利用機(jī)器學(xué)習(xí)技術(shù)防范網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)的理論模型與邏輯進(jìn)路

〔摘要〕新媒介時(shí)代網(wǎng)絡(luò)日益發(fā)達(dá)，對(duì)我國(guó)意識(shí)形態(tài)的安全和治理帶來了巨大挑戰(zhàn)?，F(xiàn)代機(jī)器學(xué)習(xí)技術(shù)特別是那些基于深度神經(jīng)網(wǎng)絡(luò)的模型，能夠從大量非結(jié)構(gòu)化文本數(shù)據(jù)中提取意義，應(yīng)用范圍已經(jīng)從簡(jiǎn)單的圖像識(shí)別擴(kuò)展到了復(fù)雜的視頻內(nèi)容分析，從而為理解和預(yù)測(cè)公眾行為及其背后的意識(shí)形態(tài)提供了更為深入的視角。由于網(wǎng)絡(luò)傳播路徑預(yù)測(cè)依賴信息轉(zhuǎn)發(fā)預(yù)測(cè)，后者體現(xiàn)了用戶的個(gè)體行為差異，因而我們提出基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)識(shí)別的行為傳播模型。該系統(tǒng)由信息采集層、數(shù)據(jù)分析層、預(yù)警發(fā)布層構(gòu)成，可以提高對(duì)網(wǎng)絡(luò)意識(shí)形態(tài)發(fā)展演變狀況的實(shí)時(shí)感知能力，使相關(guān)主體能及時(shí)完成對(duì)網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)的評(píng)估和決策，推動(dòng)解決網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)的智能化處置。

〔關(guān)鍵詞〕機(jī)器學(xué)習(xí)；網(wǎng)絡(luò)空間；意識(shí)形態(tài)；數(shù)據(jù)分析；風(fēng)險(xiǎn)管理

〔中圖分類號(hào)〕D64 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕2095-8048-（2024）04-0004-10

一、研究背景

新媒介時(shí)代對(duì)我國(guó)意識(shí)形態(tài)的安全和治理帶來了前所未有的挑戰(zhàn)。新媒介通過技術(shù)革新顯著提高了互動(dòng)性，特別是互聯(lián)網(wǎng)和手機(jī)，極大地促進(jìn)了信息交流與分享，但也伴隨著諸多負(fù)面影響。為刷存在感，個(gè)別媒體開始追求流量和關(guān)注度，不惜犧牲社會(huì)責(zé)任，導(dǎo)致內(nèi)容質(zhì)量下降，對(duì)社會(huì)思想和價(jià)值觀造成巨大危害。同時(shí)，西方錯(cuò)誤社會(huì)思潮通過智能技術(shù)進(jìn)行隱秘滲透，加上新興智能技術(shù)的不確定性、資本與人工智能的結(jié)合，以及網(wǎng)絡(luò)意識(shí)形態(tài)供給側(cè)在“擬態(tài)環(huán)境”中的結(jié)構(gòu)性失衡等問題，導(dǎo)致網(wǎng)絡(luò)意識(shí)形態(tài)領(lǐng)域的潛在風(fēng)險(xiǎn)逐漸顯現(xiàn)?！熬垲愃惴ā睂?duì)信息的多重過濾與分化，削弱了主流意識(shí)形態(tài)的話語(yǔ)權(quán)威，逐步削弱了主流媒體的議程設(shè)置權(quán)和議題選擇權(quán)?！?〕

在新媒介語(yǔ)境中，網(wǎng)絡(luò)輿論的形態(tài)不斷加劇意識(shí)形態(tài)的風(fēng)險(xiǎn)和斗爭(zhēng)，新媒介和互聯(lián)網(wǎng)作為控制信息和爭(zhēng)奪國(guó)際話語(yǔ)權(quán)的關(guān)鍵工具，已在國(guó)際政治中占據(jù)了核心地位。話語(yǔ)權(quán)和軟實(shí)力已經(jīng)超越傳統(tǒng)的硬實(shí)力，成為國(guó)家間競(jìng)爭(zhēng)的關(guān)鍵武器，網(wǎng)絡(luò)空間因此成為輿論斗爭(zhēng)和意識(shí)形態(tài)交鋒的主要戰(zhàn)場(chǎng)?！?〕網(wǎng)絡(luò)平臺(tái)為公民表達(dá)利益和情感提供了匿名化、便捷及公開化的渠道，但其傳播過程也匯集并放大了各種政治思想和意識(shí)形態(tài)，各種社會(huì)力量在此交匯，形成尖銳的對(duì)立和激烈的斗爭(zhēng)?！?〕

當(dāng)前我國(guó)在網(wǎng)絡(luò)意識(shí)形態(tài)斗爭(zhēng)中面臨的劣勢(shì)主要源于新媒介技術(shù)的局限性。作為國(guó)際互聯(lián)網(wǎng)的主導(dǎo)者和信息流通的掌控者，美國(guó)對(duì)全球網(wǎng)絡(luò)技術(shù)規(guī)則擁有絕對(duì)影響力，具有凌駕于全球的網(wǎng)絡(luò)技術(shù)霸權(quán)?！?〕ICANN負(fù)責(zé)全球互聯(lián)網(wǎng)域名和地址、IP地址分配及域名解析原則的管理，而我國(guó)尚未進(jìn)入國(guó)際互聯(lián)網(wǎng)核心圈層，嚴(yán)重依賴國(guó)外資源。這暴露了我國(guó)互聯(lián)網(wǎng)數(shù)據(jù)的安全風(fēng)險(xiǎn)，增加了被境外勢(shì)力利用進(jìn)行負(fù)面宣傳和輿論攻擊的可能，削弱了我國(guó)在國(guó)際上的意識(shí)形態(tài)話語(yǔ)權(quán)。

人工智能和大數(shù)據(jù)技術(shù)的迅猛發(fā)展，使傳統(tǒng)人工分析方法無法應(yīng)對(duì)信息量的巨大增長(zhǎng)。AI技術(shù)的應(yīng)用，使得對(duì)文本、音頻和視頻等多種形式的信息內(nèi)容進(jìn)行自動(dòng)化分析成為可能，極大提升了效率和準(zhǔn)確性。因此，開發(fā)和應(yīng)用高效的AI分析工具，對(duì)于準(zhǔn)確把握和應(yīng)對(duì)網(wǎng)絡(luò)意識(shí)形態(tài)的挑戰(zhàn)至關(guān)重要。

隨著計(jì)算能力的顯著提升和數(shù)據(jù)科學(xué)的不斷進(jìn)步，機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)技術(shù)在解析復(fù)雜社會(huì)現(xiàn)象中的應(yīng)用已經(jīng)步入一個(gè)新的階段。在社會(huì)科學(xué)領(lǐng)域，這些技術(shù)不僅改變了數(shù)據(jù)處理的方法，而且重新定義了研究的邊界和可能性。針對(duì)網(wǎng)絡(luò)意識(shí)形態(tài)的分析，現(xiàn)代機(jī)器學(xué)習(xí)技術(shù)特別是那些基于深度神經(jīng)網(wǎng)絡(luò)的模型，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），已經(jīng)成為自動(dòng)處理和分析大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)集的有力工具。自然語(yǔ)言處理（NLP）領(lǐng)域的最新進(jìn)展尤為突出。Transformers架構(gòu)的模型如BERT和GPT-4在處理語(yǔ)言理解和生成方面展示了前所未有的能力，能夠從大量非結(jié)構(gòu)化文本數(shù)據(jù)中提取意義，識(shí)別隱含的意識(shí)形態(tài)傾向和情感色彩。這些模型的應(yīng)用極大地增強(qiáng)了研究者對(duì)社交媒體言論、新聞報(bào)道和公共討論中意識(shí)形態(tài)動(dòng)態(tài)的洞察力。進(jìn)一步地，圖像和視頻識(shí)別技術(shù)也在意識(shí)形態(tài)的視覺表達(dá)分析中起到了關(guān)鍵作用。通過利用先進(jìn)的圖像處理算法，研究人員能夠自動(dòng)識(shí)別和分類含有政治象征和意識(shí)形態(tài)元素的視覺材料。這些技術(shù)的應(yīng)用范圍已經(jīng)從簡(jiǎn)單的圖像識(shí)別擴(kuò)展到了復(fù)雜的視頻內(nèi)容分析，如使用深度學(xué)習(xí)進(jìn)行場(chǎng)景重建、人物活動(dòng)識(shí)別以及情感態(tài)度的解析，從而為理解和預(yù)測(cè)公眾行為及其背后的意識(shí)形態(tài)提供了更為深入的視角。

此外，跨模態(tài)分析，即結(jié)合文本、音頻和視頻數(shù)據(jù)的綜合研究，也正在開辟意識(shí)形態(tài)研究的新領(lǐng)域。這種方法允許研究人員獲得更全面的數(shù)據(jù)視角，更準(zhǔn)確地描繪和預(yù)測(cè)社會(huì)輿論的變化。例如，混合模型可以在分析政治演講的視頻時(shí)，同時(shí)處理演講者的語(yǔ)言、聲音的調(diào)性和背景中的視覺符號(hào)，為解釋和預(yù)測(cè)政治事件的影響提供了多維度的分析框架。機(jī)器學(xué)習(xí)和人工智能技術(shù)的這些應(yīng)用不僅展示了其在社會(huì)科學(xué)研究中的潛力，而且對(duì)公共政策制定和國(guó)家治理結(jié)構(gòu)的優(yōu)化提供了實(shí)質(zhì)性的支持。在全球意識(shí)形態(tài)斗爭(zhēng)日益復(fù)雜的今天，這些技術(shù)的進(jìn)一步發(fā)展和應(yīng)用將對(duì)維護(hù)社會(huì)穩(wěn)定、促進(jìn)健康的公共討論以及防止意識(shí)形態(tài)操縱具有決定性的影響。

二、既往研究的優(yōu)點(diǎn)與不足

縱觀國(guó)內(nèi)外研究的多年發(fā)展，意識(shí)形態(tài)治理與新媒介網(wǎng)絡(luò)輿情相關(guān)研究在理論與實(shí)踐上都取得了大量成果，圍繞公共危機(jī)預(yù)警這一目標(biāo)對(duì)網(wǎng)絡(luò)輿情分析已經(jīng)做了大量工作，取得了一定的成果，為本文的研究提供了一定基礎(chǔ)。近五年來，利用機(jī)器學(xué)習(xí)技術(shù)防范涉外網(wǎng)絡(luò)輿情和意識(shí)形態(tài)風(fēng)險(xiǎn)的研究日益增多，涵蓋了多個(gè)方面，包括但不限于網(wǎng)絡(luò)安全、惡意軟件檢測(cè)、入侵檢測(cè)系統(tǒng)、對(duì)抗性機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)技術(shù)的應(yīng)用。

就國(guó)內(nèi)研究來看，成果主要分為三類。第一類是人工智能在思想政治教育中的應(yīng)用。劉簫鋒等指出生成式人工智能對(duì)高校思政教育帶來的挑戰(zhàn)，并探討了其對(duì)思政教育者角色、安全隱患和信息傳播等方面的影響?！?〕藍(lán)江討論了ChatGPT等生成式人工智能在人文社會(huì)科學(xué)中的歷史使命，并提出了應(yīng)對(duì)這一挑戰(zhàn)的路徑?！?〕袁周南則從嵌入角度分析了人工智能在思想政治教育中的背景、依據(jù)和路徑，強(qiáng)調(diào)了構(gòu)建優(yōu)質(zhì)大數(shù)據(jù)庫(kù)和思政教育設(shè)計(jì)團(tuán)隊(duì)的重要性?！?〕段虹認(rèn)為深度學(xué)習(xí)能夠?qū)Ω咝Ｒ庾R(shí)形態(tài)安全工作產(chǎn)生重要作用并促進(jìn)認(rèn)同感的建立?！?〕第二類是人工智能對(duì)政黨執(zhí)政安全的影響。孫會(huì)巖討論了人工智能技術(shù)對(duì)政治安全的挑戰(zhàn)，并提出了從頂層設(shè)計(jì)、治理實(shí)踐和國(guó)際合作等方面維護(hù)政黨政治安全的啟示?！?〕孫會(huì)巖與唐蓮英分析了國(guó)外政黨在人工智能時(shí)代應(yīng)對(duì)政治安全挑戰(zhàn)的策略，強(qiáng)調(diào)了政黨利用人工智能技術(shù)進(jìn)行政治動(dòng)員、內(nèi)部治理和政治傳播的重要性?！?0〕第三類是人工智能對(duì)意識(shí)形態(tài)安全的影響。楊愛華討論了人工智能對(duì)社會(huì)意識(shí)形態(tài)帶來的政治、法律和倫理風(fēng)險(xiǎn)，并提出了應(yīng)對(duì)策略。〔11〕徐景一從勞動(dòng)過程理論視角分析了算法機(jī)器與資本控制之間的關(guān)系，強(qiáng)調(diào)了平臺(tái)資本對(duì)勞動(dòng)過程的控制和資本積累的重構(gòu)?！?2〕劉章儀與李鋼探討了人工智能賦能網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)防控的背景、向度和進(jìn)路，提出了構(gòu)建機(jī)制、完善政策、培養(yǎng)人才等方面的建議。〔13〕汪青與李明則分析了人工智能時(shí)代主流意識(shí)形態(tài)話語(yǔ)權(quán)建設(shè)的現(xiàn)狀和挑戰(zhàn)，強(qiáng)調(diào)了強(qiáng)化主流引領(lǐng)、優(yōu)化內(nèi)容供給等方面的重要性。〔14〕此外，還有幾篇文獻(xiàn)探討了深度學(xué)習(xí)對(duì)意識(shí)形態(tài)安全工作的價(jià)值和網(wǎng)絡(luò)左翼的特點(diǎn)。

關(guān)于網(wǎng)絡(luò)安全與機(jī)器學(xué)習(xí)方面，Luca Pajola et al探討了機(jī)器學(xué)習(xí)技術(shù)在無線網(wǎng)絡(luò)應(yīng)用中的威脅及其防范措施，強(qiáng)調(diào)了保護(hù)敏感機(jī)器學(xué)習(xí)應(yīng)用免受可能威脅的重要性?！?5〕M. Ahsan et al.則從更廣泛的角度審視了機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)安全中的應(yīng)用，如通過減少人工干預(yù)來提升惡意軟件檢測(cè)的可行性、可擴(kuò)展性和有效性。通過回顧機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)安全中的應(yīng)用，特別是在提高惡意軟件檢測(cè)能力方面，展示了機(jī)器學(xué)習(xí)相對(duì)于傳統(tǒng)方法的優(yōu)勢(shì)?！?6〕在對(duì)抗性機(jī)器學(xué)習(xí)方面，Bhargav Kuchipudi et al.研究了對(duì)抗性機(jī)器學(xué)習(xí)技術(shù)如何通過欺騙機(jī)器學(xué)習(xí)模型，影響基于機(jī)器學(xué)習(xí)的機(jī)制（如電子垃圾郵件過濾器）的安全性?！?7〕Raniah和Haitham通過探討機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在識(shí)別和防止網(wǎng)絡(luò)入侵方面的作用，凸顯了這些技術(shù)相比其他入侵檢測(cè)系統(tǒng)的優(yōu)越性?！?8〕Козлова和Довгаль分析了人工智能和機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)安全中的使用，為對(duì)抗網(wǎng)絡(luò)犯罪提供了策略和解決方案?！?9〕在具體技術(shù)應(yīng)用方面，Sudhakar和Kaliyamurthie討論了回歸、聚類和分類等機(jī)器學(xué)習(xí)算法在網(wǎng)絡(luò)安全中的應(yīng)用，以保護(hù)網(wǎng)絡(luò)安全免受威脅?！?0〕Goyal和Sharma則探討了機(jī)器學(xué)習(xí)在網(wǎng)絡(luò)安全中識(shí)別復(fù)雜模式和預(yù)測(cè)基于數(shù)據(jù)的威脅的能力，目標(biāo)是預(yù)測(cè)、識(shí)別和防止復(fù)雜的網(wǎng)絡(luò)安全威脅?！?1〕

此外，Giulio Zizzo et al.討論了機(jī)器學(xué)習(xí)系統(tǒng)對(duì)微小擾動(dòng)的脆弱性，尤其是在網(wǎng)絡(luò)攻擊檢測(cè)方面的嚴(yán)重關(guān)切，并提出了將對(duì)抗性機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于網(wǎng)絡(luò)領(lǐng)域以增強(qiáng)安全性的建議?！?2〕在惡意軟件檢測(cè)與預(yù)防方面，D. Nisha et al.討論了如何利用機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)和防范機(jī)器學(xué)習(xí)模型中的惡意軟件，包括研究不同類型的攻擊和實(shí)施數(shù)據(jù)清理、算法魯棒性增強(qiáng)以及隱私保護(hù)技術(shù)等對(duì)策。〔23〕在入侵檢測(cè)系統(tǒng)方面，Chenniappanadar et al.指出機(jī)器學(xué)習(xí)減少了對(duì)人類專家進(jìn)行入侵檢測(cè)的依賴，通過使用各種算法和特征分析信息包，提高了網(wǎng)絡(luò)防御的檢測(cè)能力?！?4〕在深度學(xué)習(xí)與網(wǎng)絡(luò)安全方面，K. Sathya et al.探討了深度學(xué)習(xí)技術(shù)如何與機(jī)器學(xué)習(xí)技術(shù)結(jié)合，提供保護(hù)敏感信息、數(shù)據(jù)網(wǎng)絡(luò)和計(jì)算機(jī)免受未經(jīng)授權(quán)的網(wǎng)絡(luò)攻擊的解決方案，增強(qiáng)了網(wǎng)絡(luò)世界的安全性?！?5〕這些研究表明，機(jī)器學(xué)習(xí)技術(shù)在網(wǎng)絡(luò)安全領(lǐng)域的應(yīng)用日益廣泛，尤其在檢測(cè)和防范涉外網(wǎng)絡(luò)輿情和意識(shí)形態(tài)風(fēng)險(xiǎn)方面顯示出其潛力。通過利用機(jī)器學(xué)習(xí)的模式識(shí)別和預(yù)測(cè)能力，可以大大提高對(duì)網(wǎng)絡(luò)威脅的檢測(cè)速度和準(zhǔn)確性，從而為網(wǎng)絡(luò)安全領(lǐng)域帶來了新的機(jī)遇和挑戰(zhàn)。

其他涉及此話題的研究大致分為現(xiàn)狀綜述、變量分析，以及問題與對(duì)策這三類。其一，現(xiàn)狀綜述的研究往往從網(wǎng)絡(luò)意識(shí)形態(tài)和輿情的特定類型、社會(huì)領(lǐng)域、平臺(tái)、視角等特定方面展開綜合梳理，多運(yùn)用內(nèi)容分析及扎根理論等方法，雖能有效分類及構(gòu)建核心范疇，但卻無法探究現(xiàn)象背后的因果機(jī)制。其二，變量分析類的研究則關(guān)注到了網(wǎng)絡(luò)輿情與意識(shí)形態(tài)治理之間的中間變量，以及和其他研究對(duì)象之間的相關(guān)性。一些變量系統(tǒng)模型被建構(gòu)起來，但因?yàn)榫W(wǎng)絡(luò)意識(shí)形態(tài)及其輿論的話題很難獲取高質(zhì)量的觀察型數(shù)據(jù)，導(dǎo)致后期的分析結(jié)果充滿不確定性與風(fēng)險(xiǎn)。其三，問題與對(duì)策性的研究立意較高，多個(gè)學(xué)科均有參與，提出了諸如強(qiáng)頂層設(shè)計(jì)、健全監(jiān)管體系、培育受眾心理、利用耗散結(jié)構(gòu)、培養(yǎng)意見領(lǐng)袖等多方面的現(xiàn)實(shí)對(duì)策，具有很強(qiáng)的問題導(dǎo)向；但也正由于參與該類研究的學(xué)科視野眾多，缺乏自我反思和互動(dòng)交流，重復(fù)性研究較多，尚未建筑起共通性的學(xué)術(shù)話語(yǔ)。

從研究?jī)?nèi)容來看，既往研究主要體現(xiàn)在意識(shí)形態(tài)安全的情勢(shì)與策略、高校意識(shí)形態(tài)系列問題、輿情分析的意義、建立預(yù)警機(jī)制的迫切性、基于網(wǎng)絡(luò)輿情分析的預(yù)警體系構(gòu)建機(jī)制等理論性問題的探討，但是，涉及分析操作和預(yù)警實(shí)施細(xì)節(jié)的成果并不多；在分析方法上沒有形成系統(tǒng)的方法論，尤其是在語(yǔ)義分析方面進(jìn)展不大導(dǎo)致信息采集及分析深度不夠。從理論和實(shí)踐的現(xiàn)狀看，目前關(guān)于新媒介下網(wǎng)絡(luò)意識(shí)形態(tài)和輿情分析仍缺乏成體系的研究，存在如下問題。一是缺乏深入、系統(tǒng)的基礎(chǔ)理論研究。大多數(shù)研究成果只對(duì)網(wǎng)絡(luò)意識(shí)形態(tài)與輿情的定義以及在危機(jī)管理中的作用進(jìn)行淺層次的分析，缺乏對(duì)網(wǎng)絡(luò)輿情功能和作用的深入探討，也尚未形成系統(tǒng)的面向公共危機(jī)預(yù)警的輿情分析方法論。二是缺乏對(duì)網(wǎng)絡(luò)意識(shí)形態(tài)的深層次、智能化的分析研究。目前的分析方法主要是將信息處理方法與傳統(tǒng)領(lǐng)域特有的技術(shù)分析方法相結(jié)合，重采集和處理，輕分析，盡管目前已經(jīng)開始研究如何借助于計(jì)算機(jī)工具實(shí)現(xiàn)網(wǎng)絡(luò)輿情分析，但大部分研究主要從文本層次對(duì)網(wǎng)絡(luò)輿情外部特征進(jìn)行簡(jiǎn)單的零碎統(tǒng)計(jì)處理，沒有深入分析網(wǎng)絡(luò)輿情信息內(nèi)容中所隱含的知識(shí)邏輯關(guān)聯(lián)和輿情傳播中所涉及的復(fù)雜主體關(guān)系，從而影響了網(wǎng)絡(luò)輿情分析的效果和結(jié)果信度。三是理論思辨與實(shí)際應(yīng)用之間的相對(duì)割裂依然是突出問題。學(xué)科交叉融合不足，本土化創(chuàng)新不夠，以及系統(tǒng)性分析框架的缺失等在很大程度上制約著該領(lǐng)域研究的進(jìn)一步深化。從政治學(xué)、社會(huì)學(xué)、法學(xué)等學(xué)科角度的研究多集中于宏觀層面的宏大敘事，缺少實(shí)證和復(fù)雜的變量分析。公共管理學(xué)、新聞傳播學(xué)及信息科學(xué)等領(lǐng)域研究成熟，但該類領(lǐng)域所建立的因果模型往往是高度理想化的，很難解釋復(fù)雜的社會(huì)現(xiàn)實(shí)。此外，深度、廣度和意義不足也是這類看似科學(xué)類型研究的短板。

在此背景下，本論文的研究通過構(gòu)建基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)意識(shí)形態(tài)與輿情治理模型，不僅彌補(bǔ)了國(guó)內(nèi)外相關(guān)研究在理論與實(shí)踐應(yīng)用之間的不足，而且提供了具體的實(shí)施框架。本論文的優(yōu)勢(shì)在于其綜合使用先進(jìn)的技術(shù)手段和嚴(yán)謹(jǐn)?shù)睦碚摲治?，以?shí)現(xiàn)更有效的意識(shí)形態(tài)管理和輿情調(diào)控。此外，研究還強(qiáng)調(diào)了在技術(shù)應(yīng)用過程中堅(jiān)持社會(huì)主義核心價(jià)值觀，確保技術(shù)應(yīng)用與國(guó)家的長(zhǎng)期發(fā)展戰(zhàn)略相符合，這不僅有助于推動(dòng)技術(shù)創(chuàng)新，還有助于形成更加和諧的社會(huì)治理模式。

三、構(gòu)建網(wǎng)絡(luò)意識(shí)形態(tài)與輿情治理模型的理論假設(shè)

基于國(guó)內(nèi)外的前期相關(guān)成果，本文將從以下部分進(jìn)行模型建構(gòu)。

首先是在數(shù)據(jù)收集與現(xiàn)狀分析的階段，本文致力于構(gòu)建一個(gè)多維度、全景式的理解框架，旨在深度挖掘網(wǎng)絡(luò)輿情和意識(shí)形態(tài)的現(xiàn)狀以及其背后復(fù)雜的形成機(jī)制。這要求采取雙軌并行的策略。一方面，通過大規(guī)模的數(shù)據(jù)搜集，捕捉和分析網(wǎng)絡(luò)輿情的宏觀圖景，包括但不限于社交媒體動(dòng)態(tài)、論壇討論、新聞報(bào)道及博客評(píng)論等多種形式的表達(dá)。須運(yùn)用高級(jí)的數(shù)據(jù)爬取技術(shù)和自動(dòng)化工具，以確保數(shù)據(jù)的全面性和時(shí)效性。另一方面，對(duì)于選定的關(guān)鍵個(gè)案采取定性深入分析，透過表面現(xiàn)象探究網(wǎng)絡(luò)輿情的深層次成因和動(dòng)力機(jī)制，如社會(huì)事件的引發(fā)、公眾情緒的波動(dòng)及其對(duì)社會(huì)意識(shí)形態(tài)的長(zhǎng)遠(yuǎn)影響。通過精細(xì)化的案例研究，揭示網(wǎng)絡(luò)輿情形成和發(fā)展的內(nèi)在邏輯，以及它們?nèi)绾卧诓煌鐣?huì)、政治背景下被解讀和響應(yīng)。為實(shí)現(xiàn)該目標(biāo)，不僅依賴現(xiàn)有的大數(shù)據(jù)資源，如政府輿情監(jiān)測(cè)數(shù)據(jù)庫(kù)和人民網(wǎng)輿情頻道等，還計(jì)劃引入先進(jìn)的數(shù)據(jù)挖掘和分析技術(shù)，包括但不限于自然語(yǔ)言處理（NLP）、機(jī)器學(xué)習(xí)（ML）、情感分析和復(fù)雜網(wǎng)絡(luò)分析等。這些技術(shù)將使我們能夠從海量無結(jié)構(gòu)數(shù)據(jù)中提取有價(jià)值的信息，如關(guān)鍵詞提取、話題識(shí)別、情感傾向分析和輿情趨勢(shì)預(yù)測(cè)等。這些結(jié)果的分析將進(jìn)一步用于理解當(dāng)前網(wǎng)絡(luò)輿情和意識(shí)形態(tài)的現(xiàn)狀提供支撐，而且也為后續(xù)的信息傳播預(yù)測(cè)模型和策略制定提供數(shù)據(jù)基礎(chǔ)，同時(shí)還將為政府和社會(huì)組織在輿情引導(dǎo)、危機(jī)管理和意識(shí)形態(tài)穩(wěn)定中提供有力的決策參考，促進(jìn)社會(huì)和諧與穩(wěn)定發(fā)展。

其次是在信息傳播預(yù)測(cè)與意識(shí)形態(tài)風(fēng)險(xiǎn)預(yù)警的關(guān)鍵階段，研究的目標(biāo)是開發(fā)和應(yīng)用高度精確的預(yù)測(cè)模型，這些模型能深入分析并預(yù)測(cè)社交媒體和傳統(tǒng)媒體中信息的傳播模式。此任務(wù)要求我們準(zhǔn)確把握信息在不同媒體平臺(tái)上的傳播方式，包括傳播速度、覆蓋范圍、傳播深度以及可能的社會(huì)影響力。因此，我們將利用先進(jìn)的計(jì)算模型，如基于復(fù)雜網(wǎng)絡(luò)分析的傳播模型，并結(jié)合最新的機(jī)器學(xué)習(xí)技術(shù)，來分析大規(guī)模用戶行為數(shù)據(jù)。這將使我們能夠精確預(yù)測(cè)信息在特定群體中的傳播路徑及其對(duì)群體意識(shí)形態(tài)的潛在影響，從而構(gòu)建一個(gè)動(dòng)態(tài)的信息傳播預(yù)測(cè)模型。進(jìn)一步地，研究還通過結(jié)合社會(huì)情緒分析、輿情趨勢(shì)監(jiān)測(cè)和公共意見分析，旨在及時(shí)識(shí)別那些可能引發(fā)社會(huì)矛盾和沖突的信息。一旦識(shí)別出潛在的風(fēng)險(xiǎn)點(diǎn)，將采取一系列預(yù)防措施，包括發(fā)布權(quán)威性和穩(wěn)定性信息以進(jìn)行積極引導(dǎo)，加強(qiáng)輿論監(jiān)控以便及時(shí)調(diào)整策略，以及啟動(dòng)危機(jī)干預(yù)機(jī)制以減輕潛在的負(fù)面影響。此外，還應(yīng)開發(fā)一個(gè)綜合的信息管理平臺(tái)，整合信息傳播預(yù)測(cè)模型和意識(shí)形態(tài)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，使政策制定者、媒體監(jiān)管機(jī)構(gòu)和社會(huì)組織能夠在必要時(shí)采取更加有針對(duì)性和有效的行動(dòng)。通過系統(tǒng)化的方法，研究不僅旨在有效應(yīng)對(duì)當(dāng)前的輿情挑戰(zhàn)，還可預(yù)見并避免潛在的社會(huì)矛盾和沖突，為社會(huì)的和諧與穩(wěn)定提供堅(jiān)實(shí)的信息支持。

最后是利用大數(shù)據(jù)分析熱點(diǎn)事件和話題，從宏觀角度洞察社會(huì)輿情的動(dòng)態(tài)變化，識(shí)別引發(fā)廣泛關(guān)注的核心議題。這一分析過程涵蓋三個(gè)關(guān)鍵步驟。第一，通過社交媒體和網(wǎng)絡(luò)平臺(tái)檢索熱點(diǎn)事件和話題的相關(guān)文本，利用高級(jí)的數(shù)據(jù)爬取技術(shù)和自然語(yǔ)言處理工具，確保廣泛且深入的數(shù)據(jù)收集。第二，對(duì)這些文本進(jìn)行深度分析，采用高級(jí)的文本分析技術(shù)，如自然語(yǔ)言處理（NLP）和情感分析，抽取關(guān)鍵話題和事件，構(gòu)建文本數(shù)據(jù)庫(kù)。這不僅包括識(shí)別主題詞匯和表達(dá)情緒的詞匯，還涉及理解文本中的隱含意義和情感傾向，為后續(xù)的分析提供豐富的數(shù)據(jù)資源。第三，運(yùn)用文本聚類技術(shù)和機(jī)器學(xué)習(xí)算法，將文本按主題分類，通過算法識(shí)別相似或重復(fù)的內(nèi)容，揭示輿情的主要趨勢(shì)和社會(huì)關(guān)注點(diǎn)。該步驟不僅幫助理解公眾對(duì)不同事件的關(guān)注度，還能揭示不同社會(huì)群體之間的意見差異和共鳴點(diǎn)。結(jié)合文本挖掘和信息傳播模型，研究對(duì)收集到的文本進(jìn)行綜合評(píng)估，引入媒體報(bào)道指數(shù)、用戶檢索指數(shù)、社交媒體互動(dòng)指數(shù)等評(píng)判指標(biāo)，深入分析影響社會(huì)意識(shí)形態(tài)的核心問題和社會(huì)矛盾。包括使用復(fù)雜的數(shù)據(jù)分析方法，如情感分析、趨勢(shì)分析和網(wǎng)絡(luò)分析去理解不僅是輿情的表面現(xiàn)象而是更深層次的社會(huì)動(dòng)態(tài)和意識(shí)形態(tài)變遷。通過這種方法，不僅能夠識(shí)別當(dāng)前的輿論熱點(diǎn)，還能預(yù)測(cè)未來可能出現(xiàn)的趨勢(shì)和潛在的社會(huì)矛盾，從而為政策制定、社會(huì)治理和公共關(guān)系管理提供有力的數(shù)據(jù)支持和策略建議。此外，通過分析不同社會(huì)群體對(duì)特定事件或話題的反應(yīng)，研究能夠揭示潛在的社會(huì)裂痕和統(tǒng)一的社會(huì)力量，為緩解社會(huì)矛盾和促進(jìn)社會(huì)和諧提供科學(xué)依據(jù)。

四、構(gòu)建網(wǎng)絡(luò)意識(shí)形態(tài)與輿情治理模型的方法與技術(shù)

在當(dāng)今信息化社會(huì)，網(wǎng)絡(luò)輿情的影響力愈發(fā)顯著，其中潛在的意識(shí)形態(tài)風(fēng)險(xiǎn)不可忽視。為了精準(zhǔn)掌握網(wǎng)絡(luò)輿情動(dòng)態(tài)并有效識(shí)別潛在的意識(shí)形態(tài)風(fēng)險(xiǎn)，深入研究信息傳播機(jī)制顯得尤為關(guān)鍵。信息傳播研究為觀測(cè)網(wǎng)絡(luò)輿情中的意識(shí)形態(tài)風(fēng)險(xiǎn)提供了堅(jiān)實(shí)的理論支撐。在社交網(wǎng)絡(luò)中，用戶通過層層轉(zhuǎn)發(fā)，使信息呈現(xiàn)出瀑布式擴(kuò)散的特征。從語(yǔ)義角度來看，意識(shí)形態(tài)的檢測(cè)極為復(fù)雜，即便對(duì)于人類來說也是一項(xiàng)挑戰(zhàn)——這不僅需要深厚的政治知識(shí)，還需具備捕捉語(yǔ)言使用中微妙之處的能力。由于傳播路徑的預(yù)測(cè)依賴于信息轉(zhuǎn)發(fā)的預(yù)測(cè)，而后者體現(xiàn)了用戶的個(gè)體差異，因此，本研究提出了一種基于行為傳播模型的方法。以下內(nèi)容將詳細(xì)探討該模型及其在網(wǎng)絡(luò)輿情意識(shí)形態(tài)風(fēng)險(xiǎn)識(shí)別中的應(yīng)用。

（一）構(gòu)建社交網(wǎng)絡(luò)。在社交網(wǎng)絡(luò)G＜U中，節(jié)點(diǎn)U代表用戶，邊（u，v）表示用戶u與v之間的關(guān)注關(guān)系，用戶轉(zhuǎn)發(fā)來自關(guān)注節(jié)點(diǎn)的信息，由此構(gòu)成的網(wǎng)絡(luò)構(gòu)成了整體用戶關(guān)系網(wǎng)絡(luò)的子網(wǎng)。在信息r、用戶網(wǎng)絡(luò)G＜U、歷史轉(zhuǎn)發(fā)消息集合M確定的情況下，就可以建立模型，預(yù)測(cè)某一用戶轉(zhuǎn)發(fā)信息的概率。用戶轉(zhuǎn)發(fā)行為分轉(zhuǎn)發(fā)和不轉(zhuǎn)發(fā)兩種，是典型的二分類。因此，本研究采用邏輯回歸（logistic regression）模型進(jìn)行預(yù)測(cè)。具體如下：

p=（yu=（1|x））=11+exp（-ω（1+Fu（r，G）））

在模型中Fu為影響用戶u轉(zhuǎn)發(fā)行為的特征集；表示用戶u的轉(zhuǎn)發(fā)行為，的值為1或0，1表示是，0表示否。是權(quán)值向量，用戶u利用N條歷史文本數(shù)據(jù)，形成訓(xùn)練集。{r，用戶u形成N個(gè)觀測(cè)值，{y1u，y2u，…，i是轉(zhuǎn)發(fā)數(shù)。N個(gè)觀測(cè)值的似然函數(shù)為

1（ω）=∏Ni=1（1-p（yu=（1|x）））（1-yiu）p（yu=（1|x））yiu

當(dāng)dl（ω）dω時(shí)求得的ω值即為要求的權(quán)值。

利用收集的數(shù)據(jù)訓(xùn)練信息預(yù)測(cè)的邏輯回歸模型，建立基于用戶行為預(yù)測(cè)的網(wǎng)絡(luò)傳播模型。模型建立以后，我們需要對(duì)社交網(wǎng)絡(luò)中熱點(diǎn)話題進(jìn)行提取。

（二）信息文本分類。本研究所采集的社交網(wǎng)絡(luò)中的文本，具有實(shí)時(shí)性、海量性、稀疏性、多樣性、高維性、不規(guī)范性、主題分布不均勻等特征。因此，研究的首要步驟是對(duì)這些信息文本進(jìn)行分類。樸素貝葉斯（Native Bayes）因其穩(wěn)定的數(shù)學(xué)基礎(chǔ)和分類效率，將被應(yīng)用在文本分類中。〔27〕具體步驟如下：

·設(shè)X={q1，q2，…，qm}為一個(gè)待分類項(xiàng)，其中q是X的一個(gè)特征屬性。

·研究將要把文本分為n個(gè)集合A=|a1，a2，…，an|

·計(jì)算概率P（a，|x），P（a2|x），…，P（an|x）|

·如果有P（a，|x），max（z1|x），P（a2|x），…，P（an|x）|則P（an|x）x∈ykc，

研究通過樸素貝葉斯計(jì)算以上中的各個(gè)條件概率，具體計(jì)算步驟如下：

·基于文獻(xiàn)研究，找到已知分類意識(shí)形態(tài)的集合作為一個(gè)訓(xùn)練樣本集

·通過統(tǒng)計(jì)得到各類別下各個(gè)特征屬性的條件概率：

P（q1|a1），P（q2|a1），…，P（qm|a1）;P（q1|a2），P（q2|a2），…，P（qm|a2）;P（q1|an），P（q2|an），…，P（qm|an）

·如果各個(gè)特征的屬性是獨(dú)立的，根據(jù)貝葉斯定理可以得出：

P（qi|x）=P（x|ai）P（ai）P（x）

因?yàn)镻（x）對(duì)應(yīng)所有的意識(shí)形態(tài)分類，所以是一個(gè)常數(shù)，對(duì)P（ai|x）最大化只要對(duì)P（x|ai）P（ai）最大化，因?yàn)楦魈卣鲗傩允菞l件獨(dú)立的，可以得出：

P（x|ai）P（ai）=P（x1|ai）P（x2|ai）…P（xm|ai）=P（ai）∏mi=1P（xj|ai）

最后采用P（z|ai）P（ai）的最大項(xiàng)作為最終的網(wǎng)絡(luò)意識(shí)形態(tài)分類的類別。

（三）利用遞歸神經(jīng)網(wǎng)絡(luò)捕捉句法和語(yǔ)義。遞歸神經(jīng)網(wǎng)絡(luò)（Recursive neural networks， RNN）是一種捕捉句法和語(yǔ)義組合的機(jī)器學(xué)習(xí)模型，在各種句子級(jí)NLP任務(wù)上取得了最先進(jìn)的性能，包括情感分析、復(fù)述檢測(cè)和解析。這部分將運(yùn)用一個(gè)用于偏見檢測(cè)的有監(jiān)督的RNN模型，且與以前的類似項(xiàng)目中在訓(xùn)練程序和初始化方面有差異。由于大多數(shù)意識(shí)形態(tài)偏見只有在句子樹的較高層次上才變得可識(shí)別，所以主要依靠詞級(jí)分布統(tǒng)計(jì)的模型說是不可取的。通過考慮語(yǔ)言的層次性質(zhì)，RNN可以對(duì)語(yǔ)義組合進(jìn)行建模，即一個(gè)短語(yǔ)的意義是該短語(yǔ)內(nèi)的詞的意義和結(jié)合這些詞的句法的組合原則。雖然語(yǔ)義構(gòu)成并不普遍適用（例如，諷刺和成語(yǔ)），但大多數(shù)語(yǔ)言都遵循這一原則。標(biāo)準(zhǔn)RNN模型背后的基本思想是，句子中的每個(gè)單詞w都與基于解析樹的向量表示xw∈Rd相關(guān)聯(lián)，這些單詞形成短語(yǔ)p。短語(yǔ)的每個(gè)也有一個(gè)與單詞向量相同維度的關(guān)聯(lián)向量xw∈Rd。這些短語(yǔ)向量應(yīng)該表示由單個(gè)單詞組成的短語(yǔ)的含義。隨著短語(yǔ)本身合并為完整的句子，基礎(chǔ)向量表示被訓(xùn)練以保留句子的完整含義。難度在于描述向量如何組合形成完整的表達(dá)。如果兩個(gè)詞wa和wb合并形成短語(yǔ)p，則假設(shè)短語(yǔ)級(jí)向量為

xp=f（WL·xa+WR·xb+b1）（1）

其中WL和WR是樹中所有節(jié)點(diǎn)共享的d×d左右組合矩陣，b1是偏置項(xiàng)，f是非線性激活函數(shù)，如tanh。詞級(jí)向量xa和xb來自于d × V維詞嵌入矩陣We，其中V是詞匯量的大小。學(xué)習(xí)表征是重要的，因?yàn)檫@些表征可以在給定的標(biāo)記數(shù)據(jù)中區(qū)分出政治極性。如果這個(gè)向量空間的一個(gè)元素xd表示一個(gè)帶有歷史虛無主義傾向的句子，那么它的向量應(yīng)該與保守主義傾向句子的向量xr不同。

有監(jiān)督的RNN通過應(yīng)用回歸來實(shí)現(xiàn)這一區(qū)別，該回歸將節(jié)點(diǎn)的向量xp作為輸入，并產(chǎn)生預(yù)測(cè)值y＾p。這是一個(gè)softmax層

p=softmax（Wcat·xp+b2），

其中softmax函數(shù)為

softmax（q）=exp q∑kj=1exp qj

Wcat是一個(gè)k × d矩陣，用于具有k維標(biāo)簽的數(shù)據(jù)集。我們希望softmax層的預(yù)測(cè)與我們的注釋數(shù)據(jù)相匹配；分類預(yù)測(cè)和注釋之間的差異可以通過交叉熵?fù)p失來衡量。所以可以繼續(xù)優(yōu)化模型參數(shù)，使語(yǔ)料庫(kù)中所有句子的交叉熵?fù)p失最小。單個(gè)句子的交叉熵?fù)p失是該句子中真實(shí)標(biāo)簽yi的總和。

（s）=∑kp=1yp*log（p）

這就在所有句子中歸納出了一個(gè)監(jiān)督目標(biāo)函數(shù)：對(duì)訓(xùn)練集中歸一化的節(jié)點(diǎn)數(shù)N的所有節(jié)點(diǎn)損失的正則化求和，

C=1N∑Ni（predi）+λ2||θ||2

我們使用帶參數(shù)平均的L-BFGS （Hashimoto et al.，2013）來優(yōu)化模型參數(shù)θ=（WL， WR， Wcat， We， b1， b2）。如下面的公式所示，目標(biāo)的梯度是通過結(jié)構(gòu)反向傳播來計(jì)算的（Goller and Kuchler， 1996），

Cθ=1N∑Ni（i）θ+λθ

（四）網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)預(yù)警?；跈C(jī)器學(xué)習(xí)的網(wǎng)絡(luò)意識(shí)形態(tài)預(yù)警系統(tǒng)是由信息采集層、數(shù)據(jù)分析層、預(yù)警發(fā)布層的三層式結(jié)構(gòu)組成，如圖1所示。

基于機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)預(yù)警的分析平臺(tái)采用機(jī)器學(xué)習(xí)分析技術(shù)處理，將大數(shù)據(jù)與云計(jì)算相結(jié)合，建立專家模型庫(kù)，多維度、全方位地分析挖掘海量的網(wǎng)絡(luò)輿情意識(shí)形態(tài)風(fēng)險(xiǎn)數(shù)據(jù)，并通過云平臺(tái)發(fā)布預(yù)警信息，培養(yǎng)和提高網(wǎng)絡(luò)意識(shí)形態(tài)演變發(fā)展的實(shí)時(shí)感知，使相關(guān)主體迅速有效地完成網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)的評(píng)價(jià)和決策，推動(dòng)解決網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)的智能化處置。

五、總結(jié)：優(yōu)勢(shì)與展望

網(wǎng)絡(luò)輿論帶來的意識(shí)形態(tài)危機(jī)對(duì)我國(guó)的綜合性影響是復(fù)雜而充滿不確定性的復(fù)合型科學(xué)問題，蘊(yùn)藏各類復(fù)雜因素，同時(shí)又受到難以確定的各種內(nèi)外環(huán)境影響，給風(fēng)險(xiǎn)預(yù)測(cè)造成了很大困難，依靠單一學(xué)科和視角難以解決。隨著數(shù)據(jù)源的增長(zhǎng)和方法的改進(jìn)，爆發(fā)節(jié)點(diǎn)、話題發(fā)現(xiàn)和危機(jī)識(shí)別等會(huì)變得更加可被預(yù)測(cè)。本文充分利用大數(shù)據(jù)收集和機(jī)器學(xué)習(xí)技術(shù)等計(jì)算分析領(lǐng)域的最新成果，在底層數(shù)據(jù)捕捉非線性關(guān)系，達(dá)到更高水平的樣本外準(zhǔn)確度，力爭(zhēng)實(shí)現(xiàn)不用于擬合模型的事件預(yù)測(cè)，比現(xiàn)有的基于語(yǔ)義的詞匯判斷的計(jì)算模型以及詞袋模型TF-IDF算法等方法更具優(yōu)勢(shì)。

在研究方法方面本文有兩個(gè)突破。其一，本研究把機(jī)器學(xué)習(xí)技術(shù)引入到網(wǎng)絡(luò)意識(shí)形態(tài)預(yù)警系統(tǒng)中。建立社交網(wǎng)絡(luò)信息傳播模型，利用社交網(wǎng)絡(luò)數(shù)據(jù)分析用戶轉(zhuǎn)發(fā)行為，實(shí)現(xiàn)對(duì)用戶行為的預(yù)測(cè)，有助于實(shí)現(xiàn)意識(shí)形態(tài)風(fēng)險(xiǎn)的及早實(shí)時(shí)發(fā)現(xiàn)和及時(shí)化解，維護(hù)社會(huì)穩(wěn)定。其二，運(yùn)用整體性、交融性思路，采用結(jié)構(gòu)—功能分析方法，將網(wǎng)絡(luò)輿情意識(shí)形態(tài)治理作為集輿情監(jiān)測(cè)、研判、預(yù)警、回應(yīng)、引導(dǎo)、宣傳、治理等為一體的完整體系，著重探討預(yù)警及防范措施。

此外，本文還做出了平衡經(jīng)驗(yàn)研究與人工智能的學(xué)術(shù)嘗試。預(yù)測(cè)在數(shù)據(jù)分析技術(shù)與人工智能科技高速發(fā)展的當(dāng)下變得容易實(shí)現(xiàn)了，但人類社會(huì)和政治生態(tài)的或然性、復(fù)雜性、自反性（self-reference）與不可重復(fù)性，為準(zhǔn)確預(yù)測(cè)更加長(zhǎng)期的時(shí)間和更宏觀的局面帶來了巨大挑戰(zhàn)。網(wǎng)絡(luò)輿情瞬息萬變，數(shù)據(jù)失真度高，因此某些前提假設(shè)存在多種可能選擇；意識(shí)形態(tài)與人的情感等深層思維密切相關(guān)，建立在高度理想化層面上的因果模型難以反應(yīng)人的意識(shí)形態(tài)的豐富內(nèi)涵，準(zhǔn)行為主義的變量分析有脫離復(fù)雜社會(huì)現(xiàn)實(shí)的危險(xiǎn)。本研究盡可能在大數(shù)據(jù)層面展開方法應(yīng)用，通過海量樣本直接發(fā)現(xiàn)和展示網(wǎng)絡(luò)輿情中的意識(shí)形態(tài)規(guī)律，避免控制變量來檢驗(yàn)關(guān)聯(lián)可能造成的失真，也避免個(gè)案研究可能造成的失聯(lián)，帶來更有說服力的證據(jù)鏈。就理論意義而言，本研究將為網(wǎng)絡(luò)意識(shí)形態(tài)及其治理提供增量性研究成果。隨著網(wǎng)絡(luò)化程度加深，社會(huì)的網(wǎng)絡(luò)化與網(wǎng)絡(luò)的社會(huì)化已經(jīng)是必然。對(duì)作為社會(huì)空間的網(wǎng)絡(luò)中的輿情與意識(shí)形態(tài)展開專題研究，可為進(jìn)一步理解網(wǎng)絡(luò)的社會(huì)作用和功能，網(wǎng)絡(luò)社會(huì)中的多元主體行為方式、動(dòng)機(jī)，以及網(wǎng)絡(luò)影響現(xiàn)實(shí)社會(huì)的渠道、程度等問題提供有意義的分析進(jìn)路和理論參考，并為網(wǎng)絡(luò)輿情協(xié)同治理提供可靠的解決路徑。在國(guó)家治理體系和治理能力現(xiàn)代化的相關(guān)研究中，網(wǎng)絡(luò)輿情與意識(shí)形態(tài)治理逐漸成為顯學(xué)，同時(shí)也彌補(bǔ)了網(wǎng)絡(luò)輿情研究的不足。就應(yīng)用價(jià)值而言，本研究跳出以往宏觀的、概括性的對(duì)策研究模式，更關(guān)注實(shí)際問題的解決，在新媒介背景下，分析網(wǎng)絡(luò)輿情和意識(shí)形態(tài)，研究社會(huì)矛盾的形成和化解，為有關(guān)部門分析研判意識(shí)形態(tài)風(fēng)險(xiǎn)、解決社會(huì)矛盾提供借鑒。

總的來說，在綜合層面，本研究有利于將不同學(xué)科的研究進(jìn)行交叉與整合，學(xué)科的交叉點(diǎn)和融合處往往可以生長(zhǎng)出創(chuàng)新的知識(shí)，成為理論創(chuàng)新的新突破口，也將為實(shí)踐操作提供新的方法技術(shù)。在理論層面，本文著力于探索網(wǎng)絡(luò)輿情意識(shí)形態(tài)，對(duì)其進(jìn)行風(fēng)險(xiǎn)評(píng)估，以便更好制定應(yīng)急對(duì)策，尤其是對(duì)一般性、底層性規(guī)律進(jìn)行摸索，旨在預(yù)測(cè)未來可能的發(fā)展趨勢(shì)，為類似的意識(shí)形態(tài)管理與輿情疏導(dǎo)提供一定的理論模型和依據(jù)。在實(shí)踐層面，本文充分利用人工智能、大數(shù)據(jù)等技術(shù)為應(yīng)用基礎(chǔ)，提升我國(guó)意識(shí)形態(tài)安全的防衛(wèi)能力。研究獲得的網(wǎng)絡(luò)輿情及其治理的相關(guān)成果，可用來提供先導(dǎo)性服務(wù)，便于政府理解、介入、引導(dǎo)、干預(yù)，以及預(yù)測(cè)網(wǎng)絡(luò)突發(fā)事件，并根據(jù)主體和要素多元化特征和輿情演化階段性特點(diǎn)，充分把握，準(zhǔn)確研判，實(shí)現(xiàn)有效應(yīng)對(duì)和積極治理。

〔參考文獻(xiàn)〕

〔1〕洪曉楠，劉媛媛.人工智能時(shí)代網(wǎng)絡(luò)意識(shí)形態(tài)安全建設(shè)的發(fā)展契機(jī)、潛在風(fēng)險(xiǎn)與調(diào)適進(jìn)路〔J〕.思想教育研究，2022，（10）.

〔2〕聞言.為全面建設(shè)社會(huì)主義現(xiàn)代化國(guó)家、全面推進(jìn)中華民族偉大復(fù)興凝聚強(qiáng)大精神力量——學(xué)習(xí)《習(xí)近平關(guān)于社會(huì)主義精神文明建設(shè)論述摘編》〔N〕.人民日?qǐng)?bào)，2023-01-16.

〔3〕李俊卿，張澤一.互聯(lián)網(wǎng)背景下我國(guó)意識(shí)形態(tài)表征、安全風(fēng)險(xiǎn)及防范〔J〕.思想理論教育導(dǎo)刊，2016，（10）.

〔4〕杜雁蕓.科學(xué)技術(shù)與國(guó)家安全〔M〕.北京：社會(huì)科學(xué)文獻(xiàn)出版社，2016：152.

〔5〕劉簫鋒，張錦霖.生成式人工智能沖擊高校思政教育的三維探賾〔J〕.國(guó)家教育行政學(xué)院學(xué)報(bào)，2023，（12）.

〔6〕藍(lán)江.生成式人工智能與人文社會(huì)科學(xué)的歷史使命——從ChatGPT智能革命談起〔J〕.思想理論教育，2023，（4）.

〔7〕袁周南.人工智能嵌入思想政治教育：背景、依據(jù)與路徑〔J〕思想理論教育，2020，（8）.

〔8〕段虹，徐苗苗.深度學(xué)習(xí)對(duì)意識(shí)形態(tài)安全工作的重要價(jià)值〔J〕.馬克思主義與現(xiàn)實(shí)，2019，（4）.

〔9〕孫會(huì)巖.人工智能技術(shù)視野下黨的政治安全：機(jī)遇、風(fēng)險(xiǎn)與治理〔J〕.毛澤東鄧小平理論研究，2019，（9）.

〔10〕孫會(huì)巖，唐蓮英.人工智能時(shí)代國(guó)外政黨的執(zhí)政安全：挑戰(zhàn)、調(diào)適及啟示〔J〕.南京政治學(xué)院學(xué)報(bào)，2018，（4）.

〔11〕楊愛華.人工智能中的意識(shí)形態(tài)風(fēng)險(xiǎn)與應(yīng)對(duì)〔J〕.求索，2021，（1）.

〔12〕徐景一.算法機(jī)器與資本控制：勞動(dòng)過程理論視域下的平臺(tái)勞資關(guān)系與資本積累〔J〕.社會(huì)主義研究，2022，（3）.

〔13〕劉章儀，李鋼.人工智能賦能網(wǎng)絡(luò)意識(shí)形態(tài)風(fēng)險(xiǎn)防控：背景、向度與進(jìn)路〔J〕.當(dāng)代傳播，2022，（3）.

〔14〕汪青，李明.從疏離到彌合：人工智能時(shí)代主流意識(shí)形態(tài)話語(yǔ)權(quán)建設(shè)〔J〕.當(dāng)代傳播，2022，（4）.

〔15〕Luca Pajola， Luca Pasa， and Mauro Conti. 2019. Threat is in the Air： Machine Learning for Wireless Network Applications. In Proceedings of the ACM Workshop on Wireless Security and Machine Learning （WiseML 2019）. Association for Computing Machinery， New York， NY， USA， 16–21.

〔16〕Ahsan， Mostofa， Kendall E. Nygard， Rahul Gomes， Md Minhaz Chowdhury， Nafiz Rifat and Jayden F Connolly. “Cybersecurity Threats and Their Mitigation Approaches Using Machine Learning - A Review.” J. Cybersecur. Priv. 2 （2022）： 527-555.

〔17〕Bhargav Kuchipudi， Ravi Teja Nannapaneni， and Qi Liao. 2020. Adversarial machine learning for spam filters. In Proceedings of the 15th International Conference on Availability， Reliability and Security （ARES '20）. Association for Computing Machinery， New York， NY， USA， Article 38， 1–6.

〔18〕Ali， Raniah & Salman， Haitham. （2023）. Subject review： Cyber security using machine learning and deep learning techniques. Global Journal of Engineering and Technology Advances. 16. 212-219.

〔19〕Козлова， Н.Ш & Довгаль， В.А. （2023）. Analysis of the use of artificial intelligence and machine learning in cybersecurity. Bulletin of Adyghe State University. Series： Natural-Mathematical and Technical Sciences. 2023. Iss. 3 （326）， pp65-72.

〔20〕M. Sudhakar and K. P. Kaliyamurthie， “Machine Learning Algorithms and Approaches used in Cybersecurity，” 2022 IEEE 3rd Global Conference for Advancement in Technology （GCAT）， Bangalore， India， 2022， pp. 1-5.

〔21〕Y. Goyal and A. Sharma， “A Semantic Approach for Cyber Threat Prediction Using Machine Learning，” 2019 3rd International Conference on Computing Methodologies and Communication （ICCMC）， Erode， India， 2019， pp. 435-438.

〔22〕Giulio Zizzo， Chris Hankin， Sergio Maffeis， and Kevin Jones. 2019. Adversarial Machine Learning Beyond the Image Domain. In Proceedings of the 56th Annual Design Automation Conference 2019 （DAC '19）. Association for Computing Machinery， New York， NY， USA， Article 176， 1–4.

〔23〕D. Nisha， E. Sivaraman and P. B. Honnavalli， “Predicting and Preventing Malware in Machine Learning Model，” 2019 10th International Conference on Computing， Communication and Networking Technologies （ICCCNT）， Kanpur， India， 2019， pp. 1-7.

〔24〕Chenniappanadar， S. K. .， Gnanamurthy， S. .， Sakthivelu， V. K. .， & Kaliappan， V. K. . （2022）. A Supervised Machine Learning Based Intrusion Detection Model for Detecting Cyber-Attacks Against Computer System. International Journal of Communication Networks and Information Security （IJCNIS）， 14（3）， 16–25.

〔25〕K. Sathya， J. Premalatha and S. Suwathika， “Reinforcing Cyber World Security with Deep Learning Approaches，” 2020 International Conference on Communication and Signal Processing （ICCSP）， Chennai， India， 2020， pp. 0766-0769.

【責(zé)任編輯：劉彥武】