突发事件网民负面情感的模型检测研究

The regulation of the negative emotion in online environments plays a critical role in crisis responses to emergencies. This regulation demands a deep understanding of the temporal logics behind the dynamics of online negative emotion by drawing upon the big data of social media and associated contexts. An effective approach to discovering the temporal logics is model checking, which automatically checks the soundness and reliability of the temporal logics of state transitions in complex systems, by a series of processes including data cleaning, temporal logic associations identification and abnormalities detection. Equipped with this model checking approach, the proposed project seeks to provide a systematic set of theories and methodologies for inquiring into the dynamics of online negative emotion in emergencies. Particularly, the project attempts to model the online behavior in emergencies into emotional state transitions, learn the rules for detecting negative emotion on the basis of reality data, and refine the emotional state transition models by the acquired rules. The models and rules of online emotional state transitions are elaborated in an iterative way, serving as the knowledge for discovering the evolutionary paths of online negative emotion. The theories, methodologies as well as the empirical findings developed by this project are expected to provide informative supports for decision-making in responses to emergencies and crises with contextual characteristics.

突发事件应急响应的核心是调节网民负面情感，调节网民负面情感的关键是把握负面情感演化的规律，这需要结合真实反映网民行为的海量社会化媒体数据和关联情境数据，发现网民负面情感演化的时序逻辑规律。模型检测是一种用来检验复杂系统状态时序逻辑关系正确性和可靠性的自动验证方法，在对大规模复杂状态数据建模的基础上，实现数据清洗、数据时序逻辑关联检测和异常发现，揭示复杂系统状态转移的时序逻辑规律。本项目基于模型检测理论和方法，将突发事件中网民行为数据抽象为网民情感状态转移模型，根据现实和网络情境数据确定网民负面情感状态检测规则，并利用该规则检测网民情感状态转移模型,从而发现网民负面情感的演变路径。本项目研究成果包括突发事件中网民情感状态转移模型、网民负面情感状态转移检测规则库和检测模型，可以为突发事件网民负面情感演变研究提供一套完善的方法体系，同时可以为突发事件应急响应提供决策支持。

突发事件应急响应的核心是调节网民负面情感，调节网民负面情感的关键是把握负面情感演化的规律，需要结合真实反映网民行为的社会化媒体数据和关联情境数据，发现网民负面情感演化的时序逻辑规律。模型检测是一种用来检验复杂系统状态时序逻辑关系正确性和可靠性的自动验证方法，在对大规模复杂状态数据建模的基础上，实现数据清洗、数据时序逻辑关联检测和异常发现，揭示复杂系统状态转移的时序逻辑规律。本项目基于模型检测理论，将突发事件中网民行为数据抽象为网民情感状态转移模型，根据现实和网络情境数据确定网民负面情感状态检测规则，并利用该规则检测网民情感状态转移模型，发现网民负面情感的演变路径。本项目研究成果包括突发事件中网民情感状态转移模型、网民负面情感状态转移检测规则库和检测模型，可以为突发事件网民负面情感演变研究提供一套完善的方法体系，同时可以为突发事件应急响应提供决策支持。项目共发表论文15篇，其中以第一作者发表SSCI Top期刊论文1篇、SCI 一区期刊论文1篇、国家自然科学基金委管理科学部重点期刊5篇，以通讯作者发表SSCI Top期刊论文1篇、国家自然科学基金委管理科学部重点期刊1篇。相关成果已经应用到南京证券的业务创新中，创造的经济效益不低于500万元，并合作成功申请“证券期货业金融科技研究发展中心（深圳）2020 年度”立项研究课题2项。科学意义如下：基于模型检测方法，从网民负面情感状态的描述和转移入手，基于情报学“先兆预警+事前预案+事中应对+事后反馈”视角解决了网民负面情感状态演变规律的问题，破解了大数据4V特性与数据科学对接的瓶颈问题，从研究方法体系到计算模型，再到可操作的网民情感状态转移模型、网民负面情感检测规则库和检测模型，不仅为情报分析方法的变革和发展提供了新的理论和方法支撑，同时从情报分析的角度为数据科学提供了一条可行的理论方法体系研究路径。