洞察中国公共卫生应急响应中的公众情绪与需求：基于微博数据分析

《BMC Public Health》：Insight into public sentiment and demand in China’s public health emergency response: a weibo data analysis

为探究公众对新冠政策及社会问题的情绪和需求，哈尔滨医科大学研究人员利用微博数据开展研究。通过情感分析、主题聚类等方法，发现公众情绪复杂，需求涵盖交通出行、防疫健康等五类。该研究为完善公共卫生政策和法律体系提供依据。

　　在新冠疫情这场全球大危机中，世界各国的公共卫生、经济都遭受重创，政策和法律体系也面临前所未有的挑战。中国在应对疫情时，现有政策和法律保障体系暴露出诸多不足，在灵活性、响应速度以及内容覆盖等方面难以满足实际需求，无法很好地平衡公共利益。同时，社交媒体的兴起，让微博成为公众获取信息、交流意见的重要平台。但此前的研究多聚焦流行病学和预防，忽视公众情绪和具体需求，且传统研究方法难以处理海量的微博数据。因此，深入探究公众对新冠相关政策调整以及社会民生问题的情绪和需求，对完善政策和法律体系就显得尤为重要。

为解决这些问题，哈尔滨医科大学的研究人员开展了一项关于中国公共卫生应急响应中公众情绪和需求的研究。他们利用微博数据，运用多种技术方法进行分析，研究成果发表在《BMC Public Health》杂志上。

在研究方法上，研究人员先通过 Python 设计网络爬虫，以 “疫情”“核酸” 等为关键词，从 2019 年 12 月至 2023 年 10 月的微博中筛选出 100 篇来自 36 个权威媒体平台的博文作为样本。对采集到的 55,085 条评论进行数据清洗、中文分词等处理，最终得到 50,249 条有效评论。之后，运用 SnowNLP 算法进行情感分析，该算法能将文本情感倾向值映射在 [0,1] 区间，以此判断情感正负；利用潜在狄利克雷分配（Latent Dirichlet Allocation，LDA）进行主题聚类，通过计算困惑度、主题相似度和主题一致性等指标确定最优主题数量；采用抽样编码的方式，从每个主题中抽取样本在 Excel 中编码，再导入 Nvivo12.0 软件进行开放式编码，挖掘公众需求。

在研究结果部分：

• 基本描述：100 篇博文被分为 23 个重要主题，如 staggered return policy、government law enforcement、medical rescue 等，涵盖疫情防控各方面，为后续研究提供基础。
• 情感分析：23 类主题的平均情感得分在 0.24 - 0.66 之间。物质安全和信息安全管理主题得分较低，分别为 0.24 和 0.34，公众态度偏负面，这与物资供应和信息安全问题有关；而诊断和治疗方案、应急调整措施等主题得分较高，公众态度积极。
• LDA 主题分析：确定 23 个主题可进一步分为 57 个子主题，如 A1 主题可细分为交通和旅行保护、疫情防护和健康安全等子主题，还展示了各主题的特征词和权重。
• 抽样编码需求提取：通过对评论编码，得到 101 个概念，根据马斯洛需求层次理论，将公众需求分为交通和旅行安全、疫情防护和健康安全、社会服务和公共需求、法律建设和政策实施、教育需求五类。

在讨论环节，研究发现公众对疫情相关主题的情绪差异很大。对于物质安全和信息安全管理，公众负面情绪强烈，这反映出资源短缺、治理问题和对不确定性的心理反应。而诊断和治疗方案等主题获得积极情绪反馈，因为这些政策关乎公众健康和政府危机管理能力。在公共卫生紧急情况下，公众需求呈现出层次性，各方面需求都反映出当前政策和法律体系的不足。比如，交通和旅行安全方面，政策在平衡出行自由和疫情防控上存在挑战；疫情防护和健康安全方面，医疗物资供应和分配存在问题；社会服务和公共需求方面，企业发展困境影响工人权益，信息传播也存在不足；法律建设和政策实施方面，疫情防控政策需更精准，信息保护也有待加强；教育需求方面，疫情暴露了在线教育的不平等问题。

综上所述，该研究整合多种理论，分析了公众情绪和需求，发现公众情绪在不同主题间差异显著，需求呈现层次结构。这一研究明确了公众在公共卫生紧急情况下的关键关注点，指出了政策和法律体系的改进方向。强调政策制定应综合、精准、透明、公平且具备快速适应性，充分考虑公众情绪和需求反馈，为提升中国公共卫生政策和法律体系应对疫情的能力提供有力支持。