信息传播和突发事件响应
信息传播和突发事件响应
安璐 张丽 唐辞
突发事件的信息传播具有什么特点？如何利用信息更好地应对突发事件？如今，社交媒体为人们表达观点与情感提供了方便的平台。突发事件往往威胁人民生命和财产安全，经常会引发舆论海啸，并披露大量信息（Heverin and Zach, 2012）。在社交媒体上传播危机信息是一把双刃剑。一方面，它帮助突发事件的利益相关者对事件做出响应，知情者能够保护自己免受危机事件的影响；另一方面，舆论风暴也可能带来二次伤害。社交媒体为事件当事人、政府、媒体和公众提供了多渠道沟通平台，为公众感知危机和信息共享做出了巨大贡献。然而，谣言和错误信息会滋生有害情绪，并引发对公众产生负面影响的极端观点（Grover等人，2019）。例如，新冠肺炎疫情爆发期间的信息传播可能会让人们感到焦虑、疲惫、恐惧以及对管理者的不信任。
为了应对危机，应急管理部门需要实时监测舆情，了解突发事件的信息传播和舆情形成机制并进行合理引导（Zhang, Wang, & Zhu，2020）。因此，在突发事件的情境下，我们聚焦于突发事件的话题和情绪在社交媒体上的传播，探讨社交媒体的哪些特征可能在网络空间产生较大的影响力，并提出衡量公众对政务新媒体信任度的方法以及政务微博舆情引导能力成熟度诊断模型。
—聚焦于突发事件的话题和情绪在社交媒体上的传播，探讨社交媒体的哪些特征可能在网络空间产生较大的影响力，并提出衡量公众对政务新媒体信任度的方法以及政务微博舆情引导能力成熟度诊断模型—
突发事件的利益相关者如何影响他人关注的话题和情绪？
我们最近的一项研究（An, Zhou, Ou, Li, Yu, and Wang, 2021）旨在量化突发事件利益相关者的话题影响力和情绪感染力，揭示危机信息传播的模式，研究框架如图1所示。危机信息的传播分为四个阶段，即初始阶段、爆发阶段、传播阶段和衰退阶段。我们确定了11类利益相关者，将其分为事件诱导者、受害者、响应者和旁观者四类（Heath，2001）。基于微博条目之间的转发关系，分别构建主题传播图谱和情绪传播图谱，提出四项新指标，即主题出度、主题变异度、情感出度、情感迁移度，来衡量利益相关者的话题影响力和情绪传染力。节点（即用户）X的“主题出度”是指转发网络中与节点X直接相连的所有节点中有多少比例的节点与节点X关注同样的主题。“主题变异度”是指转发网络中与节点X直接相连的所有节点中有多少比例的节点关注与节点X完全不一样的主题。类似地，节点X的“情感出度”是指转发网络中与节点X直接相连的所有节点中有多少比例的节点与节点X的情绪一致，“情感迁移度”是指与节点X直接相连的所有节点中有多少比例的节点与节点X的情绪不一致。主题出度和主题变异度刻画用户的话题影响力，情感出度和情感迁移度度量用户的情绪感染力。
图1 研究框架
该研究调查北京红黄蓝幼儿园虐童事件及其相关微博。结果发现，在大多数情况下，不同阶段的主题差异显著，爆发阶段和传播阶段的情绪有显著差异。在前三个阶段，随着微博数量的增加，情感多样性降低。在转发另一个用户的微博并与后者涉及相同话题的用户中，61.4%的用户也与后者保持相同情绪。政府和主流媒体的话题影响力和情绪感染力最大，对于事件当事人、政府、团组织、自媒体和企业而言，他们的主题出度与其情感出度呈负相关，但对于普通人而言，这两项指标呈正相关。在大多数情况下，信息从话题/情绪影响力较大的利益相关者传播到话题/情绪影响力较小的利益相关者，但也存在例外情况。
为什么突发事件发生时某些微博具有很高的影响力？
我们最近的一项研究（An, Han, Yi, Li, and Yu, 2021）构建基于逻辑回归模型的突发事件情境下微博影响力预测模型。该研究采集博文的转发、评论和点赞数，用于衡量博文的影响力，并提取微博时间、内容和用户特征指标，提出基于H指数的微博主题影响力量化方法。研究结果表明，基于逻辑回归的微博影响力预测模型能够成功预测85.7%的微博影响力，其性能优于C4.5决策树、贝叶斯信念网络、朴素贝叶斯、随机森林、多层感知器和支持向量机模型。文本结构、用户所在行业和用户认证类型是三个最重要的特征，如图2所示。自媒体、个人团体组织、机构认证用户和公安系统的用户往往具有较高影响力。
图2 微博特征值相对重要程度
如何评估突发事件情境下网民对政务微博的信任度？
我们最近的一项研究（安璐，徐曼婷, 2022）从点赞、转发和评论的角度提出一种网民对政务微博信任度的测度方法。由于评论较为复杂，不能直接计算为像点赞和转发那样直接计数，因此该研究提出一种新的测度方法来确定公众对政务微博的信任度。评论信任度的判断规则如表1所示。如果政务微博的情绪负面，并且微博文本和评论主题相似，则评论的信任值与评论情绪相反。如果政务微博的情绪中立，并且微博文本和评论主题相似，则评论信任值为零。否则，评论信任值等于评论的情绪。该方法用于评估新冠肺炎疫情期间网民对政务微博的信任度。
研究发现，网民对政务微博的信任度随时间而变化，各个政府部门之间也存在差异。行业战疫的相关话题可以提升网民对政务微博的信任度，境外疫情话题对信任度没有显著影响，政府行动和境内疫情相关话题对信任度的影响取决于疫情的严重程度。公众对卫健微博（如健康中国）的信任度在各阶段主要受确诊数据公布是否透明及时的影响。在疫情爆发期和延续期，科学技术微博（如中科院之声）的准确辟谣和知识普及、工信微博（如工信微报）发布的关于物资紧缺问题的解决措施都可以提升公众的信任度。
表1 评论是否信任的判断规则
| 序号 | 发表情绪 | 评论情感 | 主题是否相似 | 信任度 | 举例 |
| 1 | —— | 正（对博主） | —— | 倾向于信任 | “神仙博主！表白幕后工作者！” |
| 2 | —— | 负（对博主） | —— | 倾向于不信任 | “你有什么资格叫女性之声” |
| 3 | 正 | 正（对事件） | —— | 倾向于信任 | “辛苦啦一线的医务人员” |
| 4 | 正 | 负（对事件） | 相似 | 倾向于不信任 | “10万个口罩都不知道去哪了，根本预约不上，骗人！” |
| 5 | 不相似 | 倾向于不信任（其他诉求尚未得到解决） | “反对外国人永居条例！” | ||
| 6 | 负 | 正（对事件） | 相似 | 倾向于不信任 | “他不是造谣者，他是公民心中的英雄” |
| 7 | 不相似 | 倾向于信任 | “新的一年要加油呀” | ||
| 8 | 负 | 负（对事件） | 相似 | 倾向于信任 | “我真的无语了 那些乱跑的人压根没有心” |
| 9 | 不相似 | 倾向于不信任（其他诉求尚未得到解决） | “红十字会什么时候查处？物资什么时候给一线医院送过去？” | ||
| 10 | 中立 | 正/负（对事件） | 相似 | 倾向于中立（对事件的讨论） | “江苏的情况也很严峻了” |
| 11 | 不相似 | 取决于评论情感 | （同规则7、规则5） | ||
| 12 | —— | 中立（对事件/对博主） | —— | 倾向于中立 | “美白美黑只是个人审美叭” |
政务微博在突发事件的舆情引导中表现如何？
我们最近的一项研究（安璐，吴一丹，2022）构建突发事件情境下政务微博的舆情引导能力成熟度诊断模型。该模型由微博账号基本信息、信息发布、议程设置、互动和博文影响力5个维度共17个特征组成，采用熵值法为每个指标分配权重。该研究采集大连市、沈阳市、长春市和石家庄市的政务微博帐号关于新冠肺炎疫情在四个城市反弹事件中的博文和评论数据。研究发现，议程设置、信息发布和互动维度对公众舆论引导能力成熟度的影响比其他维度更大。研究将政务微博舆情引导能力划分为有意识、有规范、有效、高效四个级别，如图3所示。政务微博的舆情引导能力分布呈金字塔形，约8.3%的政务微博达到有效水平，41.7%达到有意识水平。
图3 政务微博舆情引导能力成熟度诊断模型
结论
在突发事件情境下，应急管理部门需要了解信息传播模式，并采取相关措施以减轻突发事件造成的危害，预测网络信息的影响力有助于识别潜在风险和问题，以便提前制定相关计划。公众的信任和支持是应对突发事件不可或缺的条件，揭示公众对政务新媒体信任度的关键因素有助于改进政务信息传播行为和机制。由于谣言和极端情绪可能会使事件恶化（Kwon, Bang, Egnoto and Rao, 2016），政府部门需要培养舆情引导能力。我们的研究揭示了社交媒体上信息传播模式，研究结果有助于应急管理部门采取有针对性的措施，提高其应对未来可能出现的公共危机的能力。
参考文献
An, L., Han, Y., Yi, Y., Li, G. and Yu, C. (2021). Prediction and evolution of the influence of microblog entries in the context of terrorist events. Social Science Computer Review, DOI: 10.1177/08944393211029193
An, L., Zhou, W., Ou, M., Li, G., Yu, C. and Wang, X. (2021). Measuring and profiling the topical influence and sentiment contagion of public event stakeholders. International Journal of Information Management, 58, 102327. doi: 10.1016/j.ijinfomgt.2021.102327
Grover, P., Kar, A. K., Dwivedi, Y. K., & Janssen, M. (2019). Polarization and acculturation in US Election 2016 outcomes – Can twitter analytics predict changes in voting preferences. Technological Forecasting and Social Change, 145, 438–460. Doi: 10.1016/j.techfore.2018.09.009.
Heath, R. (2001). Crisis Management (pp. 22–24). Beijing: Citic Press.
Heverin, T., & Zach, L. (2012). Use of microblogging for collective sense-making during violent crises: A study of three campus shootings. Journal of the American Society for Information Science and Technology, 63(1), 34–47.
Kwon, K. H., Bang, C. C., Egnoto, M., & Rao, H. R. (2016). Social media rumors as improvised public opinion: Semantic network analyses of twitter discourses during Korean saber rattling 2013. Asian Journal of Communication, 26. Doi: 10.1080/01292986.2015.1130157.
Zhang, W., Wang, M., & Zhu, Y. C. (2020). Does government information release really matter in regulating contagion-evolution of negative emotion during public emergencies? From the perspective of cognitive big data analytics. International Journal of Information Management, 50, 498–514.
安璐,吴一丹.突发事件情境下政务微博的舆情引导能力成熟度诊断模型.情报理论与实践, 2022, 45(5): 133-141.
安璐,徐曼婷.突发公共卫生事件情境下网民对政务微博信任度的测度.数据分析与知识发现, 2022, 6(1): 55-68.
作者
安璐，武汉大学信息管理学院教授，信息资源研究中心数据管理与知识服务研究室主任，出版两部专著，在International Journal of Information Management, Telematics and Informatics, Information Processing & Management, Social Science Computer Review等国内外权威与核心期刊发表100多篇论文，主持教育部哲学社会科学研究重大课题攻关项目、国家自然科学基金面上项目等，担任国际信息科学与技术学会ASIS&T SIG-KM主席，国际知识组织学会（ISKO）理事。研究领域为网络数据分析、应急情报。联系方式：[email protected]
APA引用格式： An, L (2022,November 3).信息传播和突发事件响应, Vol. 2, Issue 11. https://informationmatters.org/2022/11/信息传播和突发事件响应/
