環(huán)境污染事件中網(wǎng)絡(luò)情緒指向及極化研究

鄭雨雪

摘 要 通過(guò)對(duì)環(huán)境污染事件中的微博文本進(jìn)行細(xì)粒度情感分析，研究此類事件中網(wǎng)絡(luò)情緒的指向及極化效應(yīng)。基于情緒評(píng)估模型和情緒極化理論，運(yùn)用有監(jiān)督的機(jī)器學(xué)習(xí)方法對(duì)2014—2017年影響力較大的22件環(huán)境污染事件中的情緒表達(dá)進(jìn)行分析。在環(huán)境污染事件中，負(fù)面情緒表達(dá)顯著，特別是厭惡情緒突出；公眾情緒表達(dá)指向?yàn)榄h(huán)境污染事件責(zé)任主體；情緒極化效應(yīng)顯著。

關(guān)鍵詞 環(huán)境污染事件；主題分布；情緒分布；情緒極化

中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-0360（2020）22-0013-05

近年來(lái)，技術(shù)賦權(quán)加持下的公共意識(shí)崛起，使輿論特別是網(wǎng)絡(luò)輿論成為中國(guó)社會(huì)治理中最具活力的變量。網(wǎng)絡(luò)輿論的一些“劣根性”引起了研究者的廣泛擔(dān)憂，情緒往往被作為網(wǎng)絡(luò)輿論中非理性的成分看待，過(guò)分強(qiáng)調(diào)網(wǎng)絡(luò)情緒極化給社會(huì)治理帶來(lái)的風(fēng)險(xiǎn)很可能會(huì)造成研究視角的偏移?；诖?，本文意在運(yùn)用實(shí)證的方式對(duì)公共事件中的網(wǎng)絡(luò)情緒及其極化效應(yīng)進(jìn)行研究，通過(guò)人工與計(jì)算機(jī)結(jié)合的方式對(duì)2014—2017年具有代表性的22個(gè)環(huán)境污染事件中的網(wǎng)絡(luò)表達(dá)文本進(jìn)行細(xì)粒度情感分析，并測(cè)量其極化程度，為認(rèn)識(shí)和引導(dǎo)公共事件中的網(wǎng)絡(luò)情緒提供多元思路和可替代方案。

1 文獻(xiàn)綜述

1.1 網(wǎng)絡(luò)表達(dá)中的情緒評(píng)估

在心理學(xué)研究中，關(guān)于情緒評(píng)估主要有分類取向與維度取向兩種思路。情緒分類取向試圖將情緒分為幾種彼此獨(dú)立的互不關(guān)聯(lián)的有限的基本情緒[1-3]。大連理工大學(xué)信息檢索研究室借鑒了Ekman的六大類傳統(tǒng)情緒分類，將情緒分為七大類：樂(lè)、好、怒、哀、懼、惡、驚，這種七分類方法在運(yùn)用自然語(yǔ)言處理技術(shù)進(jìn)行網(wǎng)絡(luò)情緒分類的研究中運(yùn)用較為廣泛（自然語(yǔ)言處理與中文計(jì)算會(huì)議，2013）。因此，在本研究中，將網(wǎng)絡(luò)情緒分為憤怒、厭惡、恐懼、高興、喜好、悲傷、驚訝七大類，同時(shí)增加無(wú)情緒作為補(bǔ)充，以識(shí)別不帶情感傾向的網(wǎng)絡(luò)表達(dá)。

從維度取向?qū)η榫w進(jìn)行分析的學(xué)者認(rèn)為情緒并非相互獨(dú)立的個(gè)體，而是以模糊交叉的形式而存在。Russell提出“愉悅-喚醒度”二維模型，效價(jià)描述正向或負(fù)向的情緒狀態(tài)，喚醒度則衡量對(duì)生理和心理激活的程度[4]。當(dāng)前不同研究者對(duì)基本情緒的喚醒度說(shuō)明并不統(tǒng)一[5-6]。因此，在本研究中，結(jié)合之前學(xué)者的研究，將高興定義為正面高喚醒度情緒，喜好定義為正面低喚醒度情緒，厭惡、恐懼、憤怒情緒定義為負(fù)面高喚醒度情緒，悲傷定義為負(fù)面低喚醒度情緒，驚訝定義為中性高喚醒度情緒，無(wú)情緒定義為中性低喚醒度情緒。

研究問(wèn)題1：環(huán)境污染事件中公眾情緒分布呈現(xiàn)何種狀態(tài)？

1.2 網(wǎng)絡(luò)表達(dá)中的主題評(píng)估

在當(dāng)前網(wǎng)絡(luò)環(huán)境中，網(wǎng)絡(luò)情緒主題指向時(shí)常并非為就事論事主題討論，而是呈擴(kuò)散之態(tài)。在情緒具體主題指向中，靳明針對(duì)轉(zhuǎn)基因黃金大米議題進(jìn)行分析指出，負(fù)面情緒更多的集中在對(duì)政府、制度、專家等外界多方面的指桑罵槐式的情緒發(fā)泄[7]。周云倩針對(duì)教師聚餐被通報(bào)事件進(jìn)行分析，指出公眾憤怒情緒更集中于官方解釋框架[8]。周莉基于我國(guó)典型反腐案例對(duì)網(wǎng)絡(luò)情緒進(jìn)行分析，指出在反腐議題網(wǎng)絡(luò)表達(dá)中公眾更傾向于針對(duì)貪腐主題進(jìn)行情緒發(fā)泄[9]。因此，本文對(duì)環(huán)境污染事件中情緒主題指向進(jìn)行分析，以期通過(guò)環(huán)境污染系列事件把握整體社會(huì)情緒氣氛，對(duì)社會(huì)心態(tài)進(jìn)行整體把握。

研究問(wèn)題2：環(huán)境污染事件中公眾主題分布呈現(xiàn)何種狀態(tài)？

1.3 網(wǎng)絡(luò)情緒表達(dá)與極化

新媒體的出現(xiàn)增加了“群體極化”在網(wǎng)絡(luò)的發(fā)生幾率[ 1 0 ]，研究者開(kāi)始關(guān)注情緒極化的產(chǎn)生及其影響?！皹O化（Polarization）”概念最初在政治領(lǐng)域提出，是指輿論出現(xiàn)分化并走向極端，這種現(xiàn)象反映在網(wǎng)民的情緒性表達(dá)中就形成了網(wǎng)民的情緒極化[ 1 1 ]。具體而言，情緒極化指在某時(shí)間階段內(nèi)的網(wǎng)絡(luò)輿情存在定域，基于對(duì)輿情事項(xiàng)持有一致性立場(chǎng)、態(tài)度而形成的若干個(gè)觀點(diǎn)群落中，倘若任何一個(gè)群落出現(xiàn)受眾個(gè)體情感強(qiáng)度普遍趨于非中立的極端化的現(xiàn)象，且此群落內(nèi)極化受眾數(shù)量與極化情感總量的規(guī)模達(dá)標(biāo)，便稱該群落所表現(xiàn)的情感狀態(tài)為網(wǎng)絡(luò)輿情信息受眾的情感極化[ 1 2 ]。桑斯坦強(qiáng)調(diào)了情緒在極化發(fā)生中的作用，指出當(dāng)群體成員是因感情紐帶而聚集時(shí)，極化更易發(fā)生。針對(duì)網(wǎng)絡(luò)情緒極化更細(xì)致的量化研究表明極化并不是社交媒體使用的必然結(jié)果[13]。一方面，用戶使用的媒介越多越傾向于消費(fèi)與自身意見(jiàn)相一致的信息，從而加強(qiáng)已有觀點(diǎn)，最終可能產(chǎn)生極化[14]。同時(shí)，社交媒體越來(lái)越多地使用大數(shù)據(jù)算法過(guò)濾系統(tǒng)實(shí)施內(nèi)容推送，導(dǎo)致用戶“被迫”接收更多相似的觀點(diǎn)，從而導(dǎo)致觀點(diǎn)的同質(zhì)化[15]。另一方面，正是因?yàn)樯缃幻浇榈娜趼?lián)系性使得用戶有可能接觸多樣性的信息，能否形成極化還取決于用戶自身如何處理接收到的信息[16]。在某種程度上網(wǎng)絡(luò)用戶很難分裂成完全并不重合的部分，但用戶集聚并不意味著形成極化[17]。

研究問(wèn)題3：在環(huán)境污染事件中，其網(wǎng)絡(luò)表達(dá)是否存在情緒極化效應(yīng)？

2 研究方法

2.1 研究樣本和語(yǔ)料

本文搜集新浪微博2014—2017年與環(huán)境事件相關(guān)的微博主貼及主貼下的評(píng)論，最終共計(jì)得到22個(gè)具有代表性的環(huán)境污染事件（見(jiàn)表1），62條主貼。其后對(duì)所有評(píng)論進(jìn)行抓取，共計(jì)抓取了98 340條微博評(píng)論。為了提高后續(xù)數(shù)據(jù)分析的準(zhǔn)確性，我們對(duì)評(píng)論數(shù)據(jù)中部分無(wú)明確指向意義內(nèi)容進(jìn)行去重和清洗，最終得到47 830條微博評(píng)論。

2.2 微博主貼及評(píng)論的內(nèi)容分析

2.2.1 類目確定

在主題分類方面，本文結(jié)合計(jì)算機(jī)分詞、LDA建模分析的結(jié)果，加之人工梳理，將微博評(píng)論一級(jí)主題類目確定為環(huán)境污染事件責(zé)任主體、環(huán)境污染事件處置、環(huán)境污染事件影響及事件相關(guān)信息傳播。態(tài)度類目結(jié)合前期對(duì)網(wǎng)絡(luò)情緒進(jìn)行的分類和維度研究，本研究中結(jié)合“愉悅-喚醒度”二維模型將高喚醒度的情緒歸為極化情緒，將低喚醒度的情緒歸為非極化情緒。

2.2.2 人工標(biāo)注

在微博主帖方面，由兩個(gè)編碼員對(duì)62條主帖情緒進(jìn)行標(biāo)注，其信度檢驗(yàn)結(jié)果為0.785。在微博評(píng)論方面，本文選取了6 000條評(píng)論進(jìn)行主題以及情緒的人工標(biāo)注。第一輪，六位編碼員每人各隨機(jī)標(biāo)注1 000條微博評(píng)論；第二輪，采用不重復(fù)抽樣的方法，每位編碼員再隨機(jī)標(biāo)注1 000條評(píng)論，確保每條評(píng)論都被兩位編碼員標(biāo)注；第三輪，針對(duì)前兩輪不一致結(jié)果由第三方編碼員再次標(biāo)注。如果前三輪編碼員的結(jié)果均不一致，則由研究小組成員共同商議，投票決定其標(biāo)注結(jié)果。

2.2.3 計(jì)算機(jī)深度學(xué)習(xí)

本研究中的計(jì)算機(jī)深度學(xué)習(xí)主要用于對(duì)微博評(píng)論的內(nèi)容分析。首先，我們將已經(jīng)人工標(biāo)注主題和情緒類別的數(shù)據(jù)分為訓(xùn)練集（80%）與測(cè)試集（20%）。訓(xùn)練集數(shù)據(jù)運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行建模，經(jīng)過(guò)多輪參數(shù)調(diào)整，形成最終模型。隨后將訓(xùn)練集與測(cè)試集進(jìn)行對(duì)照，得出本模型的主題分類的準(zhǔn)確率達(dá)到64.72%，情感分類的準(zhǔn)確率達(dá)到68.40%。此準(zhǔn)確度在多分類的計(jì)算機(jī)深度學(xué)習(xí)領(lǐng)域達(dá)到了較高水平。最后，我們運(yùn)用該模型對(duì)未標(biāo)注評(píng)論進(jìn)行分類，得到所有微博評(píng)論的主題和情緒的分類結(jié)果。

3 研究發(fā)現(xiàn)

3.1 情緒分布分析

在環(huán)境污染事件中，網(wǎng)絡(luò)表達(dá)在情緒上更傾向于負(fù)面情緒表達(dá)，厭惡情緒最為顯著（見(jiàn)表2）。這一研究發(fā)現(xiàn)與之前關(guān)于大氣污染問(wèn)題中網(wǎng)絡(luò)情緒表達(dá)情緒傾向具有一致性[18-19]。在環(huán)境污染事件中，責(zé)任主體破壞環(huán)境的行為所涉及的有關(guān)責(zé)任、公平、傷害等問(wèn)題屬于人類基本道德范疇，關(guān)聯(lián)著不同的道德基礎(chǔ)，從而誘發(fā)相應(yīng)的負(fù)面情緒。這一傾向與情緒的作用具有一致性，情緒是社會(huì)控制的基礎(chǔ)，因此遵從外界的規(guī)則會(huì)獲得情緒上的獎(jiǎng)賞，反之則會(huì)受到情緒上的懲罰[ 2 0 ]。

3.2 主題分布分析

在環(huán)境污染事件中，網(wǎng)絡(luò)表達(dá)在主題上更傾向于責(zé)任歸因。我們的研究發(fā)現(xiàn)，在環(huán)境污染事件中，網(wǎng)民對(duì)責(zé)任主體的討論最為集中，其負(fù)面情緒也最為顯著（見(jiàn)表2）。這一表達(dá)傾向與公眾進(jìn)行責(zé)任歸因的心理動(dòng)機(jī)相關(guān)。責(zé)任歸因是對(duì)他人行為結(jié)果的歸因過(guò)程及對(duì)有關(guān)行為的責(zé)任推斷。對(duì)相關(guān)事件的責(zé)任推斷是公眾最為直接的反應(yīng)，會(huì)直接影響后續(xù)的情緒和行為意向。研究者發(fā)現(xiàn)在情緒歸因中公眾傾向于責(zé)任歸因，人們希望探究非預(yù)期事件帶來(lái)的負(fù)面結(jié)果是什么，誰(shuí)應(yīng)該為此負(fù)責(zé)[ 2 1 ]。我們的研究再次驗(yàn)證了這一假設(shè)，環(huán)境污染事件中，公眾對(duì)事件負(fù)面結(jié)果的責(zé)任歸因直接導(dǎo)致了網(wǎng)民對(duì)責(zé)任主體集中的負(fù)面情緒表達(dá)。同時(shí)，這體現(xiàn)了我國(guó)長(zhǎng)期以來(lái)在解決社會(huì)重大問(wèn)題上的政治依賴路徑，也體現(xiàn)了當(dāng)前的政治治理中的“邏輯循環(huán)”悖論。長(zhǎng)期以來(lái)的政治依賴路徑，使得公眾在面對(duì)非預(yù)期事件時(shí)，進(jìn)行責(zé)任歸因的首要主體是具有權(quán)威性的相關(guān)責(zé)任主體，而解決問(wèn)題的首要途徑也是對(duì)具有權(quán)威性的責(zé)任主體進(jìn)行輿論聲討。

3.3 事件情緒極化分析

我們的研究驗(yàn)證了在環(huán)境污染事件網(wǎng)絡(luò)表達(dá)中存在著顯著的情緒極化效應(yīng)（見(jiàn)表3）。在我們研究的22個(gè)案例中，極化情緒占80%以上的案例有5個(gè)，占70%以上的案例有10個(gè)，而所有案例中極化情緒都顯著高于非極化情緒。我們的研究證實(shí)了前期研究的結(jié)論，當(dāng)事件性質(zhì)單一而明確時(shí)，群體中大多數(shù)意見(jiàn)趨于一致，極化更易發(fā)生[ 2 2 ]。環(huán)境污染事件作為指向明確的議題，公眾意見(jiàn)表達(dá)傾向性顯著，更容易產(chǎn)生情緒極化效應(yīng)。在案例12中，污染源為廢棄電纜等固體廢棄物，影響對(duì)象為小學(xué)學(xué)生，帶來(lái)的影響為“不到10天，25位學(xué)生流鼻血”。污染源性質(zhì)及影響對(duì)象導(dǎo)致公眾情緒喚醒度高，參與性強(qiáng)，從而情緒極化程度最高。

4 總結(jié)與討論

情緒極化程度整體較高側(cè)面說(shuō)明高喚醒度情緒在網(wǎng)絡(luò)空間中為優(yōu)勢(shì)意見(jiàn)。以往傳統(tǒng)媒體因公開(kāi)性形成了優(yōu)勢(shì)意見(jiàn)，導(dǎo)致沉默的螺旋效應(yīng)產(chǎn)生。但在匿名化表達(dá)自由的網(wǎng)絡(luò)環(huán)境中，優(yōu)勢(shì)意見(jiàn)在一定程度上演化為多數(shù)人的意見(jiàn)[23]。

當(dāng)前公眾情緒表達(dá)研究認(rèn)為網(wǎng)絡(luò)表達(dá)中的負(fù)面情緒化表達(dá)為公眾的非理性宣泄，是社會(huì)怨恨、不安全感、網(wǎng)絡(luò)民粹主義、網(wǎng)絡(luò)暴力的直接映射。網(wǎng)絡(luò)匿名化和把關(guān)人缺失等特征與中國(guó)網(wǎng)民結(jié)構(gòu)使得個(gè)體情緒在網(wǎng)絡(luò)中集聚和感染，形成情緒極化。但對(duì)于網(wǎng)絡(luò)情緒極化的現(xiàn)實(shí)指向，研究者尚缺乏關(guān)注。由于網(wǎng)絡(luò)情緒的間接性，網(wǎng)絡(luò)情緒極化并非直接導(dǎo)致了非理性的社會(huì)行為。從另一方面來(lái)說(shuō)，當(dāng)事件元素觸及網(wǎng)絡(luò)積淀已久的典型情緒時(shí)，情緒快速被點(diǎn)燃且形成極化，公眾以高喚醒度情緒對(duì)社會(huì)痛點(diǎn)發(fā)聲，也可能帶來(lái)社會(huì)現(xiàn)實(shí)的積極改變。因而，尋求網(wǎng)絡(luò)情緒極化與線下行為意向的連接，對(duì)表達(dá)主體的心理和行動(dòng)機(jī)制進(jìn)行更細(xì)化的研究，是對(duì)網(wǎng)絡(luò)表達(dá)進(jìn)行深入研究的方向。

參考文獻(xiàn)

[1]陳岳峰，苗奪謙，李文，等.基于概念的詞匯情感傾向識(shí)別方法[J].智能系統(tǒng)學(xué)報(bào)，2011，6（6）：489-493.

[2]Ekman P.Contacts across cultures in the face and emotion[J].J Pers Soc Psychol，1971，17（2）：124-129.

[3]Izard，Carroll E. Basic emotions，natural kinds，emotion schemas，and a new paradigm[J]. Perspectives on Psychological Science，2007，2（3）：260-280.

[4]Russell，James A. A circumplex model of affect[J].Journal of Personality and Social Psychology，1980，39（6）：1161-1178.

[5]Hamann S.Mapping discrete and dimensional emotions onto the brain：controversies and consensus[J].Trends in Cognitive Sciences，2012，16（9）：458-466.

[6]Gable P，Harmonjones E.The motivational dimensional model of affect：Implications for breadth of attention，memory，and cognitive categorization[J].Cognition & Emotion，2010，24（2）：322-337.

[7]靳明，靳濤，趙昶.從黃金大米事件剖析指桑罵槐式的公眾情緒——基于新浪微博的內(nèi)容分析[J].浙江社會(huì)科學(xué)，2013（6）：91-98.

[8]周云倩，胡江偉.網(wǎng)絡(luò)公共事件中的傳者框架與網(wǎng)民情緒探究——以新浪微博“教師AA聚餐被通報(bào)”事件為例[J].新媒體與社會(huì)，2018（2）：277-288.

[9]周莉，王子宇，胡珀.反腐議題中的網(wǎng)絡(luò)情緒歸因及其影響因素——基于32個(gè)案例微博評(píng)論的細(xì)粒度情感分析[J].新聞與傳播研究，2018，025（012）：42-56.

[10]辛文娟，賴涵.微博中網(wǎng)民群體極化的動(dòng)力機(jī)制研究——基于“溫嶺殺醫(yī)”事件的內(nèi)容分析[J].情報(bào)雜志，2014（6）：162-166.

[11]孫立明.對(duì)網(wǎng)絡(luò)情緒及情緒極化問(wèn)題的思考[J].中央社會(huì)主義學(xué)院學(xué)報(bào)，2016（1）：104-109.

[12]高俊峰，黃微.網(wǎng)絡(luò)輿情信息受眾情感極化的生發(fā)機(jī)理及干預(yù)措施分析[J].情報(bào)理論與實(shí)踐，2019，42（5）：126-131.

[13]凱斯·桑斯坦.極端的人群：群體行為的心理學(xué)[M].尹宏毅，郭彬彬，譯.北京：新華出版社，2010：43-106.

[14]Holbert R L，Benoit W L. A Theory of Political Campaign Media Connectedness[J].Communication Monographs，2009，76（3）：303-332.

[15]Pariser E[M].The Filter Bubble：What the Internet is Hiding From You，New York：Penguin Press，2011.

[16]Lee，F(xiàn)rancis LF.Impact of social media on opinion polarization in varying times[J]. Communication and the Public，2016，1（1）：56-71.

[17]Webster J G，Ksiazek T B. The Dynamics of Audience Fragmentation：Public Attention in an Age of Digital Media[J].Journal of Communication，2012，62（1）：39-56.

[18]何躍，朱婷婷.基于微博情感分析和社會(huì)網(wǎng)絡(luò)分析的霧霾輿情研究[J].情報(bào)科學(xué)，2018（7）：93-99.

[19]卓敏，吳建平.當(dāng)代青年霧霾段子語(yǔ)義網(wǎng)絡(luò)分析與情感可視化研究——基于微博、微信用戶[J].中國(guó)青年研究，2016（8）：10-19.

[20]斯托曼.情緒心理學(xué)：從日常生活到理論[M].北京：中國(guó)輕工業(yè)出版社，2006.

[21]Coleman，Martin D. Emotion and the ultimate attribution Error[J].Current Psychology，2013，32（1）：71-81.

[22]Witschge，Tamara. Online deliberation：Possibilities of the Internet for deliberative democracy[J].Democracy Online.Routledge，2004：129-142.

[23]黨明輝.公共輿論中負(fù)面情緒化表達(dá)的框架效應(yīng)——基于在線新聞跟帖評(píng)論的計(jì)算機(jī)輔助內(nèi)容分析[J].新聞與傳播研究，2017（4）：41-63.