编者按:在突发公共卫生事件中，公众良好的情绪和心理状态对事件的顺利解决具有重要意义。贵州师范大学心理学院研究生潘、李、何，贵州师范大学心理学院教授、博士生导师赵守英在《传媒观察》2020年第7期发表论文。借助大数据深度学习技术和自然语言处理方法，他们分析了92347条与“新冠肺炎”相关的微博文本数据的关键词云和情感倾向。根据微博中用户关注度的差异，将事件分为诞生期、发展期和成熟期，分别考察不同时期网络用户的关注动态和情感倾向。结果显示，网民的担忧主要包括对疫情动态、疫情防控、战胜疫情信心等方面的担忧。不同时期网民的情感倾向存在差异，女性情感表达倾向高于男性。活动后期，信心、希望等积极情感类文本数量明显增加。根据研究结果，从政府相关部门和公众自身的角度对突发公共卫生事件中公众不良心理状态的干预提出了建议。
本研究采用Python爬虫技术抓取新浪微博与“新冠肺炎”事件相关的文本数据，运用大数据研究方法和经典测量方法分析网络用户对“新冠肺炎”事件的情绪动态变化以及特定突发事件发生后用户情绪的变化模式。同时，以微博中的网民为样本群体，以性别等指标作为分类标准，探讨了不同性别群体对突发公共卫生事件情绪态度的差异。通过分析突发公共卫生事件中网络用户的情绪和心理动态模式，依据心理康复的社会生态学理论，从政府政策和个体调适的角度为经历疫情的公众提供心理调适建议。
一个
研究方法
数据采集和预处理
1.数据捕捉
Python是一种广泛使用的编程语言，具有通用性，易于扩展。本研究采用Python语言编写Scrapy框架网络爬虫对新浪微博的文本数据进行爬取，使用“新冠肺炎”、“肺炎疫情”等关键词对微博中2019年12月11日至2020年2月12日的196416条推文进行爬取，包括微博的作者、微博的内容、发布时间、点赞和转发等因为研究需要考虑微博中用户的差异性，作者在微博中发布的数据，包括作者的网名、性别、地域、简介、微博中的帖子数、粉丝数等。，是同步捕获的。微博中有156474条用户数据。
2.数据清理
微博文本数据和用户数据分别导入Mysql数据库进行数据清洗。首先，以微博链接和用户UID为比对条件，剔除完全一致的微博文本和微博用户数据；其次，微博有转发功能，有些用户只转发别人的微博，所以排除用户转发的微博文字；第三，消除包含正则表达式、表情符号、冗余空单元格和网址的内容；最后，排除官方新闻平台发布的中性新闻动态。经过数据清理，微博文本数据共有92347条。
3.关键词云分析
使用Python中的“解霸”中文分词组件对清洗后的微博文本进行分词，提取所有数据关键词，并标注关键词频率。获取关键词后，利用Python中的word cloud组件绘制出“新冠肺炎”事件的关键词云。通过关键词云，可以初步探究网络用户对此次突发公共卫生事件的态度和看法。发现网民对“新冠肺炎”事件的关注点主要包括探究病毒和肺炎的病因、担忧疫情动态、担忧疫情防控、对战胜疫情的信心和关注突发事件。其中，网络用户的情绪倾向主要包括积极情绪和消极情绪。
话题分析
网络舆情的演变是有阶段的，可以分为诞生期、发展期、成熟期和衰退期。由于这一事件尚未结束，本研究仅分析事件的诞生、发展和成熟阶段。心理学研究的一个基本原则就是通过外在的行为来推测内在的心理过程。本研究聚焦疫情防控过程中的突发事件，分阶段分析网民微博的关键词云，根据不同阶段网民的关注程度和关注点的差异，深入探讨其情绪和认知变化的表现。
同时用SPSS软件分析用户在微博中发布的文章数和关键词数的性别差异，用logistic回归分析不同性别之间情感倾向的差异。
情感分析
情感分析是自然语言处理的一个子类，主要是指利用词典匹配、机器学习或神经网络技术对主观文本中的情感信息进行分析、处理和总结的过程。其中，词典匹配法是指将文本中的词语与标注了词性的情感词典进行比较，从而获得文本的整体情感倾向。而情感词典的内容是片面的，对不同领域的词的划分效果较差。传统的机器学习方法主要是通过不同的文本分类器来匹配和训练文本词性，如支持向量机SVM、朴素贝叶斯、决策树等。它是一种有监督的学习方法，需要大量人工标记的分类特征。主要通过计算机无监督学习，利用有限的先验知识自主学习文本特征的神经网络方法，已经成为情感分析和自然语言处理中的重要方法，包括LSTM、BiLSTM、CNN等算法。该方法的情感分类准确率高。
本研究选取了Paddle_Senta中的LSTM、BiLSTM、CNN模型和研究者针对该事件训练形成的CNN模型进行算法性能评测实验。以准确率、召回率和F值作为模型可靠性的评价指标。本研究综合比较三个信度指标的差异，选择最适合的情感分析算法。
本研究对抓取的微博文本数据进行人工情绪标注，将500个带有积极情绪和消极情绪的句子标注为测试集。采用LSTM、比尔斯特姆、CNN等方法对测试集数据进行情感分类效果实验。可以发现，在本研究中，针对该事件训练的CNN模型的准确率、召回率和F1值均高于LSTM和BiLSTM算法，其准确率ACC指数达到90.2%。因此，本研究选择该算法作为“新冠肺炎”事件中微博的情感分析算法。
二
研究成果
事件的描述性结果
本研究分析了“新冠肺炎”事件背景下微博帖子的动态变化。发现随着事件的发展，网络用户的微博数量呈阶段性变化，微博数量与事件的关键节点呈正相关。通过对微博抓取数据的分析，本研究根据网络用户的关注程度将“新冠肺炎”事件分为三个阶段:诞生阶段、发展阶段和成熟阶段。
1.出生日期:2019年12月11日至2019年12月30日。
现阶段，与“新冠肺炎”事件相关的微博数量相对较少。综合事件过程，12月31日13时38分，湖北省武汉市卫健委发布第一份官方通报，承认武汉市发生不明原因病毒性肺炎。到目前为止，与之相关的微博数量大大增加。通过微博关键词云分析发现，现阶段用户微博的主要关键词有流感、生猪、非洲猪瘟、猪肉、预防、疫苗等。
2.开发期限:2019年12月31日至2020年1月20日
现阶段微博数量的波动与官方的声明和措施有关。网民对不明肺炎的讨论明显增多，焦虑和恐慌情绪逐渐增加，积极情绪较少。现阶段微博中的舆论在增加，事件在逐渐发酵，处于事件的发展期。经过文字分析，发现主要关键词为未知、病毒性肺炎、人传人、治疗、口罩、华南海鲜市场等。
3.到期日:2020年1月20日后
在这个阶段，网络用户对事件的关注度急剧增加。同时，随着人传人现象的确认，全国各地用户发帖量大幅增长，微博日均数持续增加，事件逐渐进入成熟阶段。在这个阶段，关键词是新冠肺炎、李文亮、中国加油、希望、防控、平安、双黄连等。其中，2020年1月31日至2月2日，受“双黄连口服液可有效抑制新冠肺炎”消息影响，微博发文量大幅增长。
互联网用户注意力和情感倾向的差异
本研究比较了不同的神经网络算法，选择了最佳的卷积神经网络算法用于微博文本的情感分析。结果显示，负面情绪文本占63.5%，正面情绪文本占36.5%，不同情绪下的微博数量存在性别差异。男性负面情绪微博数量无差异，但女性正面情绪微博数量占21.2%，明显高于男性微博。同时，我们对不同性别用户的微博文本进行关键词云分析，发现无论男性还是女性关键词都包含了“新冠肺炎”事件，如肺炎、病毒、感染、中国、诊断等。，但欢呼、希望、和平等正面词汇在女性关键词中出现的频率更高，男性关键词大多与病毒防治相关。
为了全面分析不同人对“新冠肺炎”事件态度的差异，我们还需要探究他们对该事件的情感倾向是否有本质的差异。本研究对男女情感倾向的差异进行了logistic回归分析。变量的选择标准为0.05，排除标准为0.10。研究发现，该事件中男女在情绪表达倾向上存在差异，女性的情绪表达倾向明显高于男性。对于“新冠肺炎”事件，女性会有更高的情感表达倾向。
互联网用户注意力和情感倾向的阶段差异
1.网络用户情感倾向差异的阶段性变化
本研究根据网络用户的关注度将事件分为诞生期、发展期和成熟期。为了全面分析不同人群对此次“新冠肺炎”事件态度的差异，我们探究了此次事件不同阶段的情感倾向是否存在质的差异，并对不同阶段微博用户的情感倾向差异进行了logistic回归分析。研究发现，在题目的出生阶段，男女的情感表达倾向没有差异，但在发展阶段和成熟阶段，男女的情感表达倾向存在差异，女性的情感表达倾向显著高于男性。结果表明，男女在情绪倾向的阶段性变化上存在性别差异，总体来看，女性具有较高的情绪表达倾向。
2.微博号在性别和情感倾向上的阶段差异。
为了探究微博中男女用户发帖量的阶段性变化，我们对男女用户分阶段发帖量进行了T检验。结果显示，在整个事件过程中，微博的发帖量存在显著的性别差异，微博中女性用户的发帖量明显高于男性用户。具体来说，各阶段微博发文量存在性别差异。在发育期，男女微博数量无显著差异，但在出生期和成熟期有显著差异。可以发现，在生育期，男性微博数量明显高于女性，而在成熟期，男性微博数量明显下降。
同时，本研究分析了不同情感倾向微博号的阶段性差异。发现在事件的各个阶段，负面情绪的微博数都高于正面情绪的微博数。由此，网民对这一事件的看法趋于负面，负面情绪很多。
通过分析不同阶段网络用户情感微博数量的变化，可以得到网络用户情感倾向的动态变化。发现在事件的各个阶段，不同性别的用户负面情绪的微博数都高于正面情绪的微博数。
三
讨论
网络用户注意力的变化
用户注意力的变化反映了大众心理状态的变化。通过关键词云分析，可以发现不同时期用户关注度的变化。网民关注的核心问题已经从事件本身，以及相关部门如何采取措施，转变为坚定信心，帮助疫区。
同时，本研究比较了不同阶段用户帖子的性别差异。发现在事件发生的出生期，男性岗位数量明显高于女性岗位，而在发展期和成熟期，女性岗位数量超过男性岗位。这一结果表明，男性和女性个体对突发公共卫生事件的关注度变化趋势存在差异，女性对事件的持续关注度更高。同时，通过对比男性和女性的词云可以发现，男性更关注“新冠肺炎”事件本身，比如事件的过程和原理，而女性的言论则包含更多积极的关键词，对事件的发展持乐观态度。随着事件的不断发展，网络用户的关注度会逐渐趋于稳定，对“新冠肺炎”本身的关注度会逐渐下降，并以积极的态度对待其他需要帮助的领域。与此同时，网络用户的恐慌情绪逐渐消失，安全感逐渐增强，对事件的解决持积极乐观的态度。
网络用户情绪和心理的动态变化。
本研究分析了不同阶段网民微博文本的情感倾向。通过比较四种主流的神经网络算法，最终选择了根据该事件训练的CNN神经网络算法。利用这个算法发现，在这个事件的整个过程中，负面情绪的微博数高于正面情绪的微博数。研究发现，突发公共卫生事件与公众的切身利益密切相关，公众对此类信息普遍敏感。在这类事件的诞生期，如果权威信息发布不及时，不公开透明，很容易导致负面评论的病毒式传播，甚至出现群体负面情绪的两极分化。这种集体负面情绪现象的出现，可能会导致公众社会不安全感的倍增。但适当的负面情绪偏向也能促进事件的发展，有助于公众积极获取相关正面信息。压力理论强调负面注意偏向是人类的一种保护措施，人们倾向于优先考虑负面信息而不是正面信息。通过优先考虑负面信息，我们可以更好地识别威胁目标，提前做好准备，有利于人类的生存和发展。因此，虽然前期存在恐惧、焦虑等诸多负面情绪极化现象，但并不意味着网民对事件本身持悲观态度，更可能是希望事件尽快结束的一种心理防范。一旦确定事件朝着积极的方向发展，威胁自身安全的隐患得到控制，公众中的积极乐观情绪就会占据主导。因此可以发现，在事件的发展和成熟过程中，有很多积极的推文，这充分说明了社交媒体的传播有助于突发公共卫生事件中的情绪抚慰和凝聚。
在重大突发公共卫生事件发生和发展的每个阶段，我们发现公众的情绪和心理都呈现出动态变化的特征。首先，在好奇心的影响下，公众会关注未知事件。在这个阶段，网络用户开始关注网络上的相关博文，大多是出于一种寻求事件真相的心理，尤其是男性用户会开始关注自己不了解或者与常识不同的事件。其次，在主观的宣泄下，事件会逐渐扩散。观众的不满、焦虑、愤懑、危机，都要通过一定的渠道表达和发泄出来。社会放大理论指出，人们倾向于通过自媒体或社交网络等非正规平台感知来自网络的风险信息，这些信息在被公众理解和转换后，在风险传播的每一个点上，其威胁强度都会被放大或减弱。但风险一旦被官方机构正式认定，就可能产生连锁反应，并以不准确或夸大的形式广泛传播。那么，在事件中间，公众会产生强烈的社会道德情感。道德最大的特点是社会性和群居性，公共事件的社会性和复杂性会激发公众的道德情绪。面对突发公共卫生事件，道德情绪会晚于恐惧、担忧等基本情绪出现。Haidt等人将道德情绪分为自我意识、谴责他人、谴责他人处境和赞扬他人。在这一事件的早期成熟期，在恐惧、担忧等基本情绪的影响下，网络用户的道德情绪逐渐显现，公众会根据预期的风险感知来调整自己的实际行为，而不是一味地关注事件本身，而是关注他人的经历，赞美医务人员的行为。最后，公众会在社会支持心理的影响下自发产生助人行为。社会支持理论强调来自家庭、朋友和社会的支持和帮助有助于社会心理的稳定。在事件成熟后期，随着疫情的逐渐控制，微博中用户的正面情绪明显增加，包括对家人的鼓励，对重灾区的鼓励。网络社会和现实社会中出现了很多积极的信息。
这项研究比较了男性和女性用户的情感倾向的差异。结果表明，在事件的不同阶段，情绪倾向的表达存在显著的性别差异，女性的情绪表达倾向会逐渐增强并趋于积极。这说明随着事件发展的阶段，对事件的恐慌和担忧情绪会被积极自信的情绪所掩盖，女性用户在事件中后期会更有信心和安全感。有研究发现，公众对突发事件的情绪倾向存在性别差异。这项研究支持这一结论。女性在事件后期更倾向于表达自信、同情、鼓励等积极的情绪倾向，情绪强度更强。另一方面，男性倾向于表达更多的负面情绪倾向，如怀疑、担忧和厌恶。随着事件的不断发展，不同性别用户的情感倾向会更加明显，积极的情绪会逐渐成为主流。
编辑|埃里克
欢迎来到媒体观察。
江苏双十佳期刊
江苏十大社会科学期刊
华东地区优秀期刊
