1、引言

截至2022年12月，我国网民规模达10.67亿，互联网普及率达75.6%[1]，互联网的发展促进了网络舆情的传播。由于高校环境的特殊性，高校事件极易引起广大网民的关注与热议[2]，高校事件大部分通过社交媒体的爆料迅速发展为网络舆情[3]，引起社会的广泛关注，对高校声誉和发展造成负面影响。网络舆情是指网民通过互联网载体表达对某一社会突发事件的看法、观点和情感的集合。情感是态度这一整体中的一部分，它与态度中的内向感受、意向具有协调一致性，是态度在生理上一种较复杂而又稳定的生理评价和体验[4]。由于载体所包含的情感信息是推动舆情传播和发酵的重要因素之一，对言论进行情感分析有利于分析舆情背后网民真正的社会诉求和情感变化。但是单一情感分析无法实现对文本进行更深层次的语义分析[5]，由于网民情感与所谈论的话题密不可分，因此将主题与情感结合起来分析能够实现对深层次语义对象进行细粒度情感分析，有助于高校部门及时把控舆情导向，正确处置网络舆情[6]。

本文以“苏州大学学生造女生黄谣事件”为例，根据危机生命周期理论，以相关微博文本作为研究样本，通过主题和情感融合分析，研究苏州大学事件网络舆情在不同时期的演化情况，为高校突发事件背景下的舆情监测和治理提供参考。“黄谣”是指传播、制造、扩散淫秽、低俗、色情内容的网络谣言。

2、研究设计

2.1 事件回顾

2023年3月17日18点，网络平台出现有关苏州大学学生造女生黄谣的网帖，通过恶意P图侮辱女生，引发舆论关注。3月18日10点32分，苏州大学在网络上做出回应，称学校对该事件高度重视，已第一时间启动调查程序，后续将依据调查情况依法依规严肃处理。3月18日14点，苏州大学造黄谣学生与受害者对话曝光，造黄谣学生称自己是心理变态，希望获得原谅。同日晚上，被造黄谣的当事人在网络平台上发文称决定不采取自诉。3月19日凌晨31分，苏州大学回应称，经调查核实，该校学生赵某某违法行为属实，对该生做出开除学籍的处分决定。该事件以下简称“黄谣事件”。

2.2 数据采集与预处理

新浪微博能够实现社交互动、信息传播及用户实时表达等功能，在众多舆情事件传播中发挥着重要的作用，成为了解网民情绪和舆情发展状况的重要渠道[7]。微博拥有庞大的用户基数，2022年12月，微博月活跃用户达到5.86亿，平均日活跃用户为2.52亿[8]，因此，微博上的舆情信息传播范围更加广泛，传播速度更加迅猛。微博支持用户通过第三方软件对舆情事件话题进行深入研究[2]，因此，本研究选取新浪微博作为收集“黄谣事件”数据的平台，通过Python网络爬虫程序爬取2023年3月18日至3月24日“苏州大学学生造女生黄谣”事件相关话题下的原始微博文本数据，获取数据字段包括用户昵称、微博内容、转发数、评论数和发布时间等信息，最终共获取9956条微博数据，作为研究原始数据。

首先通过正则表达式删除数据中的重复和无关信息以及包括URL、表情符号和标点符号等非文本数据，最大程度保留文本的有效数据。然后，调用Python的jieba库，对文本内容逐条进行jieba分词。最后，由于连词、语气词和虚词等没有具体的含义，干扰文本分析，通过参考停用词表对分词后的数据进行停用词处理，经过对数据进行预处理后，共获得9782条微博有效文本数据。

2.3 主题提取方法

主题模型是从未标记的数据中发现模式和结构，对文本隐含语义进行聚类的统计模型[9]，当前应用最为广泛的主题模型主要是概率潜语义分析模型（Probabilistic latent semantic analysis,PLSA）和隐含狄利克雷分布主题模型（Latent Dirichlet Allocation,LDA)[10]，由于PLSA模型设置的参数过多，可能会发生过度拟合现象，因此通过LDA模型引入超参数进行参数设置，来解决PLSA模型的过渡拟合问题[11]。LDA从文档、主题和词三层结构分解文档内容，对文本内容进行建模，并通过计算其概率分布识别大规模文档集或语料库的潜在隐藏的主题信息。本文通过对LDA模型进行训练，构造词频向量，计算向量的余弦相似度，进行语义分析判断舆情不同发展阶段的主题。

2.4 情感分析方法

情感分析是指对隐含情感色彩的文本进行分析和处理。由于深度学习具有解决因文本长短不一导致分析困难的功能，以及避免大量地人工提取特征工作等优势[12]，因此，本文采取深度学习的方法对情感进行分析。长短期记忆神经网络（LSTM）属于深度学习的一种具有序列处理能力的深度神经网络分类器，但是无法编码前后向信息[13],Bi-LSTM由2个LSTM组成，结合了输入序列在向前和向后两个方向上的信息[14]，能够充分捕捉上下文信息，Bi-LSTM对文本特征提取效率和性能要优于单个LSTM结构模型。因此，本文采取通过Bi-LSTM模型计算每条博文的情感分值，每条情感得分在0-1之间，得分越小越接近0表明情感越负面，得分越大越接近1，表明情感越正面，本文以0.5为分界线，定义情感得分0.5为中性情感，情感得分大于0.5为正面情感，小于0.5为负面情感。

2.5 主题-情感融合分析

单一的主题或情感分析已无法满足重大复杂舆情事件分析的实际需要，诸多学者通过将二者结合的方式来对舆情进行综合分析[15]。陈珂等在话题分析和情感分析的双视角下分析高校网络舆情的传播主体特点、情感扩散特征和话题演变特征[16]。赵常煜等运用LDA主题模型算法挖掘主题，运用基于情感词典的情感分析方法研究情感走向[17]。刘丽群等结合情感分析和主题建模两个维度，构建了自然灾害微博舆情分析模型[18]。基于上述研究方法的启发，本文聚焦“黄谣事件”，以微博文本数量为指标划分舆情生命周期的不同阶段，通过LDA主题发现模型，确定不同时期网民讨论的主题，然后根据主题词判断博文的主题分类，运用Bi-LSTM模型计算不同主题的情感分值，进行主题和情感融合分析。

3、研究结果与分析

3.1“黄谣事件”的舆情演化

斯蒂文·芬克（Steven·Fink）[美]提出危机生命周期理论，他认为危机如同人的生命一样，都会经历从诞生、成长、成熟和死亡等不同的阶段。后来危机生命周期理论经过不断地修正，成为一种被普遍使用的网络舆情危机生命周期划分方法[19]。本文以天为统计单位，对采集到的“黄谣事件”相关博文数据进行时间序列分析，得出该事件每日博文发布数量随时间变化的舆情时序演化图，如图1所示。该事件舆情持续周期为2023年3月17日至2023年3月24日，共计8天，根据危机生命周期理论和事件发展实况，将该事件舆情演化周期划分为潜伏期、爆发期、蔓延期和消退期四个阶段。运用上述描述的方法对微博文本进行情感分析，得出不同舆情阶段的正面、中性和负面三种情感倾向的博文数量占比，见图2。从图2中可以看出，起初负面情感占主导地位，但总体来说正面情感多于负面情感。

图1 黄谣事件舆情时序演化图

图2 不同舆情时期下的网民情感倾向

潜伏期（2023年3月17日）：2023年3月17日下午6点，受害者将描述自己被造黄谣经过的文章发布在网上，当天晚上8点，微博上开始出现有关该事件的博文，但是相关博文数量较少，在这一阶段，网民更多是一种个人零散状态形式获取该事件信息，“黄谣事件”传播较分散，没有引起很多人的关注以形成大规模的网络热议，但此时负面情绪相对较多，不少网民痛斥造黄谣的行为。

爆发期（2023年3月18日）：在这一阶段，该事件的微博舆论达到最高峰。3月18日上午10点32分，苏州大学官方微博针对该事件做出回应，称学校已于第一时间启动调查程序，后续将依法依规严肃处理。学校发表声明之后，央视网、南方日报和新快报等22家主流媒体围绕“苏州大学回应侮辱女性网帖”等话题集中报道，相关话题阅读次数高达2000多万，博文数量大幅上升，网民纷纷对苏州大学表达支持和赞同，正面情感增加。当日下午，造黄谣学生与受害人对话曝光以及受害人回应决定不采取自诉之后，网民对于该事件关注度达到整个事件的最高峰，116家媒体就“苏州大学造黄谣学生与受害人对话曝光”话题进行报道，阅读次数达到8.2亿，随后评论不断，网民就该事件通过发微博和评论表达自己的看法的行为更加频繁，造黄谣学生的态度招致了很多网友的不满和批评，网络上大量负面情绪聚集，舆情持续发酵。

蔓延期（2023年3月19日至3月21日）：由图1可知，网民对该事件的关注度呈下降趋势，舆情整体热度回落，主要是由于3月19日凌晨31分苏州大学发布调查结果，解决了众多网民关切的问题，网民对该事件的关注度下降，舆情出现小范围的波动。从图2中可以看出，正面情感持续增加，中性情感上升，负面舆论得到平息。

消退期（2023年3月22日至3月24日）：随着苏州大学公布调查结果之后，微博媒体对该事件不再有新的报道，相关博文数量不断减少，网民对该事件的关注度持续下降，正面情感占据主导地位，中性话语增加。

3.2 主题-情感融合分析

运用LDA主题模型分别提取潜伏期、爆发期、蔓延期和消退期这四个阶段的主题词，并进行主题内容概括，由于话题的讨论具有延续性，所以在不同的时期下有部分相同的主题，得出不同舆情时期下的主题分布，见表1。然后依据表1中的主题词，遍历微博文本数据，结合机器判断和人工标注，判断每一条博文所属主题，计算网络舆情演化各阶段各主题的平均情感极性，平均情感极性由各时期各主题的情感极性除以该时期主题的博文数量得出，并将计算结果可视化，形成各主题在各时期的平均情感极性分布图，见图3。整体来看，网民对于不同主题的情感具有较大的差异，在整个网络舆情演化阶段，网民的情感从负面向正面变化，这与苏州大学及时回应启动调查程序和公布处理结果等事件是紧密相关的。

表1 不同舆情时期下的主题分布

图3 各主题在各时期的平均情感极性

在潜伏期，网民讨论的主题主要有4个：苏州大学学生造女生黄谣、呼吁学校严肃处理、有关造黄谣法律责任讨论以及其他相关讨论。由于起初舆情信息主要来源于受害人在网上发布的帖子，大多数网民针对该事件表达了愤懑之情，此时的负面情感已经出现且占主导地位，网民对主题2呼吁学校严肃处理的负面情感最高，迫切希望引起学校对该事件的关注。经过分析具体的微博文本发现，主题4其他相关讨论是该事件衍生出的其他横向讨论，例如苏州大学造黄谣学生是该校的保研生等信息引起了网民的讨论，网民对苏州大学的保研资格审查工作表达了质疑。

在爆发期，主题主要划分3个新主题和4个延续性主题，主题1是苏州大学启动调查程序，距离微博上第一条有关该事件的博文发布时间约12个小时后，苏州大学在其官方微博上回应学校已启动调查程序，后续将根据调查情况依法依规处理，基于主题1的讨论正面情感显著，网民对苏州大学的回应速度和处理态度表示支持和满意。学校公布启动调查程序的当天下午，受害人与造黄谣者对话曝光，造黄谣学生称自己是心理变态，并没有对自己的所作所为向受害者表达真诚的歉意，引起网友一片怒骂，网民纷纷痛斥造黄谣者的行为，该主题的负面情绪集聚。随后受害人称决定不采取自诉，网友仍沉浸在对造黄谣者的批判中，大多数网友希望受害人可以运用法律维护自己的权益。剩下的四个主题是潜伏期的延续性话题，由于苏州大学对该事件做出回应，“有关造黄谣法律责任讨论”这一主题的情感由负面转变为正面，“其他相关讨论”的正面情感有所上升，根据对博文内容进行分析，其他相关讨论主要是对苏州大学的处理态度予以肯定。结合图2来看，即使此时期的负面情感有所上升，但由于苏州大学回应启动调查程序这一正面主题的出现，与潜伏期负面情感占主导相比，爆发期网民情感整体出现转变，正面情感迅速上升占主导地位。

在蔓延期，主要有1个新主题和5个延续性主题，苏州大学距离回应启动调查程序约14个小时后公布调查结果，给予造黄谣学生开除学籍的处分，网民对于“苏州大学公布调查结果”主题的讨论出现正面情感的高峰，同时，“有关造黄谣法律责任讨论”这一话题较爆发期正面情感有所上升，网民更加积极理性地从法律层面去讨论造“黄谣事件”。“苏州大学学生造女生黄谣”“受害人与造黄谣者对话曝光”以及“受害人决定不采取自诉”等主题的负面情感较爆发期明显减弱，正面情感上升，网民的情感得到一定的控制，这说明苏州大学的回应对引导舆情的发展有一定的作用。

随着蔓延期学校公布处理结果，该事件得到解决，消退期没有新的主题出现，网民主要是对前三个时期出现的主题进行讨论。该时期的主题热度整体下降，“黄谣事件”相关主题的讨论逐渐淡出网民的视野。总的来说，“黄谣事件”的发展能不断引发网民的思考，且在主题上呈现出一定的延续性和关联性。

4、结论与策略建议

4.1 研究结论

(1）高校网络舆情的发展具有规律性，经历潜伏期、爆发期、蔓延期和消退期。在潜伏期，舆情尚未形成，如果能在这个阶段及时发现并处理舆情，可以避免舆情的进一步升级。在爆发期，舆情已经形成并开始迅速扩散，这个阶段的特点就是信息传播速度快、涉及面广、影响范围大。蔓延期涉及的问题会更加多元化，这个阶段需要注意对不同的观点进行引导和管控，避免出现更多的影响。舆情在消退期开始减弱并逐渐平息，关注度降低。

(2）由自然语言处理、机器学习、深度学习等技术支撑的主题和情感分析能够洞察高校网络舆情阶段特点、公众情绪和讨论主题等，帮助管理者快速定位舆情信息，了解舆情发展趋势和公众情感倾向，为采取有效的应对措施提供参考。

(3）高校网络舆情是一个开放复杂系统，需要采用多学科视角进行分析。首先，高校网络舆情系统的开放性在于网络平台的信息是高度流通的，公众的观点和情绪在网络中得以自由地表达，要在网络平台的海量数据中获取有效信息需要借助计算机手段进行采集和分析。其次，高校网络舆情不仅是一种信息传播现象，更是一种社会心理现象。这是因为人们会对事件产生各种情绪和心理反应，这些情绪和心理反应会通过网络舆情得以表达和传播，并对其他人的心理产生影响，可能会导致舆情的扩散和失控。因此，高校网络舆情管理不仅需要计算机科学和数据科学的支持，还需要社会学和心理学的参与。

(4）高校网络舆情涉及的主体包括高校、大学生群体、新闻媒体和公众等相关主体，这些主体之间相互影响、相互作用，形成了一个复杂的网络舆情系统。高校需要关注各方的关切和诉求，积极回应和解决相关问题，加强与各方的沟通和引导工作，以营造一个良好的网络舆情环境。

4.2 策略建议

研究表明，高校网络舆情发展演化的不同阶段，网民讨论的主题会发生变化，话题的情感倾向也具有差异，识别舆情主题和情感能够为舆情管理提供决策参考，识别主题和情感通过数字技术进行支撑，高质量的高校网络舆情管理需要建立智能化的应对系统，通过智能化的技术手段，提高预警、应对和评估的效率和准确性。本文依据研究结论，通过构建基于主题-情感融合的智能化高校网络舆情管理系统（如图4），以期实现对高校网络舆情更为精准地监控、预警和应对。

(1）把握高校网络舆情发展阶段特点，采取针对性举措

潜伏期建立舆情监测机制，实时把握网民议题。在舆情危机尚未发生或刚发生之前，高校要有危机意识，建立学校舆情监测工作部门，利用大数据技术对各个网站或平台进行监测，对涉及高校的信息进行收集、筛选、分析和上报[20]，判断舆情对高校的影响及影响程度，及时作出回应。爆发期加强与媒体交流合作，关注网民情感变化。在事件处于爆发期时，高校相关部门要时刻关注舆情事件话题的变化，找准网民情感倾向转折点，主动和媒体进行沟通，争取引导媒体舆论，必要时可借助媒体的力量主动做出可能激发网民正向情感的话题回应[21]，使公众舆论向正确的方向迈进。蔓延期持续回应与信息公开，有效疏导负面情绪。在该阶段高校要继续进行信息公开与交流，阻止事件发生不良“反转”，避免衍生话题再次形成舆论危机。消退期增强善后与反思工作，加强学生群体思想政治教育。进入消退期之后，高校应抓住时机重新树立高校形象与恢复高校声誉，反思此次舆情处置工作，为下一次舆情管理积累经验。

图4 基于主题-情感融合的智能化高校网络舆情管理系统

(2）利用数字技术构建网络舆情数据处理闭环，挖掘舆情信息

首先，需要建立一个完善的数据收集机制，从各种来源和平台收集与高校相关的舆情数据，并进行数据清洗和预处理，以便进行后续的分析和处理。第二，利用自然语言处理和情感分析技术，对收集到的数据进行主题提取和情感分析，通过现有的文本挖掘工具或深度学习模型实现主题识别和情感分析。第三，在主题和情感分析的基础上，设置相应的预警机制。例如，当某个主题的讨论量或负面情绪占比达到一定阈值时，可以触发预警，高校管理部门可以在舆情爆发前提前发现并介入，避免事态扩大。第四，一旦发生预警，系统可以自动生成相应的应对策略。这些策略可以包括发布官方声明、邀请相关人士进行访谈、推送正面宣传文章等，系统可以根据历史数据和经验，智能地选择最合适的策略，以提高应对效果。最后，系统需要不断学习和改进。通过收集反馈和评估数据，系统可以了解每一种应对策略的效果如何，根据效果评估和学习效果不断调整数据收集、分析、预警、应对的策略，以应对不断变化的网络舆情环境。

(3）采用交叉学科视角，考虑多因素影响

高校网络舆情管理需要综合运用多学科的理论和方法，并充分考虑多种因素的影响。首先，高校网络舆情管理需要综合运用计算机科学、数据科学和信息科学的理论和方法。计算机科学可以提供网络舆情信息的收集、存储和检索技术；数据科学可以帮助对大量的网络舆情数据进行数据挖掘和分析，从而发现隐藏在其中的有价值的信息；信息科学则可以为网络舆情信息的组织和表达提供有效的方法。其次，高校网络舆情管理还需要借助社会学、心理学、政治学等多个学科的知识。社会学可以帮助理解网络舆情的社会背景和影响，从而制定出更加符合社会现实的应对策略；心理学可以帮助理解网络舆情的心理动因，从而更好地掌握网络舆情的主动权；政治学则可以帮助分析和预测网络舆情所涉及的政治因素，以更好地把握网络舆情的发展方向。最后，高校网络舆情管理还需要充分考虑包括社会环境、心理因素、网络特性和群体行为等在内的多种因素的影响，更好地把握网络舆情的演变规律，预测其发展趋势，制定出更为科学合理的应对策略。

(4）分析高校网络舆情中相关主体的角色，共同营造良好的舆情环境

高校网络舆情是涉及高校、大学生群体、新闻媒体、公众和其他相关主体之间相互影响、相互关系的复杂系统，应根据主体的不同角色发挥在舆情管理中的作用。首先，高校是网络舆情的重要发起者，高校应主导整个舆情周期的监测、预警、评估和应对，建立网络舆情处理部门。其次，大学生群体是高校网络舆情的主要参与者和推动者。应加强对学生群体的思想政治教育，帮助学生在良好的舆论环境中获取信息和表达看法[22]，增强学生对高校和社会的认同感，消除舆情事件对学生产生的不良影响。第三，新闻媒体是高校网络舆情传播的重要渠道，高校要借助媒体的优势，寻求与主流媒体达成合作，正确引导媒体做出正确的报道，扩大高校权威声音。第四，公众是高校网络舆情的参与者和影响者，高校要积极向外界公众披露真实信息，防止谣言发生，以维护高校的形象与声誉。最后，其他相关主体包括政府机构、教育部门、学术机构、企业等，这些主体的决策和行为可能对高校网络舆情产生重要影响，高校要积极向这些主体寻求合作，共同推动网络舆情的良性发展。

参考文献:

[1]中国互联网网络信息中心.第51次《中国互联网络发展状况统计报告》[EB/OL].[2023-03-02](2023-03-20).

[2]李娟.社交媒体中高校舆情用户情感图谱研究——以新浪微博“反学术不端”话题为例[J].情报科学,2020,38(07):100-104.

[3]王保华.中国高等教育舆情报告(2019)[M].北京:高等教育出版社,2019.

[4]林崇德.心理学大辞典[M].上海:上海教育出版社,2003.

[5]宋嘉欣.基于主题—情感联合模型的网络舆情情感演化分析研究[D].燕山大学,2020.

[6]史伟,薛广聪,何绍义.情感视角下的网络舆情研究综述[J].图书情报知识,2022,39(01):105-118.

[7]井世洁,殷航.新冠肺炎疫情中大学生的网络情绪特征及治理——基于H高校封闭管理的微博文本分析[J].青年学报,2022(03):59-69.

[8]新浪微博2022年度第四季度未经审计的财务报告[EB/OL].[2023-03-01](2023-03-26).

[9]余明娟.网红旅游目的地游客情感研究[D].东北财经大学,2020.

[10]胡婕,陈晓茜,张龑.基于池化和特征组合增强BERT的答案选择模型[J].计算机应用,2023,43(02):365-373.

[12]陈安龙,孙驰,马璇.基于模糊综合评价的情感分析模型[J].长江信息通信,2022,35(02):76-78.

[14]邓智嘉.基于人工智能的知识图谱构建技术及应用[J].无线电工程,2022,52(05):766-774.

[15]杨嘉韵,张慧明.基于主题-情感融合分析的突发公共卫生事件网络舆情演化研究[J].情报探索,2021(08):18-28.

[16]陈珂,刘莉.话题分析和情感分析视角下的高校网络舆情衍化特征研究[J].全媒体探索,2022(10):64-69.

[17]赵常煜,吴亚平,王继民.“一带一路”倡议下的Twitter文本主题挖掘和情感分析[J].图书情报工作,2019,63(19):119-127.

[18]刘丽群,刘丽华.情感与主题建模:自然灾害舆情研究社会计算模型新探[J].现代传播(中国传媒大学学报),2018,40(07):39-45.

[19]李勇,蒋冠文,毛太田,等.基于情感挖掘和话题分析的旅游舆情危机演化特征——以“丽江女游客被打”事件为例[J].旅游学刊,2019,34(09):101-113.

[20]杨嘉韵,张慧明.基于主题-情感融合分析的突发公共卫生事件网络舆情演化研究[J].情报探索,2021(08):18-28.

[21]孙宗缘,马秀峰,李奇.突发公共安全事件网络舆情演化分析——基于文本挖掘与情感分析两个视角[J].河北科技图苑,2021,34(05):65-75.

[22]吴杰.论新时代思想政治教育视角下高校网络舆情的引导[J].苏州科技大学学报(社会科学版),2021,38(02):7-13.

基金资助:2021-2023年北京高校图书馆研究基金项目(BGT2021019); 北京邮电大学2024年研究生教改项目:研究生学位论文质量分析与评价指标挖掘(2024Y024);

文章来源:王茜,何轲,贾伟.基于主题—情感融合分析的高校突发网络舆情管理研究[J].网络安全技术与应用,2024,(10):89-94.