Understanding Public Opinion Evolution in Extreme Rainstorm Disasters for Resilient Governance: A BERTopic-Based Event Logic Graph Approach
本研究采用基于 BERTopic 的事件逻辑图方法对“23·7”北京暴雨的多平台社交媒体数据进行分析，揭示了尽管公众关注点集中在灾害影响和应急响应方面，但有关预警、准备和恢复的关键信息仍处于代表性不足的状态，从而凸显了通过全周期风险沟通策略来增强韧性治理的需求。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当一座城市面临突如其来的剧烈风暴时，物理层面的破坏仅仅是故事的一半。另一半则在数字空间中展开，在那里，数百万人分享着他们的恐惧、寻求帮助并要求得到答案。这种数字化的喧嚣并非仅仅是噪音；它是一张复杂的、活生生的地图，描绘了社会如何理解并应对危险。对于应急管理人员和政府官员而言，解读这张地图至关重要。如果他们能够理解人们是如何从听到预警，到目睹破坏，再到寻求救援的演变过程，他们就能进行更有效的沟通，从而挽救更多的生命。挑战在于信息的巨大容量与极快速度。社交媒体上的帖子短小、杂乱，且每分钟都在变化。传统的分析方法往往将这些帖子视为静态的快照，仅仅统计某一时刻提到“降雨”或“救援”的人数。但这忽略了最重要的部分：故事本身。它忽略了一个事件如何引发另一个事件，一个预警如何转化为一场危机，以及一次救援行动如何引发一波公众情绪。
为了解决这个问题，研究人员丁乔延、李翠和田启宇开发了一种追踪灾难在线生命周期的新方法。他们聚焦于2023年7月下旬袭击北京及其周边地区的极端降雨事件，即被称为“23·7”特大暴雨的事件。他们并没有仅仅进行词频统计，而是构建了一个动态模型，将不同类型的帖子连接起来。他们收集了来自微博、抖音、知乎和小红书四个主要中国社交媒体平台的近9.7万条信息。这些平台代表了不同的声音，从微博上的实时求助，到抖音上的情感视频，再到知乎上的技术讨论。团队使用了一套复杂的计算机程序来阅读这些帖子，并识别特定的事件，例如“暴雨降临”、“列车被困”或“救援队抵达”。随后，他们寻找将这些事件联系在一起的逻辑线索，提出诸如“预警是否发生在洪水之前？”或“救援行动是否紧随被困人员的报告之后？”等问题。通过按特定顺序将这些事件链接起来，他们创建了一个视觉网络，展示了公众注意力如何从风暴开始一直流动到灾后阶段。
这项分析的结果清晰地描绘了危机期间公众思维运作的方式。研究人员发现，注意力高度集中在两个特定阶段：灾害的直接影响和应急响应。当暴雨降临时，公众高度关注破坏情况——积水的街道、受损的建筑，以及著名的K396次列车被困近千人的事件。一旦破坏显现，对话迅速转向救援，大量注意力集中在救灾队伍如何开展生命营救和物资运送上。然而，研究揭示了对话中的一个显著缺口。关于准备工作（如早期预警和安全建议）以及关于恢复工作（如重建家园和恢复服务）的信息，获得的关注度要低得多。公众的叙事呈现出“中间重、两头轻”的特征。人们在危机发生时参与度极高，但在预防措施或漫长的恢复之路方面关注度较低。
这种失衡并不一定是因为人们不在乎预防或恢复，而是反映了信息流动的现状。研究表明，目前的沟通系统往往无法让公众全程参与到灾害管理的完整周期中。“两头轻”的模式意味着，预警往往在破坏变得肉眼可见之前会被忽视，而一旦即时救援结束，恢复工作又会被忽略。研究人员在网络中识别出了特定的“枢纽”节点——关键话题如“北京暴雨预警”和“北京遭遇强降雨”——它们充当了连接物理灾难与社会反应的桥梁。这些枢纽至关重要，因为它们控制着信息的流动。如果预警不够清晰，或者预警与实际危险之间的逻辑链条断裂，整个公众理解的链条就可能崩溃。
该研究为应急管理提供了一条务实的路径。通过绘制这些逻辑连接图，官员们可以准确预判公众的注意力下一步会流向何处。与其等待危机爆发后再做出反应，不如利用这些地图来主动引导对话。例如，在发布预警时，当局不仅应简单陈述降雨即将到来，还应立即将其与具体的、可操作的建议挂钩。同样，在恢复阶段，他们可以积极宣传重建和恢复的故事，以保持公众的参与度和信心。研究人员建议，通过将公众舆论视为一个具有因果关系的流动故事，而非静态的话题列表，政府可以建设更具韧性的社区。这种方法不仅能帮助官员应对危机，更能帮助他们理解危机中的人类体验，确保正确的信息在正确的时间，从第一滴雨落下到最后的清理完毕，都能传达给正确的人。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。