某突發事件網絡輿情情感分析案例—以某暴力傷醫事件為例摘要互聯網作為人們交流彼此的想法和觀念的重要場所，不斷影響著人類傳播信息的方法，早已不是單單作為傳播工具，互聯網已經成為人類交流觀點、碰撞思想、融匯文化的大平臺。當突發事件在互聯網平臺發酵之后，在不同觀點的沖突碰撞和觀念的表達下，網民很容易在輿論漩渦中產生極端化想法，一旦這種討論狀態持續發酵沒有正確的引導，會釀成十分嚴重的后果。本文選取了“暴力傷醫——陶勇醫生被砍”事件進行分析，以網友的微博內容作為采集樣本，用八爪魚采集器收集數據并進行清洗，利用最終數據進行研究分析。同時，構建情感詞典，標記情感分數值，本文還運用了關鍵詞分析、情感分析、微博用戶的地域、性別對比分析等手段對暴力傷醫事件代表事件分析輿情演化的特征規律，并且在此基礎上劃分了該事件的輿情情感演變階段。最后根據分析結果對相關部門提出了對突發暴力傷醫事件的輿情處理建議。關鍵詞:暴力傷醫事件；輿情分析；情感特征目錄1. 序言 31.1研究背景與研究意義 31.1.1研究背景 31.1.2研究意義 31.2國內外研究現狀 41.2.1國外研究現狀 41.2.2國內研究現狀 52. 概念界定和理論基礎 62.1突發事件網絡輿情的相關理論 62.1.1突發事件 62.1.2網絡輿情 62.1.3突發事件網絡輿情 62.2情感分析理論 72.2.1情感定義 72.2.2情感分析定義 72.3信息處理相關理論與技術 82.3.1文本挖掘與處理技術 82.3.2生命周期理論 83暴力傷醫事件網絡輿情情感分析 93.1構建情感詞典 93.2情感強度計算 93.3數據獲取方法和工具 103.3.1案例選取 103.3.2網絡爬蟲 113.4數據處理 123.4.1數據清洗 123.4.2中文分詞 123.4.3去除停用詞 123.4.4基于TF-IDF算法的關鍵詞分析 133.5暴力傷醫事件情感傾向 133.6情感分析 154.“暴力傷醫——陶勇醫生被砍”事件傳播過程及演化階段分析 164.1“暴力傷醫——陶勇醫生被砍”事件傳播過程分析 164.2“暴力傷醫——陶勇醫生被砍”用戶情緒特征分析 184.2.1基于性別的用戶情感特征分析 195醫暴事件網絡輿情引導策略 205.1相關部門處理過程中存在的問題 205.2基于情緒演化階段特征的微博用戶情緒引導對策 216.總結與展望 216.1研究結論 216.2研究局限與展望 22序言1.1研究背景與研究意義1.1.1研究背景近年來的網絡和信息技術正在高速發展中，“兩微終端”(新浪微博、騰訊微信、手機移動客戶端)已成為千千萬萬戶的熱門。據《中國互聯網發展統計報告》發布的《第47次中國互聯網發展統計報告》顯示，截至2020年12月，中國網民人數已達9.89億，互聯網普及率70.4%，同比增長5.9%。其中，中國移動互聯網用戶已達9.86億。與2020年3月相比，網民使用手機的人數達到99.7%，比2020年3月的增長了0.4個百分點[1]。互聯網是高度自由和包容的。網民可以通過文字、視頻、音頻等方式在社交媒體平臺上自由表達自己的主觀觀點和情感。面對暴力傷醫，由于涉及到人們的生命安全，一旦通過網絡發布并被大量網民轉發，就很容易成為網絡熱點事件。2020年1月20日下午1時55分左右，北京朝陽醫院發生暴力傷醫事件，共有三名醫護人員被砍傷，另有一位患者受傷，受害者陶勇傷情最重，是一名眼科醫生。事發當天，還有1532名已經預約的病人等待他的診治。施暴者是他的一位病人，輾轉多方求醫無果后最終被陶勇救治，陶勇被傷至左手骨折、神經肌肉血管斷裂、顱腦外傷、枕骨骨折，兩周后才得以脫離生命危險。該事件一經在新浪微博平臺上曝光，立即引起了公眾的廣泛關注和討論，并被大量轉發和評論。網民們情緒激烈，嚴厲譴責那些暴力傷害醫生的人,這些評論充滿了負面能量,該事件在互聯網上引發了一場輿論海嘯，負面情緒高漲，一致譴責行兇者的暴力行徑，甚至對于醫生安全、醫患關系等話題也引起了社會各界的廣泛關注。比如，“疫情揭發者李文亮醫生死于新冠肺炎”該消息在微博上曝光后，短時間內就被大量評論轉發，引起全國關注，成為熱門話題。“樂清女孩被滴滴順風車撞死”事件引發了網友們對女性外出時的人身安全的討論。長春長生生物科技有限公司“疫苗造假”事件，不僅引發了公眾的恐慌，也引起了民眾的恐慌對醫療保健領域的懷疑和不滿。近年來，像豆瓣、微博等社交平臺慢慢成為主要輿論場。在這樣的輿論情況下，網友的情緒表達時刻影響著輿論動向，輿論動向又指向了民意。此外，網絡公民在輿情的每個發展階段的感受都有不同的層面，輿論主體呈現了理性和感性同時存在的特點，這讓政府和相關部門在監測和引導輿情時變得困難。尤其是網民極易在突發事件輿論的刺激下，產生焦慮，恐慌，恐懼和失落感，繼而導致人們對突發事件的看法和判斷發生變化，最終形成不同的輿論趨勢。例如焦慮和氣憤等負面情緒不但會在網絡上帶動更多的網民產生消極態度，還會使公眾輿論通過情緒感染的機制在網上傳播，最終導致社會動蕩不安。例如，在微博上有“疫情揭發者李文亮醫生死于新冠肺炎”的消息曝光后，在短時間內被大量評論轉發，聚集了全國人們的關注，立刻成為了熱門話題。“樂清女孩被滴滴順風車撞死”引發了網民關于婦女外出時人身安全的討論。長春長生生物技術有限公司的“疫苗造假”事件不僅引起了公眾恐慌，更是引發了群眾對醫療保健領域的恐慌，猜疑和不滿。因此，通過分析網絡緊急輿情中網民的情感傾向，找到輿論的演變規律，并向政府機構和有關部門提供科學合理的建議，以指導輿論，是十分重要的。本文以“暴力傷醫——陶勇醫生被砍”事件為例，收集與事件相關的新浪微博數據，分析收集到的文本材料。為了提高輿論監督效果和給維護社會輿論平穩狀態在又數據支持的基礎上提供有效建議，深入研究微博用戶特征，判斷情緒趨勢，找到輿論發展的規律、并在第一時間對輿論進行監測和引導。1.1.2研究意義暴力傷醫具有破壞性大，影響廣泛，難以預估的特點，由于它與人們的生活息息相關，所以只要在網絡上曝光傳播開，將在短時間內產生很大的影響，形成巨大的輿論漩渦，并迅速發展不斷擴大成為互聯網熱點事件。公眾在面對此類事件時，也會在一定程度產生慌張不安等情緒，甚至這種情緒會被不懷好意的人加以利用，繼而成為影響社會安定的因素之一。因此，分析網民對于暴力傷醫的情感特征，并針對這些特征制定輿情引導措施是十分有實際意義的。（1）理論意義:當前，關于社會安全事件的學術研究大多集中在輿論的管理和演化機制上，從網絡輿情的情感特征角度分析暴力傷醫的研究卻很少。本文從微博輿情的特征出發，對“暴力傷醫——陶勇醫生被砍”事件進行了情感特征分析和可視化分析，在此基礎上對突發暴力傷醫事件進行了探討、分析。在分析過程中，從微博輿情的情感演變特征，用戶數據，微博輿情傳播過程三個不同角度對暴力傷醫事件進行展開分析。最后，利用網絡爬蟲技術，文本挖掘技術和數據分析技術在一定程度上完善了情感分析技術，對結果進行可視化分析，這具有重要的理論意義。（2）實際意義:暴力傷醫事件是相對隨機且不可預測的，具有廣泛的傳播力和影響力，如果不認真對待，會造成更大的社會傷害。本研究選擇了近期發生的有影響力的典型案例進行分析，并從多個維度對事件進行了綜合分析，以探索暴力傷醫類事件的情感特征，進一步幫助相關政府部門提高其領導輿論的能力，加強行業監管并完善相關條例來保護醫生和患者雙方權益。1.2國內外研究現狀1.2.1國外研究現狀（一）網絡輿情研究現狀由于政治背景和西方存在根本性的差異，“輿情”其實是一種中國化的概念[2]，西方國家相對應領域應用的是比如“公共輿論”、“民意”等概念。與同一領域的我國研究相對比，西方發達國家以前的輿論研究活動和成果很多，主要集中在網絡上輿論的演變規律，影響輿論的因素和輿論形態交流上。最早是盧梭在1762年撰寫的《社會契約論》中提出“公共輿論”(PublicOpinion)概念。ElisabethNoelleNeumann(1993)[3]提出“沉默螺旋定理”認為在網絡輿情的演化過程中，公共輿論最終會將形成基于一方的沉默因此以對立的另一方所持的觀點為主的輿論趨勢。BrauchlerBirgit(2004)[4]首次將對立理論引入輿情中，提出網絡中產生沖突的對立雙方容易產生網絡輿情。Chong·D（2005）[5]提出突發事件網絡輿情的演化過程是動態的，輿情發展到達頂點后會逐漸消退。SudhaVerma（2011）[6]等提出基于機器學習方法，想了解網民對網絡熱點事件的態度，可以根據出現在網絡用戶發言的關鍵字中的高權重詞來判斷。（二）網絡輿情演化研究現狀國內外對網絡輿論演變的研究有不同的側重點：西方國家重視分析輿論演變的實用技術，而國內偏見則主要基于研究理論。美國危機專家StevenFink[7]早在十九世紀八十年代提出危機消散期、擴散器期、爆發期和潛伏期四階段分析理論，BurkholdeBT[8]提出以人口死亡率為指標構建的緊急階段（Acuteemergencyphase）、晚期緊急階段（Lateemergencyphase）、事發后緊急階段（Post-emergencyphase）三階段經典傳播模型；RobertH[9]等人在此基礎上提出的四階段傳播模型以及FinkS[10]等人提出的生命周期模型。（三）情感分析研究現狀情感分析是指人們通過客觀存在的事物、產品，已經發生的事件等表達自己的觀點和態度的過程。情感分析作為國外重要的研究領域引起了西方學者的廣泛關注，主要利用與情感傾向相關的關鍵詞進行情感判斷。該研究的主要成果是情感極性的分析，情感的識別等。最早的情感分析研究工作就是2002年Pang[11]首次提出利用樸素貝葉斯等三種機器學習方法針對電影評論樣本進行的情感分類，判斷電影評論文本的正負情感。DavidB.Bracewell[12]等以WordNet為基礎通過半自動算法以種子詞創建情感詞典進行情感分析。Go[13]等人為了得到較高的準確率，使用機器學習方法對添加到集合中的表情的文字本數據先進行了預處理。HassanA[14]等人提出將卷積神經網絡(CNN)應用到文本數據中，獲取句子序列中的依賴關系。Boiy和Moens[15]采用最大熵馬爾科夫模型、支持向量機（SVM）、樸素貝葉斯三種機器學習方法對文本數據進行人工情感標注，最后得出結論支持向量機的準確率最高。Dey[16]等基于K-NN算法對社交媒體上用戶的評價進行情感分析，LiY[17]構建一個以知網情感詞表、大連理工情感詞表和文本相結合的多類別情感詞典，通過KNN算法將中文文本分類5類情感。1.2.2國內研究現狀（一）網絡輿情研究現狀國內的網絡輿情研究比國外開始的要慢一些，劉毅[18]在其著作《網絡輿情研究概論》中提出網絡輿論的涵義是指隨著社會的進步和互聯網的發展，個人和群體使用聲音，圖像，文本，視頻和其他表達形式作為載體來表達自己的情感，態度或觀念意見等。針對某個事件，某種觀點的觀點等，各種觀點、情感和意見的匯聚形成的總和，構成了網絡的輿論體系，這個體系具有六個特點。在國內研究中，一些學者還從不同角度進行了各種關于網絡輿情定義的討論和研究。陶建杰[19]從趨勢的角度出發，他認為互聯網輿論是緊急事件中公眾的一種傾向性表達。蔣樂進[20]提出公眾通過網絡在公共社交平臺發布的帖子、在網站對新聞的點評、對其他網民的回復等在互相交流過程中逐步形成輿論，以沉默螺旋定理為基礎指出此時公眾發聲的觀點具有相似性。周如俊[21]提出互聯網輿論本質上是指輿論領袖和對互聯網有一定影響力的KOL主動表達對事件的看法。陳波[22]在泛在媒體的背景下，以外部輿論場影響率為指標，改進傳統的傳染病模型構建SEIR傳播控制模型，提出網絡輿論在不斷發展發酵時有自我凈化的能力。伍盈[23]等人提出在網絡輿論傳播過程中，輿論具有互動性，合理性和感知性共存的特點，對輿情的實時監控和提前預警有了更高標準的要求。李弼程[24]等人建立了一個網絡輿情監測模型，以實施網絡輿情監測，包括數據收集，輿情預警，風險評估等。（二）網絡輿情演化研究現狀目前，關于國內網絡輿情演化的研究主要是通過網絡輿情的演化過程和規律來進行的。由于不同學者的研究視角不同，劃分突發事件生命周期階段的方法并不具有確定性，并且存在多種劃分模式，例如四階段，六階段和八階段等。Fink[25]提出了經典的四階段生命周期模式：潛伏期、爆發期、蔓延期和恢復期來劃分突發事件的傳播；賈亞敏等[26]構建了城市突發事件網絡輿情傳播的生命周期模型，并將其劃分為起始階段、爆發階段、衰退階段及平息階段，其研究反應了各個階段的量化特征；廖海涵等[27]將微博輿情傳播周期劃分為萌芽期、成長期、衰退期以及平穩期；李綱等[28]將網絡輿情的發展演化過程分為潛伏、成長、蔓延、爆發、衰退和死亡六個階段；吳曉娟[29]依據目標話題傳播趨勢的多峰特征，將輿情演化周期劃分成八個階段。網絡輿論在不同時間，空間和背景下的演變有不同的規律和特征，張玉亮[30]提出緊急情況下輿論的演變本質上是輿論主體的博弈，建議通過分析政府，涉事相關方，媒體和第三方網民的利益牽扯來引導輿論；強韶華[31]以人群仿真理論為基礎，針對網民、輿情信息、政府之間的關系構建Agent仿真模型，深入挖掘輿情演化規律探討意見領袖和政府對輿情發展的作用。柳軍[32]提出從輿情微內容的角度，分析輿情演化具有“馬太效應”和“群體極化”的特點。錢穎[33]基于SIR模型建立了輿情傳播模型，認為輿情演化與時間成正相關關系。情感分析（sentimentanalysis），又稱傾向性分析，是指對于用戶意見、情緒以及情感的計算研究。目前，中國的文本情感分析主要有兩種類型：一種是無監督的文本情感分析，主要利用情感詞的相關內容來判斷文本的情感趨勢；另一類是有監督的文本情感分析，使用監督學習算法（例如樸素貝葉斯和支持向量機等）進行情感分類。劉勇華[34]將中文文本情感利用樸素貝葉斯分類器極性分為正面、負面和中性三個方面。目前最常用的是最大熵分類、樸素貝葉斯分類器以及支持向量機三種方法進行情感分析的研究，但是研究發現三種模式都存在一定的缺陷。因此劉春雨等人[35]將支持向量機NPSVM和TWSVM進行融合研究，研究結果表明他的運行精確度比SVM高1%~4%，且運行速度和范圍也得到了進一步的提升。對于情感分析技術，我國相較于其他國家的研究來說起步晚一些，但是也產生了很多杰出的研究成果。在情感詞典的構建方面，大連理工大學的徐琳宏等人[36]采取了自動獲取和人工分類的方式構建了情感詞典。王勇等[37]對微博文本進行搜集分類，構建了中文微博極性情感詞典。在情感分析的技術方面，FeiWang等[38]基于最大熵分類方法已解決情感詞典中詞語無法在不同語句中表達不同的情感強度和傾向的問題。Yang等[39]建立了最大熵模型的情緒分析系統。概念界定和理論基礎2.1突發事件網絡輿情的相關理論2.1.1突發事件突發事件是突然發生的，需要立即采取應急措施的事件，例如自然災害、社會保障、公共衛生以及事故災害等可能對社會造成或造成嚴重危害的事。根據事故可能造成的損害程度深淺、影響的范圍、傳播速度、生命財產等損失情況，緊急事件可分為從低到高四個等級：一般、較大、重大和特別重大，級別記作Ⅳ級、Ⅲ級、Ⅱ級和Ⅰ級，顏色標注分別為藍、黃、橙和紅色。突發事件具有目的性強、突發性強、聚集性強、破壞性強、狀態不平衡性強的特點。2.1.2網絡輿情網絡輿情是指在給定的社交空間中，以互聯網為載體的，圍繞社交事件，在事件演變過程中情感演變，網絡輿情是指公眾的情感和態度、見解和表達方式、交流與互動及其影響力的集合。表達形式主要基于微博，新聞，博客，論壇等上與事件相關的公眾轉發、評論、點贊和新聞發布。表現的特點主要體現在公開表達的直接性、多樣性、隱秘性和隨意性上。在這個階段，網絡輿論對社會穩定和生活秩序的影響越來越大，對社會的監督作用也越來越大。如何正確地引導和解決網絡輿論的發展是非常重要的，解決不當就將導致公眾的不滿和過激行為，這很容易構成社會威脅并影響范圍廣泛。與網絡輿論相比，傳統輿論主要存在于民間，在人與人之間的日常街頭討論中，很難獲得記錄，可獲得的輿論樣本量小，效率低，誤差大，成本高。隨著互聯網的發展，公眾更傾向于通過網絡表達對事物的想法，觀點和見解，網絡輿情的捕捉方法和各種抓取方式都有了的創新和發展，在此基礎上，網絡輿情捕獲技術攻克了傳統輿論管理的缺點，實現了捕捉高效、信息保真度高、覆蓋面廣的特點，在很大程度上有助于有關部門實施對輿論方便快捷的追蹤和管理。2.1.3突發事件網絡輿情突發事件網絡輿情是一種網絡輿論管理，特指在緊急情況發生后，公眾可以使用微博，微信，門戶網站和新聞平臺等各種自媒體平臺進行信息公開發表和表達想法和意見，他的主要內容通常涉及到了緊急情況的背后真相、事件原因、事件發展過程，相關部門的解決方式、方法和結果，以及由此產生的相關制度和道德問題。結合突發事件與網絡輿情的概念及特點分析，總結出突發事件網絡輿情的特征[40]主要包含以下幾點：（1）事件引發的偶然性與隱蔽性。突發事件通常是由社會發展長期形成中的特定誘因引起的，事件的偶發性和隱秘性讓突發事件的發生形式，演變趨勢和演變情況以及將造成的影響的范圍大小和程度都是無法預測。（2）事件傳播的目的性與聚眾性。輿情，是由人的舉動、思想和觀點形成，因此人類的行為目的就影響著輿論的演變過程，例如個人的、社會的、公眾的，尤其是事件的直接關系人的渴望和需要等都能成為突發事件的傳播目的，這些目的也帶有不同的方向，有正面、負面的，積極、消極的。受到事件影響自身相關利益的會對其保持持續的關注和傳播范圍，這就擴大了事件的影響范圍。（3）參與主體的隨意性與多元性。突發事件引發的行為、觀點和看法會受到參與討論的主體不同教育背景、社會地位、成長環境等因素影響，且這些言論的表達由于網絡的虛擬性，會體現出更大的隨意性，言論的約束力較小，人們可以暢所欲言，體現了參與主體的多元與隨意性。2.2情感分析理論2.2.1情感定義情感，屬于心理學范疇用詞，是態度表達的組成部分，主要包括道德情感和價值情感兩部分，表達的對象分為對事物、他人、自我和特殊事物四個方面的情感，層次需求表現在溫飽需求、社會需求、自我實現三個階段。《心理學大辭典》[41]中認為“情感是人對客觀事物是否滿足自己的需要而產生的態度體驗”，而實際上，情感表達不僅是人的喜、怒、哀、樂等情緒的表達，而是人的感官上、機體中、心理和精神上的一種感受。輿情是公眾情感表達的集合，它是公眾由于特定事物產生的心理及行為上的影響，所產生的諸如行為、言語、文字及表情類的表達，客觀上，它是公眾對于特定事物的生理反應，主觀上，它也是一種個體的體驗與感受，總的說來，是一種社會性的表達2.2.2情感分析定義情感分析，又名意見挖掘或傾向性分析，指對公眾在互聯網上發表的帶有感情色彩的主觀性評論進行文本挖掘、數據處理、演化分析的過程，此類主觀性評論信息是公眾對突發事件的觀點和看法，其中蘊含了公眾的情感色彩及傾向性，主要包含積極（正面）情感詞、中性情感詞和消極（負面）情感詞三類，諸如“出眾”、“幽默”、“稱贊”、“高尚”、“欣喜”等為表達積極情感的文本，“指引”、“結果”、“只字不提”、“稍安毋躁”等為表達中性立場的文本，“厭惡”、“鄙視”、“狡猾”、“奸商”、“潛逃”等為表達消極情感的文本。通常來講，我們做情感分析是為了找出公眾針對某類話題的觀點態度，以便相關部門較好的引導和管理網絡輿情，維護網絡秩序及社會安定。根據文本處理的粒度差異，可將情感分析分為三個層級：詞匯、句子和文章。詞匯層級的情感分析是句子和文章層級分析的基礎，其研究常用的分析方法主要分為基于詞典、網絡、語料庫三類，本文主要運用的是第一種，基于情感詞典的傾向性分析。句子層級的情感分析與詞語密不可分，要通過對詞語所表達的情感分析構成的句子，主要采用基于知識庫、語料庫兩種分析方法。文章層級的情感分析主要是分析把控、確定文章整體的情感方向（正向、中立或負向）和極性（積極、中性、消極），通過構建的情感詞典，分析整體的情感傾向性、類別和強度進行情感表達判斷。情感分析主要分為以下幾個步驟：第一，構建情感詞典語料數據庫或語料庫；第二，進行文本挖掘、對比分析，判斷情感屬性；第三，借助特定的算法進行關鍵詞分析；第四，進行情感強度分析，判斷情感傾向性。2.3信息處理相關理論與技術2.3.1文本挖掘與處理技術文本挖掘屬于數據挖掘中的一類，是對文本數據進行的挖掘分析，以便從中獲取有價值的知識或者信息。進行文本挖掘，最重要的是對文本進行分類、聚類分析。文本分類，針對大批量的數據文本，依據一定的規則及訓練方法進行分類，主要用于新聞、區域、文檔等類型的文本分類。文本聚類，可實現對大規模數據的自動分析，提取熱點事件，實現對事件主體特征的關鍵性描述。文本挖掘處理的技術包含多種，諸如文本語義分析、機器學習、樸素貝葉斯分類、數據挖掘技術、關鍵詞分析、信息檢索和抽取、數據可視化、模式識別分析等等都是常用的文本挖掘技術。文本挖掘主要通過以下幾個步驟實現文本的分析：①獲取文本，通過爬蟲等技術獲取Html形式的網絡文本數據，抓取關鍵信息；②文本預處理，篩選處理獲取的文本數據，剔除不相關、冗余的數據條，或者當數據量過大時也可直接選取一部分數據進行分析；③文本處理，對文本數據進行語言分析，依次進行分詞、詞性標注、去除停用詞；④特征提取，通過分析獲取文本的相對重要性，主要采用映射、原始特征分析、專家分析、數學提取等方法實現文本的特征提取；⑤文本的分類聚類，實現文本數據集到矩陣的轉化；⑥數據可視化，通過詞云等可視化方法將數據結構進行展示，幫助進行更好的圖11體制、道德等等方面的問題。結合突發事件與網絡輿情的概念及特點分析，總結出突發事件網絡輿情的特征主要包含以下幾點：（1）事件引發的偶然性與隱蔽性。突發事件一般是由于社會發展長期形成過程中，由特定的誘因引發發酵而來，其發生的偶然、隱蔽使得突發事件的具體發生形式，發展演變的態勢、即將造成影響的范圍及程度都是無法預料的。（2）事件傳播的目的性與聚眾性。輿情顧名思義，由人的行為、想法和觀點形成，那么其演變的過程中就存在著人的間接或直接的行為目的，如個人的、社會的、公眾的，尤其是事件的直接關系人，其欲望和需求等都能成為突發事件的傳播目的，這些目的有正面、負面的，積極、消極的。因事件的發生而受到相關利益影響的會對其保持不同程度的關注和傳播行為，這就擴大了事件的影響范圍。（3）參與主體的隨意性與多元性。突發事件引發的行為、觀點和看法會受到參與討論的主體不同教育背景、社會地位、成長環境等因素影響，且這些言論的表達由于網絡的虛擬性，會體現出更大的隨意性，言論的約束力較小，人們可以暢所欲言，體現了參與主體的多元與隨意性。2.3.2生命周期理論生命周期指的是事物經歷的從產生，到成長，直至最后消亡的整個過程，輿情的演化符合生命周期理論，因而現階段出現了很多學者的相關研究結果，并且對于輿情的階段劃分沒有定論，不同的研究存在著一定的差異。任凱、吳冬芹[42]等人基于公共危機事件的研究，將輿情演變劃分為5個階段（圖2.1），依次為潛伏期、擴散期、爆發期、波動消退期和衰退期；聶峰英、張旸[43]基于移動社交網絡，將輿情演變劃分為5個階段，依次為萌芽期、發展期、爆發期、消退期、消失期；晏敬東、楊彩霞等[44]人基于微博客戶端，將輿情演變劃分為4個階段，分別為潛伏期、預熱期、熱議期和衰退期；趙巖、王利明[45]等基于公共危機事件研究，將網絡輿情劃分為4個階段，依次為醞釀期、發生期、持續期和消退期；劉國威、成全[46]將重點研究網絡輿情事件，并將其演變分為3個階段，依次為醞釀期、爆發期和衰退期。本研究借鑒現有的研究結論，結合研究案例的自身特點，將將突發事件網絡輿情生命周期劃分為爆發期、高潮期和消退期期3個階段。3暴力傷醫事件網絡輿情情感分析3.1構建情感詞典網民發布的內容和評論通常代表了其對某個事情的觀點態度和情感，通過內容和評論以情感詞進行分類，對用戶進行情感傾向分析。情感傾向分析以構建一個全面的情感詞表為基礎，通過情感詞表，可以將樣本內容與情感詞表中出現的情感詞進行匹配，通過計算整個句子的情感值來計算樣本內容的情感傾向。現有的開源情感字典里，比較權威和常用的有HowNet（知網）、清華大學、臺灣大學、大連理工大學的字典。其中，知網的詞典是在2007年發布的，主要包含正面、負面情感詞以及程度級別詞語。比較發現知網詞典由于發布時間久遠，隨著時代的發展部分詞極性劃分不準，而且詞典數量較少。清華大學、臺灣大學、大連理工大學的字典，比較符合現在的網絡環境。其中大連理工大學字典，包含詞語、詞語極性、詞性種類、情感分類、詞語情感強度等方面，詞語總數達27466個，可以較好的適用于常見的評論分析語境。因此本文選取將大連理工大學、清華大學、臺灣大學的情感詞典合并使用，構建一個基礎字典。然后，對爬取到的文本數據進行詞頻分析，根據詞頻排序，人工篩選出重要情感詞，與基礎詞典合并去重，得到最終的適合于本次研究的情感字典。3.2情感強度計算對于微博文本情感的計算方式，首先將微博內容劃分成單個句子，在句中查找是否含有情感詞。當找到情感詞后，查看情感詞前后是否含有程度副詞、否定詞，同時要考慮程度副詞的程度等級，否定詞的個數，通過單個句子的情感極性計算最終得到微博文本的情感極性值。以句子在微博文本中的綜合極性權重為指標判斷單個句子在文本中的作用。使用python語言，先對某個劃分為單個的句子用jieba分詞工具進行分詞，定義微博文本T，有若干個句子Y組成，其中微博文本T={Y1,Y2,Y3,……,Yn}，計算單個句子YiP(YiP(Y)=P(Yi)其中，Ywi為句子中情感詞Wi的情感值。如果P(Y)分值大于0,表示微博文本為積極情感；如果P(Y)分值小于0表示微博文本為消極情感；如果P(Y)分值等于0,表示微博文本為中性情感。查看句中是否有積極詞(或消極詞)進行計算后，再判斷積極詞(或消極詞)前是否有程度副詞，比如"太精彩"，"精彩"是積極詞，"太"是副詞，如果有程度副詞，乘以程度副詞的分值。然后考慮句子前面是否含有否定詞，比如"不精彩"，"不"是否定詞，如果有否定詞，乘以-1例如：“今天我不健康，很糟糕。”其中“健康”是積極詞(value=1)，“不”是否定詞(value=-1)，“糟糕”是消極詞(value=-1)，"很"是程度副詞(2.5)。最終這句話的情感值是：-1*1+2.5*(-1)=-3.5組成微博文本的若干個句子可大致通過陳述句、反問句、疑問句、感嘆句和假設句五種句型表示，句型也對單個句子的情感值造成影響，比如同樣的一句話用陳述句和疑問句表達出的情感態度就大相徑庭。定義P1(Y感嘆句：P1(Yi假設句：P1(Yi)=P疑問句：P1(Yi反問句：P1(Yi通過P1(YiP1(Y)=P如果P1(Y)分值大于0,表示微博文本為積極情感；如果P1(Y)分值小于0表示微博文本為消極情感；如果P3.3數據獲取方法和工具3.3.1案例選取互聯網具有高度自由和包容性，網民自主地在社交媒體平臺上通過文字、視頻、音頻等多種方式針對事件發表主觀言論和情感。在面對暴力傷醫時，由于其關乎群眾的生命安全，此類事件一旦通過網絡發布，經過網民的大量跟帖、轉發，極易成為網絡熱點事件。為了研究公眾對于暴力傷醫網絡輿情的情感特點以及情感演化特征，并提出具有針對性的引導策略，本文選取了引起公眾廣泛討論的、具有代表意義的典型暴力傷醫進行數據采集。由于新浪微博作為當下發展最快的社交網絡平臺之一，大量的用戶每天在平臺上針對某個事件通過文字、圖片以及視頻等方式發表自己的看法，同時微博的轉發功能使得用戶情感可以在極短的時間內得到跨群體、病毒式的傳播，并形成深刻而廣泛的影響力，因此，本文選擇新浪微博作為信源平臺，對“暴力傷醫——陶勇醫生被砍”這一暴力傷醫進行研究。（1）案例選擇:2020年1月20日下午1時55分左右，朝陽醫院眼科發生暴力傷醫事件，共有三名醫護人員被砍傷，另有一位患者受傷，其中一名陶勇醫生受傷最為嚴重，其左手骨折、神經肌肉血管斷裂、顱腦外傷、枕骨骨折，失血1500ml，兩周后才得以脫離生命危險。事發現場視頻可以看到，在朝陽醫院內門診樓內，地上滿是血跡。多名保安和民警在現場維持秩序。據現場一名目擊者稱，當時，在門診樓7層的眼科診室內，眼科主任陶勇醫生正在接診，一名患者家屬持刀將工作中的陶勇醫生砍傷。陶勇醫生身中數刀，從診室跑出，該傷人者從7層追砍陶醫生到6層，后被保安制服。同時，眼科還有兩名醫護人員在拉架過程中被砍傷。現場還有一名母親帶孩子看病被誤傷。事發后，醫院保安和民警陸續趕到，將傷人者當場控制，并將其送至派出所。據北京朝陽醫院的公開資料顯示，陶勇是眼科學博士，曾留學德國，畢業于北京大學醫學部，是朝陽醫院主任醫師、教授、博士生導師，現任北京朝陽醫院眼科副主任。他擅長：葡萄膜炎、老視（老花眼）、白內障、高度近視及各類眼底病的診治，發表90多篇SCI，不到四十歲已經是博導，治療葡萄膜炎很厲害。該事件發生后立刻引起網友大量討論。截至2021年4月14日為止，相關熱門話題#陶勇#有14.5億閱讀量，73.8萬討論量；話題#陶勇醫生蘇醒#有2.2億閱讀量，4.5萬討論量；話題#陶勇醫生受傷后首次發聲#有2.4億閱讀量，10萬討論量；話題#同事接替陶勇醫生看病#有8.1億閱讀量，6.1萬討論量。相關話題閱讀量超百億，社會影響大，在暴力傷醫事件中同時具有代表性和時效性，因此選擇“陶勇醫生被砍事件”作為案例。近年來，醫患關系越來越緊張，醫患糾紛問題越來越受到社會各界的廣泛關注。暴力傷醫事件具有突發性和效仿性，因此頻發的小到醫鬧、大到暴力傷醫事件隨處可見，比如“2019年12月24日北京民航總醫院孫文斌傷醫致死”、“2020年1月20日朝陽醫院眼科暴力傷醫致重傷”等事件。每年傷醫事件層出不窮，人民群眾對暴力傷醫類型的事件的關注度也越來越高。“暴力傷醫——陶勇醫生被砍”事件作為2020年全網關注度較高的網絡熱點事件，其具有暴力傷醫輿情演化的普遍特征，同時也具有其獨特性，為本文的微博輿情特征分析提供了極高的研究價值。“暴力傷醫——陶勇醫生被砍”事件回顧如下：①1月20日，北京朝陽醫院發生一起醫生被襲擊事件，多名醫生被砍傷，其中姓陶醫生受傷最為嚴重，后腦勺胳膊多處被砍傷。據目擊證稱陶醫生當場倒地，已被送搶救，一名母親帶孩子看病被誤傷受傷醫生姓陶，還在搶救，行兇者被當場控制。②1月21日，三名受傷醫護人員及一名受傷群眾正在醫院接受治療，暫無生命危險。犯罪嫌疑人已被朝陽公安分局依法刑事拘留。在醫生受傷后，他的同事接替來醫治剩下的患者。????③1月25日，陶勇醫生蘇醒，口述一首詩，《心中的夢》。（2）信源選擇:隨著信息時代的急速發展，微博成為當下發展最快的社交平臺之一，其不僅能夠滿足用戶對于信息獲取的需求，更能滿足人們隨時隨地通過微博發布自己內心的情緒和觀點的需要，因此廣受大眾的喜愛。根據新浪發布的《2020微博用戶發展報告》報告中顯示，截止到2020年9月，微博達到月活用戶5.11億,日活用戶2.24億，成為全球最具影響力的社交媒體之一。本文選取的“暴力傷醫——陶勇醫生被砍”事件最先也是在新浪微博上曝光，隨后在各大媒體網站以及微信朋友圈中被廣泛傳播最終引起全國范圍內的熱議。各大官方媒體及政務微博對于事件發展的跟進報道也都主要集中在新浪微博平臺之上，公眾對于事件所發表的觀點和情感態度大部分也是基于微博平臺之上，因此本文選取新浪微博平臺作為數據樣本獲取的來源。3.3.2網絡爬蟲隨著互聯網的飛速發展，海量信息的爆發式增長以及網絡數據形式的復雜性與多樣性，都對數據獲取提出了巨大的挑戰，促使傳統的信息獲取方法急需轉型升級，以求能夠對海量數據進行更加精確快速的獲取。由此，網絡爬蟲技術便在這一背景之下誕生。網絡爬蟲(WebCrawler)，又稱為網絡蜘蛛(WebSpider)或Web信息采集器，其作為現代搜索引擎的關鍵組成部分，集自動化腳本與多網頁計算機程序于一體對URL進行抓取任務。網絡爬蟲的數據獲取步驟大致是先將單一的或多個URL作為目標種子集放入待抓取任務隊列之中，然后再從種子URL中開始進行采集網頁信息的任務，在抓取過程中同時更新待抓取隊列，直到待抓取隊列為空或滿足初始設定條件時，網絡爬蟲任務停止[47]。普通的網絡爬蟲通常由頁面研究板塊、數據庫、采集模塊、研究板塊、URL隊列以及抓取任務六個部分所組成[48]。由于網絡信息的復雜性，對于爬蟲軟件的要求也在逐日提高，根據系統框架與相關技術，基本包括以下幾類：深層網絡爬蟲、聚焦網絡爬蟲、通用網絡爬蟲以及增量式網絡爬蟲。由于每個爬蟲系統都存在著一定的缺陷，因此網絡爬蟲系統一般都是由多個爬蟲技術融合而成[49]。目前由于大數據技術的飛躍發展，網絡爬蟲技術得到了極大的提升，在原有的基礎之上又開發了各種網絡爬蟲軟件，如八爪魚采集器、GooSeeker采集器等。本研究使用的爬蟲軟件是八爪魚采集器，其核心技術是分布式計算平臺，能夠更加快速、規范地對所需網頁數據進行自動采集，并且可以對數據格式進行自定義，生成規范的數據。在對數據樣本獲取來源確定好后，對數據采集的時間區間鎖定，然后開始對案例數據進行采集工作，在新浪微博高級搜索界面設定2020年1月20日-2020年1月22日為時間區間，搜索關鍵詞為“朝陽醫院+(眼科|被砍|醫生|傷醫|暴力|被襲)”，對其進行檢索。采集字段包括：用戶名、用戶鏈接、發布時間、發布方式、轉發數、評論數以及點贊數，并將采集到的數據保存至excel文檔中備用。3.4數據處理3.4.1數據清洗通過八爪魚爬蟲軟件在新浪微博平臺上采集到的數據量非常龐大，且具有高度的信息不規范性，許多與事件不相關的信息被摻雜了進來，包括一些廣告數據、空白數據、重復數據等，這也增加了對數據的處理難度。因此，還需要人工的對部分信息進行數據清洗工作，主要包括以下步驟：（1）人工的對空白、無效數據進行刪除工作；（2）人工的對廣告數據、垃圾信息以及各種營銷信息進行刪除；（3）用Excel自帶的“數據去重”功能對重復數據進行刪除（4）對部分殘缺數據進行補充對樣本數據進行清洗整理后最終得到84604條有效數據，并將其作為本文后續研究樣本。3.4.2中文分詞機器學習算法分詞工具包括jieba中文、NLPIR等，針對文本大小的差異性和不同的使用環境這些中文分詞的計算結果都不相同。本文對比后采用python里的jieba分詞工具包。基于Python的jieba分詞技術[50]是針對中文的概率語言模型分詞,其本身具有一個名為“dict.txt”的詞典,該詞典由人民日報等語料數據訓練,jieba分詞技術涉及前綴樹、有向無環圖、動態規劃、隱馬爾可夫以及維特比等[51]多種算法。jieba可以滿足我們日常使用，具有許多的優點，第一，它包括三種分詞模式：盡力將句子精確分開的精確模式；速度快、掃描句子所有詞的全模式；基于精確模式，對句子更細切分的搜索引擎模式。第二，可以對繁體句進行分詞。第三，可以導入用戶自定義的詞典。第四，支持TFIDF、TextRank關鍵詞提取算法。第五，可以對詞進行詞性標注。第六，可以進行并行分詞。3.4.3去除停用詞在進行了分詞工作以后，要對文本中經常使用到的，但是卻沒有實際意義的詞，也就是所謂的停用詞，進行去除處理，在實際操作中，選用了哈工大的停用詞表，由于文本都來自于微博，所以在哈工大的開源詞表中加入了一些例如“收起文本”、“閱讀全文”、“轉發微博”、“哈哈哈哈哈哈”、“原博”等無意義詞語。對分詞完畢并已經去除了停用詞的詞頻進行詞條排序，如圖所示：3.4.4基于TF-IDF算法的關鍵詞分析詞頻-逆文件頻率（TF-IDF）是一種統計方法[52]，用來評估一個詞對一個文件集或一個語料庫中的其中一份文件的重要程度。在微博內容文本中如果某個詞語出現次數越多，但同時在整個微博內容文本中出現的次數越少，就越能代表該文本的特性。詞頻（TF）指一個給定的詞語在微博內容文本中出現的次數。定義D為微博內容文本合集，其中一條微博文本Wi表示為Wi={w1，w2,……，wj},wi,j為微博內容文本中的一個詞條，則該詞條的詞頻（TF）為公式（8）：TFij=ni,j∑kni,j表示微博內容文本中的一個詞條wi,j在微博內容文本中出現的次數，∑knk,j表示微博內容文本Wi中所有詞條總數。定義D包含微博內容文本Wi，則Wi,j,作為微博內容文本Wi中一個詞條，逆文檔頻率（IDF）可表示為公式（IDFi,j=logM其中，|M|表示微博內容文本D中的文本總數，d表示包含詞Wi的文檔數,之所以加1是為了避免分母為0。某個特定文檔內的高詞頻率，乘以該詞在整個文檔中的低詞頻率，最終得到的就是TF-IDF的值。定義微博內容文本中特征值ti,j表示特征詞語在微博中的重要性，ti,j計算如下：ti,j=TF?IDF當某條微博被多次轉發和評論時該微博中的關鍵詞詞頻也越高，通過計算微博內容文本中關鍵詞權重，利用可視化工具對計算結果進行呈現，得到的關鍵詞可視化分析。3.5暴力傷醫事件情感傾向利用TF-IDF算法進行關鍵詞分析得到的關鍵詞可視化分析如圖所示，高頻詞匯的出現往往能在一定程度上反應整個事件的走向及發展變化，而這些高頻詞通常來源于政府官方微博、某些微博認證的大V用戶他們對事件撰寫的描述性文本或單純的新聞文本；低頻詞匯往往來自于普通民眾對于事件的態度和看法。該突發事件包含較多關鍵詞，通過分析觀察選取特征關鍵詞為代表進行分析，發現該突發事件的關鍵詞分析具有以下具體特點：少數權重高的關鍵詞代表了該突發事件中的輿情焦點，如：“醫生”、“朝陽醫院”、“陶勇”、“被砍”、“眼科”、“醫院”等，這些關鍵詞體現了網民對整個傷醫事件的關注焦點，對于陶勇醫生被砍事件，關于事故發生的地點、人物一直是網民的焦點。而數量上占大多數，但重要程度較低的關鍵詞則體現了輿論場中網民觀點主張的多樣性。“傷醫事件”、“衛健委”、“警方通報”、“搶救”、“抓獲”、“菜刀”等詞體現了網民在事件發生時負面情緒很大，除了對于陶醫生傷情的關心，同時也關注著傷人者的情況。“生命危險”、“受傷”、“被砍傷”、“血跡”等詞體現了網民關心陶勇醫生傷情祈禱平安的積極情感。在微博社交平臺中媒體對突發事件的客觀報道和網民發表的有關突發事件的看法構成微博內容合集，通過計算關鍵詞權重，分析了解事件發展動態，網民的高頻關鍵詞代表突發事件網絡輿情的特性。突發事件網絡輿情擴展了表達主體和多元化意見，公民意識不斷覺醒，每個人都有發聲的渠道。由此次事件可以看出，網友不單單關注北京朝陽醫院陶勇醫生被砍事件本身，通過“協會”、“衛健委”、“安保”等詞也可以看出網友積極關注著此次事件后續的一系列措施，是否會對醫生的人身安全有更高的保護，是否會維護醫生的權益，醫患關系是否更加緊張，如何讓消除醫患間的信任問題都是網友關心的話題。3.6情感分析在2020.1.20-2020.1.21清洗數據之后的相關微博轉發區抓取表情，進行用戶情緒分析。如圖所示，可以根據轉發表情看出[淚]、[失望]、[蠟燭]是使用頻率最高的表情，這三個表情都代表悲傷情緒，由此可以看出在事發時，網友的情緒首先是以悲傷、難過、心痛為主。而中位區的[微笑]、[怒]表情都代表了憤怒情緒，可以看出網友對醫生被傷一事的強烈不滿，此時也可以看到很多要求嚴懲兇手的言論，和高位表情一樣，這些都是負面情緒。在整個暴力傷醫——陶勇醫生被砍事件中，負面情緒都占據主導地位，包含了難過、惋惜和譴責憤怒。在本次事件中也有部分正面情緒，基本來自于對為陶勇醫生擋刀的患者家屬的正面評論，對于她做法的感激和表揚。通過情感詞典計算“暴力傷醫——陶勇醫生被砍”事件相關的84604條微博文本的情感傾向值，以情感傾向值為基礎判斷情感極性。當計算后的情感傾向值大于0時認為該微博具有正向情感，情感傾向值小于0時認為該微博具有負向情感，情感傾向值等于0時認為該微博具有中性情感，通過分析從宏觀上看，發現在“重慶公交車墜江”事件相關微博中，負向情感微博有69736條占主導地位，正向情感微博10285條，中性微博有4583條，其中負向情感微博占比遠遠高于正向情感微博。可見“暴力傷醫——陶勇醫生被砍”事件對社會造成了較大的負向影響，網民對該事件的情感整體為負向，網民情感處于消極態度。4.“暴力傷醫——陶勇醫生被砍”事件傳播過程及演化階段分析4.1“暴力傷醫——陶勇醫生被砍”事件傳播過程分析從圖中可以看出，新浪微博用戶對于“暴力傷醫——陶勇醫生被砍”事件的討論是從1月20日瞬間爆發的，并在1月20日18點左右達到了整個事件討論度的峰值，當天涉及該事件的微博超過了30000條。到了1月21日，微博用戶關于“暴力傷醫——陶勇醫生被砍”事件的討論在持續，并在9點左右迎來了第二次討論的小高峰，當天涉及該事件的微博將近10000條。1月22日開始，微博發布數量有了下降趨勢，討論逐漸趨于平緩，與1月21日相比，22日與事件相關的微博減少很多，數量不足2000條。隨著事件發展進入了收尾階段以及其他熱點事件（2020年除夕是1月24日）的出現，微博用戶對于“暴力傷醫——陶勇醫生被砍”事件的關注逐漸下降，最終輿情走入了消亡期。本文通過對所收集到的微博數據進行可視化分析后，挖掘出了在“暴力傷醫——陶勇醫生被砍”中起到重要作用的關鍵用戶。新浪新聞于1月20日14點在微博上公布了北京朝陽醫院突發一起醫生被襲事件之后之后，迅速引起了微博用戶關于“醫暴”話題的大范圍熱烈討論。該條微博現已獲得轉發數45000余次，評論數10000多條，點贊數超81萬次。新浪新聞是官方認證媒體，本身就擁有著高達5800多萬的微博粉絲基數，作為藍V用戶可信度也足夠高，因此原微博一經發出，便獲得了廣泛的評論數以及較多的轉發層級，所覆蓋的微博用戶人數也較廣。除此之外，一些認證媒體以及有影響力的大V用戶（如大V用戶M大王叫我來巡山、谷大白話、休閑璐、野比大雄等）的加入，也在此次事件的傳播過程中起到了重要的協助擴散作用。隨著事件被進一步報道，越來越多的官方媒體、大V和有影響力的自媒體等參與了轉發和評論，粉絲也對他們的微博進行二次甚至多次轉發，從而使得事件覆蓋的范圍越來越廣，越來越多的微博用戶開始關注到該事件并參與討論。新浪微博上48小時內關于該事件的話題多達30多個。其中#陶勇#為最熱門的話題，一共有73.8萬討論，閱讀量高達14.5億。對“暴力傷醫——陶勇醫生被砍”事件的傳播過程大致可以總結如下：事件一開始是由新浪新聞作為認證媒體官方通報，隨后經過官方媒體、大V、有影響力的自媒體等用戶進行了報道、轉發和評論，迅速引發全網的高度關注以及廣泛討論。隨著相關部門的介入，公眾繼續保持對事件發展的關注，相關認證媒體則選擇繼續對事件進行跟進報道。輿論的熱度促使2020年兩會全國人大代表甘華田提交了一份《建議盡快出臺維護醫院安全秩序的管理條例》的代表建議：建議警察承擔醫院安保工作。如圖，根據新浪微熱點提供的數據，我們可以大致看出微博用戶對于此次事件的主要觀點。27.66%的微博用戶觀點集中于1月20日三聯生活周刊發布的“成為陶勇有多難”，細數了陶勇的學歷、專長，說明了是我國眼科領域不可多得的人才。15.87%的微博用戶觀點集中于#警方通報朝陽醫院傷醫事件#，在了解事發情況后微博網友更加關心將如何處罰兇手。通過對“暴力傷醫——陶勇醫生被砍”事件傳播過程進行歸納總結，本文認為突發性醫暴事件的傳播過程有以下三個關鍵部分：①事件發布主體。微博平臺作為一個公眾平臺，具有便捷性、傳播性和原創性等特點，對于事件的發布來源則是多渠道的，可以是事件當事人、事件目擊者、大眾媒體或官方媒體等，不同的發布者有著不同的傳播效果。譬如，一開始有少數在現場的微博網友也發布了消息和現場視頻，但是因為微博粉絲數不夠多、不是認證媒體用戶可信度不夠、閱讀量少等原因，并未獲得大量傳播轉發。直到微博用戶“新浪新聞”作為藍V用戶發布了時間信息，立刻獲得了認證博主及粉絲的轉發關注；隨后經過各官方媒體的報道和有影響力的大V用戶的轉發擴散，“暴力傷醫——陶勇醫生被砍”事件開始引發了全網的關注。②意見領袖。意見領袖在輿情傳播過程中的影響力不容小覷。根據情緒感染理論，人們常常會在生活中通過模仿他人的表情、語言、動作來實現和他人情緒的一致性。因此，作為在互聯網上有較大影響力的意見領袖所表達出對事物的觀點和情緒，會在一定程度上對他人的觀點和情緒產生影響，并且對于事件發展的后續也會起到重要的作用。③相關部門回應。輿論是社會的反應，在熱點輿情事件發生之后，相關部門的回應速度是否及時積極，在事件處理過程中是否公開透明，在事件后續發展中是否跟進，都將直接影響輿情是否往積極方向進行演化。4.2“暴力傷醫——陶勇醫生被砍”用戶情緒特征分析在微博、微信、論壇等社交軟件中，用戶主要是通過文字來進行相互之間的交流。雖然在聲音、視覺等方面與面對面交流相比存在著一定的缺陷，但是經研究發現，這些缺陷不但不會成為用戶情緒表達的絆腳石，反而還可以反映出用戶更多的情緒信息[53]。在現實社會中，人和人之間的交流多表現為口頭語言交流方式，人們會受到人際關系、法律道德等方面的約束。相反，在網絡交流中，由于網絡的匿名性，人們缺乏現實生活中的社會輿論監督，從而使得用戶在進行線上的情緒表達時，能夠表現出較少的顧慮，做到將自己的真實情緒進行如實或者更為夸張的表達。因此，我們有必要對微博用戶的情緒特征進行分析。4.2.1基于性別的用戶情感特征分析針對不同的網絡熱點事件，男女受眾對于事件的關注程度往往是不相同的。文本對“暴力傷醫——陶勇醫生被砍”事件中男女網民進行分類，具體數據如圖所示。從圖中我們發現，對于“暴力傷醫——陶勇醫生被砍”事件女性用戶投入的關注度遠遠大于男性用戶。從事件本身角度解釋女性本身對暴力事件的敏感度和共情能力就要優于男性，在社會中相較于男性更加容易面對暴力問題，且事件中也有女性受害者，因此在該事件中，女性用戶投入了更多的精力關注該事件的發展；從心理學的角度解釋因為女性相比于男性，更加情緒化，更容易表現出強烈甚至于極端的情感態度，而男性更加理性，更多情況下對于事件的態度是以一個旁觀者的角度來表達自身看法。與此同時，男女受眾之間看問題的角度也會對情感的變化產生一定的影響，對于男性而言，他們往往對具體的事物感興趣，并站在中立客觀的角度對事件進行評價；而對于女性用戶而言，她們更具有同情心，更多的是關注事件當事人，并比較主觀情緒化的表達自身的正面或者負面情感。因此，在面對不同的熱點事件時，針對男女用戶之間的心理差異，相關部門需要采取不同的措施進行引導。4.2.2基于性別的地域情感特征分析對于不同的網絡熱點事件不同地域的用戶對其投入的關注度以及情感態度也是完全不同的，文本對參與“暴力傷醫——陶勇醫生被砍”事件的用戶進行地域統計，如圖所示。從圖中我們發現，對“暴力傷醫——陶勇醫生被砍”事件關注度最高的是廣東省，其次還有北京、江蘇、浙江和山東省等地。據新浪微博數據中心發布的2020微博用戶發展報告中顯示，廣東省和江蘇省的新浪微博用戶數量最多。廣東和江蘇省由于本身新浪微博用戶基數高，對于事件的關注度也隨之較高；朝陽醫院坐落于北京，作為事發地所在城市，又是首都城市發生這樣的惡性事件，使得北京地區的用戶對該事件也保持著相當高的關注度，同時對于該微博下內容進行分析發現，評論用戶大都對事件持有消極的情緒，對于事件的發生一致表示憤怒和譴責在對待不同網絡熱點事件發生時，我們不難發現，各地區對于事件關注度以及當地公眾對于事件的情感態度與事件發生地、事件涉及人員或組織所在地等因素密切相關，因此相關部門在對處理不同事件是可根據事件所涉及的地區進行更大程度的公眾情緒與輿情引導效果會更好。5醫暴事件網絡輿情引導策略“暴力傷醫——陶勇醫生被砍”作為眾多突發醫暴事件一個縮影，其情感能量域可反映該類醫暴事件的總體情感認知與情感能量特征。該情感空間中的其他認知維度表明，醫暴事件在自我層面上會引發民眾對于醫護職業的選擇憂慮，在社會層面上引發對制度政策的質疑，長此以往，甚至會導致政府公信力的缺失這樣一系列社會發展問題。這些衍生問題最終將阻礙社會的有序發展，也是醫暴輿情必須加以監控與引導的重要原因。5.1相關部門處理過程中存在的問題政府和相關部門是為百姓服務的機構組織，主要任務就是為公眾提供更好的服務，保障社會的和諧發展。其中，部門公信力的重要性不言而喻。所謂的公信力指的是部門在開展工作中，所產生的讓公眾信任的能力。它體現在公眾是否認可相關部門，是否和公眾之間建立了信賴關系、相關部門是否履行了應盡的職責以及是否能夠保證政治和經濟的平穩發展等方面[54]。在“暴力傷醫——陶勇醫生被砍”事件剛剛發生，并且相關部門還未介入事件調查的時候，微博平臺就已經有不少微博用戶發布了類似“暴力傷醫事件層出不窮，每次都重重拿起，輕輕放下，打了醫生不用關幾天還能得到更好的醫療資源，以后有事都去打醫生了。”、“這都是第幾次了？不出臺有效措施，光抓人有用嗎？”、“太搞笑了，所以以后去醫院是不是都要搜身安檢了啊？？”等評論。從微博用戶的評論中可以看出，在此次事件的發展過程中，大多數微博用戶對于相關部門抱有著不信任的態度，認為法律法規對醫鬧的處罰太過輕，只會得到不盡如人意的處理結果。由此可見，相關部門存在著公信力較低的問題。不難解釋在事件的后續發展中，多數微博用戶對于相關部門處理過程以及處理結果的評論情緒普遍偏向負面的原因。公信力對于相關部門開展工作的重要性不言而喻，擁有足夠的公信力，才能使得政府部門獲得公眾足夠的信賴和認可，從而推動落實各項政策、維持市場的正常運轉、建設和諧社會。一旦公眾對于政府部門的行為產生了不滿意和不信賴的情緒，積攢到一定程度后，這樣的情緒聚集則極有可能會造成危害社會穩定的行為發生。在本次事件中，事件的后續是傷人兇手被判死緩，網友對這個處理后果就表現得十分滿意，情緒大多是積極態度。不但挽回了相關部門的公信力，還讓網友對相關部門更加信任和滿意。5.2基于情緒演化階段特征的微博用戶情緒引導對策本文將“暴力傷醫——陶勇醫生被砍”事件的網絡輿情演變過程按照情緒熱度的不同演化特征，劃分成了四個階段，分別為：情緒萌芽、爆發、反復和消退四個階段。其中，最容易對微博用戶進行情緒引導的階段是萌芽階段，如果相關部門能夠在事件處于萌芽階段初始時期及時應對，則可以有效地引導微博用戶的情緒往積極的方向發展。但是由于該階段微博用戶的情緒有一定的隱秘性和潛伏性，因此如何及時地捕捉和挖掘到微博用戶的情緒并且對此進行引導是這一階段存在的困難。通常來說，爆發階段中微博用戶的情緒熱度普遍較高、影響的范圍較廣、持續的時間較長、公眾對于事件的關注度也普遍較高。因此，在爆發階段中，相關部門應該及時了解核實事件的具體信息，并公開透明地向公眾匯報。除此之外，相關部門應及時地對所產生的謠言進行核查和澄清，盡量縮短爆發階段的持續時間，減少微博用戶的情緒波動幅度和次數。和其他案例有所不同、也是本文所選取案例的特殊之處是：本文案例中反復階段的微博用戶情緒熱度是四個階段中情緒熱度最高的階段。這也說明在爆發階段結束之后，對于事件的輿情監督工作仍然不能掉以輕心，相關部門應該繼續保持對事件發展進程的跟進，隨時警惕在事件發展過程中出現突發情況而引發的衍生輿情。從本文選選取的案例可以看出，衍生輿情所導致的負面情緒聚集的影響不容小覷，因此反復階段最重要的任務是關注衍生輿情，防止微博用戶情緒的再次大幅度波動。當事件發展至最后的消退階段，此時微博用戶的情緒已經基本得到了有效控制，隨著事件的發展以及新的互聯網熱點事件的出現，微博用戶的注意力得到了轉移，與此次事件有關的情緒熱度波動次數減少，波動幅度趨于平緩，此時的輿情漸漸走向消逝。本階段相關部門應該對此次事件的處理過程進行及時的反思，同時及時地總結經驗汲取教訓，深挖事件背后隱藏的社會矛盾，盡量避免下一次出現類似情況。基于此，本文將以互聯網熱點事件輿情發展的四個不同階段作為主線，結合四個階段中微博用戶的情緒特征，對相關部門今后在面對類似的互聯網熱點事件所應采取的引導措施提出建議。6.總結與展望6.1研究結論本文對暴力傷醫網絡輿情的情感特征進行研究，并結合焦點事件作為案例進行深入分析，從網絡輿情的傳播過程、情感演化特征以及用戶特征多維度的分析，最終得到暴力傷醫安全事件網絡輿情的情感特征，研究內容主要包括下列三個方面：（1）將網絡輿情、情感分析和情感傳播的國內外研究成果進行梳理，并將三者特點結合分析。（2）選取合適的焦點事件，且該事件具有足夠的典型性。醫生作為救死扶傷的代表卻頻發被傷事件，尤其是“陶勇醫生被砍”事件的發生，再一次讓公眾開始重新審視醫患關系的問題以及醫生權益保障的問題，醫生作為社會服務群體，公眾更是對其賦予了極高的關注度。因此選擇“陶勇醫生被砍”事件具有充分說服力用于研究暴力傷醫的情感特征。（3）對選取案例所采集到的數據進行深入分析處理，并輔以情感演化階段分析、高頻詞匯分析、網絡輿情傳播過程分析、用戶性別及地域分析等方法對網絡輿情的情感演化特征、用戶特征以及網絡輿情的傳播過程進行多維度的綜合分析，最終得到暴力傷醫網絡輿情的情感特征。經過上述分析過程后，得到以下結論：（1）暴力傷醫發布平臺和主體、意見領袖以及官方和涉事組織回應速度是網絡輿情傳播過程中起關鍵作用的3個重要因素，因此對于網絡輿情的引導需要從這三個方面重點進行。（2）暴力傷醫網絡輿情的情感演化可以分為四個階段，分別是：萌芽期、爆發期、消退期和反思期，因此對于事件的引導工作也需要基于上述四個階段進行，不同階段所采取的措施各不相同。（3）針對網民性別、地域的不同，引導過程要因地制宜，根據具體事件類型以及具體情況采取多種引導方式多管齊下，不能千篇一律。據上述結論，提出以下相應引導對策：第一，針對曝光主體及平臺方面，政府部門需要通過大數據技術手段對互聯網等事件曝光平臺進行實時監控，以便能夠及時有效的掌握暴力傷醫網絡輿情的最新情況并對公眾的情感進行時刻關注，避免極端情緒占據主導地位。同時對于意見領袖，政府部門需要更加重視互聯網意見領袖的作用，加強對這部門人員的管理，在事件發生后需要意見領袖配合政務微博合力將事件的真相在第一時間告知網民，穩定住網民的情緒，鼓勵意見領袖多傳播正能量，共同引領事件朝著積極正面的方向發展。而對于涉事組織，需要加強行業監管，提高行業準入門檻，盡早完全互聯網行業法律法規，明確涉事組織責任。第二，深入了解暴力傷醫網絡輿情的情感演化各階段特征，根據不同階段采取相對應的措施，比如在情感演化萌芽期，政府部門及涉事組織需要時刻保持高度警惕狀態，及早對事件的發生有所警覺；而對于情感演化的爆發期，涉事組織需要在第一時間站出來主動承認錯誤，并配合政府相關部門調查事件，安撫受害者家屬，穩定公眾情緒；在情感演化的消退期，涉事組織必須給公眾一個滿意的答復，絲毫不能有所懈怠；對于情感演化的反思期，涉事組織和政府部門需要從事件中汲取經驗，防止相同事件的再次發生。第三，針對不同的網民，需要采取的引導措施要因人而異，根據具體事件類型以及具體情況采取多種引導方式多管齊下，不能千篇一律。比如在面對女性網民時，需要更加耐心且客觀的進行引導，而對于男性網民，則需要引導他們站在中立的角度看待問題。同時面對不同地域的網民，所采取的引導力度也大有不同，對于案發地或者涉事組織所在地以及受害者所在地的網民，需要加大力度對其進行引導工作，而對于偏遠地區的網民，則可以稍微放緩引導力度。6.2研究局限與展望由于作者水平有限，研究在一定程度上存在一些不足之處。首先是對于案例只選擇了一個作為研究對象，雖然該案例具有焦點事件的一切典型特征，但是仍然無法以偏概全。其次，研究雖然從網絡輿情的傳播過程、網絡輿情的情感演化特征、用戶特征三個維度對暴力傷醫的情感特征進行分析，但是仍然存在沒有研究的部分，且對于數據的分析還不夠深入，只是看到了事件的表層，還需對深度進行擴展。未來的研究方向將從以下幾個方面進行展開：（1）選取多個事件進行橫向綜合對比分析，從而得出事件相互之間的異同以及規律性。（2）嘗試在技術和使用工具上進行創新和加強，以求能夠挖掘到數據更深層次的意義。參考文獻[1]中國互聯網研究中心.[EB/OL].[2]王來華.論輿情研究的兩個需要[J].天津社會科學,2010(04):70-74.[3]ElisabethNoelle-NeumannE.TheSpiralofSilence:PublicOpinion-OurSocial[M].Chicago:UniversityChicagoPress,secondedition,1993:50-56.[4]BrauchlerB.PublicSphereandIdentity[M],Chicago:University,2004(1):23-26.[5]Chong·D.ClementeM,RouletTJ.PublicOpinionAsaSourceofDeinstitutionalization:A“SpiralofSilence”Approach[J].SocialScienceElectronicPublishing,2005,40(1):96-114.[6]SudhaVerma，.NaturalLanguageProcessingtoTheRescueExtracting“SituationAwareness”TweetsDuringMassEmergency[A].In：ProceedingsofTheFifthInternationalAAAIConferenceonWeblogandSocialMedia[C].ICWSM-11，2011，California，Press，2011：297-304.[7]StevenFink.CrisisManagement：PlanningfortheInevitable[M].NewYork：AmericanManagementAssociation,1986：15-85.[8]BurkholderBT,TooleMJ.Evolutionofcomplexdisasters.[J].Lancet(London,England),1995,346(8981).[9]RobertH.Emergencymanagement[M].Beijing;ChinaCitricpress.2004:22.[10]FinkS.Crisismanagement.planningfortheinevitable[M].NewYork:AmericanManagementAssociation.1986.[11]BoP,LeeL,VaithyanathanS.Thumbsup:sentimentclassificationusingmachinelearningtechniques[C]//Acl-02ConferenceonEmpiricalMethodsinNaturalLanguageProcessing.AssociationforComputationalLinguistics,2002:79-86.[12]BracewellDB.Semi-automaticcreationofanemotiondictionaryusingwordnetanditsevaluation[C].2008IEEEConferenceonCyberneticsandIntelligentSystems,2008:1385-1389.[13]GoA,BhayaniR,HuangL.Twittersentimentclassificationusingdistantsupervision[J].CS224NProjectReport,Stanford,2009,1(12):2009.[14]HassanA,MahmoodA.DeepLearningapproachforsentimentanalysisofshorttexts[C]//InternationalConferenceonControl.IEEE,2017.[15]BoiyE,MoensMF.AmachinelearningapproachtosentimentanalysisinmultilingualWebtexts[J].InformationRetrievalJournal,2009,12(5):526-558.[16]DEYL，CHAKRABORTYS，BISWASA，etal.SentimentanalysisofreviewdatasetsusingNa?veBayesandKNNclassifie