公共衛生事件中社會情緒的時空分析方法
——以新冠疫情事件為例

曹 天 陽，張 雪 英，懷 安

(南京師范大學虛擬地理環境教育部重點實驗室/江蘇省地理信息資源開發與利用協同創新中心，江蘇 南京210023)

0 引言

情緒是個體對外界刺激表現的主觀意識的體驗和感受，具有心理和生理反應特征[1]。情緒的結構研究多從分類取向[2-4]和維度取向[5-7]展開，認為情緒具有幾種彼此獨立的類型，各類情緒在幾個基本維度上高度相關。社會情緒是一種宏觀層次的情緒，可視為社會成員之間相互作用形成的、在較大范圍(甚至全社會)內較一致的情緒體驗[8]。公共衛生事件傳播過程中易產生帶有群體性和傳染性的恐慌、憂慮、無助等負面情緒[9]，不僅會削弱人們的身體抵抗力和心理免疫力，而且會威脅社會的穩定[10]。面對突發公共衛生事件強變異、易感染、難控制等特點，積極有效的社交媒體信息有利于降低風險感知，減少恐慌和非理性行為[11，12]。

由于社交媒體的公開性、交流性和參與性，微博[13]、Twitter[14]、新聞事件庫[15]等社交媒體數據成為社會情緒研究重要的信息源。在文本情緒計算方面，情感詞典[16]、機器學習[17]和情感分析工具[18]是提取情緒的主要方法；在文本分析方面，主要從關注熱點挖掘、空間分析、情感分析等維度分析事件的演化特點，如通過關鍵詞提取[19]、主題挖掘[20]等方法提取熱點信息，通過空間自相關分析[21]、冷熱點分析[22]探討空間分布特性，通過時間序列[16]、空間特征[23]分析社會情緒的演化特征；在輿情影響因素分析方面，研究者發現用戶行為選擇[24]、意見領袖發言[16]等是影響輿情傳播的主要因素。已有研究從多方面進行了積極探索，但仍存在如下不足：情緒粒度較粗且類型內部沒有區分度；常用單一情緒類型表達文本，而情緒具有不可疊加性和復雜性，單標簽的分類結果無法全面反映真實情緒；多側重于單一時序層面的時空分析，缺少從事件演化的視角探討情緒變化態勢。因此，本文將社會情緒分為7種類型，并將情緒強度分為3個等級，實現“七類三級”的細粒度劃分；通過綜合分析語義規則的影響構建情緒計算模型，為盡可能還原文本全部情緒，提出基于單篇文本提取7種情緒類型的方法；以新冠疫情事件為例，將事件演化分為6個階段，深度挖掘社會情緒的時空變化特征。

1 基于文本的社會情緒計算

本文提出“七類三級”的社會情緒分類體系；綜合考慮句法規則對情緒表達的影響，構建涵蓋情緒類型、情緒強度的基礎情緒詞典、程度副詞詞表和否定詞詞表的多維情緒詞典；在經過分詞、去停用詞、分句等預處理后，利用規則與情緒詞典相結合的方法提取單篇文本中7種情緒類型及其情緒強度等級，具體示例如圖1所示。

圖1 基于文本的社會情緒類型及其情緒強度等級計算示意Fig.1 Schematic diagram of text-based social emotion type and emotion intensity level calculation

(1)社會情緒分類。參考“愉悅度—喚醒度”二維情緒模型[5]，選擇情緒類型和情緒強度作為描述維度：將社會情緒的“愉悅度”分為樂、好、怒、哀、懼、惡、驚7種類型,同時參考Plutchik的情緒三維模型[6]，按照“喚醒度”數值將情緒強度分為高、中、低3級，即“七類三級”。

(2)情緒詞典構建。本文以大連理工大學的《中文情感詞匯本體庫》作為基礎情感詞典[25]，該詞典將情緒劃為7大類，情感強度分為5級，每個情感詞均有對應的情感類型和強度；綜合考慮句法規則對情緒表達的影響，選擇知網HowNet詞庫的《中文程度級別詞語》構建程度副詞詞典，并將程度副詞分為4個級別[26]，強度取值范圍為[0，2]；從《現代漢語詞典》和《現代漢語副詞研究》中選取53個否定詞構建否定詞詞典[27]，強度取值為-1；選取數據集中出現頻率最高的60 個表情符號構建表情符號詞典，使用點間互信息算法[21]確定情緒類型和強度，以擴充基礎情緒詞典。

(1)

Sk=∑Senk

(2)

式中：k∈{1,2,3,…,7}，代表樂、好、怒、哀、懼、惡、驚7種情緒；αik、βik分別為k類型情感詞的強度和修飾該情感詞的程度副詞強度；n為否定詞數量；N為情感詞數量。

2 實驗數據與研究時段

微博的開放性、實時性使其成為人們生活中交流信息、表達觀點的重要平臺。本文選擇“疫情”“新冠”為關鍵詞，采集2020年1月17日-5月31日和2021年1月1日-2月28日期間我國34個省級行政區微博數據，每條數據包含用戶名稱、發文內容、發文時間、文本鏈接。通過jieba分詞、去除停用詞等預處理對采集的文本數據進行清洗，并以文本形式存儲，最終獲得271 855條文本。

在危機傳播理論中，事態發展一般可分為征兆、高峰、持續、恢復4個階段[28]。根據新冠疫情事件期間每日新增確診人數變化情況以及2021年出現反彈的特殊情況，將該事件劃分為征兆、高峰、持續、恢復、復發、平穩6個階段(圖2)。各階段具體劃分如下：1)2020年1月17日-1月26日為征兆階段，此時疫情討論度和確診人數逐漸增多，每日新增確診人數低于1 000人；2)2020年1月27日-2月18日為高峰階段，1月27日全國單日新增新冠肺炎確診病例首超1 000例；3)2020年2月19日-3月9日為持續階段，2月19日全國新增確診人數明顯下降；4)2020年3月10日-5月31日為恢復階段，3月10日之后各省域逐步復工復產，5月31日新增確診人數下降至個位數且變化平穩；5)2021年1月1日-1月26日為復發階段，確診人數不斷增加；6)2021年1月27日-2月28日為平穩階段，新增確診人數出現明顯下降，2月28日新增確診人數降為個位數且變化平穩。

圖2 演化階段劃分Fig.2 Division of evolutionary stages

3 社會情緒變化的時空特征分析

3.1 時間變化特征

以6個階段為固定時間間隔，統計各階段各類情緒的文本數量，研究社會情緒的階段特征；計算各階段“七類三級”情緒的占比(圖3，彩圖見附錄3)，將兩相鄰階段中同類型同強度等級情緒占比相減，分析社會情緒的變化情況(圖4)。

圖3 各階段社會情緒占比Fig.3 Proportion of social emotions in each stage

如圖3和圖4所示，不同情緒類型的變化情況存在差異性和相似性。高峰階段中“好”情緒占比大幅增加，“樂”情緒占比大幅減少，而復發階段“好”情緒呈下降態勢，“樂”情緒有所增加。新冠疫情引發群體性恐慌使“樂”情緒下降，而政府機構大力推進疫情科普、持續鼓舞全國人民，“好”情緒增加，雖然兩種情緒均可歸為正傾向，但并非同步變化。“惡—哀”“惡—怒”“怒—哀”等負傾向情緒組合在各階段的變化較一致。結合疫情防控期間相關事件，對社會情緒的變化進行分析：

圖4 兩相鄰階段各類社會情緒的百分比差異Fig.4 Percentage difference of various social emotion in two adjacent stages

(1)及時發布權威信息能降低公眾的負面情緒。面對突發的疫情，民眾第一心理反應是恐慌、焦慮，征兆階段中“懼”情緒占比較高。政府機構迅速通過社交媒體積極引導輿論，“中國有信心打贏新冠肺炎疫情攻堅戰”“武漢加油”等話題登上熱搜，民眾戰勝疫情信心大幅增強。疫情最嚴峻的高峰階段，“好”情緒占比大幅提升，“懼”情緒占比顯著降低，負面情緒逐漸轉變為對防疫行動的贊美和支持。

(2)事件是影響社會情緒變化的重要因素。疫情得到基本控制后，社會情緒由激昂變平緩，正向情緒占比下降。積極報道疫情防控工作雖能有效緩解恐懼，但民眾對部分防控疫情措施漏洞存在不滿情緒、對違反疫情條例擅自行動人員存在譴責情緒，“惡”情緒持續發酵，在持續和恢復階段不斷增加。因此，政府機構除及時發布權威疫情信息減輕民眾恐懼外，建立完善、透明的應急機制并及時處理違反條例的事件也十分重要。

(3)周期性事件中社會情緒波動程度具有相似性和差異性，社會情緒的波動受民眾認知的影響。2021年初疫情出現復發態勢，復發階段各類型情緒占比情況與征兆階段相似。但由于第二輪疫情襲來時民眾對新冠疫情已有基本了解，此時應急機制和抗疫行動更迅速、高效，民眾的負面情緒得到迅速釋放。

3.2 空間分布特征

本文以省級行政區劃為基本統計單元，6個演化階段為固定時間間隔，對新冠疫情事件中“好”情緒占比采用自然斷點法劃分(圖5)。從圖5可以看出，相鄰省域社會情緒相似，如新疆、西藏、青海等西北地區以及湖南、江西、廣東3個相鄰省域社會情緒時空相似性較高。“好”情緒占比高低與當地疫情嚴重程度有關，確診人數較低的省域(新疆、內蒙古、甘肅等)“好”情緒占比相對較高。從征兆階段到恢復階段湖北確診人數大幅減少，“好”情緒占比逐漸上升；在恢復階段，多數省域疫情得到控制，但廣東、內蒙古等受境外輸入病例影響，“好”情緒占比下降；復發階段河北、北京等北方省域疫情形勢嚴峻，“好”情緒占比偏低。

注：審圖號為GS(2020)4619號，下同。圖5 全國各省域“好”情緒類型時空分布Fig.5 Spatiotemporal visualization of "good" emotion in different provinces of China

為揭示新冠疫情事件中社會情緒的空間演化規律，按事態發展順序將各省域相鄰階段中同類型情緒相減，得到7種情緒的時空變化特征(圖6，彩圖見封3)。從圖6可以看出，各省域正向情緒變化存在共性，變化趨勢較一致。在高峰階段和平穩階段，多數省域“好”情緒占比呈增加趨勢，在復發階段占比下降；“樂”情緒占比在高峰階段減少，在疫情得到控制后的恢復階段和平穩階段，各省域“樂”情緒占比逐步上升；新冠疫情從蔓延到得到控制期間，“好”情緒逐漸減弱，“樂”情緒逐漸增多。負向情緒易受當地事件影響，同一階段不同省域情緒表現不同。在高峰階段，河南因“硬核防疫”被民眾稱贊，負向情緒占比較低，同階段其他確診人數較高的省域“哀”“惡”情緒呈正增長；在持續階段，山東因“山東任城監獄發生新冠疫情”“山東對從日韓等國入境人員的隔離措施”等負面事件引起民眾強烈譴責，“惡”情緒占比升高；在恢復階段，民眾因“郭某鵬返鄉”案件對河南防控疫情措施存在質疑和不滿，相比其他省域，河南“惡”情緒占比明顯提高。

注：數值為前后兩階段各情緒類別的百分比差異，數值正/負表示情緒占比增加/減少。圖6 各種社會情緒的時空變化特征Fig.6 Temporal and spatial change characteristics of various social emotions

3.3 周期性對比分析

2021年初國內新冠疫情有所反復，確診人數逐漸攀升。為研究兩輪疫情的異同，分別將復發階段和平穩階段與前4個階段同情緒類型占比相減(圖7)。對比分析可知，第二輪疫情來臨時負面情緒受新冠疫情沖擊減弱，經過持續、廣泛、大力科普，民眾對新冠已有一定了解，復發階段中恐懼情緒明顯改善，相比征兆階段“懼”情緒占比明顯降低。2021年防疫管理機制和基礎建設更完善，“惡”“怒”情緒占比降低。與2020年相比，同樣在春節期間，征兆階段和高峰階段民眾在擔驚受怕中度過，平穩階段和復發階段民眾心態更加積極、樂觀，“樂”情緒占比明顯提高。社會情緒依賴個人經驗對風險做出評估，而風險感知的強弱往往會影響其行為表現。當再次面臨疫情，民眾已有積極的風險感知和應對行為，負面情緒的消除速度更快。

圖7 復發和平穩階段與前4個階段社會情緒對比Fig.7 Comparison of social emotion between relapse or stable stage and the first four stages

4 社會情緒變化的事件因素驅動分析

事件是影響社會情緒變化的重要因素，疫情防控期間發生了一系列關鍵節點事件，如“華南海鮮市場查封”“武漢封城”。從89個重要的疫情相關事件和微博熱門話題中選擇影響力值較大的12個節點事件(表1)進行分析。為避免7種情緒相互抵消，分別計算每日7種情緒的占比，再分別統計整個節點事件中各情緒占比之和作為該節點事件對社會情緒的總影響力值，總影響力值越大，說明當前節點事件對當前社會情緒的影響力越大。針對影響力排序為1-12的節點事件，按其發生的時間順序，選擇占比較高的樂、好、哀、懼、惡5類情緒制圖(圖8)，探討節點事件在突發公共事件中對社會情緒的影響。

圖8 12個節點事件對各類社會情緒影響力對比Fig.8 Comparison of the influence of 12 node events on various social emotions

疫情防控期間，政府各部門及時更新抗疫動態、高度贊美抗疫戰士，各節點事件中“好”為主導情緒，其他4類主要情緒變化存在差異，隨著時間推移，“惡”情緒逐漸成為事件的次主導情緒。節點事件對社會情緒的影響力強度呈波動態勢，征兆階段較弱，恢復階段最強，復發階段影響力強度下降。統計各節點事件5類情緒中占比最大的兩類情緒，并在此基礎上計算低、中、高3級情緒強度占比最大的情緒。節點事件描述及其主導情緒統計結果如表1所示。

表1 節點事件描述及其主導情緒Table 1 Node event description and its dominant emotions

由表1可知，當事件能降低危害風險或起到維護社會法律、法規的作用時，民眾的負面情緒能得到抑制，如“武漢雷神山醫院開始籌建，國家衛健委組建的6支援鄂醫療隊馳援武漢”事件中，“好”情緒類型表現為高喚醒度；當事件管控不符合民眾的社會認知時，負向情緒得到強化，如“廣州通報外籍新冠肺炎患者打傷護士”“澳籍華人女子返京拒隔離外出跑步”等，此類事件與社會道德良俗大相徑庭，招致民眾強烈譴責；積極回應公眾訴求，實現政民良性互動的行為會降低民眾的負面情緒，如“武漢市公安局撤銷李文亮訓誡書并鄭重道歉，相關責任人被處理”獲得民眾好評，“惡”情緒強度表現為低喚醒度。

5 結論

本文以國內新冠疫情事件為例，將社會情緒分為7種類型、3個強度等級，利用句法規則與情緒詞典相結合的方法，基于單篇文本提取7種情緒類型及其強度，并按照事件的發展階段進行社會情緒的時空特征和事件驅動因素分析。研究結果表明：1)公共衛生事件中不同情緒類型的變化在時間和空間上均存在差異性和相似性。2)社會情緒依賴個人經驗對風險做出評估，而風險感知的強弱往往會影響其行為表現。3)節點事件是影響社會情緒變化的重要原因。政府機構除及時發布權威信息減輕民眾恐懼外，建立完善透明的應急機制并及時處理違反條例的事件也十分重要；積極回應公眾訴求，實現政民良性互動的行為會降低民眾的負面情緒。

本文主要采集社交媒體數據進行分析，由于社交媒體平臺吸引受眾群體存在差異，通過社交媒體平臺獲取的數據并不能準確反映社會的總體狀況，研究結論普適性存在不足，未來將選取更廣泛的數據源進行實證研究。