ1=0.4，μ2=0.3，γ1=0.3，γ2=0.2。

圖7 現(xiàn)有衍生話題傳播模型

圖8展示了兩種模型下各人群密度比例變化，圖8(a)表示現(xiàn)有衍生話題傳播模型各人群密度變化趨勢，從中可以看出，傳播者人數(shù)上升至峰值后開始下降，免疫者人數(shù)不斷上升。圖8(b)表示將傳播者劃分為原始話題和衍生話題傳播者時各人群密度變化趨勢，從中可以看出，在傳播過程中，先是原始話題傳播者人數(shù)達到高峰，隨著時間的推移，原始話題傳播者人數(shù)逐漸下降，而衍生話題傳播者人數(shù)開始上升，達到高峰后開始下降，免疫者人數(shù)不斷上升。由圖8可知，將傳播者劃分為原始話題傳播者和衍生話題傳播者，可以更加清晰地看出不同話題傳播者密度變化趨勢，更加符合微博話題隨時間變化的衍生特性，從而幫助政府等有關(guān)部門對衍生話題傳播進行精準(zhǔn)干預(yù)。

圖8 不同衍生話題傳播模型仿真

4 微博輿情衍生話題案例分析

4.1 微博輿情衍生話題案例選取

微博社交平臺中輿情信息眾多，關(guān)于道德及教育安全的事件極易引起人們的關(guān)注，造成快速擴散。2020年5月30日，“廣州方圓實驗小學(xué)老師體罰學(xué)生至吐血”事件快速引起媒體、公眾人物的關(guān)注及轉(zhuǎn)發(fā)，引起較大的影響。且該事件在傳播過程中衍生出多個話題，輿論發(fā)展隨著話題擴散存在較大反轉(zhuǎn)，對當(dāng)?shù)亟逃块T、公安部門及媒體公眾的形象都造成了一定的影響，對網(wǎng)民的從眾發(fā)言也有警醒作用。因此，選擇該案例進行分析不僅符合模型描述假設(shè)，也可為微博輿情衍生話題現(xiàn)象的處理帶來一定的理論參考。

案例描述：2020年5月30日6點43分，賬號名為@小島里的大海發(fā)布一條有關(guān)“女兒患有哮喘，但被老師體罰致吐血搶救”的微博，反映廣州市方圓實驗小學(xué)一名教師涉嫌體罰學(xué)生。廣州市白云區(qū)教育局于當(dāng)天發(fā)布《聲明》，成立專項調(diào)查組對該事件進行調(diào)查。5月31日01點44分，廣州白云警方發(fā)布通報稱網(wǎng)傳相關(guān)信息為發(fā)帖人故意編造的謊言。事后官方證實，該輿情初始話題為發(fā)布者雇買網(wǎng)絡(luò)推手擴散形成，而廣州白云山公安局發(fā)布調(diào)查聲明時，網(wǎng)民對該輿情的負面情緒并未下降且引起新話題傳播，當(dāng)輿情傳播范圍下降后，官方發(fā)布聲明證實該輿情為謠言，輿情再次得到關(guān)注和擴散。

在此輿情傳播過程中，微博平臺出現(xiàn)了該案例引起的多個衍生話題，選取三個具有代表性且內(nèi)容差別較大的話題進行研究，話題1為“廣州一小學(xué)體罰哮喘兒童至吐血搶救”，話題2為“廣州市教育局回應(yīng)小學(xué)教師涉嫌體罰學(xué)生”，話題3為“警方通報教師涉嫌體罰學(xué)生為家長造謠”。其中話題2在話題1發(fā)展期時開始，話題3在話題1、2進入消亡期之后開始。使用“八爪魚采集器”對該輿情事件三個熱搜話題分別進行采集，采集時間設(shè)置為：2020年5月30日0點—5月31日24時，采集數(shù)據(jù)2850條，包括三個熱搜閱讀數(shù)、討論數(shù)、每個用戶發(fā)布內(nèi)容、點贊數(shù)、轉(zhuǎn)發(fā)數(shù)、評論數(shù)、發(fā)布時間等信息。其中“知微事見”平臺發(fā)布該事件傳播中參與話題人數(shù)的變化趨勢如圖9所示。

圖9 輿情傳播過程中傳播者人數(shù)變化趨勢

4.2 輿情傳播過程的案例仿真

微博作為當(dāng)前國內(nèi)輿情主要發(fā)生和討論的平臺，網(wǎng)民可在平臺上瀏覽不同用戶發(fā)布的信息，根據(jù)劉志明等[20]研究可知，微博網(wǎng)絡(luò)與初始無標(biāo)度網(wǎng)絡(luò)相似，因此利用Netlogo構(gòu)建無標(biāo)度網(wǎng)絡(luò)。節(jié)點初始化為1100，網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖10所示，主體turtles表示該輿情事件中六類不同狀態(tài)網(wǎng)民：S(未知者)、E(潛在傳播者)、Ia(話題1傳播者)、Ib(話題2傳播者)、Ic(話題3傳播者)、R(免疫者)。

圖10 構(gòu)建初始無標(biāo)度網(wǎng)絡(luò)界面

在建立好的無標(biāo)度網(wǎng)絡(luò)中構(gòu)建輿情傳播規(guī)則，參考馬寧等[9]的參數(shù)設(shè)置計算依據(jù)、“知微事見”中的數(shù)據(jù)，并結(jié)合案例本身特殊性，模型中各參數(shù)取值根據(jù)其含義設(shè)置如下: 由于該案例初始傳播時存在網(wǎng)絡(luò)推手，初始化輿情話題1傳播者Ia為30；考慮網(wǎng)絡(luò)推手和網(wǎng)民對該事件的激化和同情心理，設(shè)置未知者轉(zhuǎn)化為潛在傳播者和免疫者的比率α1、α2分別為0.9、0.1；潛在傳播者轉(zhuǎn)化為話題1傳播者和免疫者的比率μ1、β分別為0.9、0.1；話題1傳播者的免疫率r1為0.05。在話題1傳播者比例達到20%時，官方發(fā)布聲明后話題2開始傳播，潛在傳播者轉(zhuǎn)化為話題1傳播者比率μ1為0.07，話題1免疫率r1增加至0.3，潛在傳播者和免疫者轉(zhuǎn)化為話題2傳播者比率μ2、θ為0.2，話題2免疫率r2為0.2，官方辟謠聲明發(fā)布后話題3開始傳播。

根據(jù)以上設(shè)置，模擬六種人群變化如圖11所示，從中可知，在0-ts之間，話題1(“體罰兒童”)開始傳播時，網(wǎng)絡(luò)推手擴散了信息傳播范圍，吸引大量網(wǎng)民加入傳播，話題傳播速度加快，未知者人群極速下降，其他人群數(shù)量開始增多，輿情在短時間內(nèi)達到較大規(guī)模。當(dāng)?shù)卣l(fā)布調(diào)查聲明后，話題2(“教育局回應(yīng)”)開始傳播和擴散，兩種話題存在較長時間的共同傳播，且下降趨勢緩慢，在ts時刻輿情傳播縮小至一定范圍。而ts之后，官方發(fā)布辟謠聲明，話題3(“警方辟謠”)得到傳播和擴散，同時話題2傳播者人數(shù)也有所上升，但輿情在較短時間內(nèi)快速得到下降，免疫者人群不斷增多，輿情危機消失。

圖11 模擬輿情傳播過程中不同群體人數(shù)變化

該輿情傳播者人數(shù)(所有話題傳播者)變化如圖12所示，從中可知，該輿情傳播人數(shù)比例較大，在官方發(fā)布調(diào)查聲明后引起網(wǎng)民對輿情的不斷討論，該期間內(nèi)傳播峰值較高，傳播人數(shù)下降緩慢，輿情傳播持續(xù)時間久，對社會造成了一定的負面影響。而當(dāng)辟謠聲明發(fā)布后再次引起輿情的傳播，但傳播峰值有所減少，下降速度較快。且圖12中傳播者趨勢與圖9中真實數(shù)據(jù)傳播趨勢相同，從而驗證了本文構(gòu)建的微博輿情衍生話題傳播模型的有效性。

圖12 模擬輿情總傳播人數(shù)變化趨勢

4.3 原始話題和衍生話題的競爭仿真

根據(jù)“八爪魚采集器”采集該輿情事件的三個熱搜話題的轉(zhuǎn)發(fā)數(shù)、點贊數(shù)、評論數(shù)，參考王治瑩等[12]的參數(shù)設(shè)置，本文設(shè)置話題1(“體罰兒童”)傳播者和話題2(“教育局回應(yīng)”)傳播者初始值分別為600和50，話題1和話題2的競爭系數(shù)分別為0.4和2。設(shè)置話題2和話題3(“警方辟謠”)競爭時初始值分別為400和50，競爭系數(shù)分別為2和0.1。使用Matlab軟件進行仿真可得話題之間進行競爭的傳播趨勢，兩種競爭結(jié)果如圖13所示。

圖13 不同話題競爭結(jié)果分析

從圖13(a)可知，輿情話題1傳播者和話題2傳播者之間的競爭較弱，話題1迅速上升后與話題2在較長時間內(nèi)同時傳播，促進了網(wǎng)民話題的討論，擴大了輿情傳播規(guī)模。從圖13(b)可知，話題3的競爭系數(shù)較大，促進網(wǎng)民迅速轉(zhuǎn)化為話題3傳播者，話題3的產(chǎn)生雖然也引起了較大規(guī)模的輿情傳播，但輿情在較短時間內(nèi)得以控制。

5 微博輿情衍生話題傳播應(yīng)對策略

隨著微博、微信、論壇等平臺的發(fā)展，網(wǎng)民對輿情事件的討論使輿情話題不斷增多，國內(nèi)許多“群體事件”的重大輿論影響都始于微博，加上微博主推的“微博熱搜話題”功能，輿情可在短時間內(nèi)爆發(fā)，并不斷產(chǎn)生新話題，不同話題之間也存在競爭使輿情下降緩慢，具有虛假信息的衍生話題的傳播會使網(wǎng)民陷入輿論爭端，引起網(wǎng)民的悲憤情緒，擾亂社會秩序，嚴重影響政府的公信力，對相關(guān)當(dāng)事人造成極大的心理沖擊，且有可能導(dǎo)致突發(fā)事件的爆發(fā)。通過對微博衍生話題傳播模型的研究，并根據(jù)實例分析提出在微博輿情衍生話題危機治理過程中可從以下方面入手：

(1)加強異常用戶檢測

當(dāng)前，網(wǎng)絡(luò)推手對輿論、新聞進行操縱的現(xiàn)象已經(jīng)十分普遍[21]，其以故意操縱新聞和輿論達到謀利的目的，傳播虛假信息，在網(wǎng)絡(luò)媒體上霸占話語權(quán)，煽動網(wǎng)民傳播虛假信息，不斷破壞著網(wǎng)絡(luò)輿論各方面的真實性，妨礙網(wǎng)絡(luò)輿論的正常秩序。如本案例中學(xué)生家長為了提高所編造謠言的閱讀量，僅花費760元雇傭網(wǎng)絡(luò)推手便實現(xiàn)了5.4億假信息閱讀量，可見網(wǎng)絡(luò)推手造就的輿情影響是不可忽視的。因此，國家相關(guān)機構(gòu)、各級政府部門應(yīng)聯(lián)合制定輿論檢測專項行動工作方案或開展綜合治理行動，在遇到輿論危機時及時檢測是否有異常用戶的存在，采取法律手段堅決打擊操縱網(wǎng)絡(luò)輿情、網(wǎng)絡(luò)違法信息傳播等非法行為，維護正常的社會秩序，建設(shè)積極健康的互聯(lián)網(wǎng)信息傳播環(huán)境。

(2)提高媒體、意見領(lǐng)袖和網(wǎng)民素養(yǎng)

隨著互聯(lián)網(wǎng)的發(fā)展，在進入人人觸媒的社交媒體時代后[22]，網(wǎng)絡(luò)信息傳播中存在不同主體，媒體首先在平臺上散發(fā)輿情信息，快速引起網(wǎng)民的注意從而引起輿情擴散，而意見領(lǐng)袖以較高影響力引導(dǎo)輿論走勢，網(wǎng)民之間的互動交流更加頻繁深入，媒體、意見領(lǐng)袖和網(wǎng)民三方主體在推進輿論、擴大影響方面均有舉足輕重的地位。如本案例中在初始虛假信息擴散時，不少微博領(lǐng)袖、媒體在未判斷信息真?zhèn)螘r便進行了轉(zhuǎn)發(fā)，引起大比例網(wǎng)民跟風(fēng)轉(zhuǎn)發(fā)，擴大了輿論影響。因此，建設(shè)積極健康的信息傳播環(huán)境的根本途徑在于培養(yǎng)媒體、意見領(lǐng)袖及網(wǎng)民的綜合素養(yǎng)，形成“不信謠、不傳謠”的批判意識，提升自我管理，政府應(yīng)與各社交平臺合作加強公民的媒介素質(zhì)教育，定時定期開展知識科普、防范謠言等違法行為的培訓(xùn)。

(3)及時關(guān)注衍生話題及網(wǎng)民情緒

輿情事件引起大規(guī)模擴散后形成輿論，伴隨著事件的進展和輿論走向不斷產(chǎn)生新的衍生話題，且極有可能發(fā)生突發(fā)事件。在輿情事件發(fā)生時，政府及事件當(dāng)事人應(yīng)積極采取措施增加傳播者轉(zhuǎn)化為免疫者的比率，減少網(wǎng)民對輿情新話題關(guān)注度，對于一些網(wǎng)民比較敏感的輿情話題，如社會型、安全型等與網(wǎng)民利益密切相關(guān)或情感傳遞較容易的輿情，政府應(yīng)加強輿情的監(jiān)測和預(yù)防，做到對事件的公開化、透明化。同時，減少網(wǎng)民對輿情話題的討論，輿情話題數(shù)量越多政府越不易管控，在輿情爆發(fā)時，政府應(yīng)及時對輿情事件進行調(diào)查并作出詳細描述，同時要注意網(wǎng)民情緒，與微博媒體和意見領(lǐng)袖合作發(fā)聲，提高政府的公信力。如本案例中官方察覺到輿情時僅發(fā)布了調(diào)查聲明，對網(wǎng)民情緒并未留意，造成網(wǎng)民對官方調(diào)查的不信任，負面情感并未下降且增加了輿情的話題討論，導(dǎo)致輿情傳播規(guī)模增大。

6 結(jié)語

在“互聯(lián)網(wǎng)+”背景下，輿情事件引起多個衍生話題傳播現(xiàn)象，對于輿情事件處理及網(wǎng)絡(luò)輿論環(huán)境具有較大影響，對衍生話題采取積極有效的控制和引導(dǎo)是十分關(guān)鍵的。本文以微博輿情衍生話題為研究對象，分別構(gòu)建微博輿情單一話題傳播和多話題傳播模型，建立微分方程對其傳播閥值進行求解，同時，利用“八爪魚采集器”對真實案例進行數(shù)據(jù)采集，運用Netlogo軟件對改進的SEIR模型進行仿真模擬，并運用Matlab軟件基于Lotka-Volterra競爭模型進行模擬。本文的理論貢獻在于基于衍生話題傳播現(xiàn)象構(gòu)建了衍生話題傳播模型和不同話題競爭傳播模型，并利用數(shù)學(xué)理論推導(dǎo)出具有衍生話題的模型其傳播閾值低于單一話題的傳播閾值，且人們對新話題的興趣越大傳播閾值越低，說明衍生話題擴大了輿情傳播規(guī)模和影響。實踐貢獻在于利用真實案例驗證了本文提出的輿情衍生話題傳播模型的可行性，以及輿情不同話題之間存在競爭現(xiàn)象。

本文研究不足之處在于模擬仿真節(jié)點數(shù)較少，與真實微博網(wǎng)絡(luò)結(jié)構(gòu)仍有一定差距，同時衍生話題傳播時會受多方面因素影響，在接下來的研究中，將會進行更加深入的研究。