话题-情感图谱：突发公共卫生事件舆情引导的切入点
发布时间：2021-08-10 02:22
【目的/意义】基于时间和空间维度深入挖掘突发公共卫生事件的话题及情感演化特征,有助于相关部门通变思深、以微知著,为其精准施策及舆情引导提供解决方案。【方法/过程】依据态势感知理论,从态势要素提取、态势理解、态势投射三个方面构建突发公共卫生事件话题-情感演化的理论模型,以微博平台数据为样本,探究新冠疫情话题背后的网民情感演变。【结果/结论】本文构建的理论模型可以较好的感知阶段性舆情管控效果,突发公共卫生事件舆情周期具有独特的演化规律,网民所处的特定情境对其话题关注内容有所影响,不同地区的网民情感波动具有差异化趋势,未来可以通过拓展事件管控广度、优化信息发布环境、发挥各级主体效力并树立典范引导网民情感,以此更好地应对同类突发公共卫生事件。
【文章来源】：情报科学. 2020,38(07)北大核心CSSCI
【文章页数】：7 页
【部分图文】：
论文研究思路
值为0.82。由于算法基于不同数据训练效果可能存在差异，为保证情感识别的准确性，除测试朴素贝叶斯算法的分类性能外，同时与SVM算法进行对比，SVM获得F1值0.79。因此，本文采用朴素贝叶斯算法构建的情感分类模型效果良好。4模型应用及结果分析以最新爆发的新型冠状病毒肺炎数据进行模型的实例研究。政务媒体“人民日报”为《人民日报》刊物的法人官方微博，于第一时间更新疫情动态，为网民话题讨论的主要来源。由于本次事件涉及数据极其庞大，文章篇幅有限，为实现本文所述的细化事件演化分析，如图4所示以肺炎早期报道至湖北援鄂医务人员基本撤离、本土疫情基本阻断为主线，依据疫情动态及下文舆情周期划分4个关键时期（T1:2020.12.30-1.20日为疫情潜伏期；T2:1.21-1.31日为疫情爆发期；T3：2.1-2.29为疫情控制期；T4：03.01-03.31日进入疫情稳定期）。获取人民日报相关博文评论共计84935条数据，进行预处理后，由四名情报学专业学生标注13541条数据作为情感语料集合，59679条数据进行实际分析。行政区域按照官方发布的疫情地图严重级别（确诊人数）分为4个类别（D1重灾区：湖北；D2严重等级次级地区：浙江、广东、河南、湖南；D3一般地区：江西、重庆、安徽、山东、四川、江苏、北京、上海、福建、黑龙江、陕西、广西、云南、河北及其他D4轻度地区）。图4本文研究遵循的事件发展主线INFORMATIONSCIENCEVol.38,No.7July,2020·SpecialSubjectResearch·--18
44.1事件演化周期分析根据各地区网民评论数量绘制河流图(Streamgraph)，“流动”的形状宽窄可以展示数据随时间变化的情况，形状越宽表明当前网民对该事件的讨论热度越高。如图5所示，TI阶段为舆情潜伏时期，此时网民参与较少；T2阶段可以视为舆情一次爆发时期，此时官方报道增多，网民逐步了解新冠肺炎症状，各区域网民讨论热度达到峰值；T3阶段为舆情蔓延时期，爆发期的舆情热度呈发散趋势，但通过相关部门出台的应急措施及对新冠肺炎治疗手段的深入研究，网民对该事件的讨论热度逐降低；T4阶段为舆情回升时期，当前时期本土疫情基本阻断，各地区疫情控制均呈明显向好趋势，事件关注热度有所回升。图5不同地区不同时期网民评论数量44.2时空情境的话题内容演化分析据上述方法识别并追踪不同时空维度下的话题内容演化，选取TID1时段的话题数量选取作为示例，如图6所示。其次，重灾区与其他三个区域的关注内容区别明显，其余三个区域关注内容较为相似，由于文章篇幅有限，仅展示D1、D2区域的话题内容，如图7、8所示。图6最优话题数选取示例选取子话题相似度均值0.816为阈值绘制展示话题演化的桑基图（Sankey），其中连线宽度代表相似度值，词块大小代表与其他话题的关联紧密程度，D1（疫情重灾区）的话题内容如图7所示。早期网民主要关注新冠肺炎的致病原因、消息报道、防护等问题。疫情爆发期，预防措施、疫情动态为继承话题，其他话题主要演变为周边城市疫情、医疗物资等内容，及时关注网民呼声有助于当地政府提前加强重视程度，具有实际意义；随疫情逐渐稳定，此时话题内容有所转变，网民所处情境对其侧重内容产生影响，讨论话题内容超出疫情本身，主要?
【参考文献】：
期刊论文
[1]一种基于朴素贝叶斯的微博情感分类[J]. 林江豪,阳爱民,周咏梅,陈锦,蔡泽键. 计算机工程与科学. 2012(09)
[2]国内外突发公共卫生事件应急管理综述[J]. 王俊,王昕. 中国市场. 2012(26)
[3]突发公共事件分类、分级与分期:应急体制的管理基础[J]. 薛澜,钟开斌. 中国行政管理. 2005(02)
本文编号：3333260
【文章来源】：情报科学. 2020,38(07)北大核心CSSCI
【文章页数】：7 页
【部分图文】：
论文研究思路
值为0.82。由于算法基于不同数据训练效果可能存在差异，为保证情感识别的准确性，除测试朴素贝叶斯算法的分类性能外，同时与SVM算法进行对比，SVM获得F1值0.79。因此，本文采用朴素贝叶斯算法构建的情感分类模型效果良好。4模型应用及结果分析以最新爆发的新型冠状病毒肺炎数据进行模型的实例研究。政务媒体“人民日报”为《人民日报》刊物的法人官方微博，于第一时间更新疫情动态，为网民话题讨论的主要来源。由于本次事件涉及数据极其庞大，文章篇幅有限，为实现本文所述的细化事件演化分析，如图4所示以肺炎早期报道至湖北援鄂医务人员基本撤离、本土疫情基本阻断为主线，依据疫情动态及下文舆情周期划分4个关键时期（T1:2020.12.30-1.20日为疫情潜伏期；T2:1.21-1.31日为疫情爆发期；T3：2.1-2.29为疫情控制期；T4：03.01-03.31日进入疫情稳定期）。获取人民日报相关博文评论共计84935条数据，进行预处理后，由四名情报学专业学生标注13541条数据作为情感语料集合，59679条数据进行实际分析。行政区域按照官方发布的疫情地图严重级别（确诊人数）分为4个类别（D1重灾区：湖北；D2严重等级次级地区：浙江、广东、河南、湖南；D3一般地区：江西、重庆、安徽、山东、四川、江苏、北京、上海、福建、黑龙江、陕西、广西、云南、河北及其他D4轻度地区）。图4本文研究遵循的事件发展主线INFORMATIONSCIENCEVol.38,No.7July,2020·SpecialSubjectResearch·--18
44.1事件演化周期分析根据各地区网民评论数量绘制河流图(Streamgraph)，“流动”的形状宽窄可以展示数据随时间变化的情况，形状越宽表明当前网民对该事件的讨论热度越高。如图5所示，TI阶段为舆情潜伏时期，此时网民参与较少；T2阶段可以视为舆情一次爆发时期，此时官方报道增多，网民逐步了解新冠肺炎症状，各区域网民讨论热度达到峰值；T3阶段为舆情蔓延时期，爆发期的舆情热度呈发散趋势，但通过相关部门出台的应急措施及对新冠肺炎治疗手段的深入研究，网民对该事件的讨论热度逐降低；T4阶段为舆情回升时期，当前时期本土疫情基本阻断，各地区疫情控制均呈明显向好趋势，事件关注热度有所回升。图5不同地区不同时期网民评论数量44.2时空情境的话题内容演化分析据上述方法识别并追踪不同时空维度下的话题内容演化，选取TID1时段的话题数量选取作为示例，如图6所示。其次，重灾区与其他三个区域的关注内容区别明显，其余三个区域关注内容较为相似，由于文章篇幅有限，仅展示D1、D2区域的话题内容，如图7、8所示。图6最优话题数选取示例选取子话题相似度均值0.816为阈值绘制展示话题演化的桑基图（Sankey），其中连线宽度代表相似度值，词块大小代表与其他话题的关联紧密程度，D1（疫情重灾区）的话题内容如图7所示。早期网民主要关注新冠肺炎的致病原因、消息报道、防护等问题。疫情爆发期，预防措施、疫情动态为继承话题，其他话题主要演变为周边城市疫情、医疗物资等内容，及时关注网民呼声有助于当地政府提前加强重视程度，具有实际意义；随疫情逐渐稳定，此时话题内容有所转变，网民所处情境对其侧重内容产生影响，讨论话题内容超出疫情本身，主要?
【参考文献】：
期刊论文
[1]一种基于朴素贝叶斯的微博情感分类[J]. 林江豪,阳爱民,周咏梅,陈锦,蔡泽键. 计算机工程与科学. 2012(09)
[2]国内外突发公共卫生事件应急管理综述[J]. 王俊,王昕. 中国市场. 2012(26)
[3]突发公共事件分类、分级与分期:应急体制的管理基础[J]. 薛澜,钟开斌. 中国行政管理. 2005(02)
本文编号：3333260
本文链接：https://www.wllwen.com/xinwenchuanbolunwen/3333260.html
