情绪性在线评论下舆情演化与焦点事件治理研究

刘春年 肖迪

摘 要：[目的/意义]基于社交媒介用户在线评论的情感挖掘，能够解析用户情感强度与事件焦点的演化规律，从而有助于政府采取针对性措施对应急活动进行有效安排。[方法/过程]本文以“玛利亚”飓风为例，以相关Twitter内容文本为数据，在文本情感值与强度值计算的基础上，引入时间序列分析对文本内容进行分析，进行情感极性和情感强度分析用户情感演化特征及波动规律。[结果/结论]1）信息的异化颠倒了人与信息之间的关系，存在路径依赖现象，需要致力于异化困境、减少信息恐惧，进而实现信息的积极路径依赖;2）快速救援能力仍是民众关注的重点，公益募捐是灾后的热点话题，并持续向民众带来积极的情感影响，政府负面新闻则是网民负面情绪衍生的激发器;3）灾害事件后期舆论“失焦”现象明显，政府与媒体保持“同盟关系”有助于舆情聚焦。

关键词：在线评论;网络舆情;舆情演化;应急;情感分析;信息异化;舆情失焦

DOI：10.3969/j.issn.1008-0821.2020.09.015

〔中图分类号〕G206.2 〔文献标识码〕A 〔文章编号〕1008-0821（2020）09-0133-11

Research on the Evolution of Public Opinion and the Governance of

Focus Events Under Emotional Online Comments

Liu Chunnian Xiao Di

（School of Management，Nanchang University，Nanchang 330031，China）

Abstract：[Purpose/Significance]Emotion mining based on social media users online comments can analyze the evolution rules of users emotion intensity and event focus，thus helping the government to take targeted measures to effectively arrange emergency activities.[Method/Process]This paper takes Hurricane Maria as an example，takes relevant Twitter content text as data，and introduces time series analysis to analyze the text content based on the calculation of text emotion value and intensity value，and analyzes the emotional evolution characteristics and fluctuation rules of users through emotion polarity and emotion intensity.[Results/Conclusion]（1）The alienation of information reverses the relationship between people and information，and there is a path dependence phenomenon.It is necessary to focus on the alienation dilemma，reduce the fear of information，and further realize the positive path dependence of information.（2）Rapid rescue capability is still the focus of public attention.Public welfare fund-raising is a hot topic after the disaster and continues to bring positive emotional impact to the public.Negative government news is the trigger derived from negative emotions of Internet users.（3）The phenomenon of public opinion“out of focus”is obvious in the later stage of disaster events.Maintaining“alliance”between the government and the media is helpful to focus public opinion.

Key words：online comments;network public opinion;evolution of public opinion;emergency;sentiment analysis;information alienation;public opinion out of focus

隨着在线社交网络的发展，社交媒体平台已成为人们沟通的主要渠道。在突发灾害期间，受灾者、未受波及的民众、政府官方、新闻媒体等群体会在社交平台上传播对灾害事件的看法以及相关资讯信息，这些文本均代表了发文者的情感表达。通过分析这些情感信息，研究情感对信息传播的影响，可以全面了解民众对灾情事件的看法走势，帮助政府更好采取应急措施，并对舆情进行合理引导和有效管控具有现实意义。

1 相关研究工作

1.1 在线评论下的情感挖掘

当前，学者对在线评论的情感研究主要从情感分析关键技术[1-6]、情感分析应用[7-10]等方面进行，其中情感分析应用主要集中在商品评论和网络舆情两个领域[11]。在网络舆情领域，学者近年来针对情感与舆情分析，国内学者赵晓航基于相关应急事件，针对危机传播阶段的特征，对爬取的数据进行了主题提取和情感分析[12];蒋知义等[13]对网络舆情进行情感倾向分析和舆情追踪，在构建了一个情感分类词典的基础上建立相应的情感倾向分析模型，并对具体网络舆论事件的舆情演化各阶段进行探究;安璐等[14]将突发事件微博舆情演化分成3个维度，分别为舆情演化的生命周期阶段、主题与情感，并提出一种融合主题与情感特征的突发事件微博舆情演化分析方法，实现了微博主题与情感的协同分析;邢云菲等[15]基于情感极性及情感强度理论构建新媒体环境下网络舆情用户情感演化模型，并以微博平台为例进行实证;张凌等[16]学者则从情感强度和认知强度两个维度探讨导致网络信息传播性强弱的内在原因。

综合以往研究，在线舆情的情感差异会对信息传播具有一定的影响，证明了信息内容包含的情感以及情感强度会对舆情的衍化速度、方向产生影响，从而影响大众对事件的态度。

1.2 突发灾害下的应急情感研究

外国学者Kim J等、Pourebrahim N等及Gul S等针对灾害应急事件，通过对推文的文本情感极性分析得出在应急期间民众情绪变化的关键[17-19];Neppalli V等[20]对飓风桑迪期间的推文进行情感分析，并在以飓风为中心的地理地图上可视化在线用户的情感;Singh N等[21]则以相关社会突发事件推文为数据，通过改进的情感分析技术来处理、发现和推断用户的时空情感，并注意到情绪极性和情绪表达清晰度的变化;刘雯等[22]学者利用情感分析的方法，对突发性自然灾害事件的网络舆情进行分析，并对博文进行内容分析，为灾后情报服务和应急管理提供建议;沙勇忠等[23]学者根据灾后相关微博内容数据计算网民情感，并对网民情感进行时序分析，探索不同类型情感的相关性及突发事件对网民情感的影响。

基于上述研究，本文以2017年“玛利亚”飓风为例，通过Twitter上的相关文本数据进行研究，主要试图解决以下几个问题：1）突发灾害来临后是否存在舆论失焦现象与信息异化的路径依赖;2）民众是否会聚焦于政府的快速应急能力;3）什么是影响民众积极情绪演化的重要因素;4）是否存在网民负面情绪演化的激发器。

2 研究设计

在突发事件情感内容的研究上，有前人通过对文本情感极性的判断及预测，进而对不同情感极性的文本进行内容分析，得出影响网民情感波动的因素和应急过程中存在的问题等[22-23]。因此，本研究从收集与“玛利亚”飓风相关的推文开始，首先通过情感极性分类与情感极性时间预测确定应急过程中的民众舆情焦点，在此基础上进一步从情感强度的角度挖掘高情感强度、低情感强度与舆情焦点的关系，从情感极性和情感强度两个方面度量线上社交平台的应急事件传播，探讨在环境应急情境下，导致民众情绪波动的内在原因。最后，基于情感极性预测和情感强度分析结果，本文解决了以上4个问题。图1分5个步骤说明了本文的研究过程。

2.1 数据收集与处理

在“玛利亚”飓风来临后，美国民众纷纷在Twitter上发表其相关看法。本文选取Twitter上有关“玛利亚飓风”的推文内容为数据资源，通过“Maria Hurricane”“Puerto Rico”等关键词在Twitter上搜索推文样本，爬取了从2017年9月16日至2017年10月30日，“玛利亚”由热带风暴升级为飓风的前一天到飓风过后民众讨论度逐渐消失共

45天的推文信息。相关数据信息包括“推文内容”“推文时间”“推文转发量”“推文点赞数”以及“推文作者”。

在进行情感分析前，先对推文数据进行预处理工作。在收集到的推文数据中，少量推文为中文繁体、韩文、日文、法文等，考虑到网民的意见统一性以及情感词典的精准度，本文将非英文推文进行删除。对同一天内相同发布者发表的重复推文进行删除，但由于不同网民可在不同时间上持续对事件持相同意见，因此，对于同一发布者在不同日期的相同推文，和不同发布者在同一天内的相同推文则进行保留。爬取的绝大部分推文中包含网址链接与图片链接，过长且无意义的链接将会对文本的情感分析产生干扰，影响情感极性分析的精确度，本文在数据预处理中将此类链接进行删除。最终保留与“玛利亚”飓风相关的有效数据23 933条，并将所有推文按照发推日期进行排序与分类。

2.2 情感极性分类

情感极性分析是为了找出评论者对某种事件或观点的态度，在一定程度上也可称之为其当时的情感状态。目前对文本内容进行情感分析大致可从以下4个方面进行：关键词识别、词汇关联、统计方法和概念级技术[24]。目前，已有多种情感分析软件工具可对文本进行分析，包括SenticNet、Luminoso、Factiva、Attensit和Converseon等，本文使用SentiStrength软件对推文进行情感分析。

SentiStrength是一个基于已有的情感词典的情感分析程序，可以同时对文本的情感极性和强度进行分析，针对Twitter上的推文等非正式短文本具有較高的情感分类精度[25-26]。相关心理学研究[27]认为，每一个短文本都会同时表达出两种情感观念，根据自身的情感词典将每个短文本分别标注出正面情感评价与负面情感评价，情感评价取值为[-5，-4，-3，-2，-1]与[+1，+2，+3，+4，+5]。情感极性表示为两种情感评价之和，若值为正则为积极情感，值为负则为消极情感，值为0则表现为中立情感。情感极性计算如式（1）所示，文本示例如表1所示。

2.3 时间序列分析与预测

时间序列预测法可以根据时间序列的趋势，对下一段时间内的发展方向和发展水平进行预测[28]。这种方法对于研究自然灾害发生后的民众情感倾向是一种合理的方法，并可以有效预测群众在未来的

情感走向。其中时间序列模型可细分为AR模型、MA模型、ARMA模型和ARIMA模型四类，构建模型时要根据具体情况进行选择。

本文利用Eviews软件进行时间序列的建模及预测，Eviews软件能够进行复杂数据的分析、回归和预测，具有较为广泛的应用前景[29]。在将“玛利亚飓风”相关推文用SentiStrength进行情感极性分析后，将所得到的每日情感平均值作为时间序列，输入Eviews软件，在通过时序图和ADF单位根检验确定时间序列平稳后，通过自相关图和偏自相关图及相关参数确定最优模型，并在最优模型的基础上对未来情感平均值进行预测。

2.4 基于情感极性的文本类别分析

内容分析法是新闻传播学中重要的研究方法[30]，对网站文本内容进行分析是网络信息内容分析的主要方式[31]。本研究使用内容分析法对Twitter文本中出现的高频词汇进行语义分析，通过不同词语之间的关系分析得到灾害应急过程推文中重要的文本信息，并得到推文的主题类别。

每日情感极性走势图的波峰及波谷代表着民众在一段时间内的情感变化，本文找出波峰波谷当天的文本内容，根据高转发、高评论、高点赞数的推文找出影响网民情感波动的时间因素。同时经观察后发现，情感极性值为0的推文，多是对灾后事件的客观陈述，或各家媒体的新闻报道，如救援队的救援情况、灾区目前环境状况、某位知名人士的捐款行为等，因此，情感极性值往往表达为中立情感。这些中立情感的推文虽很少涉及网民的情感表达，但可从这些客观事实的陈述中，找出引起网民当日情感变化的原因。因此，本文在推文内容的分析上，不对情感极性值为0的中立情感推文做详细分析，仅将其作为对探究民众情感波动的辅助因素。

2.5 情感強度文本分析

情感强度是指人对事物所产生的选择倾向性，决定着人的思维、行为和生理活动的驱动力大小，在根本上决定和制约着情感的其它动力特性。通常情况下，当人处于相对恶劣的自然环境或社会环境时，人的情感强度就应该高一些，反之就应该低一些。在SentiStrength中，情感强度表示为两种情感评价之差，差值越大代表情感强度越高，反之情感强度越低[5]。情感强度计算如式（2）所示，文本示例如表2所示。

3 数据处理分析结果

3.1 情感极性统计

将经过预处理后的23 933条数据导入SentiStrength情感分析软件，计算得到消极情感推文共9 573条，总体占比40%;中立情感推文9 334条，总体占比39%;积极情感推文5 026条，总体占比21%。可以看到消极情绪和中立情绪的推文是积极情感推文的2倍，说明网民对于自然灾害的情感态度大部分持悲观、消极态度，持积极态度的民众较少。

3.2 情感极性时间序列预测

为清晰看出每日的情感趋势并进行预测，将所有推文按照发文时间和情感极性进行分类，并求出其每日的情感极性平均值，最终得到每日总情感极性平均值如图2。

本文利用Eviews软件进行推文情感极性的时间序列分析。在建立时间序列模型前，先判断数据是否平稳。若序列不平稳，需将非平稳时间序列通过差分转化为平稳序列后，再进行白噪声检验。当序列为平稳且非白噪声时，可进行下一步的建模预测。通过自相关和偏自相关图进行模型的选择和定阶，确定模型后进行残差检验，当序列通过残差检验且为白噪声时，模型可用，最后进行预测。

本文以2017年9月16日到2017年10月29日的情感极性值进行情感极性预测。原数据序列进行ADF单位根检验后，ADF检验中的t统计值远小于各检验水平临界值，如表3，故可判定改时间序列稳定，无需进行差分。在自相关系数与偏相关系数分析中，Q统计量的P值<0.05，为非白噪声序列。

通过测试结果可以看出，各情感的预测值和实际值较为接近，可以通过时间序列来预测民众在灾害来临后的情感极性走势，并且可以根据情感极性的时间走势图探寻网民在灾害应急期间的舆情关注焦点。

3.3 基于情感极性的文本类别统计

3.3.1 积极推文文本类别统计

在23 933条推文中，情感极性表达为积极态度的推文占比最小，仅占所有感情值的21%。这是因为此次自然灾害带来的损失过大，且政府对飓风事件的应急处理持续引发民众争议与不满，民众始终对事件的处理保持着不乐观的态度。在所有表达为积极情感的推文中，可将推文内容分为以下几类：救援进展、祈祷祝愿、表达感谢、公益募捐。表达为积极情感的部分推文及发布者如表5所示。

当美联邦应急管理署（FEMA）发布救援进度推文，或新闻媒体报道相关救援消息时，民众的情感通常表达为积极情感。在飓风来临前以及受灾前期，祈祷祝愿类的推文相对较多，民众纷纷对灾区人民表达祝福，希望灾区人民能够收到救助并挺过难关。表示感谢主要指民众对官方救援人员、慈善机构、社会各界知名人士对灾区的帮助表示赞赏，以及对普通民众前往灾区进行支援表达了钦佩。在所有的积极情感的推文中，公益募捐类的推文数量最多，且持续贯穿灾害发生后的整个前、中、后时期。

3.3.2 消极博文文本类别统计

此次由“玛利亚”飓风带来的相关事件，在美国引起了极大的社会相关争议，这也印证了本文民众消极情感偏多的研究结果。大部分的社会各级人士都保持着消极的态度，在这些表达为消极情感的推文中，可大致分为以下几类：灾害影响、救援不力、相关社会影响、政府形象下降、政府的沉默。表达为消极情感的部分推文及发布者如表6所示。

灾害影响主要是由于飓风本身给群众心理或生理带来的消极影响，以及民众对受灾地区的担忧;救援不力问题指美政府派出的救援队，未及时给予灾民应有的救助，死亡人数持续增加。相关社会影响主要指在灾害后期，新闻报道的由于飓风灾害引发的社会问题，此类新闻使民众感到恐慌，因此产生消极情绪。在所有消极情绪的推文中，占比最大的是政府的沉默和政府形象下降两种类型的推文。政府的沉默主要指在飓风来临后，美政府并未快速响应指导救援，美领导人并未将注意力放在波多黎各的救灾上，且没有对此次事件作出更多指示。美领导人在救灾过程中的一系列不当行为造成了政府形象的下降，群众对此表现出了极高的愤怒及消极情绪。

3.4 基于情感强度的词频分析

本文将数据集中的23 933条原创推文输入数据集中计算各自情感强度，计算方法如上述式（2）所示，将情感强度大于4的推文视为高情感强度推文，得到低情感强度和高情感强度推文分别占86.91%和13.09%。将所有推文按时间分为灾前、灾中、灾后3个阶段，并根据情感热度将灾后细分为高热期、持续期、消解期。将每个阶段分别做出其高情感强度与低情感强度的词云，为使词云更明显地显示出情感关注的演变，将所有推文删除Puerto Rico、Hurricane、Maria等词，可以看出在整个飓风应急过程中，各个阶段有其不同的关注角度，如图3。

在灾害前期，除了几个阶段都持续关注的Maria Hurricane（玛利亚飓风）和Puerto Rico（波多黎各），可以看到有很多关于在飓风袭击多米尼加时的相关词汇，如Dominica、Caribbean、Storm等。相比较于低情感强度，高情感强度有明显的Dangerous、Threaten、Devastated等关键词，表达出民众对即将到来的飓风的担忧与恐慌，这与上文通过情感极性得出的民众情感相同，更贴合民众的关注焦点。

在飓风灾害期间，高情感强度词云中明显出现了Devastation、Help、Victim等关键词，表明在受灾期间民众更关注的是受灾者的救助问题与飓风带来的系列毁坏，这与通过情感极性分析得到的阶段结论相同。而低情感强度的词云中则极少出现相关关键词。

在灾后高热期，可以看到高情感强度与低情感强度均出现了Trump、Help等词，说明民众在持续关注救援情况的同时，开始陆续把关注点转移到政府行为上。在高情感强度词云中出现的Efforts、Support、Donating等词，反映出此时民众已开始关注并开展慈善、募捐等活动，以此来支持受灾群众。这也反映出高情感强度比低情感强度更广泛地代表了民众的关注焦点。

在灾后持续期，Trump等关键词依然属于两种情感强度的高频词汇，此外相较于低情感强度，高情感强度里的Paper、President、Catastrophe等词，代表了民众对这段时间内发生的热点新闻事件的高度关注，同时表明人们对于特朗普本人以及其政府团队在应急救灾上的质疑。

在灾后消解期，高情感强度与低情感强度均显示民众的关注重点逐渐转移到即将到来的“Ophelia”飓风上，但高情感强度中的关键词，如Victims、Money等词额外显示了民众对受害者灾后社会保障问题的关注。

4 研究发现与结论

在玛利亚飓风事件的灾前、灾中、灾后3个阶段，民众的消极情绪一直明显多于积极情绪。且灾前的消极情绪主要是针对飓风事件本身带来的灾害，而灾中和灾后，随着事件的不断发酵，民众的消极情绪开始转向在救灾过程中的相关事件，而极少聚焦于灾害本身。

4.1 信息异化的路径依赖性与灾后舆论失焦

从情感极性时间走势图可以看出，在灾害来临前期民众的情感极性值迅速下降，根据前期推文的文本分析，主要原因是由于信息异化造成的民众恐慌;在灾害后期，从情感强度词云图中Victims、Money等词显示出在信息的传播过程中，由于飓风灾害引发的社会问题引起了舆论的“失焦”现象。

在灾害来临前，民众对即将到来的灾害往往是未知的，其中包括对灾害本身的科学概念认知缺乏、对灾害影响生活程度的了解不清、对如何进行灾害防御的知识不足等。在社会心理学上，恐惧管理理论（Terror Management Theory）认为死亡信息会对人类的认知、情绪、行为产生影响，会使人涌现焦虑、恐惧、厌恶等消极情绪。而信息的异化颠倒了人与信息之间的关系，往往会使个体产生信息恐惧。在突发事件产生后，在路径依赖的影响下，异化的信息不断升级形成二次舆论，以此对民众认知情感产生影响。当民众无法对这些信息产生正确认知时，往往容易产生对自然灾害的恐慌情绪，并会在网络上表达其内心的恐懼心理，同时部分个体会在网络上产生并传播虚假报道，引发更多民众的恐慌情绪，民众越恐慌越会增大舆论信息传播的倾向。研究表明在因恐慌引起舆论传播时，越权威的专家出来解释，人们越愿意传播专家解释的相关信息。因此，相关权威机构可在灾害来临前期，通过正规渠道向民众普及此次灾害的相关信息，使其对灾害本身以及会带来的后果有充分的认知。让民众突破异化困境、减少信息恐惧，并进而实现信息的积极路径依赖。

图4 信息异化与舆论失焦演化图式

在灾害后期，高情感强度中的关键词，如Victims、Money等显示了民众对受害者灾后社会保障问题的关注，新闻报道的由于飓风灾害引发的社会问题引起了舆论的“失焦”现象。如在飓风后美国失去33 000工作岗位、数千名波多黎各人将会失去医疗保险等，此类新闻使民众感到恐慌，因此产生消极情绪。舆论失焦是指由于网络发展，事件中舆论难以被一方主导，使得舆情演变的主体脉络呈现多极化发展，以至逐渐偏离事件的中心议题[20]。灾害后期人们的关注点往往不再聚焦于灾害本身，而转而关注灾害引发的相关社会问题。虽然事后美国政府及相关专家称工作岗位数量的减少是因先前的两次飓风，且美国就业率并未下降，但因为这些新闻报道内容与民众自身利益相关，民众此时已经产生了对失去工作和医疗保险的担忧情绪，并未因政府的声明而缓解。

政府在灾难后期，应及时了解民众间的舆论，提前了解民众在灾难发生后会关注哪些民生问题，尤其对于与民众利益相关的事件，提前进行声明和行动。不实信息的产生与社会心理因素息息相关，政府在应对不实信息时既要处理引发不实信息本身，又要从根本上解决引发不实信息的社会矛盾。同时在发生灾害后，政府和媒体应互相支持，建立政府与媒体沟通的良性互动机制，保持“同盟关系”。在媒体报道不实新闻后，为防止不实信息主宰舆论，导致灾难性舆论后果，政府应针对情况采取措施，重视新闻发布的时机和内容，一旦出现重大报道失实应立即予以更正。

4.2 快速救援反应是政府应急能力评估的首要指标

在飓风来临的灾害期间，情感强度词云图中大量出现的Power、Storm、Victim、Dominica等词，表明在受灾期间民众更关注的是受灾者的救助问题与飓风带来的系列毁坏。并且通过对两种情感极性的文本分析可以看出，当救援获得进展时，如救援部队已经开始前往灾区、国家领导人发表关心灾区的言论、为难民提供避难所并搬运物资、清扫灾后道路、报道受灾地区的实时情况、部分受灾地区灾民恢复正常饮水、因飓风而停电的地区范围减小等情况时，民众表现为积极情感;当救援队被报道出救援不力时，如美政府派出救援队后的长时间内救援范围不够深入、波多黎各灾区仍大幅度停电、灾民并未受到应有的救助，因救治不力造成的死亡人数持续增加等情况时，民众则表现为明显的消极情绪。以上研究发现印证了在发生灾害后，快速救援能力仍是民众关注的重点，是否能够快速响应进行救援已经成为评估国家应急能力的一项重要指标。

郭春侠等、Schlegelmilch B B等[32-33]学者研究认为，面对突发事件的应急决策应以快速响应为前提，应急决策必须是高效、迅速的，突发事件发生后，决策响应时间的快慢在一定程度上与灾害所带来的后果成正比关系，决策者需要在最短的时间内做出最有效的应对措施，否则极易因应对不及时或应对不力而造成不良后果放大或范围扩散，因此必须在短时间内响应应急决策的需要。在此次“玛利亚”飓风事件中，民众对美政府的应急反应速度提出了质疑。在飓风袭击的1周后，美政府相关机构才发动救援，并且在事件发生的1周内，美政府领导人并未公开对此次飓风事件做出相应指示。自“玛利亚”飓风袭击波多黎各后，波多黎各全岛几乎失去了100%的电力供应，停电的情况持续了近8个月。且救灾主要集中在波多黎各的首府圣胡安市，其他受灾严重地区仍没有收到救助，同时因救助不及时引起的医疗系统的不完善，导致受灾群众在飓风过后大量死亡。

美国民众认为波多黎各在被飓风袭击时，遭到了美国政府严重的忽视，大量的死亡是由于政府的疏忽和不作为，并批评救援进度缓慢，由此引发民众的愤怒感，从而激化矛盾乃至引发灾害后期更严重的群体性事件。对此，政府救援队应在灾害初期对受灾情况进行正确估计，及时做出救援反应并面向群众进行公开回应，稳定群众情绪，而不是在民众和媒体的问责下，被动地做出反应姿态。在加强自身救援能力的同时，实时且持续报导相关救援进展，让民众了解救援情况，减少民众因无法得知真实救援进展而产生对救援的不满情绪。

4.3 公益募捐与监管是影响民众情绪极性及其演化的重要话题  从灾后情感强度词云图可以看出，在整个飓风灾害的高热期，Devastate、Effort、Support、Help等有关募捐的词在高情感强度与低情感强度中均属于高频词汇;且从情感极性时间序列走势图可以看出在灾害期间与灾后高热期，民众在碧昂丝进行捐赠与奥巴马发推进行筹款的两天，情感极性值到达了顶峰，说明公益募捐影响着民众的情绪演化并给民众带来积极强烈的情感倾向。

研究者发现募捐能够提高个体在责任感方面的自我评价，使捐赠者具有利他性的自我认知，比如认同“我是一个富有同情心的人”“我比一般人更慷慨”“我是一个高尚的人”，这种利他行为除了让慈善捐款行为的水平更高外，还让募捐者产生足够的积极情感[34]。首因理论认为要让接触到慈善事业的捐款者对慈善捐款都抱有良好的第一印象，并且将这种好的印象持续下去。在此次灾害发生后，慈善机构最先展开募捐行动，但募捐范围较小，民众此时对捐赠等公益活动关注度较低。随后社会各界知名人士进行了个人捐赠或募捐，此举引发了民众的广泛热议和好评。随着“行为领袖”的带头作用，在灾害的中后期，网络各非正式机构组织民众进行募捐，自此绝大部分民众积极投入到公益活动。

在公益募捐活动中，政府、行为领袖、非正式机构3个主体将起到重要作用。通过“玛利亚”飓风事件相关推文内容分析，在媒体报导5位美国在世前总统将出席慈善音乐会筹集善款当天，以及正式慈善活动当天，民众的积极情感达到了波峰，且前总统奥巴马发布的对此活动的推文也获得了最高的轉发数、点赞数和评论数。值得关注的是，在因5位前总统进行公益募捐而达到积极情绪波峰的同时，消极情绪在同一天内也达到了近日内的波峰，原因则是民众认为在几位前总统关心受灾群众的同时，现任总统却没有对灾区进行慰问或其他表示。这表明民众在灾害来临后，往往对政府的行为更为关注，当政府官方组织相关活动时，民众会产生“依靠感”并提高对政府的满意度。

学者研究表明非政府组织在相关事件中体现出的态度、行为及能力同样会影响网民的情感[3]，这一点同样在此次研究中得到印证，对于慈善机构和大量的网络非官方进行的募捐，网民纷纷表示支持与赞赏。但同时不可忽视的是，有民众在推特上表示“哈维”飓风和“厄玛”飓风的慈善款项并未落实，且另有报道称波多黎各岛上存在腐败，一些当地工作人员没有把食品等救援物资分发出去，报道中的情况引发了民众对政府以及相关慈善机构公信力的不满情绪。针对这种情况，政府应该对募捐款项进行持续追踪，监督并协助物流，提升政府自身公信力。

4.4 政府负面新闻与信息不对称是网民负面情绪衍生的激发器  在所有消极情绪的推文中，占比最大的是政府的沉默和政府形象下降两种类型的推文，且在灾后高热期与持续期Trump等关键词始终属于两种情感强度的高频词汇。在“玛利亚”飓风期间，大部分民众消极情绪的源头在于美领导人的几次不当行为。在发生灾害时，民众会对政府产生很高的依赖度，会密切关注政府的表态，多次不当行为的“累积效应”，形成了舆论信息传播行为，并导致了本次事件中的衍生情绪。美国人民对这些不当行为表示了极度的不满，造成了美政府形象的下降，对政府的信任度同时降低。如在飓风来临后，美领导人没有发出对救灾的指示，而是在推特上发生了与黑人运动员的骂战，像往常一样在度假村打高尔夫，并在灾后访问时向灾民投篮般的扔纸巾。这些不当言论及行为，被美国民众视为美领导人在此次救灾上的失职。当民众的立场、态度与政府管理者不一致时，会对政府及领导人产生敌对情绪，并且通过舆论信息传播，乃至引发大规模群体事件。

随后由于政府与民众之间的信息不对称引发了民众的抗议。美国总统与波多黎各总督在推特和新闻上互相推卸责任，并且在“玛利亚”飓风事件后期，美國政府被爆出向民众隐瞒了死亡人数，真实的死亡人数远高于美国政府给出的数字。政府与民众拥有的信息不同导致的信息不对称（Asymmetric Information）使掌握信息贫乏的民众，处于比较不利的地位。在自然灾害发生后，普通民众无法掌握确定的有效信息，因此政府权威机构发布信息中的精准数字要比模糊数字更能降低民众的不确定感与焦虑感。政府一旦对民众隐瞒信息或提供虚假数字信息，会唤醒民众的负面情绪，并给民众带来了类似被欺瞒的消极情绪。如何快速有效地回应民众所关注信息，消除民众对于信息的不对称性，这是政府需要解决的问题。

参考文献

[1]王仁武，宋家怡，陈川宝.基于Word2vec的情感分析在品牌认知中的应用研究[J].图书情报工作，2017，61（22）：6-12.

[2]唐晓波，兰玉婷.基于特征本体的微博产品评论情感分析[J].图书情报工作，2016，60（16）：121-127.

[3]聂卉，刘梦圆.基于细粒度情感的评论感知效用预测研究[J].情报理论与实践，2019，42（9）：117-122.

[4]朱晓霞，宋嘉欣，孟建芳.基于主题—情感挖掘模型的微博评论情感分类研究[J].情报理论与实践，2019，42（5）：159-164.

[5]Thelwall M，Buckley K，Paltoglou G，et al.Sentiment Strength Detection in Short Informal Text[J].Journal of the Association for Information Science & Technology，2014，61（12）：2544-2558.

[6]Wilson T，Wiebe J，Hoffmann P.Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis[J].Proceedings of HLT/EMNLP-05，2005，7（5）：347-354.

[7]范炜昊，徐健.基于网络用户评论情感计算的用户痛点分析——以手机评论为例[J].情报理论与实践，2018，41（1）：94-99.

[8]马松岳，许鑫.基于评论情感分析的用户在线评价研究——以豆瓣网电影为例[J].图书情报工作，2016，60（10）：95-102.

[9]Bovet A，Morone F，Makse H A.Predicting Election Trends with Twitter：Hillary Clinton Versus Donald Trump[J].2016.

[10]Sul H K，Dennis A R，Yuan L I.Trading on Twitter：Using Social Media Sentiment to Predict Stock Returns[J].Decision Sciences，2016，48（3）：454-488.

[11]Medhat W，Hassan A，Korashy H.Sentiment Analysis Algorithms and Applications：A Survey[J].Ain Shams Engineering Journal，2014，5（4）：1093-1113.

[12]赵晓航.基于情感分析与主题分析的“后微博”时代突发事件政府信息公开研究——以新浪微博“天津爆炸”话题为例[J].图书情报工作，2016，60（20）：104-111.

[13]蒋知义，马王荣，邹凯，等.基于情感倾向性分析的网络舆情情感演化特征研究[J].现代情报，2018，38（4）：50-57.

[14]安璐，吴林.融合主题与情感特征的突发事件微博舆情演化分析[J].图书情报工作，2017，61（15）：120-129.

[15]邢云菲，王晰巍，韦雅楠，等.新媒体环境下网络舆情用户情感演化模型研究——基于情感极性及情感强度理论[J].情报科学，2018，36（8）：142-148.

[16]张凌，罗曼曼，朱礼军，等.情感视角下的社交网络信息传播分析研究[J].图书情报知识，2019，（2）：111-119.

[17]Kim J，Bae J，Hastak M.Emergency Information Diffusion on Online Social Media During Storm Cindy in U.S.[J].International Journal of Information Management，2018，40：153-165.

[18]Pourebrahim N，Sultana S，Edwards J，et al.Understanding Communication Dynamics on Twitter During Natural Disasters：A Case Study of Hurricane Sandy[J].International Journal of Disaster Risk Reduction，2019，37：101176.

[19]Gul S，Shah T，Ahad M，et al.Twitter Sentiments Related to Natural Calamities：Analysing Tweets Related to the Jammu and Kashmir Floods of 2014[J].The Electronic Library，2017，36：00-00.

[20]Neppalli V，Caragea C，Squicciarini A，et al.Sentiment Analysis During Hurricane Sandy in Emergency Response[J].International Journal of Disaster Risk Reduction，2017，21：213-222.

[21]Singh N，Roy N，Gangopadhyay A.Analyzing the Sentiment of Crowd for Improving the Emergency Response Services，2018[C]//06.

[22]劉雯，高峰，洪凌子.基于情感分析的灾害网络舆情研究——以雅安地震为例[J].图书情报工作，2013，57（20）：104-110.

[23]沙勇忠，阎劲松，王峥嵘.雅安地震后红十字会的公众信任研究——基于微博数据的网民情感分析[J].公共管理学报，2015，12（3）：93-104.

[24]Cambria E，Schuller B，Xia Y，et al.New Avenues in Opinion Mining and Sentiment Analysis[J].IEEE Intelligent Systems，2013，28（2）：15-21.

[25]Thelwall M，Buckley K，Paltoglou G.Sentiment in Twitter Events[J].Journal of the American Society for Information Science and Technology，2011，（2）：406-418.

[26]Thelwall M，Buckley K，Paltoglou G.Sentiment Strength Detection for the Social Web[J].Journal of the American Society for Information Science and Technology，2012，（1）：163-173.

[27]Raul B，Peter T，Stephen K.Eliciting Mixed Emotions：A Meta-analysis Comparing Models，Types，and Measures[J].Frontiers in Psychology，2015，（6）：428.

[28]张美英，何杰.时间序列预测模型研究综述[J].数学的实践与认识，2011，41（18）：189-195.

[29]Gusti，Ngurah，Agung，等.EViews时间序列数据分析[J].国外科技新书评介，2009，（9）：4-5.

[30]廉同辉，余菜花，袁勤俭.基于内容分析法的旅游微博主题研究——以国家旅游局新浪微博为例[J].现代情报，2016，36（4）：85-89.

[31]王曰芬.文献计量法与内容分析法的综合研究[D].南京：南京理工大学，2007.

[32]郭春侠，张静.突发事件应急决策的快速响应情报体系构建研究[J].情报理论与实践，2016，39（5）：53-57.

[33]Schlegelmilch B B，Diamantopoulos A，Love A.Characteristics Affecting Charitable Donations：Empirical Evidence from Britain[J].Journal of Marketing Practice Applied Marketing Science，1997，3（1）：14-28.

[34]Bekkers M O W.Helping Behavior，Dispositional Empathic Concern，and the Principle of Care[J].Social Psychology Quarterly，2010，73（1）：11-32.

（责任编辑：孙国雷）