科技猎舆情的“质变” 突发事件演化中变换阶段的意见领袖推演分析
编辑导读：随着互联网发展，舆论影响越来越成为内容传播的重要评价标准。想要让你的内容拥有更大的舆论影响力，你需要先了解舆论背后的一些典型特征和发展情况。本文从大数据与网络舆情的角度，对一些重大舆论事件进行了深入分析，与大家分享。
由中国新闻史学会计算传播学研究委员会与微热点大数据研究院联合举办的第二届传播数据挖掘竞赛已圆满落幕，15支战队尽显风采。以下为“突发事件发展推演模型”选题优秀作品《舆情的“质变”突发事件演化中变换阶段的意见领袖推演分析》，由来自厦门大学的“咬文嚼数队”精彩呈现。
01 引言
1.1 突发事件舆情演变的阶段模型
关于突发事件网络舆情演变的议题，许多学者从不同的角度进行了划分，包括三阶段、四阶段以及多阶段等演变模型。典型的三阶段模型为“发生、变化、结束” (王来华,2005;陈月生,2005)，还有“产生、传播、聚合”(徐敬宏 等,2010)。
这些三阶段模型较为简洁、抽象，但创新性和解释力不足，于是四阶段模型应运而生。
有学者提出“涨落、序变、冲突和衰变”的四阶段划分模型(刘毅,2007)，还有“起始、持续高涨、波动变化、淡化或消落”(姜胜洪,2010)。以上四阶段模型解决了部分三阶段模型的问题，但仍在逻辑性、接续性、描绘准确度等方面存在不足。
另外还有学者提供了内涵更多环节的多阶段模型，“潜伏期、萌动期、加速期、成熟期和衰退期”五阶段模型(谢科范 等,2010)重点反映由网络舆情引起的突发事件变化，因此在反映网络舆情演变方面不具有较好解释力。
上述突发事件网络舆情阶段演变模型在理论依据、逻辑理路、价值性、抽象性和纯粹性等方面存在明显不足(方付建,2011)。为了提供良好的突发事件网络舆情演变模型，本文依据生命周期的分解策略、在兼顾网络舆情演变时间、空间特点基础上，依据粒子思维构建了突发事件网络舆情演变的四阶段粒子模型。
该模型的特征对比如下表所示：
1.2 舆情阶段划分依据：转换阶段的质变特征
如今的网络舆情发展迅速，变换复杂，且突发事件经常出现多次的舆情反转，导致事件的真相模糊，引起网民的骂战。舆情变换期则定义为扩散阶段后出现的一系列明显转折、大角度转变，该阶段正对应了舆情的反转阶段。通过对舆情变化阶段的预判与控制，才能更好地将突发事件舆论往可控的方向引导。
图1.1舆情阶段划分流程图
1.3 舆情演变中的意见领袖的界定与测量指标
“意见领袖”这一概念最早由拉扎斯菲尔德在《人民的选择》中提出，指那些在人际传播中经常为他人提供信息或意见，并对他人施加影响的“活跃分子”，并据此提出了“两级传播”理论，即“观点经常从广播和印刷媒体流向意见领袖，然后再从她们流向不太活跃的人群。”(Lazarsfeld,1948)
随后，大量研究证明“意见领袖”在创新扩散、市场营销、流行时尚、公共事件、舆情控制等方面发挥着重要作用(Katz et al,1955;Rogers,1983;Bond et al,2012)。
特别是在网络舆情领域，由于网络信息过载、真假难辨，网民情绪极化且易变，舆情环境复杂且不确定性强，大量普通网民往往无所适从。而那些具有专业权威、特殊信息渠道、影响力和关注度等的“意见领袖”作为重要的信息源与传递者，能够及时匡正虛假信息，引导舆情趋于简单化、明朗化、集中化，从而成为网络舆情演变特别是舆情反转的重要推手(宋海龙 等,2010;陈福集 等,2015;金真婷,2019)。
由于网络舆情演变具有明显的周期特征，不同舆情阶段内大众的关注点、情感状态和舆情演化规律并不相同。相应地，不同舆情阶段内“意见领袖”的构成、特征和对舆情发展的影响也有所不同，因此，许多学者往往分阶段地识别并探究“意见领袖”对舆情演化的影响(姜珊珊等,2010;王国华 等,2011;王平 等,2012;晏敬东 等,2017;吴江 等,2019)。
但总的来说，关注“意见领袖”对舆情演变的作用，同时考虑到突发事件舆情演变的阶段性特征的研究，多集中在舆情发展前期，对于舆情演变中关键的“质变”阶段的已有研究很少。
随着传播工具和研究方法的改进，学者们在如何识别“意见领袖”的问题上不断尝试新的途径。传统的“意见领袖”识别主要借助问卷调查、自我报告法、关键人物访谈法等。(Rogers et al,1962)社交网络的兴起在对信息传播的行为和逻辑产生颠覆性改变的同时也为学者们提供了大量可供研究的数据，社会网络分析、PageRank算法、主题分析、情感分析等大数据分析方法成为社交媒体“意见领袖”识别的新方式。
综合来看，目前学界对Twitter、微博等社交媒体上的“意见领袖”的识别指标主要是包括四个方面：
- 个人属性，如粉丝数、关注数、认证类型、用户等级、注册时长以及用户的社会属性等；
- 行为特征，如原创微博数、评论数、微博被转发数、微博被评论数、微博被赞数等；
- 网络特征，如核心—边缘位置、结构洞位置、中心度、特征向量等；
- 文本特征，如微博与热点主题的语义相似度、微博内容的情感倾向、微博的主题多样性、原微博与转发的语义相似度、微博的褒义/中性/贬义评论比率等。
具体地，个人属性中，加V实名认证、媒体和自媒体认证等用户认证类型是微博意见领袖的显著特征。(王平 等,2012)有学者对微博意见领袖特征进行总结，认为意见领袖往往集中于文体明星、各行各业的专家学者、公共知识分子、政府官方微博、媒体微博、草根等类型(罗宜虹,2014)。
行为特征中，微博被转发数是衡量该账号是否具有“意见领袖”潜力的关键指标，有学者认为正是“转发”是一种将信息中继到相邻邻居之外的有效方法，而且通过绘制“转发树”证明实际上人们只会从占网民中一小部分的“意见领袖”那里转发(Haewoon et al,2010)。
网络特征中，有学者通过研究指出社交网络平台的新闻传播呈现出明显的核心-边缘结构，少量的节点居于核心位置并具有稳定影响力，他们通过一些中介节点将信息传向边缘节点(Manuel et al,2010)，而“意见领袖”往往居于核心位置(王旭等,2017)；许多学者对“意见领袖”在社会网络中的中心度进行测量，包括度中心性、中介中心性和接近中心性(Meeyoung et al,2010;陈远等,2015)，其中，中介中心性能描述行动者对资源的控制程度，即如何影响、控制信息的传播和他人的交往，无论是在局部还是整体网络分析中都至关重要，因此成为社会网络分析中“意见领袖”的关键特征(Jie Zhang et al,2011;王迪等,2013)。
文本特征中，意见领袖微博内容的情感倾向对整体舆论的情感态势有重要影响，有学者通过对香港“修例”事件中不同舆论主体之间情感态度的横向比较，发现意见领袖不仅在引导全局情感态势上的能力不容小觑，甚至是舆论情绪的制造者(谭旭,2020)，这一点在舆情反转过程中体现得尤为明显(陈一新,2020)。
基于对文献的梳理并结合现有数据的特点，本研究以用户认证类型、用户社会属性、专业相关度、所属地域、微博被转发量、核心—边缘位置、中介中心性、微博内容的情感倾向为指标对突发事件舆情变化阶段的意见领袖进行识别、归纳，从意见领袖角度探讨突发事件舆情变化阶段的特征和规律。
02 研究问题及意义
2.1 研究问题
RQ1：舆情在何时进入变换阶段？
a：具体何时进入变换期？
b：和前期相比，变换期的舆情有哪些特征？（各阶段传播内容及特征部分：变换前&变换期）
RQ2: 舆情变换阶段，哪些人能成为意见领袖？
a：哪些微博用户成为该舆论事件变换阶段的意见领袖？
b：各个舆论事件变换阶段的意见领袖具有哪些个人特征？
(用户认证类型+社会属性)
c：各个舆论事件变换阶段的意见领袖具有哪些网络特征？
d：各个舆论事件变换阶段的意见领袖具有哪些行为特征？
RQ3：舆情变换阶段，意见领袖是如何在情感层面影响舆情发展的？
（微博内容情感倾向）
2.2 研究意义
本研究补充已有研究的不足，着眼于舆情演变中“变换阶段”的意见领袖，在综合分析突发舆情事件特征的基础上，构建舆情变换阶段意见领袖的识别指标体系，并总结舆情演变过程特别是变换阶段的发展规律，为舆情监控部门识别变换阶段的意见领袖提供参考，以便其在复杂的舆情环境下及时进行引控工作并遏制舆情进一步蔓延。
03 研究方法及数据处理过程
图3.1数据处理流程图
3.1 数据清洗
首先对数据集二的微博数据进行清洗，使用了Jieba停用词功能、正则表达式以及表格数据处理包Pandas，清洗规则为：删除和目标内容无关的微博（包含投票机制以及关键词相同而事件不同的干扰微博），对大量的转发字符如（//@微博用户）和一些不具备分析意义的停用词同样进行删除，除此之外，还根据主题分析的结果去除了一些和当前主题不相关的微博内容，以确保数据的有效性。
3.2 数据来源与样本舆情事件的选择依据
（1）选择微博数据的原因微博作为一种新兴的信息传播渠道，因为其特有的实时性特征，已经成为突发事件网络舆情形成的重要平台 ,而在微博中如何定义以及发现网络舆情意见领袖是一个有待研究的问题。(刘志明,2011)
（2）已有数据舆情事件分类
将清洗后的数据，以“小时”为粒度进行分片，根据时间分片内的微博数量制作总分享量的传播折线图，共呈现出北京世界园艺博览会、北大学子弑母案等八个事件微博总分享量在时间的变化，如图3.2和附录一所示，更可分为以下三类。
- 标准类（“倒V”型）：母亲踹踢三岁女童模事件、仁济医院赵晓菁事件、四川凉山火灾事件和西安奔驰漏油事件均体现出事件发生后舆论经过孕育进入小高潮期，经过信息扩散形成舆论高峰，随后逐步衰减的特征。
- 迅速进入高潮类（“h”型）：北大学子弑母案和视觉中国版权风波均体现出事件甫一发生便迅速进入舆论高潮期，随后逐步衰退的特征；
- “二次爆发类（M型）”：北京世界园艺博览会和上海特斯拉自燃事件均体现出舆论进入衰退期后出现二次爆发的特点。
图3.2 总分享量的传播折线图
（3）事件的选取以上三类，将每一类中的事件按照首字母大小编号后，按比例随机抽样(4:2:2)，在“标准类（‘倒V’型）”选中“母亲踹踢三岁女童事件”和“西安奔驰漏油事件”；在“迅速进入高潮类（‘h’型）”中选中“视觉中国版权风波事件”；“二次爆发类（‘M’型）”当中选中上海特斯拉自燃事件，共计四个事件。
3.3 粒子扩散模型与舆情阶段划分依据
综合三阶段、四阶段、粒子扩散模型等已有的舆情阶段划分，本文以时间、空间两个重要维度划分舆情演变过程。
3.3.1 时间
根据总分享量线性变化图，在上述所选择的事件中，以平均分享量（见附录一）为标准，每高于平均分享量的阶段均属于一个舆论波峰，低于平均水平的时间段若为0时至8时则属正常，不将其视为舆论低谷，则将其计入同一阶段；若持续1天处于平均水平以下，则计入第二阶段，即第一阶段的舆论平静期；而后若有高于平均水平的波峰出现，则按照以上原则计入新的阶段，即第三阶段。
如此进行，最终研究者将四个事件划分为以下时间段，如图3.3所示：
图3.3 选取的四个事件时间段划分
3.3.2 空间
对所选取事件中每一个线性时间段内的博文内容进行关键词分析综合把握该阶段宏观舆情主题（见附录二），再对该阶段的博文内容进行LDA主题分析（见附录三），并整理归纳主题词，细化该时间段内的主题内容，对比各线性时间段舆情主题变化，同时参考粒子扩散模型中对于变换阶段的定义，如形态、烈度和指向等指标和其子指标发生“质变”，共同判断该突发事件是否、何时进入变换阶段，以及变换阶段前后的事件特征。
1）关键词分析：本研究使用了词频统计，统计各阶段微博内容词频，并使用TF-IDF模型进行关键词识别，根据词频绘制词云图；
2）LDA主题分析：首先利用TF-IDF模型将词向量化，而后训练LDA模型，计算困惑度选择合适主题个数，并对各阶段主题词进行主题概括。（蒋明敏，王雪芬，2020）
3.4 变换阶段的意见领袖识别体系
3.4.1 个人属性
1）从数据集中直接提取已有的微博用户认证类型，包括普通未认证用户、黄V（个人认证用户）、橙V（个人认证用户且拥有清晰头像、绑定可以使用的手机、微博账户关注数≥50、微博账户粉丝数≥50、互粉橙V好友≥2）、金V（个人认证用户且每个月阅读量超过1000万以上、粉丝量超过1万以上）、蓝V（机构认证用户）。
2）通过原微博溯及原博主，根据该博主的微博认证信息、简介和过往发博记录，综合评判该用户的社会属性，包括文体明星、各行各业专家学者、公共知识分子、媒体微博、政府官方微博、草根(罗宜虹,2014)，具体定义见附录四。
3.4.2 行为特征
利用清洗后的数据集二，按事件发展传播折线图划分出各个阶段，计算每条微博在各个阶段的被转发量并做降序排列，从头部依次选择不重复、微博正文内容与事件相关的十名用户，作为该阶段的核心传播者。
3.4.3 网络特征
1）核心—边缘采用Rombach等人基于核心-外围结构模型提出的计算方法(P. Rombach,2017)，使用python的核心边缘结构分析的算法包cpalgorithm对清洗后的数据集二进行处理，基于微博转发关系进行核心边缘分析。
2）中介中心性
采用了python的图论相关算法包networkx中的nx. centrality. betweenness_ centrality函数对清洗后的数据集二进行处理，基于微博转发关系计算中介中心性。
3）转发关系可视化
采用pyecharts，地理可视化库AntV-L7和网络结构可视化工具Gephi，将转发的层级关系可视化，见附录五。
3.4.4 文本特征
情感分析为了提升识别的准确率，研究者采用了深度学习中的Bi-LSTM模型(Xu G,Meng Y,2019)来对清洗过后的微博进行情感分类分析，在本次的处理中，Bi-LSTM模型会处理输入语句并把它们划分为积极、负面、中立三种情感，以作为语句的特征信息供后续的分析处理使用。
04 研究结果
4.1 RQ1：舆情在何时进入变换阶段？
a：具体何时进入变换期？
b：和前期相比，变换期的舆情有哪些特征？
以下，根据关键词分析和LDA主题分析，总结归纳变换前后阶段舆情主题及该阶段的特征，另外，由于在判断过程中“母亲踹踢三岁女童”事件不存在变换期，在本研究中不做展开。
4.1.1 上海特斯拉自燃事件变换阶段前后事件特征
图4.1 上海特斯拉事件变换前后阶段主题及阶段特征说明
4.1.2 视觉中国版权事件变换阶段前后事件特征
图4.2 视觉中国版权门事件变换前后阶段主题及阶段特征说明
4.1.3 西安奔驰漏油事件变换阶段前后事件特征
图4.3 西安奔驰漏油事件变换前后阶段主题及阶段特征说明
4.2 RQ2: 舆情变换阶段，哪些人能成为意见领袖？
a：哪些微博用户成为该舆论事件变换阶段的意见领袖？
b：各个舆论事件变换阶段的意见领袖具有哪些个人特征？
(用户认证类型+社会属性)
c：各个舆论事件变换阶段的意见领袖具有哪些网络特征？
d：各个舆论事件变换阶段的意见领袖具有哪些行为特征？
RQ3：舆情变换阶段，意见领袖是如何在情感层面影响舆情发展的？
（微博内容情感倾向）
4.2.1 标准类（“倒V”型）意见领袖特征
根据转发量、中间中心度、核心边缘分析以及传播网络图，变换阶段前后的头部意见领袖按照转发量降序排列如表格中所示，研究者在两个阶段分别选取意见领袖共计10位，其中重复的头部意见领袖只计数为1。
变换阶段前的头部意见领袖包括@奢车志、@千里眼西安、@央视新闻等10位，在个人特征上，其用户认证类型以“蓝V”为主，占比70%，其次是“橙V”20%和“金V”10%；社会属性以“媒体微博”为主，占比70%，由此推测该阶段以权威专业媒体为代表引领舆论走向；
从专业相关度可以看出，事件爆发伊始的头部意见领袖多与事件本身相关（90%），例如西安奔驰漏油事件与“汽车”相关，则意见领袖为诸如@奢车志一类的微博用户；
在地域方面，并未发现该阶段的意见领袖所在地与事发地并不一致。在网络特征上——数据暂未生成，此处暂缺。
在行为特征上，微博被转发量由45827到11787，传播力较强，说明其观点具有较强的说服力，具体需要参看文本特征。在文本特征方面，文本内容情感主要倾向于“正面”，占比70%。
变换阶段的头部意见领袖包括@一个有点理想的记者、@王尼玛、@新乡新闻网-网媒观察等10位。值得注意的是，在此阶段事件演化过程出现了“质变”。
在个人特征上，其用户类型以“金V”为主，占比60%，其次是“蓝V”、“橙V”和“普通用户”；社会属性多以非媒体的个人为主：其中包括“公共知识分子”、“草根”共占比60%，由此推测该阶段以个性化精英为代表引领舆论走向；
在专业相关度方面，该阶段的意见领袖多数（60%）与事件本身专业相关度为“无关”。在网络特征上，十位意见领袖核心度（均接近1）和中间中心度（见表格，该节点作为其他两个节点最短桥梁次数达十万以上）表现力俱佳，在舆论传播的社会网络中具有良好的中心性和极强的“桥梁”作用。
在行为特征上，十位意见领袖的微博被转发量由5095到559，传播力一般，但相较同阶段的意见领袖可能更能凸显其话语力量。在文本特征方面，文本内容情感主要倾向于“负面”，占比100%。
综上，对于标准类（“倒V”型）的事件来说，其变换阶段前后的意见领袖呈现以下特质：在个人属性方面，用户类型由多数“蓝V”转向多数“金V”；社会属性由多数“媒体微博”转向多数“公共知识分子”和“草根”；专业相关度由多数“相关”转向多数“不相关”；地域本身或与其是否成为意见领袖关系不大。
从网络特征和行为特征上来看，其中具体指标表现则指向该意见领袖在该阶段具有较高的传播力；在文本特征上来看，阶段博文情感分析由多数“正面”支持维权，转向多数“负面”评价“女车主”自身债务拖欠债款等问题。
综合事件演变的阶段特征，在此事件中，变换阶段出现了“反转”，舆情主人公的身份由“弱势群体”转向“强势群体”。
研究者推测，在舆情反转事件中，在舆情事件主体处于“弱势群体”时，则由“权威媒体”引领舆论走向，情感偏向“正面”评价；而当舆情主人公处于“强势群体”时，则更多由“个人”的身份如“公共知识分子”代表发声，引领舆论走向，情感偏向“负面”评价。
该观点是本研究的重要发现，但不能说明具有直接的因果关系，则还需要更多的同类型事件的舆情分析多加证明观点的合理性。
4.2.2 迅速进入高潮类（“h”型）意见领袖特征
在变换前阶段，@洋葱故事会；@散户小韭菜；@共青团中央等10人成为该阶段的意见领袖。在个人特征方面：用户认证类型上，金V、蓝V用户所占比例较高（分别为40%、30%）；社会属性上，媒体微博和专家学者占比较高（分别为40%、30%），也包含两个草根用户；
在专业相关度上，意见领袖本人所属专业领域普遍和本事件话题涉及的行业、专业不相关（80%）；在地域上，分布杂乱，不集中于某一地区。
在行为特征方面：这一阶段的意见领袖微博转换发量差别较大，自25至135不等。在网络特征方面：10个意见领袖均表现出较高的核心度，位于网络的核心位置。在文本特征方面：90%的有意见领袖表现出负向情感。
总的来说，变换前阶段的意见领袖整体上呈现出：在个人特征上，以金V用户、媒体微博账号为主的特点，意见领袖所属行业、专业与该事件本身涉及的行业、专业无关，地域分布杂乱；在行为特征上，微博转发量自25至135不等；在网络特征上，核心度较高；在文本特征上，更多倾向于表现负面情感。
视觉中国版权风波事件是典型的“迅速高潮类（h型）”事件，相关舆情进入变换期时，@天下观市；@沿海观察汇总者；@财经网；@战争史研究WHS；@共青团中央；@IT互联网电商科技；@遇见吴杰臻；@独家网；@视觉中国影像；@壹小寒成为意见领袖。
从个人特征来看，他们混合了各种类型的网民。用户认证类型方面，既有@财经网这样的权威的蓝V用户（40%）、@遇见吴杰臻这样活跃度和粉丝数较高的金V用户（30%），也有@沿海观察汇总者这样的普通用户；用户社会属性方面，这些意见领袖中“媒体微博”（40%），这意味着相关信息得到了各类媒体的关注，从而得到了更大的曝光机会。
同时，媒体的议程上设置功能也影响了舆论走向。@共青团中央这样的政府官方微博成为意见领袖，意味着事件具有广泛的社会影响，受到政府关注，并且被官方定性。@天下观市这样的草根用户（30%）成为意见领袖，且转发量最高，意味着广大网民参与讨论、发表观点，舆论主体更加广泛，因此可能造成舆论主题的多元化；在专业度上，40%的意见领袖在事件相关领域具有专业知识、经验。
从行为特征来看，这些用户的微博在这一时期均得到了较大量的转发。从网络特征来看，他们在转发关系网中具有较高的中介中心性并处于核心位置，这代表着他们掌握着信息传播的枢纽，对整个网络中各个节点的信息获取具有较强的影响力。从文本特征来看，90%的意见领袖博文呈现出负向情感。
总的来说，变换期意见领袖整体上：在个人特征方面以蓝V、媒体微博为主，同时，草根用户占比30%。意见领袖所属行业、专业与该事件本身涉及的行业、专业无关，地域分布杂乱；在行为特征上，微博转发量自36至1525不等且转发量最高的用户为草根用户；在网络特征上，核心度、中介中心性较高；在文本特征上，更多倾向于表现负面情感。
4.2.3 “二次爆发类（M型）”意见领袖特征
变换前阶段，@Tesla-苏州、@艾拜侦探社、@张洲等10人成为意见领袖。在个人特征方面：用户认证类型上，金V用户占比50%，橙V用户占比30%；在用户社会属性上，专家学者占比40%，媒体微博占比30%；60%的意见领袖所处行业、专业与本事件涉及的领域相关；这些意见领袖多分布在经济发达城市。
在行为特征方面，这些意见领袖的微博得到了比较多的转发。在网络特征方面，这些意见领袖具有较高的核心度和中介中心性。在文本特征方面，80%的意见领袖整体上呈现出负面的情感倾向。
总的来说，变换前阶段的意见领袖整体上呈现出：在个人特征上，以金V用户、专家学者为主的特点，意见领袖所属行业、专业与该事件本身涉及的行业、专业相关，地域分布杂乱；在行为特征上，微博转发量自16至120不等；在网络特征上，核心度、中介中心性较高；在文本特征上，更多倾向于表现负面情感。
舆情进入变换期时，@时尚潮流汽车；@罐子说车；@新浪财经；@EC品牌观察；@驾车网官网；@陕西消防；@浙江消防；@壹小寒；@i黑马；@财经网成为意见领袖。从个人特征来看，他们均为“有身份”的微博用户。
用户认证类型方面，这些意见领袖均在微博进行了实名认证，可信度高；其中@新浪财经、@EC品牌观察、@陕西消防等皆为蓝V认证（70%）用户，具有天然的权威性，而@时尚潮流汽车、@壹小寒则为金V（20%）认证用户，活跃度极高，相应得会拥有更多的粉丝和曝光量。
用户社会属性方面，这些意见领袖主要集中在专家学者（40%）、媒体微博（40%）、政府官方微博三类，均为具有权威性和一定社会影响力的用户，并且“电动车自燃”这样的社会事件、商业事件中具有较高的发言权。
从行为特征来看，这些用户的微博在这一时期均得到了较多转发，这意味着他们的言论、态度得到广泛传播和大量网民的认可，因此对舆论态势有较大的影响。从网络特征来看，他们在转发关系网中具有较高的中介中心性并处于核心位置，这代表着他们掌握着信息传播的枢纽，对整个网络中各个节点的信息获取具有较强的影响力。
总的来说，变换期意见领袖整体上表现出：在个人特征上，以蓝V用户、专家学者、媒体微博为主的特点，意见领袖所属行业、专业与该事件本身涉及的行业、专业相关，地域分布杂乱；在行为特征上，微博转发量自27至267不等；在网络特征上，核心度、中介中心性较高；在文本特征上，更多倾向于表现负面情感。
05 结论与讨论
5.1 标准类（“倒V”型）——西安奔驰漏油事件
西安奔驰漏油事件变换阶段前意见领袖各指标下的特征如下：
西安奔驰漏油事件变换期意见领袖各指标下的特征如下：
综合比较变换阶段前后各指标的特征变化，研究者总结三类舆情事件变换阶段的显著变化指标，详见如下表格：
标准类（“倒V”型）的舆情事件以西安奔驰漏油事件为代表，该类舆情演化规律呈现如下特征：事件发生后舆论经过孕育进入小高潮期，经过信息扩散形成舆论高峰，随后逐步衰减。值得注意的是，在此舆情事件中变换阶段的舆情出现了反转，反转前后意见领袖的特质发生了显著的变化。
总结来看，研究者发现个人属性指标中用户认证类型、社会属性、专业相关度或对舆情演化起作用，此外文本特征中的“情感倾向”也发生了显著的变化，因此研究者推论在舆情反转事件中特别是舆情主人公的身份“强弱群体”发生变化的情况下，舆情变换阶段前后的意见领袖在用户认证类型、社会属性、专业相关度、情感倾向四个指标上也各有不同，从而影响舆情的整体发展。
也就是说，用户认证类型、社会属性、专业相关度、情感倾向这四个意见领袖识别指标对于标准类（“倒V”型）的舆情事件来说具有一定意义。由于本研究只选取头部10位意见领袖进行分析得出的上述推论，该推论的合理性还需更多同类事件加以验证。
5.2 迅速进入高潮类（“h”型）——视觉中国版权风波
视觉中国版权风波事件变换阶段前意见领袖各指标下的特征如下：
视觉中国版权风波事件变换期意见领袖各指标下的特征如下：
综合对比变换前后意见领袖特征，发现两个阶段的意见领袖在用户认证类型、用户社会类型、和专业相关度方面呈现出不同的特征。
变换期的意见领袖用户认证类型从变换前的金V为转变为黄V为主，这说明在迅速即进入舆论高潮的事件中，前期有大量活跃度高、粉丝数多的黄V用户参与讨论，因此能够在短时间内造成巨大的舆论声量，促使事件迅速进入高潮期。
随着事件的进展，更多权威用户开始参与讨论、发表观点，给事件定性、定调。
变换期的意见领袖中，草根用户占比较变换前更高，且转发量最高的两位意见领袖均为草根用户，这说明在变换阶段，更为广泛的网民（而不是局限于某一群体和阶层）参与了讨论，也正是由于这类事件能够同时触及广大网民的共通的“痛点”或“怒点”，才能够在事发后短时间内迅速进入高潮状态。
在专业相关度方面，变换期意见领袖中专业与事件涉及的领域相关的比例更高，这是因为事件在进入变换期时舆论焦点从视觉中国黑洞照片版权行为本身转向了更具有专业性的著作人版权法律研讨会等话题。
因此，用户认证类型、用户社会属性、专业相关度三个指标可做为识别舆论变换期意见领袖的指标。
5.3 “二次爆发类（M型）”——上海特斯拉自燃事件
上海特斯拉自燃事件变换阶段前意见领袖各指标下的特征如下：
上海特斯拉自燃事件变换期意见领袖各指标下的特征如下：
综合对比变换前后意见领袖特征，发现两个阶段的意见领袖在用户认证类型、用户社会类型方面呈现出不同的特征。
变换前意见领袖以金V为主，变换期意见领袖则以蓝V为主、媒体微博所占比例上升。这意味着变换阶段出现了权威的、具有发言权、曝光度、关注度的信源，正是如此，他们的声音才能有掀起新的舆论高潮、造成舆论“二次爆发”的力量。
换句话说，他们本身就是“舆论致因”。因此，用户认证类型、用户社会户属性可作为识别M型事件变换期意见领袖的指标。
5.4 三类舆情事件变换阶段意见领袖特质及识别指标如下所示：
参考文献：
[1]陈福集,陈婷,(2015).舆情突发事件演化探析——基于意见领袖引导作用视角.情报资料工作,2,23-28.[2]陈一新,陈馨悦,吕妍,韩铁奎,徐扬.（2020）.基于改进Hegselmann-Krause模型的微博舆论反转研究.情报理论与实践,43(01),82-89.
[3]陈远,刘欣宇.(2015).基于社会网络分析的意见领袖识别研究.情报科学,33(04),13-19+92.
[4]陈月生.群体性突发事件与舆情[M].天津:天津社会科学院出版社,2005:10.
[5]方付建.突发事件网络舆情演变研究[D].华中科技大学,2011.
[6]姜珊珊,李欲晓,徐敬宏.(2010).非常规突发事件网络舆情中的意见领袖分析.情报理论与实践,33(12),101-104.
[7]姜胜洪.网络舆情形成与发展规律研究[J].兰州学刊,2010(05):77-79.
[8]蒋明敏,王雪芬,刘玥.基于LDA模型的网络舆情研究进展与演化分析[J].泰山学院学报,2020,42(02):116-124.
[9]金真婷.(2019).互联网时代下舆情反转现象的成因——以“河南高考调包案”为例.新闻研究导刊.10(24),60-61.
[10]刘毅.网络舆情研究概论[M].天津:天津人民出版社,2007:292-326.
[11]刘志明,刘鲁.微博网络舆情中的意见领袖识别及分析[J].系统工程,2011,29(06):8-16.
[12]罗宜虹,孙玉红（2014）.微博意见领袖的产生、角色、类型分析——以新浪微博为例.传播与版权,9,84-86.
[13]宋海龙,巨乃岐,张备,濮小金.(2010).突发事件网络舆情的形成、演化与控制.河南工程学院学报(社会科学版),25(04),12-16.
[14]谭旭,庄穆妮,毛太田,张倩(2020).基于LDA-ARMA混合模型的大规模网络舆情情感演化分析.情报杂志.1-10.
http://kns.cnki.net/kcms/detail/61.1167.G3.20200722.1124.022.html.
[15]王迪,何跃.(2013).基于社会网络分析的意见领袖网结构.统计与信息论坛,28(10):84-89.
[16]王国华,张剑,毕帅辉.(2011).突发事件网络舆情演变中意见领袖研究——以药家鑫事件为例.情报杂志,30(12),1-5.
[17]王来华.舆情变动规律初论[J].学术交流,2005(12):155-159.
[18]王旭,孙瑞英.(2017).基于SNA的突发事件网络舆情传播研究——以“魏则西事件”为例.情报科学,35(03),87-92.
[19]吴江,赵颖慧,高嘉慧.( 2019).医疗舆情事件的微博意见领袖识别与分析研究.数据分析与知识发现,3(04),53-62.
[20]谢科范,赵湜,陈刚,蔡文静.网络舆情突发事件的生命周期原理及集群决策研究[J].武汉理工大学学报(社会科学版),2010,23(04):482-486.
[21]徐敬宏,李欲晓,方滨兴,刘颖.非常规突发事件中网络舆情的生成及管理[J].当代传播,2010(04):41-43.
[22]晏敬东,杨彩霞,张炜南.(2017).基于生命周期理论的微博舆情引控研究.情报杂志,36(08),88-93+75.
[23]Bond R M, Fariss C J, Jones J J, et al.(2012), A 61-Million-Person Experiment in Social Influence and Political Mobilization. Nature, 489，295-298
[24]Haewoon, Kwak, Changhyun Lee, Hosung Park, Sue, Moon.(2010), What is Twitter, a social network or a News Media.// Proceedings of the 19th International Conference on World Wide Web.
[25]Jie Zhang, Xiao-Ke Xu, Ping Li, Kai Zhang, Michael Small, Node importance for dynamical process on networks: A multiscale characterization, Chaos: An Interdisciplinary Journal of Nonlinear Science, 21(1), 016107.
[26]Katz Elihu, Lazarsfeld P F.(1955), Personal Influence; the Part Played by People in the Flow of Mass Communications. Glencoe, Ill: Free Press.
[27]Lazarsfeld P F，Berelson B，Gaudet H.(1948)，The People’s Choice. New York: Columbia University Press
[28]Manuel Gomez-Rodriguez, Jure Leskovec, Andreas Krause.(2010), Inferring Networks of Diffusion and Influence. ACM Transaction on Knowledge discovery from Data,5(4)
[29]Meeyoung Cha, Hamed Haddadiy, Fabr´ıcio Benevenutoz, Krishna P. Gummadi.(2010), Measuring User Influence in Twitter: The Million Follower Fallacy. // Proceedings of International Conference on Weblogs and Social Media.
[30]P. Rombach, M.A.P., J. H. Fowler, and P. J. Mucha.: ‘ Core-Periphery Structure in Networks (Revisited). SIAM Review, 59(3):619–646, 2017.
[31]Rogers E M, Cartano D G.(1962), Methods of Measuring Opinion Leadership. Public Opinion Quarterly, 26(3)，435-441.
[32]Rogers, E. M. (1983). Diffusion of innovations (3rd ed). New York: The Free Press.
[33]Wang S, Paul M J, Dredze M, et al. Exploring Health Topics in Chinese Social Media： An Analysis of Sina Weibo[C]. national conference on artificial intelligence, 2014.
[34]Xu G, Meng Y, Qiu X, et al. Sentiment Analysis of Comment Texts Based on BiLSTM[J]. IEEE Access, 2019: 51522-51532.
附录一 总分享量的传播折线图
图1 中国北京世界园艺博览会事件总分享量折线图
图2 北大学子弑母案事件总分享量折线图
图3 母亲踢三岁女童模事件总分享量折线图
图4 仁济医院赵晓菁事件总分享量折线图
图5 上海特斯拉自燃事件总分享量折线图
图6 视觉中国版权风波事件总分享量折线图
图7 四川凉山森林火灾事件总分享量折线图
图8 西安奔驰漏油事件总分享量折线图
附录二 所选四个事件词云图
图1 上海特斯拉事件词云图（按阶段）
图2 母亲踹踢三岁女童模事件词云图（按阶段）
图3 视觉中国版权风波事件词云图（按阶段）
图4 西安奔驰漏油事件词云图（按阶段）
附录三 所选事件主题分析
以下为所选取四个事件的LDA主题分析表格汇总，用于事件阶段划分以及选取最优核心传播者的判断。
1. 上海特斯拉事件主题分析
2. 母亲踢3岁女童模事件主题分析
3. 视觉中国版权风波事件主题分析
4. 西安奔驰漏油事件主题分析
附录四 用户社会属性分类及定义
- 文体明星： 这也是占比较大的一类，在新浪微博粉丝数量排名前100的微博中，有64位为影视和体育明星，其中影视明星陈坤以72242471的粉丝数位居榜首，姚晨以64813989的粉丝数位居第二。
- 各行各业的专家学者： 包括财经、科技、教育等领域，如创新工场任董事长兼首席执行官李开复、女作家苏芩、地产大亨任志强等粉丝数都超过了190万，成为热门的微博用户。
- 公共知识分子： 主要是指那些“利用自己的专业知识，在关系到人民群众利益的问题上，积极表达自己的言论观点，引导社会舆论，推动公共舆论事件的解决”的专业人士。如韩寒、李承鹏等，他们的观点常常犀利而尖锐，对推动公共事件的发展起着关键性的作用。
- 媒体微博： 包括各大门户网站、传统媒体开设的微博。其中@头条新闻和@人民日报均排在了前100的行列。媒体人利用其专业优势，借助于微博这个平台发布新闻消息，吸引用户关注与点击，扩大自身的影响力。
- 政府官方微博： 这一部分主要是各级政府部门为了增强其公信力，促使政务信息的公开透明，方便与民众的沟通，使民众可以在第一时间内获得政务信息而开设的微博。
- 草根： 主要指那些没有实名认证，自身也不具备特殊背景，却能通过发布的信息吸引受众，拥有众多粉丝的微博意见领袖，如“冷笑话精选”“笑话学前班”“作业本”等。
附录五 变换阶段传播网络图
图1 上海特斯拉自燃事件变换阶段传播网络图
图2 视觉中国版权门事件变换阶段传播网络图
图3 西安奔驰漏油事件变换阶段传播网络图
本文由 @数据锅 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于CC0协议。