疫情冲击下大学生网络舆情演化趋势与高校思政引导

摘  要：在疫情防控常态化的“后疫情时代”，高校思想政治引导教育必然保持与新环境新形势的变化同频共振，面对新时代变革产生的大学生新诉求、新观点和新问题，依托我国大学生群体分别于2020年3月至6月疫情严防严控时期，以及2020年9月至12月疫情平稳缓和时期在网络多个主流媒体发布的2.3万余条微博博文与2.6万余条热门评论，基于时间序列的分布式爬虫技术、情感分析、问卷调查、多元回归模型建立，以及SPSS多重响应及交叉等计量方法的合理运用，对与“新冠肺炎疫情”相关的话题展开舆情分析，可视化、纵深化地对本次疫情冲击下的大学生舆情素养、舆情特征、舆情趋势等问题进行探索，继而提出高校网络舆情引导路径以及高校思想政治教育引导策略。

关键词：新冠肺炎疫情;大学生网络舆情;高校思政教育;计量分析

中图分类号：G640       文献标志码：A          文章编号：2096-000X（2022）21-0001-07

Abstract： In the "post-epidemic era" when epidemic prevention and control is normalized， the ideological and political guidance and education in colleges and universities will inevitably resonate with the changes of the new environment and the new situation. Facing the new demands， new views and new problems of college students arising from the changes in the new era， relying on more than 23 000 articles in the Weibo blog and more than 26 000 popular comments released by the Chinese college students in the network multiple mainstream media in the epidemic prevention and control period from March to June in 2020 and the period when the outbreak eased from September to December in 2020， based on time series of distributed crawler technology， emotion analysis， questionnaire， multiple regression model， and SPSS multiple response and cross the rational use of the measurement methods， public opinion analysis on topics related to "COVID-19" was conducted， visually and vertically presenting the public opinion literacy， public opinion characteristics， public opinion trend and other issues under the impact of the epidemic， and it then put forward the online public opinion guidance path and guidance strategies of the ideological and political education in colleges and universities.

Keywords： COVID-19 epidemic; network public opinion released by college students; the ideological and political education; econometric analysis of colleges

2020年初，一场突如其来的新冠肺炎疫情袭卷全球。这场灾疫对于高等教育的师生而言，所带来的不仅仅是关于人与生态自然辩证关系的反思，更多的是凭借全媒体时代的网络空间，将全体大学生引入到一种对生命存在、生存境遇、危机应对、学习与生活重塑等方面的深度反思和探求的视阈。加强舆论引导工作，宣传舆论工作要着力强化显政，把握主导，占据主动，更要强信心、暖人心、聚民心。高校大学生作为网络“原住民”，此时通过网络数字平台面向全社会公开表达自已的信念、态度、意见和情绪，形成重大疫情背景下影响社会舆情意识流方向的重要人群，许多新情况新问题也因网而生，因网而增，给社会网络舆情与社会高校思政引导工作带来新的挑战。

本篇论文积极呼应习总书记的高度指示以及教育部对高校思政建设的指导纲要，结合大学生新诉求、新观点和新问题，借助互联网大数据对文本价值向度进行深度挖掘，对疫情冲击下的舆情素养、舆情特征、舆情动态及舆情趋势等热点焦点问题提出进一步思考与调查。深入探究这一特殊时期和特殊情境下大学生的价值取向、思想动态和行为选择，为高校后疫情时代的思政教育和高校网络舆情引导工作提供有益参考。

一、网络舆情与大学生网络舆情研究评述

大学生网络舆情是社会舆情的重要组成部分，也是高校引导大学生意识形态教育的重要工作内容。学者李洁琼将大学生网络舆情定义为大学生在互联网传播媒体平台上对其关注的内容所表达的观点、意见的集合，主要表现为大学生通过网络媒介对外发表自己的观点并形成一种自己的思想表达。当下国内学者对该领域的研究主要聚焦在：（1）网络舆情内容;（2）大学生网络舆情特征及特点;（3）大学生网络舆情引导研究。通过文献梳理发现：（1）如果从整个网络舆情的背景来考查的话，必须对两者之间的关系做进一步的梳理，以此来鉴别大学生舆情的生成与传播机制;（2）研究方法的科学应用性和规范性不足，仅限于一般的运算统计，缺少相对性，回归分析、因素分析等计量方法的运用，势必会影响研究过程和调查结论的严谨性与科学性解释。

对上述研究内容与研究方向等进行梳理发现：国内外学者对于高校大学生网络舆情研究大多是基于文本数据，而相对忽视文本背后的情绪分析、话题模型深化跟踪，本报告尝试将两者进行有机结合，充分发掘文本信息中大学生的价值倾向、情感坐标及行为呈现。其研究结果将对高校网络舆情应对与治理，对高校思想政治教育引导与创新有着重要的借鉴意义。这不仅事关高等教育职能是否有效发挥与高校运行秩序是否有序，还事关党和国家人才培养与社会主义接班人质量过硬与否。

二、研究方法与数据采集

（一）研究方法

本文围绕“新冠肺炎疫情”话题对新浪微博、知乎社交平台数据进行阶段性（疫情严控期与疫情平稳期）抓取，将数据进行文本清洗后存入数据库，再通过K-means文本聚类算法对话题进行分类，借助SnowNLP对微博文本进行情感趋势分析和影响因素的多元回归，为后续评论数据的量化上做出预测;疫情平稳期，在延续前段微博抓虫的基础上，通过jieba中文分词精准确定评论中的最多词频，建立有向无环图，通过知乎平台高赞问题的叶贝斯情感分析，与中文分词进行对应与验证，得出调查问卷中的处置变量，最后，通过以上研究结果与第二阶段的大规模问卷调查相结合，科学判断疫情冲击下高校大学生舆情演化特征与趋势。研究方法流程图如图1所示。

（二）大学生评论数据的采集界定

据2019年蓝鲸TMT的数据显示，截至2019年初，微博活跃用户4.46亿，其中16～25岁的人群在整个活动用户中占比61%。每天将近有1 000万的大学生使用微博，群体规模庞大，对大学生的日常生活产生巨大影响，更是本项研究在疫情严控期分析大学生群体网络舆情的理想途径。然而，从用户隐私角度来说，微博平台不设置第三方能直接获取完整的大学生用户识别接口;除此之外，虽然借用爬虫程序可获得用户的教育信息，但是存在部分用户信息不全或虚假现象，使得利用应用程序获取的数据存在不准确的可能。因此，本项研究引用基于机器学习理论开发的大学生用户特征分析与识别体系，最终以新浪微博帐户的个人资料、微博内容的关键词、微博主页显示的用户活动和空间信息，以及各帐户之间的亲缘关系这四项作为“大学生”群体的判别标准。

三、疫情严防严控期大学生网络舆情分析

（一）词频统计

对严控期大学生网络舆情热点的分析采用新浪微博话题评论作为起始数据。以“大学生”“疫情”为关键词，运用Python抓取2020年3月1日到2020年6月1日的评论数据，在此基础上对每天的数据量进行记录，并将热度最高的评论进行下载，最终得到了时间跨度92天，共计20 967条评论，对这些评论进行词频统计后发现大学生在发布舆情评论时，使用最多的7个词汇分别是大学生、疫情、开学、打卡、健康、封闭管理、流调。如图2所示。

（二）大学生网络评论对网络舆情的影响分析

为进一步探究疫情严控背景下大学生网络评论对网络整体舆情的影响，本研究基于上述评论数据建立多元线性回归模型，从而探索大学生网上评论对网络舆情的影响因素并对评论总数进行预测。

1. 多元回归模型的建立

该模型主要通过Eviews软件进行处理得到大学生网络舆情与各个影响因素之间的线性回归方程。该回归方式建立的意图是要探索两个或两个以上的自变量对评论数的影响关系。

假设评论总数与各个关键词之间有线性关系，则总体回归线性模型如下：

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+μ，

其中，Y-评论数;X1-大学生;X2-疫情;X3-开学;X4-打卡;X5-健康;X6-封闭管理;X7-流调。

总体线性回归函数则为

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7，

建立工作文件并录入全部数据，得到回归结果，如图3所示。

根据图3的信息，用最小二乘法估计得到回归模型的估计结果为：

2. 模型拟合优度检验

本研究中：

该统计量越接近1，模型的拟合优度越高。在此模型中可决系数R2=0.971217以及调整后的可决系数2=0.968818，说明该模型拟合优度较高。

3. 模型多重共线性检验

从以上的分析过程可明显看出，模型中的X1-X7是可以作为大学生在疫情期间网络舆情的关注点从而影响总体评论数量的因素，然而，这些作为解释变量的因素之间是否存在精确相关或高度相关，从而导致上述线性回归模型的估计值是否会出现失真或难以估计准确，因此，必须要对回归模型进行多重共线性的逐步回归方法来检验并确定。

根据图3回归模型图可以看出，F=404.9096检验值比较大，说明回归方程显著，即各自变量联合起来确实对评论数有显著影响;给定显著性水平， t_1=2.666267、  t_2=7.994402、t_3=7.886806，均通过t检验。将XI-X7 7个变量逐一加入，通过一元回归，比较各个一元回归模型中的可决系数，依据可决系数R2最大的原则，选择X1作为进入回归模型的第一个解析变量，形成一元回归模型。经过逐步回归，明显看出，从X1-X7可决系数R2是在不断增大状态的，基本消除了7个解释变量之间的多重共线性。即本研究中的7个解释变量之间不存在多重共线性，通过该检验。

（三）大学生网络热议词对网络评论数的预测

通过对大学生网络评论高频词的提炼、多元线性回归的模型的建构及关键要素的确定，进而可用此方程算出该区间内其他各点的原函数Y（评论数）的近似值，通过线性关系推测大学生评论数量，即依据热议词预测网络评论数，这个预测值有助于对大学生网络舆情现状及后续态势的预判。

本研究选取8组预测，每次选取其中一个设置为1 000次，得出的结果如图4所示。