【目的/意義】在重大疫情防控的輿論引導中,政府機構官方微博和地方黨政領導微博如何發(fā)揮各自特色,形成協(xié)同效應,實現(xiàn)矩陣式傳播?探究政務微博的"和聲共振"模式,有利于提升政府在突發(fā)公共事件中的輿論引導能力�！痉椒�/過程】以6組政府機構微博和黨政領導微博為研究對象,獲取疫情期間發(fā)布的全部4744條微博和對應的全部18121條評論數(shù)據(jù),采用人工編碼、關鍵詞分析、基于LDA模型的主題判斷和自動化的情感傾向性判斷等方法,從疫情響應、議題設置、影響力3個方面,對比政務微博在重大疫情防控輿論引導中的內(nèi)容特征,同時結合網(wǎng)絡交互情況,分析政務微博的協(xié)同現(xiàn)狀、問題及可能性。【結果/結論】政務微博對疫情的第一響應時間與信息密度具有差異性,在主題的時間變化趨勢上體現(xiàn)一致性;黨政領導微博更關注疫情本身,政府機構微博更關注疫情的應對;黨政領導微博的人格化特征有助于降低突發(fā)公共事件中負向輿論的比例。政務微博在重大疫情防控中的輿論引導應當聯(lián)合發(fā)聲、實現(xiàn)協(xié)同,同時依據(jù)官方微博和個人微博的差異化特征提升互補的矩陣式傳播效果。
【部分圖文】：

疫情相關主題政務微博情感傾向比例

(3）主題特征。政務微博進行有效的議題設置，有助于幫助民眾全面了解信息，并及時傳達最貼近民眾需要的信息�；贚DA模型識別出7個主題類別，如表4所示：“戰(zhàn)疫一線”比例最高（23%），湖北、武漢疫情中心始終牽動著全國人民的關心，政務微博對此給予了充分關注。較為客觀的疫情通報僅占9%，此次重大疫情防控中，第三方大數(shù)據(jù)分析平臺在數(shù)據(jù)統(tǒng)計與發(fā)布方面發(fā)揮了重要作用，疫情信息公開已不再是政務微博的主要壓力。因此，政務微博投入更多精力開展疫情防控，如宣傳科學防護與癥狀治療的知識（11.6%），保障市場、蔬菜、超市、餐飲等老百姓生活供應（11.3%），加強社區(qū)的消毒、防疫、排查等管理措施（13.6%），特別是交通出行管理（14.6%）、復工復產(chǎn)情況（16.7%）等地方政府應對突發(fā)公共事件的重要政策領域。政務微博在重大疫情防控的輿論引導中承擔不同角色，通過議題設置的協(xié)同，有助于對重要信息聯(lián)合發(fā)聲、強化效果，亦能夠發(fā)布信息各有側(cè)重、功能互補。此外，已有研究發(fā)現(xiàn)政務微博在突發(fā)公共事件的前期、中期、后期發(fā)揮著不同功能，如信息發(fā)布、社會動員、議程設置等【47】。本文對疫情微博數(shù)量較多的6個賬號在1—3月的主題分布進行了比較，如圖4所示。

首先，邀請2名編碼員判斷4744條微博是否與疫情相關，編碼結果的百分比一致性（Percent Agreement）【44】為94.8%，對比2份編碼結果進行的基礎上，作者對最終編碼結果進行判定。對于編碼結果，統(tǒng)計6組政務微博對重大疫情的第一響應時間、信息密度，并對6組賬號自開通以來、2019年全年和2020年新冠肺炎發(fā)生以來的活躍度進行比較，綜合反映政府機構微博和黨政領導微博對重大疫情的響應情況及其在時間維度上的協(xié)同情況。其次，對與疫情相關的微博進行原創(chuàng)性統(tǒng)計、關鍵詞分析和主題分析。(1)數(shù)據(jù)清洗與預處理：考慮微博語料長度短、無語義內(nèi)容多等特點，去除用戶名、超鏈接、“轉(zhuǎn)發(fā)微博”等系統(tǒng)語句。(2)分詞處理：為了更好地適用于微博語言表達多樣化的特點，使用人工分詞和詞性標注中文語料庫達5800萬字的THULAC中文自然語言處理工具，保留與疫情相關的名詞、動詞、地點詞、機構詞、簡稱詞等，并進行詞干化處理。(3)關鍵詞分析：計算政府機構微博和黨政領導微博的關鍵詞的頻率tf(wi)和中心度dc(wi)，前者描述關鍵詞出現(xiàn)的次數(shù)，后者表征關鍵詞和其他關鍵詞的關聯(lián)程度，tf(wi)和dc(wi)定義如下：。(4)詞云分析：使用Python的WordCloud庫對分詞預處理后的微博語料繪制詞云，以直觀、清晰地反映關鍵詞的重要性。(5)主題分析：采用無監(jiān)督學習方法Latent Dirichlet Allocation(LDA）文檔主題生成模型【45】，通過文檔—詞分布擬合生成文檔—主題分布、主題—詞分布，對全部疫情相關微博進行主題分類，其中，選定詞頻統(tǒng)計方法構建文檔—詞分布以達到生成的主題語義性更強，選定Python科學計算庫Scikit-learn求解LDA模型以保證在長尾主題發(fā)現(xiàn)上的效果更好，經(jīng)過不同主題數(shù)量和LDA參數(shù)α,β,perplexity＿tolerance對模型的訓練，最終尋找到7個主題數(shù)量的模型困惑度較低、生成主題語義性最具解釋力。
【相似文獻】

相關期刊論文 前10條

1 姚雪;;社區(qū)管理在突發(fā)公共衛(wèi)生事件中作用問題研究[J];大慶社會科學;2020年02期

2 本刊編輯部;;以治理組合拳應對疫情大考[J];審計觀察;2020年03期

3 孫炎賓;;同忻礦志愿者在“疫”線宣傳[J];現(xiàn)代班組;2020年03期

4 本刊編輯部;;構筑疫情防控人民防線 打贏抗擊新冠病毒戰(zhàn)爭[J];中國科技產(chǎn)業(yè);2020年02期

5 本刊編輯部;;堅決打贏疫情防控阻擊戰(zhàn)[J];中共石家莊市委黨校學報;2020年02期

6 彭瀧阩;;萬眾一心打贏疫情防控阻擊戰(zhàn)[J];當代廣西;2020年03期

7 本刊編輯部;;臺州：為打贏疫情防控阻擊戰(zhàn)履行科技擔當[J];今日科技;2020年02期

8 本刊編輯部;;麗水:落實落細各項防控措施 打好打贏疫情防控攻堅戰(zhàn)[J];今日科技;2020年02期

9 本刊編輯部;;溫州：以非常之力下非常之功 堅決打贏疫情防控阻擊戰(zhàn)[J];今日科技;2020年02期

10 本刊編輯部;;金華：科技戰(zhàn)疫立標桿暖民心 全力打好疫情防控阻擊戰(zhàn)[J];今日科技;2020年02期

相關碩士學位論文 前1條

1 黎樺林;基層政府公共危機防控能力研究[D];湖南農(nóng)業(yè)大學;2015年

本文編號：2859766