国内外基于社交媒体的社会情绪对比分析.pdf

中华医学图书情报杂志 2022 年 12 月第 31 卷第 12 期 Chin J Med Libr Inf Sci，Vol.31 No.12 December，2022 65 周 晖.国内外基于社交媒体的社会情绪对比分析J.中华医学图书情报杂志,2022,31(12):65-69.DOI：10.3969/j.issn.1671-3982.2022.12.010 信息组织与信息服务 国内外基于社交媒体的社会情绪对比分析 周 晖 摘要为展现国内外新冠病毒感染疫情期间对社交媒体上显露的社会情绪的研究，采用文献研究的方法，在 IET Inspec 系列数据库、中国知网期刊数据库中检索 2020-2022 年发表的相关论文并进行比较分析。分析结果显示，国内外研究均证实了突发公共卫生事件会引发更多的负面情绪并影响认知评估，且都采用文本内容分析和情绪分析方法。国外研究多以推特为研究文本，大量运用机器学习方法，将样本扩至上百万、上千万甚至亿级，注重不同人群、不同时空的差异化综合分析；国内研究多以微博为研究样本，较多运用情绪词典进行情绪分析，样本相对较小，倾向于不同时间段的差异化分析。关键词社会情绪；信息流行病；主题建模；情绪词典 中图分类号G206；C912.63 文献标志码A 文章编号1671-3982(2022)12-0065-05 Comparative analysis of social emotions on domestic and international social media ZHOU Hui Comparative analysis of social emotions on domestic and international social media ZHOU Hui（China Labour and Social Security News,Beijing 100013,China）AbstractAbstract In order to show the domestic and international studies on social emotions of the COVID-19 pandemic revealed on social media,a literature research method was used to retrieve relevant papers published from 2020 to 2022 in the databases of IET Inspec and CNKI to conduct a comparative analysis.The results showed that both domestic and foreign studies confirmed that public health emergencies trigger more negative emotions and affect cognitive assessment,all using textual content analysis and emotion analysis.Most of the foreign studies took Twitter as the research text and used machine learning to expand the sample to millions,tens of millions or even billions,focusing on the differentiated comprehensive analysis of different groups of people and different time and space;most of domestic studies took Weibo as the research sample and used emotion lexicon more often for analysis,with relatively small samples and inclined to differentiated analysis of different time periods.Key wordsKey words Social emotion;Information epidemic;Topic modeling;Emotion lexicon 新冠病毒感染疫情期间，社交媒体成为政府部门发布最新消息的重要平台及公众交流的沟通渠道，其内容主要包含公众对政府防控疫情措施的反应、对疫情发展形势的反应，如推特、微博等社交媒体发布的帖子及回复显示出公众的态度与情绪。研究疫情期间公众的社会情绪，对政府完善防疫措施、提高疫情期间风险沟通效率具有重要意义。本文聚焦疫情期间国内外社交媒体上的社会情绪进行研究，呈现社会情绪的变化，供相关领域研究人员参考。1 数据来源 国内方面，在中国知网（CNKI）期刊数据库中检索，检索时间范围为 2020 年 1 月 1 日至 2022年 4 月，以“社交媒体”“情绪”“疫情”为检索词，共获得 287 篇相关文献，有 48 篇（占 17%）就疫情期社交媒体上的社会情绪进行了研究。其 作者单位中国劳动保障报社，北京 100013 作者简介周 晖（1979-），女，硕士，主任记者，主要研究方向为舆情传播。66 中华医学图书情报杂志 2022 年 12 月第 31 卷第 12 期 Chin J Med Libr Inf Sci，Vol.31 No.12 December，2022 中，27 篇以社会情绪或个体情绪为研究主题；18篇以“信息疫情或谣言”为主题，涵盖了社会情绪研究。国外方面，选取 IET Inspec 系列数据库作为数据来源。该数据库收录 100 多个国家的 5 000 多种科学与技术期刊、2 800 种会议记录，以及大量的著作、报告和论文。2022 年 4 月，输入检索词“public attitude”，限定出版年份为“2020-2022 年”，快速过滤高被引论文、热点论文，用“social media”精炼搜索结果，共获得 102 篇相关文献；以同样的方式输入检索词“public sentiment”，共获得 12 篇相关文献。2 国内外研究主题比较分析 2.1 社会情绪 根据感知风险理论分析，突发公共卫生事件会引发更多的负面情绪并影响认知评估。国内外针对疫情期间社交媒体上的社会情绪的实证研究有力证实了这一说法。国外方面，更多研究发现社交媒体用户呈现负面情绪。推特用户最常见的情绪是恐惧1，尤其是对疫情感染及死亡的潜在恐惧2。有调查结果显示，意大利因疫情实施封控期间从社交媒体上接收信息的公众表现出更高的恐惧感3；加拿大推特用户对疫情显露出消极的情绪，对佩戴口罩呈复杂情绪4；新加坡学者认为公众情绪随时间而变化从恐惧到愤怒，从悲伤到感激5。还有学者发现疫情初期微博用户发布了大量关于“起源”的推文，后期逐渐转向“隔离措施”和“经济”等话题，话题的转移是社会情绪发生演变的体现6。国内方面，通过文献研究，发现社交媒体上社会情绪呈现最多的也是负面情绪，包括焦虑、担忧、害怕等。疫情初期，公众对疫情数据的变化敏感，新增确诊人数的小幅增加和下降均能引起公众焦虑情绪的大幅增加和减少。焦虑情绪不会随着疫情的稳定而消失，甚至被放大并转移到日常生活的焦虑上7。国内学者的研究讨论显示，疫情期间国内社交媒体上社会情绪多由负面转变正面。有学者通过分析新浪微博，发现情绪传播具有传染性，疫情初期社会情绪以消极情绪为主，随着疫情发展积极情绪逐渐增加，且成为主导8；还有学者发现公众的情绪倾向由负面转为中性，消极情绪减少、积极情绪增加9。2.2 信息流行病及谣言 信息流行病是新冠病毒感染疫情期间社会情绪的一种表征，是个人情绪在网络平台上聚集的呈现形式。社会风险爆发造成个体不安全感上升，焦虑、彷徨促使个体急于寻求信息。疫情期间，大众使用信息媒介的行为直线上升。根据世界卫生组织的定义，信息流行病是信息和流行病的结合，是针对重大事件的准确、不准确信息的快速和广泛传播。信息流行病的特征是信息过载，尤其是充斥着虚假和误导性的信息10。信息流行病基于个人信息需求在网络空间扩散，当人们仅依靠自身无法解决信息过载问题时，会通过网络社交关系寻求解决。在有别于真实环境的拟态环境中，本就具有传染性和情绪破坏性的“信息病毒”（重复信息、虚假和无意义的信息）在扩散和传播中更加肆无忌惮11。国外方面，在对社会情绪的实证研究中，社交媒体上错误信息的传播是研究者关注的重点之一。有学者调查分析了与疫情有关的错误信息传播与形成原因，发现有关疫情的错误信息与受教育水平低、男性、家庭语言为非英语等因素存在相关性，与较低的数字健康素养、对新冠疫情危险的认知、对政府的信心、对科学机构的信任显著相关12。国内方面，有学者以中国互联网联合辟谣平台“疫情防控辟谣专区”中的谣言样本为研究对象，采取谣言信息中最明显的情绪倾向界定谣言的情绪表达类别13；有学者对新浪微博社区管理中心和举报处理大厅的 448 条谣言进行分析发现，充满消极情感的恐惧型和敌意型谣言总数多于充满积极情感的善意型和愿望型谣言，说明人们在疫情期间压力大，急于寻找负面情绪的宣泄口，并可能促进分裂与焦虑情绪在社交媒体上进一步蔓延14。3 国内外研究方法对比分析 3.1 抽样 3.1.1 抽样时间及样本规模 国内外学者的抽样时间均集中在 2020 年上半年。中华医学图书情报杂志 2022 年 12 月第 31 卷第 12 期 Chin J Med Libr Inf Sci，Vol.31 No.12 December，2022 67 为分析疫情期间社交媒体上的社会情绪，国内外研究者采用了自然语言处理技术进行内容分析。以网页为基础的内容因海量、即时、链接等特点，样本量相对同时间段的传统媒体更多15。国外方面，较多学者选取了 1 万10 万条、10 万50 万条及以上的文本，少数学者选取了低于 1 万的样本量。国内方面，在文本量化分析中，不少学者采样量在 1 000 条以内，较多学者选取了低于 6 000 条的文本，少数学者选取了 1 万10 万条、10 万50 万条的文本，极少学者有选取超过 50 万条的文本。3.1.2 抽样方法 国外方面，由于样本规模巨大，研究多采用分层抽样、立意抽样。有学者开展了 3 项问卷调查，在选取受访人时，一项使用自选样本（N=949），两项使用来自招募小组的分层样本（N=2 250，N=2 254）16；个别研究采取特别的抽样方法，如纵向抽样。部分学者利用已有名录、列表、数据库等作为抽样框进行抽样或普查式分析；部分学者在推特、微博等社交媒体中直接搜索目标文本。国内方面，多数学者采取立意抽样，选取疫情发展符合研究主题的某一时间段，利用关键词搜索该时间段的样本。问卷调查研究使用了雪球抽样、分层抽样及便利抽样。3.2 情绪分析 社会情绪既可体现为文本中的显性内容，也会隐藏为文本的隐形内容。在以文字为主的内容分析中，国内外均有研究者在确定分析单位时采用分词器对评论文本进行分词和词频统计；少部分采用新闻框架、主题等以意义区分的单位，如有学者对生成包含整个文本语料库的内容类别进行内容分析，以确定新闻故事中的主要框架，大致分为医疗框架、非医疗框架，并开发了一种编码方案，进一步细分非医学新闻框架17。在对文本进行情绪分析时，国内外学者主要运用监督机器学习和情绪词典两种方法。因为样本数量巨大，不少国外研究者运用监督机器学习方法，对带有情绪的句子或文本进行情绪识别与分类；国内学者较多运用情绪词典分析方法或工具。社交媒体上不断涌现新词汇，现有情绪词典存在分类有限和词汇收录不足的局限性。国内外均有学者在多个词典基础上根据研究主题进行词类补充，构建新的分析词典，实现情绪分析的细粒度。有学者为了捕捉推文中对疫情的情绪，使用了基于属性的情感分析，允许手动编辑该方法生成的特定领域的情绪类别词典。有学者以大连理工大学的中文情感词汇本体库 作为基础情感词典，选择中国知网 HowNet 词库的中文程度级别词语构建程度副词词典，并将程度副词分为个级别18。3.3 类目建构及变量类型 社会情绪作为文本的隐形内容，是一种主观判断，为它建立科学、合适的类目系统，确定相关变量，是社交媒体文本分析中最为关键一环。如何设计出能准确反映内容及其方向的类目系统，且将内容方向分析中的一个最大障碍即编码者的倾向最小化，是所有内容分析极力达成的目标。在对文本中的情感情绪进行挖掘和分析过程中，情感标签简化导致的粗粒度分析一直是研究者试图破解的难题。若要将研究引向更深入的细粒度分析，情绪分类是目前情感分类方法面临的关键环节19。国内外研究者力图更加精确、多维度地描述文本中的情感情绪。在简单划分为积极情绪、消极情绪、中性情绪或正面情绪、负面情绪的基础上，大多数研究对情绪进行再细分。如将微博用户评论情绪类别划分为赞赏、悲伤、恐惧、愤怒、惊讶、嘲讽、厌恶、无明显情绪；将美国社交媒体上与疫情有关的在线讨论包含的情绪分为非常积极、积极、非常消极、消极或中性情绪，准确率高于传统的机器学习算法20。在对文本的态度或情感方向进行分析过程中，较低的测量层级如正面、反面、中立在挖掘文本态度或情感强度方面显然不够精确。因此，在对类目进行测量的过程中，国内外学者均采用现有情绪量表进行较细层级测量。里克特情绪量表是被国内外学者运用较多的量表。除此之外，国内学者也采用了国外研究多采用的错失焦虑量表（FoMO）、抑郁-焦虑-压力量表（DASS-21）、无聊倾向量表（BPS）3 个量表。定序变量、定距变量是国内外研究者最常使用68 中华医学图书情报杂志 2022 年 12 月第 31 卷第 12 期 Chin J Med Libr Inf Sci，Vol.31 No.12 December，2022 的测量类型。不同的是，不少国内学者在测量情绪类型时，采用定距变量来划分情感区间值，如有学者使用0，1之间的概率值作为情感值得分：当情感值范围为0，0.5时，说明该语料的情感表达为负面情感；当情感值范围为0.5，1时，则说明语料的情感表达为正面情感21。在衡量疫情对人际关系的影响时，有学者采用定距变量，请受访者回答疫情前后人际距离变化，选项包括亲密距离（小于 0.45 米）、朋友距离（0.451.2 米）、熟人之间的社交距离（1.23.5 米）、公共距离（大于 3.5 米）。3.4 描述性、差异性、关联性的内容分析 在疫情期间社交媒体上的社会情绪研究中，部分研究者运用差异性、关联性研究设计将情绪分析引向深入。其中，差异性分析运用较多，体现在时间前后比较、不同样本小组的比较。国外研究者倾向不同人群、不同时空的差异性对比分析。有学者针对 3 类人群在两个时间段内进行了 3 项问卷调查，构建了一系列二项式线性概率模型来控制 3 个关键变量，探索阴谋论、社交媒体与防疫行为的关联性22。国内研究者更倾向于不同时间段的差异性分析。突发事件演进往往呈现一定的周期，在对疫情期间社交媒体上的社会情绪分析中，国内学者将疫情分为多个阶段进行比较分析。有学者按照疫情发展 5 个阶段分析计划旅行者的发文量及各个阶段的情绪特征23；也有学者选取特定时段进行不同地域的对比分析，研究心理时间距离与心理空间距离对公众情绪影响24。总之，国内外研究者的视角都不局限于就社会情绪进行描述性分析，而是尝试发现社会情绪与其他社会现象的关联。3.5 社会人口统计信息及地理定位数据的重要性 民族、年龄、籍贯、学历等人口统计信息影响着个体对疫情的看法、对防控措施的态度。对国内外研究进行综合分析，发现在对疫情期间社交媒体上的社会情绪研究中，绝大部分量化研究均关注了样本人群的人口统计信息，有的研究结论将其作为重要变量，如国内有研究结果显示，女性、老年用户在社交媒体的网络哀悼中参与度更高25。比较国内外关于疫情期间社交媒体上的社会情绪研究，发现国外研究者多采用计算机技术实现对样本人群或分析文本的地理定位，从而有效避免了社交机器人可能带来的混淆信息、无效数据。国内学者的研究存在无法进行地理定位的缺陷，如无法获得新浪的地理空间分布词频分析26；收集的数据信息中包含的位置信息仅在省级层面，空间分析仍有待提升27。4 结语 综合对比国内外研究结果，发现疫情期间社交媒体上的社会情绪的研究表现出如下特点。第一，主要采用文本内容分析和情绪分析的方法来探讨社交媒体用户对疫情的态度和情绪；第二，微博、推特上的文本是被国内外研究者采用最多的文本样本；第三，机器学习方法的运用可帮助研究者将样本范围扩充到百万级、亿级的文本规模；第四，研究主题没有局限于对社会情绪或态度的描述性分析，而是侧重社会情绪与其他问题的结合，注重研究结果的指导性，如通过疫情期间社交媒体上的社会情绪看心理问题，分析公众与政府的互动影响因素等。但国外研究又呈现出不同特点，包括研究视野更加广阔、应用理论更加丰富、研究样本规模普遍较大、运用问卷调查的比例较小等。【参考文献】1 Medford R J，Saleh S N，Sumarsono A，et al An“infodemic”：leveraging high-volume twitter data to understand early public sentiment for the coronavirus disease 2019 outbreakJOpen Forum Infectious Diseases，2020，7(7)：ofaa258 2 Arpaci I，Alshehabi S，Al-Emran M，et alAnalysis of twitter data using evolutionary clustering during the COVID-19 pandemicJComputers，Materials&Continua，2020，65(1)：193-204 3 Motta Z G，Gentile E，Parisi A，et al A preliminary evaluation of the public risk perception related to the COVID-19 health emergency in ItalyJInternational Journal of Environmental Research and Public Health，2020，17(9)：3024 4 Jang H，Rempel E，Roth D，et al Tracking COVID-19 discourse on twitter in north America：infodemiology study using topic modeling and aspect-based sentiment analysisJJournal of 中华医学图书情报杂志 2022 年 12 月第 31 卷第 12 期 Chin J Med Libr Inf Sci，Vol.31 No.12 December，2022 69 Medical Internet Research，2021，23(2)：e25431 5 Lwin M O，Lu J H，Sheldenkar A，et alGlobal sentiments surrounding the COVID-19 pandemic on twitter：analysis of twitter trendsJJMIR Public Health and Surveillance，2020，6(2)：e19447 6 Zhu B R，Zheng X Q，Liu H Y，et al Analysis of spatiotemporal characteristics of big data on social media sentiment with COVID-19 epidemic topicsJChaos，Solitons&Fractals，2020，140：110123 7 常建霞，李君轶新冠肺炎疫情和公众焦虑情绪的时空分异研究：基于微博数据的分析J 人文地理，2021，36(3)：47-57，166 8 周书环，杨潇坤新冠肺炎疫情下社交媒体情绪传播及其影响研究：基于新浪微博文本数据的实证分析J新闻大学，2021(8)：92-106，120 9 Zhao Y X，Cheng S X，Yu X Y，et al Chinese publics attention to the COVID-19 epidemic on social media：observational descriptive studyJJournal of Medical Internet Research，2020，22(5)：e18825 10 Sander van der Linden Misinformation：susceptibility，spread，and interventions to immunize the publicEB/OL2022-07-03 https:/ 11 邓向阳“信息流行病”的产生、传播与治理J人民论坛，2020(22)：113-115 12 Pickles K，Cvejic E，Nickel B，et al COVID-19 misinformation trends in Australia：prospective longitudinal national surveyJJournal of Medical Internet Research，2021，23(1)：e23805 13 周茂君，杜永欣重大突发公共事件中的谣言传播及协同治理机制：基于新冠肺炎疫情期间谣言信息的研究J传媒观察，2020(9)：15-23 14 陈慧敏，金思辰，林 微，等新冠疫情相关社交媒体谣言传播量化分析J计算机研究与发展，2021，58(7)：1366-1384 15 周 翔传播学内容分析研究与应用M重庆：重庆大学出版社，2014 16 Allington D，Duffy B，Wessely S，et alHealth-protective behaviour，social media usage and conspiracy belief during the COVID-19 public health emergencyJ Psychological Medicine，2021，51(10)：1763-1769 17 Park H W，Park S，Chong MConversations and medical news frames on twitter：infodemiological study on COVID-19 in south KoreaJJournal of Medical Internet Research，2020，22(5)：e18897 18 曹天阳，张雪英，怀 安公共卫生事件中社会情绪的时空分析方法：以新冠疫情事件为例J地理与地理信息科学，2021，37(6)：16-23 19 张舒萌，余 增，李天瑞跨领域文本的可迁移情绪分析方法J计算机科学，2022，49(3)：218-224 20 Jelodar H，Wang Y L，Orji R，et alDeep sentiment classification and topic discovery on novel coronavirus or COVID-19 online discussions：NLP using LSTM recurrent neural network approachJIEEE Journal of Biomedical and Health Informatics，2020，24(10)：2733-2742 21 张 琛，马祥元，周 扬，等基于用户情感变化的新冠疫情舆情演变分析J 地球信息科学学报，2021，23(2)：341-350 22 Allington D，Duffy B，Wessely S，et alHealth-protective behaviour，social media usage and conspiracy belief during the COVID-19 public health emergencyJ Psychological Medicine，2021，51(10)：1763-1769 23 高子梦，新冠疫情下潜在旅游者的情绪变化：一种微博文本分析方法D兰州：西北师范大学，2021 24 张 放，甘浩辰疫情心理时空距离对公众情绪的影响研究：基于新冠肺炎疫期微博文本面板数据的计算分析J 新闻界，2020(6)：39-49 25 周葆华，钟 媛“春天的花开秋天的风”：社交媒体、集体悼念与延展性情感空间：以李文亮微博评论(20202021)为例的计算传播分析J国际新闻界，2021，43(3)：79-106 26 Zhao Y X，Cheng S X，Yu X Y，et al Chinese publics attention to the COVID-19 epidemic on social media：observational descriptive studyJJournal of Medical Internet Research，2020，22(5)：e18825 27 Zhu B R，Zheng X Q，Liu H Y，et al Analysis of spatiotemporal characteristics of big data on social media sentiment with COVID-19 epidemic topicsJChaos，Solitons，and Fractals，2020，140：110123 收稿日期：2022-08-03 本文编辑：刘 娜