“和声共振”：政务微博在重大疫情防控中的舆论引导协同研究
发布时间：2020-10-28 07:05
【目的/意义】在重大疫情防控的舆论引导中,政府机构官方微博和地方党政领导微博如何发挥各自特色,形成协同效应,实现矩阵式传播?探究政务微博的"和声共振"模式,有利于提升政府在突发公共事件中的舆论引导能力。【方法/过程】以6组政府机构微博和党政领导微博为研究对象,获取疫情期间发布的全部4744条微博和对应的全部18121条评论数据,采用人工编码、关键词分析、基于LDA模型的主题判断和自动化的情感倾向性判断等方法,从疫情响应、议题设置、影响力3个方面,对比政务微博在重大疫情防控舆论引导中的内容特征,同时结合网络交互情况,分析政务微博的协同现状、问题及可能性。【结果/结论】政务微博对疫情的第一响应时间与信息密度具有差异性,在主题的时间变化趋势上体现一致性;党政领导微博更关注疫情本身,政府机构微博更关注疫情的应对;党政领导微博的人格化特征有助于降低突发公共事件中负向舆论的比例。政务微博在重大疫情防控中的舆论引导应当联合发声、实现协同,同时依据官方微博和个人微博的差异化特征提升互补的矩阵式传播效果。
【部分图文】：
疫情相关主题政务微博情感倾向比例
(3）主题特征。政务微博进行有效的议题设置，有助于帮助民众全面了解信息，并及时传达最贴近民众需要的信息。基于LDA模型识别出7个主题类别，如表4所示：“战疫一线”比例最高（23%），湖北、武汉疫情中心始终牵动着全国人民的关心，政务微博对此给予了充分关注。较为客观的疫情通报仅占9%，此次重大疫情防控中，第三方大数据分析平台在数据统计与发布方面发挥了重要作用，疫情信息公开已不再是政务微博的主要压力。因此，政务微博投入更多精力开展疫情防控，如宣传科学防护与症状治疗的知识（11.6%），保障市场、蔬菜、超市、餐饮等老百姓生活供应（11.3%），加强社区的消毒、防疫、排查等管理措施（13.6%），特别是交通出行管理（14.6%）、复工复产情况（16.7%）等地方政府应对突发公共事件的重要政策领域。政务微博在重大疫情防控的舆论引导中承担不同角色，通过议题设置的协同，有助于对重要信息联合发声、强化效果，亦能够发布信息各有侧重、功能互补。此外，已有研究发现政务微博在突发公共事件的前期、中期、后期发挥着不同功能，如信息发布、社会动员、议程设置等【47】。本文对疫情微博数量较多的6个账号在1—3月的主题分布进行了比较，如图4所示。
首先，邀请2名编码员判断4744条微博是否与疫情相关，编码结果的百分比一致性（Percent Agreement）【44】为94.8%，对比2份编码结果进行的基础上，作者对最终编码结果进行判定。对于编码结果，统计6组政务微博对重大疫情的第一响应时间、信息密度，并对6组账号自开通以来、2019年全年和2020年新冠肺炎发生以来的活跃度进行比较，综合反映政府机构微博和党政领导微博对重大疫情的响应情况及其在时间维度上的协同情况。其次，对与疫情相关的微博进行原创性统计、关键词分析和主题分析。(1)数据清洗与预处理：考虑微博语料长度短、无语义内容多等特点，去除用户名、超链接、“转发微博”等系统语句。(2)分词处理：为了更好地适用于微博语言表达多样化的特点，使用人工分词和词性标注中文语料库达5800万字的THULAC中文自然语言处理工具，保留与疫情相关的名词、动词、地点词、机构词、简称词等，并进行词干化处理。(3)关键词分析：计算政府机构微博和党政领导微博的关键词的频率tf(wi)和中心度dc(wi)，前者描述关键词出现的次数，后者表征关键词和其他关键词的关联程度，tf(wi)和dc(wi)定义如下：。(4)词云分析：使用Python的WordCloud库对分词预处理后的微博语料绘制词云，以直观、清晰地反映关键词的重要性。(5)主题分析：采用无监督学习方法Latent Dirichlet Allocation(LDA）文档主题生成模型【45】，通过文档—词分布拟合生成文档—主题分布、主题—词分布，对全部疫情相关微博进行主题分类，其中，选定词频统计方法构建文档—词分布以达到生成的主题语义性更强，选定Python科学计算库Scikit-learn求解LDA模型以保证在长尾主题发现上的效果更好，经过不同主题数量和LDA参数α,β,perplexity＿tolerance对模型的训练，最终寻找到7个主题数量的模型困惑度较低、生成主题语义性最具解释力。
【相似文献】
本文编号：2859766
【部分图文】：
疫情相关主题政务微博情感倾向比例
(3）主题特征。政务微博进行有效的议题设置，有助于帮助民众全面了解信息，并及时传达最贴近民众需要的信息。基于LDA模型识别出7个主题类别，如表4所示：“战疫一线”比例最高（23%），湖北、武汉疫情中心始终牵动着全国人民的关心，政务微博对此给予了充分关注。较为客观的疫情通报仅占9%，此次重大疫情防控中，第三方大数据分析平台在数据统计与发布方面发挥了重要作用，疫情信息公开已不再是政务微博的主要压力。因此，政务微博投入更多精力开展疫情防控，如宣传科学防护与症状治疗的知识（11.6%），保障市场、蔬菜、超市、餐饮等老百姓生活供应（11.3%），加强社区的消毒、防疫、排查等管理措施（13.6%），特别是交通出行管理（14.6%）、复工复产情况（16.7%）等地方政府应对突发公共事件的重要政策领域。政务微博在重大疫情防控的舆论引导中承担不同角色，通过议题设置的协同，有助于对重要信息联合发声、强化效果，亦能够发布信息各有侧重、功能互补。此外，已有研究发现政务微博在突发公共事件的前期、中期、后期发挥着不同功能，如信息发布、社会动员、议程设置等【47】。本文对疫情微博数量较多的6个账号在1—3月的主题分布进行了比较，如图4所示。
首先，邀请2名编码员判断4744条微博是否与疫情相关，编码结果的百分比一致性（Percent Agreement）【44】为94.8%，对比2份编码结果进行的基础上，作者对最终编码结果进行判定。对于编码结果，统计6组政务微博对重大疫情的第一响应时间、信息密度，并对6组账号自开通以来、2019年全年和2020年新冠肺炎发生以来的活跃度进行比较，综合反映政府机构微博和党政领导微博对重大疫情的响应情况及其在时间维度上的协同情况。其次，对与疫情相关的微博进行原创性统计、关键词分析和主题分析。(1)数据清洗与预处理：考虑微博语料长度短、无语义内容多等特点，去除用户名、超链接、“转发微博”等系统语句。(2)分词处理：为了更好地适用于微博语言表达多样化的特点，使用人工分词和词性标注中文语料库达5800万字的THULAC中文自然语言处理工具，保留与疫情相关的名词、动词、地点词、机构词、简称词等，并进行词干化处理。(3)关键词分析：计算政府机构微博和党政领导微博的关键词的频率tf(wi)和中心度dc(wi)，前者描述关键词出现的次数，后者表征关键词和其他关键词的关联程度，tf(wi)和dc(wi)定义如下：。(4)词云分析：使用Python的WordCloud库对分词预处理后的微博语料绘制词云，以直观、清晰地反映关键词的重要性。(5)主题分析：采用无监督学习方法Latent Dirichlet Allocation(LDA）文档主题生成模型【45】，通过文档—词分布拟合生成文档—主题分布、主题—词分布，对全部疫情相关微博进行主题分类，其中，选定词频统计方法构建文档—词分布以达到生成的主题语义性更强，选定Python科学计算库Scikit-learn求解LDA模型以保证在长尾主题发现上的效果更好，经过不同主题数量和LDA参数α,β,perplexity＿tolerance对模型的训练，最终寻找到7个主题数量的模型困惑度较低、生成主题语义性最具解释力。
【相似文献】
相关期刊论文 前10条
1 姚雪;;社区管理在突发公共卫生事件中作用问题研究[J];大庆社会科学;2020年02期
2 本刊编辑部;;以治理组合拳应对疫情大考[J];审计观察;2020年03期
3 孙炎宾;;同忻矿志愿者在“疫”线宣传[J];现代班组;2020年03期
4 本刊编辑部;;构筑疫情防控人民防线 打赢抗击新冠病毒战争[J];中国科技产业;2020年02期
5 本刊编辑部;;坚决打赢疫情防控阻击战[J];中共石家庄市委党校学报;2020年02期
6 彭泷阩;;万众一心打赢疫情防控阻击战[J];当代广西;2020年03期
7 本刊编辑部;;台州：为打赢疫情防控阻击战履行科技担当[J];今日科技;2020年02期
8 本刊编辑部;;丽水:落实落细各项防控措施 打好打赢疫情防控攻坚战[J];今日科技;2020年02期
9 本刊编辑部;;温州：以非常之力下非常之功 坚决打赢疫情防控阻击战[J];今日科技;2020年02期
10 本刊编辑部;;金华：科技战疫立标杆暖民心 全力打好疫情防控阻击战[J];今日科技;2020年02期
相关硕士学位论文 前1条
1 黎桦林;基层政府公共危机防控能力研究[D];湖南农业大学;2015年
本文编号：2859766
本文链接：https://www.wllwen.com/xinwenchuanbolunwen/2859766.html
