应急管理领域的大数据研究：西方研究进展与启示，本文主要内容关键词为：研究进展论文,启示论文,领域论文,数据论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
大数据(big data)，又称巨量数据、海量数据，是指所涉及的数据数量庞大到无法人工地在合理时间内截取、管理、处理，并整理成为人类所能解读的信息。大数据除了量上的规模巨大外(Volume)，还具有高速(Velocity)与多样性(Variety)特征，即大数据的3V特性。正是大数据的上述特性，使得分析大数据以获得客观结果，必须借由计算机来进行统计、比对、解析等一些分析工作。大数据不仅被广泛地应用于科技研发，而且在社会科学研究中的应用也越来越频繁。在互联网时代，危机事件产生后一般在极短时间内就会在互联网社交平台上产生海量的、快速更新的、多样化的信息数据。因此国外将大数据分析应用到应急管理领域的研究方兴未艾，成为应急管理研究一项新兴的研究动向与趋势。 一、大数据与应急管理 应急管理一般包括以下几个关键环节：风险评估、监测监控、预测预警、决策指挥、救援处置、恢复重建，①其中最核心的是预警、应对和恢复。在应急管理的各个阶段，信息是应急管理团队评估风险状况、进行应急决策的基础。但是如果使用传统渠道收集信息，不仅得到的信息量有限，而且效率低下，几乎不可能时刻保持对危机状况的监测和信息的全面掌握，这时就必须利用大数据技术来获取信息。在应急管理实务工作中，获得大数据的一个重要来源就是在线社交媒体(social media platforms)，又称web 2.0。在线社交媒体平台的信息是海量的，世界范围内推特每个月的信息就以十亿计。 以社会媒体为主要载体的大数据在应急管理的全过程，如紧急事件播报预警、应急信息收集、灾后恢复等环节发挥着重要作用。在危机预警阶段，在线社交媒体往往能够在极短时间内，加快传播和更新信息的速度，从而影响更为广泛的受众。在线社交平台并不只是个信息发布场所，同时也是一个在线交流的社群。在这个网络虚拟组织中，人们建立人际联系，参与社群讨论，建立互助网络，自发地应对危机事件的冲击。如人们利用网络资源寻找或获取有关失踪人员及其信息，通过社交媒体与朋友及亲属交流情感，舒缓不良情绪。利用大数据进行的危机应对与传统的干预式、被动型的应急管理方式相比具有特殊的优势。一方面，大数据推动的危机救援应对在获取信息、了解现场第一状况方面更为迅捷，有助于救援措施的针对性和及时性；另一方面，大数据作用下的参与式与互助式的危机救援不仅普遍受到危机影响群体的欢迎，而且减少了外界干预可能产生的与当地环境的对接磨合难题。在危机事件发生后重建社会秩序与修复公众震荡心理的方面，与分散的个体和缺乏灵活性的政府行政组织相比，借助在线社交媒体，以大数据传播共享为主要机制的线上和线下自组织社区与网络，是灾后重建与恢复的一支重要力量。 二、应急管理的大数据研究：领域与内容 为了方便用户获取数据，很多在线社交媒体平台都有自己的趋势与指数分析搜索工具，如谷歌趋势(Google trends)和百度指数，可以利用这一工具来获取不同地区、不同时段人们搜索相关词汇的频率及其趋势和分布。在危机和紧急事件发生后，这些事件的搜索频率也会呈现膨胀态势。通过对大量的大数据与应急管理研究文献的分析与梳理，在事件发生的前后与应急管理的整个过程中，尤其是在特殊的危机事件——社会安全事件中的研究中，大数据分析得到了运用。 1.网络舆情监测与分析 社交媒体对危机事件信息跟踪的实时性和快速性，使它承担着危机事件监测器的功能。很多研究基于大数据技术，分析了紧急事件发生后网络舆论动向，包括舆论的主要内容、变化趋势和传播途径等。青海玉树地震发生后，瞿燕(Yan Qu)等基于对新浪微博上数万条微博信息的分析，确认了这些微博的内容、数量变化趋势与传播途径等。②威尤格(Vieweg)等基于推特信息的分析，发现美国2009年红河洪灾和俄克拉荷马草原火灾发生过程中，最常出现的信息是灾害警报、损失报告以及天气状况。③除了微博等文本信息外，在线图片分享平台也在危机回应和恢复重建过程中发挥了一定作用。利用全球知名的在线图片平台Flickr，有学者分析了2004年12月到2007年10月几起灾难中，与灾难事件相关的29个Flickr图片群的图片数量、图片发布者数量以及评论数量的分布。④ 随着危机事件的发生和发展，公众的关注度也会有所变化。一般而言，危机事件发生的时间越长，公众的关注度也会逐渐降低，除非出现新的与危机有关的刺激源。森尼瑞利(Signorini)等搜集了美国2009年5月产生的951697条与甲型H1N1流感病相关的推特信息，通过分析文本内容的关键词，他发现随着时间的发展，在所有推特信息样本中，与流感相关的推特信息持续减少，而且在流感推特信息中，有关防护措施、流感传播、食品安全、抗药物治疗的信息比重也不断降低，表明人们对流感的关注度在下降。⑤ 网络社交平台不仅是信息传播、扩散与交流的场所，而且是情感互动、碰撞与情绪蔓延的聚集地。对应急管理而言，情感是行动的先导，积极正面的情感表达与传播能够传递正能量，引导有益的网络互动行为的产生，并对应急管理形成有益的舆论氛围，适度的批评也能纠正政府应急措施的偏差与不足，积极的情绪感染甚至能够推动网络上形成实质的行动取向，为应急管理提供辅助。相反，负面的情绪，如恐慌、无助、愤怒则可能给应急管理带来阻碍，甚至降低应急管理的公信力。塞尔沃尔(Thelwall)等分析了包括海啸、地震等30个危机事件发生后的34770790条推特信息所表现出的情感变化趋势与差异，发现消极情绪更多地发生在推特信息发布的高峰时段里，更多地出现在信息量最高时间后。⑥ 2.应急管理过程研究 在危机事件发生后，网络与社交媒体上形成群体互动网络，社交网络上的成员在在线社群中自发地组织活动，包括传递最新的危机信息，给受影响的人群提供支持和援助，或者给予情感疏导与心理干预等。在2013年波士顿马拉松爆炸案发生后，皮尤研究中心(Pew Research Center)的调查显示，1/4的美国公众通过脸书、推特以及其他社交媒体搜寻爆炸案的相关信息，当波士顿警方公布犯罪嫌疑人被捕的推特信息后，超过14万人转发了这一信息。此外，爆炸案发生后道路和住宿服务暂停后，波士顿社区居民还通过谷歌来发布信息，为其他人提供住宿、食品和洗浴服务。 斯塔伯德、佩伦(Starbird & Palen)通过分析2010年1月海地地震发生后339个微博使用者发布的292928条微博信息，研究了网络志愿者在参与救灾活动中的自组织机制，发现资源搜索、协调活动、任务分工都是网络救灾自组织行为的重要机制。具体而言，第一种自组织机制是获取资源，通过搜寻微博标签，网络志愿者可以迅速获取相关信息与资源；第二种自组织机制是利用资源的基础上，网络志愿者组织协调活动，包括推特翻译、信息筛选，信息核实，以及交叉引用数据记录等；第三种组织机制是任务分工，不同的微博发布者和微博信息发挥着不同的任务功能。⑦瞿燕等对中国四川汶川地震发生后一周内天涯论坛帖子的主题分类和内容分析，发现网络论坛在以下几个方面对应急管理发挥了重要作用。一是发挥信息来源的角色，包括信息的分享、搜寻与汇总。论坛成为灾区公众与其他地区公众，以及公众与官员救援团队交流的重要渠道。二是意见与态度表达的载体。一部分帖子表达了网友对相关部门的批评意见，以及对应急管理部门行为的意见反馈，政府可以通过了解这些意见来调整应急管理行为。三是论坛的帖子可以引发实际的救助行为，如实用的指导咨询信息与求助、募捐信息都可以影响相关人员(如灾区居民和政府救援团体)的行动。⑧ 众包危机信息平台Ushahidi在危机与灾难事件的灾情发布、救灾动员、资源分配等方面也发挥了重要作用。在2007年肯尼亚选举危机与暴力冲突事件中，奥瑞·奥科罗(Ory Okolloh)等人创建了Ushahidi网站，通过发布的短信、博客等信息建立暴力事件地图，利用谷歌地图系统向全世界公布肯尼亚暴力冲突的实际状况。Ushahidi搜集的数据比肯尼亚主流媒体更为真实、准确。2010年海地地震期间，灾区居民通过博客、推特、脸书以及手机短信等媒介发布了大量灾情与救援需求信息，这些信息总共形成了近40000份灾情与救援报告，Ushahidi将这些报告进行了可视化处理，建立了近4000个事件的点状地图。这些信息地图由一组国际志愿者团队实时更新，救援人员根据地图就可以十分快捷便利地确定何时、何地需要什么样的救援活动。⑨ 3.社会安全事件研究 使用大数据进行社会安全事件研究，能够发现社交媒体在推动抗议、骚乱等社会与政治危机爆发与蔓延方面发挥的作用。社交媒体是政治与社会运动组织动员力量、传播影响力以及扩大参与面的重要工具。社会运动的行为者通过社会媒体表达意见，组织协调抗议，提高公众支持度，而且还会产生国际影响，引发其他国家公众与舆论的关注与讨论。更重要的是，由于社交媒体具有的社会网络特征，人们通过微博等交流工具建立联系，在社会安全事件的动员、沟通过程中发挥了非常独特的作用。游行示威活动的参与者在微博上有着众多的好友与关注者，他的行为就会通过这种网络连接到更多的人，也会潜在地吸引其他人的参与。推特已经成为国际上政治抗争行为者进行大众动员与交流的重要工具，近年来国际上几乎每项大规模的抗议示威活动都离不开推特的作用。 丹尼斯·斯托克(Denis Stukal)分析了2013-2014年乌克兰政治危机期间当地推特使用者的政治意识形态分布，特别是乌克兰亲俄和亲西方的意识形态分裂。通过对推特信息内容的定量分析，他发现推特信息呈现出显著的亲俄与亲西方的意识形态差异。⑩冈萨雷斯-贝伦(Gonzalez-Bailon)等使分析了2011年4～5月西班牙民众为抵制政府的财政紧缩计划而举行的大规模游行示威活动(太阳门广场占领运动)期间推特平台上的公众参与运动的扩散，发现相比最初的参与者，微博上抗议信息的传播者在网络抗议行动中起着中心的作用。(11)斯塔伯德(Starbird)等使用了200多万条微博信息和30余万个微博发布者信息，分析了2011年埃及政治骚乱期间微博信息的传播过程，发现线下的抗议行动的参与者通过推特发布关于集会时间、冲突示威伤亡情况以及需要的帮助等信息，通过推特转发功能，动员线上群众参与以及寻求公众支持。(12) 三、应急管理大数据研究的主要方法 大数据由于容量巨量的特征以及数据获取方式的不同，有别于传统的随机抽样数据，这就决定了抽样数据的大样本统计方法一般不能直接运用于大数据分析。正如著名的大数据研究学者舍恩伯格所指出的，大数据不是随机样本，而是所有数据，不是寻求数据之间的因果关系，而是相关关系。(13)获得大数据后，根据研究问题的需要，对大数据使用不同的分析方法，目前西方研究的主要方法包括内容分析、趋势分析、扩散和社会网络分析与推断统计方法等。 1.内容分析 内容分析往往是大数据分析的第一步。由于社交网络上的信息海量，更新速度极快，内容十分庞杂，随机抽取的大数据样本数量也十分庞大。内容分析就是对海量信息进行分类。社交媒体的信息与发文内容一般分为以下几类：事实类、行动类、观点类、情感类等。丘和埃森丝(Chew & Eysenbach)对2009年H1N1疫情爆发后的推特进行了更加精细的内容分析，不仅将推特内容划分为资源、个人经历、态度兴趣等6类，而且进一步将经历与态度细分为7小类，同时还将信息中链接的其他资源进行了归类。(14)对于这些分类，一般的研究只需进行频度、密度分布分析等简单的描述性统计，就能发现大数据的主要内容分布。较深入的内容分析方法还有聚类分析(clustering analysis)，即对文本信息中出现的文字进行聚类，找出出现频率最高的词，从而发现危机状况下不同事件发生的情况。(15)有的研究分析了信息中词汇的出现频率，使用了词云(term cloud)技术，比较直观地展示了哪些词在信息中最为常用。(16) 2.趋势分析 网络舆情最重要的特征之一就是变化迅速。在危机事件发生前后的焦点时间内，网络舆情处于爆发的高峰期。因此，要了解危机事件与网络舆情之间的互动关系，就必须探究危机事件前后的舆情变化趋势。在分析总体的网络舆情发展趋势时，一般按照事件对收集的全部数据进行比较，而非仅仅使用抽样后的数据，此时需要统计每个时段社交媒体发布的信息总数。但是，如果想深入分析具体某一类型的社交媒体的信息变化情况，如危机事件发生后社会媒体信息中情绪类信息的变化情况，就需要使用抽样后的数据，统计各类信息出现的总量或者在各个时段出现的所有信息中的比重。此外，计算危机事件发生后新用户的注册量，以及新用户发文的频率与活跃度也能测量出网络舆情的发展趋势。塞尔沃尔(Thelwall)分析了不同时段推特信息中积极与消极情绪的差异性。(17)丘和埃森丝(Chew & Eysenbach)则检测了不同时期不同类型推特信息的差异性，发现在总体的趋势中，资源类、幽默情绪、提供新闻网站链接的推特显著较少。(18) 3.扩散与社会网络分析 大数据的高速性来源于大数据的扩散性，网络舆情的流通性和扩散性极强，一个帖子、一篇微博、一条信息可以在很短时间内被大量转发传播，迅速累积成为大规模的网络舆情危机。因此，分析网络舆情扩散特征对网络应急管理十分重要。在网络社交媒体特别是微博平台，朋友圈内的转发和回复是信息扩散的主要方式，很多研究正是通过追踪微博的转发情况来探究网络舆情的扩散机制。 近几年来，社会网络分析作为一种新兴的社会研究方法也被运用于在线社交媒体研究中。由于在线社交媒体本身就是个虚拟的社会网络，使用者通过相互的转帖、关注、信息回复等行为，彼此建立联系，从而形成了复杂的在线交往网络，在线社会网络的形式也与现实的社会网络十分类似。针对现实情形的社会网络分析方法与工具，如网络中心度(network centrality)、中心节点、峰点、桥节点、中介者、协调者、聚类等也被运用于在线社交平台的网络研究。特里梅因(Tremayne)使用了2011年7月4～31日期间“占领华尔街”推特信息数据，计算了用来测量“占领华尔街”最有影响力的推特发布者(网络节点)网络影响力与角色的四种网络中心度(network centrality)，同时也分析了不同的“占领华尔街”网络与其他网络之间桥接的中介者角色。(19)桑朱雅(Sajuria)同样利用社会网络分析方法，测量了2011-2012年发生的几起占领行动期间，推特平台上社会网络的桥接(brokerage)和接近程度(closure)，分析了上述两个指数随着线外占领运动时间推进的改变情况。他们发现占领运动的微博网络中，群体内部的接近度普遍低于群体间的桥接程度。(20)门多萨、波夫莱特和卡斯蒂略(Mendoza，Poblete & Castillo)分析了地震发生后的信息扩散形式，确认了三种扩散网络。第一种是树状扩散，指仅仅直接转发他人的信息；第二种是环状网络，指不仅转发还加上评论与回复；第三种是互惠网络。他计算了推特使用者社会网络的分隔度，发现大多数时间段推特使用者网络都少于六度分隔。(21) 4.推断统计方法 统计分析主要包括描述性统计和推断性统计两类，前者是对样本分布的描述，而后者则是较高级的统计方法，从样本中推断总体特征，并且分析变量的相关性和因果关系等。在利用大数据进行预测分析时，就会使用更为高级的统计方法。尽管目前运用于应急管理领域的大数据分析多为描述性分析和部分相关性关系，但是也出现了少量使用回归分析方法检验因果关系的大数据研究。由于大数据的样本量过大，即使对于大样本统计分析也是如此，因此对大数据进行回归分析的前提是对大数据进行瘦身，即从大数据中随机选择样本量稍小的数据。萨赫(Suh)等从156万条推特信息中随机抽取了10000余条推特信息样本进行回归分析，发现附带链接和标签的推特信息更容易被转发，而且微博使用者的粉丝越多，他的微博被转发的可能性也就更大。(22) 另一些研究利用大数据方法获取自变量或因变量的数据，这些研究严格来说并不是对大数据的回归分析，而是使用大数据方法作为辅助的一般性大样本统计分析，但是这一研究也表明大数据分析在更高层的统计分析中的重要价值。这一方法目前在应急管理领域还基本上没有得到运用，但是在政治学与公共经济学领域已经出现了部分研究，这些研究基于大数据方法获取的关键变量一般是网络上公众对某一问题的态度。在线的公众态度具有明显的大数据特征，如何使之量化并测量出一个数值则需要特别的大数据分析工具，这些研究多采用谷歌趋势(Google trends)作为分析工具，通过获取公众运用谷歌搜索某一关键词的频率来计算某一地区公众对某一问题的态度。史蒂芬-大卫德威茨(Stephens-Davidowitz)为了研究种族歧视对美国奥巴马总统选举的影响，就使用谷歌趋势获取了美国不同选区公众对黑人的态度变量数据。(23) 四、应急管理大数据研究的局限与启示 尽管大数据在应急管理中的运用很广泛，并产生了丰富的研究成果，但是大数据工具的运用依然存在很多局限或缺陷。问题首先来自大数据本身。大数据的一个典型特征就是粗糙性和代表性不足，海量的数据被挖掘出来后夹杂着大量的噪音和无效信息，由于数据数量过于庞大，研究者无法一一对其进行清理。因此，数据是否能够代表整体的公众态度是存在疑问的。因此，研究者为了保证代表性足够强，就倾向于增加数据的数量，但这无疑增加了信息获取的难度。有些大数据研究为了分析信息及基本内容，从大数据中随机选择一定数量的样本进行内容分析，这样做就把大数据中大量噪音的问题延续到样本中，使得对样本数据的分析可靠性降低。此外，在线社交平台往往处于政府的网络审查与监控之中，特别是在社会运动爆发前后，当权者往往十分警惕网络社会动员行为，往往关闭网络或封锁社会运动积极分子的微博、博客及其账号。大量数据被人为清洗，留下的数据可能是当权者所认可的，这就使大数据分析存在较大的偏差。 大数据在数据特征上的缺陷使其在应用方法和研究领域方面存在很大的不足。大数据能体现事物之间微妙的关系，这种关系是小数据无法提供的。然而很难将这种相关关系推论为因果关系，因此大数据更多的是发现关系、作出预测而非探究因果。在应急管理领域，绝大多数大数据研究都停留在内容分析、趋势分析和社会网络分析上，极少有使用大数据构建回归模型、分析因果关系的。此外，应急管理领域的大数据一般来自在线社交平台，对这一来源的大数据分析只能体现公众线上的行为特征，而无法准确窥究公众线下的实际行为，这就使得运用大数据研究应急管理存在很大的局限。如在社会安全事件过程中，很多社会行动的积极分子和参与者并不一定通过网络社交媒体展开活动，即使他们很频繁地使用社交平台，后者也只是社会运动的手段之一，要分析线上运动和线下运动的联系，只使用大数据分析是不够的。因此，很多学者开始将大数据分析与田野调查等质性方法相结合，试图更全面立体地分析应急管理与社会运动过程。 在中国，使用大数据方法对应急管理问题的研究刚刚起步，受到政府与学界越来越多的关注。一些研究触及了运用大数据方法的应急管理实证研究，尽管这些研究的样本规模还不足以称得上大数据。这些研究方法主要包括内容分析、扩散与趋势分析以及社会网络分析等。夏雨禾基于对抚州爆炸案和增城聚众滋事两起事件发生后新浪微博信息的内容分析，探索了突发事件后微博舆论的分布形态、构成要素、生成机制和模式，研究发现信息发布以围观性质地贴出为主，远距离眺望性质的转帖和跟帖比重较少。此外，质疑性质的信息占微博舆论的主导地位，微博舆论的生产机制则被作者概括为认同模式、协调模式、质疑模式、情绪模式和游离模式5种主要生成模式。(24)康伟则运用社会网络分析方法，探索了甘肃省“11.16”校车事故发生后微博信息传播的社会网络结构测度，重点分析了传播网路的点度中心度和点度中心势两个指标，发现这一突发事件舆情传播网络呈现互动网络状结构，网络中广泛存在凝聚子群即小团体现象，同一子群中的成员更倾向于分享信息。网络整体密度与信息流通效率和关联程度较高，同时也体现出多中心多主体的结构特征。(25)马宁等基于浙江钱云会被碾压致死事件后的网友发帖，运用动态网络分析(DNA)方法测量并识别了这起突发事件中网络舆论六种类型的意见领袖：焦点人物、传播人物、活跃人物、潜在活跃人物、讨论帖独占人物和关键词独占人物。(26) 总体而言，中国当前运用大数据方法进行的应急管理实证研究不仅数量少，方法单一，而且挖掘的数据数量也并不庞大。因此，使用大数据方法分析中国应急管理问题还有很大的研究空间，要借鉴西方的研究成果，扩大数据的来源面，提高数据的获取技术，增加分析领域，改进大数据分析方法。当前的研究特别要注意利用中国不断发展的微博、微信等社交平台，在数据挖掘上多下工夫，未来还应该加大政府及公共部门内部各部门大数据的挖掘与利用。 ①范维澄：《国家突发公共事件应急管理中科学问题的思考和建议》，《中国科学基金》2007年第2期。 ②Y.Qu,C.Huang,P.Zhang & J.Zhang,Microblogging after a Major Disaster in China:A Case Study of the 2010 Yushu Earthquake,http://personal.stevens.edu/～rchen/readings/yushu.pdf. ③S.Vieweg,A.L.Hughes,K.Starbird & L.Palen,Microblogging during Two Natural Hazards Events:What Twitter May Contribute to Situational Awareness,https://www.cs.colorado.edu/～palen/vieweg_1700_chi2010.pdf. ④S.B.Liu,L.Palen,J.Sutton,A.L.Hughes & S.Vieweg,In Search of the Bigger Picture:The Emergent Role of On-line Photo Sharing in Times of Disaster,http://digital.cs.usu.edu/～amanda/OnlinePhotoSharingISCRAM08.pdf. ⑤Alessio Signorini,Alberto Maria Segre & Philip M.Polgreen,The Use of Twitter to Track Levels of Disease Activity and Public Concern in the US during the Influenza a H1N1 Pandemic,Pios One,Vol.6,No.5,2011,e19467. ⑥M.Thelwall,K.Buckley & G.Paltoglou,Sentiment in Twitter Events,Journal of the American Society for Information Science and Technology,Vol.62,No.2,2011,pp.406-418. ⑦Kate Starbird & Leysia Palen,“Voluntweeters”:Self-organizing by Digital Volunteers in Times of Crisis,https://www.cs.colorado.edu/～palen/voluntweetersStarbirdPalen.pdf. ⑧Y.Qu,P.F.Wu & X.Wang,Online Community Response to Major Disaster:A Study of Tianya Forum in the 2008 Sichuan Earthquake,http://www.computer.org/csdl/proceedings/hicss/2009/3450/00/01-07-03.pdf. ⑨Nathan Morrow,Nancy Mock,Adam Papendieck & Nicholas Kocmich,Independent Evaluation of the Ushahidi Haiti Project,www.alnap.org/pool/files/1282.pdf. ⑩Denis Stukal,Ideological Scaling of Twitter Users:Evidence from the 2014 Ukrainian Crisis,http://smapp.nyu.edu/SMAPP_Website_Papers_Articles/IdeologicalScalingTwitter.pdf. (11)S.González-Bailón,J.Borge-Holthoefer,A.Rivero & Y.Moreno,The Dynamics of Protest Recruitment through an Online Network,Scientific Reports,Vol.1,2011. (12)K.Starbird & L.Palen,How Will Be Revolution Be Retweeted? Information Diffusion and the 2011 Egyptian Uprising,https://www.cs.colorado.edu/～palen/StarbirdPalen_RevolutionRetweeted.pdf. (13)[英]维克托·迈尔·舍恩伯格：《大数据时代：生活、工作与思维的大变革》，周涛译，浙江人民出版社，2012年，第117～120页。 (14)C.Chew & G.Eysenbach,Pandemics in the Age of Twitter:Content Analysis of Tweets during the 2009 H1N1 Outbreak,Plos One,Vol.5,No.11,2010,e14118. (15)D.Pohl,A.Bouchachia & H.Hellwagner,Automatic Sub-event Detection in Emergency Management Using Social Media,http://www-itec.uni-klu.ac.at/bib/files/p683.pdf. (16)M.Mendoza,B.Poblete & C.Castillo,Twitter Under Crisis:Can We Trust What We RT? http://www.barbaracl/twitter.pdf. (17)M.Thelwall,K.Buckley & G.Paltoglou,Sentiment in Twitter Events,Journal of the American Society for Information Science and Technology,Vol.62,No.2,2011,pp.406-418. (18)C.Chew & G.Eysenbach,Pandemics in the Age of Twitter:Content Analysis of Tweets During the 2009 H1N1 Outbreak,2010,e14118. (19)M.Tremayne,Anatomy of Protest in the Digital Era:A Network Analysis of Twitter and Occupy Wall Street,Social Movement Studies,Vol.13,No.1,2014,pp.110-126. (20)J.Sajuria,Online Social Capital and Political Participation:Does the Online Make Any Difference?http://files.isanet.org/ConferenceArchive/14e1aef33f4b4014a907c4b471a9d849.pdf. (21)M.Mendoza,B.Poblete & C.Castillo,Twitter under Crisis:Can We Trust What We RT? (22)B.Suh,L.Hong,P.Pirolli & E.H.Chi,Want to Be Retweeted? Large Scale Analytics on Factors Impacting Retweet in Twitter Network,http://peterpirolli.com/Professional/About_Me_files/2010-04-15-retweetability-v18-final.pdf. (23)Seth Stephens-Davidowitz,The Cost of Racial Animus on a Black Candidate:Evidence Using Google Search Data,Journal of Public Economics,Vol.118,2014,pp.26-40. (24)夏雨禾：《突发事件中的微博舆论：基于新浪微博的实证研究》，《新闻与传播研究》2011年第5期。 (25)康伟：《突发事件舆情传播的社会网络结构测度与分析——基于“11·16校车事故”的实证研究》，《中国软科学》2012年第7期。 (26)马宁、田儒雅、刘怡君、李倩倩：《基于动态网络分析(DNA)的意见领袖识别研究》，《科研管理》2014年第8期。