1 绪论
1.1 研究背景与意义
近年来，随着移动网络和社交媒体技术的发展，微博等社交媒体成为突发事件信息传播的重要载体和平台[1]。由于突发事件具有不确定性，同时社交媒体低门槛的发布条件和一键转发功能加剧了突发事件不实信息的广泛传播，极容易造成谣言传播、滋生负面舆情，给社交媒体中突发事件信息的及时有效管理造成更严峻的挑战[2]。火灾是频繁发生、易造成严重危害和恶劣影响的一类突发事件，更容易引发网民的持续讨论。2015年天津港“8·12”特大火灾爆炸事故发生后，许多微博账号编造散布“有毒气体向北京方向扩散”、“方圆一公里无活口”等谣言制造恐慌情绪；2017 年浙江“2·5”天台足浴店火灾发生后，网络中流传“死亡人数肯定不止 18 个”等多条虚假谣言，造成恶劣社会影响；2019 年江苏响水“3·21”特大爆炸事故发生后，又有网民发布“18 名消防员因吸入大量致癌气体而牺牲”等谣言混淆视听，因扰乱公共秩序而被警方逮捕。
专业权威的新闻媒体是社交媒体中最重要的信息源[3]，而其发布的火灾事件信息能通过数量巨大的粉丝群体转发而迅速广泛传播[4-5]。新闻媒体微博账号如@央视新闻、@头条新闻等，及时发布、更新火灾事件相关信息，引发广大网友关注火灾事件的发展、救援应对和事故调查，促使地方性火灾事件如“南昌星级酒店火灾”传播演化为全国网民讨论热点，境外火灾事件如“伦敦公寓大火”同样引发微博用户的关注与讨论。新闻媒体所发布的火灾事件信息若能快速广泛传播，不仅能强化民众对正面权威事件信息的感知力，同时更有助于及时干预、引导公众舆论和行为，并提高整个社会的防险救灾意识[6-7]。
......................
1.2 拟解决的科学问题及创新点
1.2.1 拟解决的科学问题
基于以上研究背景及现实问题，本研究以现实中 11 起火灾事件为案例，分析挖掘火灾事件中新闻媒体微博的转发传播数据，构建新闻媒体信息传播网络，利用社会网络分析和网络可视化工具来量化火灾事件中新闻媒体信息传播网络的数值特征、拓扑特征和文本特征，探究火灾事件中新闻媒体信息传播网络数值动态、拓扑动态和文本动态的演化规律，挖掘并识别出最优的信息传播模式，为加强真实权威信息普及扩散提供有效途径。
拟解决的具体科学问题如下：
（1）什么时段是火灾事件中新闻媒体信息的传播高峰期？
（2）如何构建基于转发关系的火灾事件中新闻媒体信息传播网络？
（3）火灾事件中新闻媒体信息传播网络有哪些数值特征、拓扑特征和文本特征？以上 3 种特征在信息传播过程中会如何演化？
（4）火灾事件中新闻媒体信息传播网络的演化会对信息传播产生哪些影响？
......................
2 相关理论与研究综述
2.1 网络信息扩散动力学（Dynamics on Network）
网络信息演化研究的主要对象是社交媒体信息网络中信息传播的速度、规模、热度或影响力等。这些研究通过计算节点或连边数量、信息热度或用户情感变化来刻画信息的动态传播，而不考虑网络拓扑结构的动态变化。许多学者通过收集分析 Twitter 和微博中的海量数据，从多种角度挖掘出具有现实指导意义的网络信息传播规律，可用于监控网络中的突发事件、优化突发事件重要信息的传播扩散，以及预测信息的热度、传播规模或影响力等。
Twitter 是一家成立于 2006 年的全球化社交媒体。早在 2010 年，Takeshi Sakaki 等学者便发现 Twitter 中“地震”相关推文的数量变化可用来监测现实中发生的地震事件[9]。Wang 等（2016）从空间、时间、内容等维度分析了森林火灾相关的 Twitter 数据，揭示了社交媒体数据在突发事件感知和应急方面的有效性，研究结果显示，新闻媒体和地方当局政府部门在森林火灾事件信息传播网络中发挥着主导作用[10]。Xu 等（2017）基于Twitter 数据集进行时间序列分析，结果揭示了 2 种社交媒体信息传播数值演化模式：一种是信息扩散规模陡然暴增到峰值后迅速衰退，另一种模式则相对平缓，逐渐增长后缓慢下降[11]。
网络信息演化研究的主要对象是社交媒体信息网络中信息传播的速度、规模、热度或影响力等。这些研究通过计算节点或连边数量、信息热度或用户情感变化来刻画信息的动态传播，而不考虑网络拓扑结构的动态变化。许多学者通过收集分析 Twitter 和微博中的海量数据，从多种角度挖掘出具有现实指导意义的网络信息传播规律，可用于监控网络中的突发事件、优化突发事件重要信息的传播扩散，以及预测信息的热度、传播规模或影响力等。
Twitter 是一家成立于 2006 年的全球化社交媒体。早在 2010 年，Takeshi Sakaki 等学者便发现 Twitter 中“地震”相关推文的数量变化可用来监测现实中发生的地震事件[9]。Wang 等（2016）从空间、时间、内容等维度分析了森林火灾相关的 Twitter 数据，揭示了社交媒体数据在突发事件感知和应急方面的有效性，研究结果显示，新闻媒体和地方当局政府部门在森林火灾事件信息传播网络中发挥着主导作用[10]。Xu 等（2017）基于Twitter 数据集进行时间序列分析，结果揭示了 2 种社交媒体信息传播数值演化模式：一种是信息扩散规模陡然暴增到峰值后迅速衰退，另一种模式则相对平缓，逐渐增长后缓慢下降[11]。
...........................
3 数据收集及信息传播网络构建.................................... 11
2.2 网络拓扑演化动力学（Dynamics of Network）
网络拓扑演化研究是信息传播网络动力学研究的另一个维度，主要研究对象是信息传播网络的网络参数特性、拓扑结构类型等。网络拓扑演化维度研究与网络信息扩散维度研究最显著的区别是，网络拓扑演化维度需要构建信息传播网络。许多学者以用户之间的关注关系或转发关系作为连边构建信息传播网络，结合复杂网络理论和社会网络分析（SNA）中的重要网络参数（如网络转发深度和宽度、节点级联率和度中心性等）来量化网络拓扑结构的变化过程，并利用网络可视化工具实现网络拓扑结构的静态可视化。
Rattanaritnont 等（2012）根据 Twitter 用户的发推、转发行为刻画了信息的级联模式，研究发现不同主题（如地震、媒体、政治、娱乐、体育等）的推文具有不同级联模式，如地震主题具有较低的级联率和较短的生命周期，而政治主题则具有较高的级联率和较高的持续性[20]。通过构建并可视化 Twitter 中流行文化（meme）的信息传播网络，Weng 等（2012）也发现 Twitter 信息传播网络的拓扑结构会因信息主题的不同存在显著差别，例如争议性政治话题的信息传播呈现出明显的两极分化[21]。Goel 等(2012)详细分析了 7 个不同平台的信息传播网络，结果发现最大的 4 个传播网络都属于 Twitter 且网络深度相对较浅，其原因是新闻媒体自带众多粉丝，他们的消息会像广播一样蔓延传播[22]。Fabrega 和 Paredes（2013）结合 Twitter 数据验证了社交媒体中同样存在三度影响力现象现象，推文转发者与推文发布者的距离绝大多数（超过 90%）都在 3 度之内[23]。易成岐等（2013）从用户角度对新浪微博信息传播过程和机制进行详细刻画，通过数据收集，结合网络分析可视化工具 Gephi 中的 Yifan Hu 布局模式，提取出热门微博的 7种静态拓扑结构：波纹型、蒲公英型、菌落型、烟花型、蜂巢型、双子星型和随机引爆型[24]。曹玖新等（2014）随机收集新浪微博平台中的海量微博数据，从关注人数分布、转发数拓扑结构分类等维度分析微博信息传播特征，发现微博信息传播模式具有深度小、宽度大的特征，这一特征使得信息能在微博中迅速传播[25]。
.................................
网络拓扑演化研究是信息传播网络动力学研究的另一个维度，主要研究对象是信息传播网络的网络参数特性、拓扑结构类型等。网络拓扑演化维度研究与网络信息扩散维度研究最显著的区别是，网络拓扑演化维度需要构建信息传播网络。许多学者以用户之间的关注关系或转发关系作为连边构建信息传播网络，结合复杂网络理论和社会网络分析（SNA）中的重要网络参数（如网络转发深度和宽度、节点级联率和度中心性等）来量化网络拓扑结构的变化过程，并利用网络可视化工具实现网络拓扑结构的静态可视化。
Rattanaritnont 等（2012）根据 Twitter 用户的发推、转发行为刻画了信息的级联模式，研究发现不同主题（如地震、媒体、政治、娱乐、体育等）的推文具有不同级联模式，如地震主题具有较低的级联率和较短的生命周期，而政治主题则具有较高的级联率和较高的持续性[20]。通过构建并可视化 Twitter 中流行文化（meme）的信息传播网络，Weng 等（2012）也发现 Twitter 信息传播网络的拓扑结构会因信息主题的不同存在显著差别，例如争议性政治话题的信息传播呈现出明显的两极分化[21]。Goel 等(2012)详细分析了 7 个不同平台的信息传播网络，结果发现最大的 4 个传播网络都属于 Twitter 且网络深度相对较浅，其原因是新闻媒体自带众多粉丝，他们的消息会像广播一样蔓延传播[22]。Fabrega 和 Paredes（2013）结合 Twitter 数据验证了社交媒体中同样存在三度影响力现象现象，推文转发者与推文发布者的距离绝大多数（超过 90%）都在 3 度之内[23]。易成岐等（2013）从用户角度对新浪微博信息传播过程和机制进行详细刻画，通过数据收集，结合网络分析可视化工具 Gephi 中的 Yifan Hu 布局模式，提取出热门微博的 7种静态拓扑结构：波纹型、蒲公英型、菌落型、烟花型、蜂巢型、双子星型和随机引爆型[24]。曹玖新等（2014）随机收集新浪微博平台中的海量微博数据，从关注人数分布、转发数拓扑结构分类等维度分析微博信息传播特征，发现微博信息传播模式具有深度小、宽度大的特征，这一特征使得信息能在微博中迅速传播[25]。
.................................
3.1 数据收集与初步分析........................................11
3.1.1 火灾事件选取..................................11
3.1.2 新闻媒体选择...................................12
4 信息传播网络静态分析............................................ 24
4.1 网络数值特征分析...........................................24
4.1.1 网络整体特征分析.................................24
4.1.2 节点特征分析..............................25
5 信息传播网络动态分析.................................... 37
5.1 网络数值特征演化......................................37
5.2 网络拓扑结构演化...............................39
6 信息传播网络演化的影响及相关建议
6.1 网络演化对信息传播的影响
要促使新闻媒体信息快速有效传播，即需要优化信息传播的效率和质量。故本节主要讨论梳理信息传播网络演化对信息传播的效率和质量影响，以提取最优演化规律，为信息传播优化建议提供方向与基础。
6.1.1 网络演化对信息传播效率的影响
若新闻媒体充分发挥其信息媒介作用，使信息具有较高的传播速度，在较短时间内获得较大的信息传播规模，则意味着新闻媒体所发布的火灾信息得到高效率传播。
根据 5.2 节分析可知，信息传播网络在不同关键传播节点的影响下演化成不同拓扑结构，其传播规模变化不尽相同。本文的火灾事件中新闻媒体信息传播网络具有 5 种拓扑结构，不同拓扑结构的传播规模变化趋势如图 6.1 所示。由图可知，从拓扑结构角度来看，综合结构的信息传播规模显著高于其余拓扑结构，第 1 小时其传播规模已超过1500 条，甚至数倍高于其余拓扑结构在第 4 小时的传播规模。其余 4 种拓扑结构中，超星结构的传播规模始终处于最低水平，N 星结构、星系结构和环形结构的传播规模稍大，N 星结构的传播规模在第 4 小时有较明显增长。
要促使新闻媒体信息快速有效传播，即需要优化信息传播的效率和质量。故本节主要讨论梳理信息传播网络演化对信息传播的效率和质量影响，以提取最优演化规律，为信息传播优化建议提供方向与基础。
6.1.1 网络演化对信息传播效率的影响
若新闻媒体充分发挥其信息媒介作用，使信息具有较高的传播速度，在较短时间内获得较大的信息传播规模，则意味着新闻媒体所发布的火灾信息得到高效率传播。
根据 5.2 节分析可知，信息传播网络在不同关键传播节点的影响下演化成不同拓扑结构，其传播规模变化不尽相同。本文的火灾事件中新闻媒体信息传播网络具有 5 种拓扑结构，不同拓扑结构的传播规模变化趋势如图 6.1 所示。由图可知，从拓扑结构角度来看，综合结构的信息传播规模显著高于其余拓扑结构，第 1 小时其传播规模已超过1500 条，甚至数倍高于其余拓扑结构在第 4 小时的传播规模。其余 4 种拓扑结构中，超星结构的传播规模始终处于最低水平，N 星结构、星系结构和环形结构的传播规模稍大，N 星结构的传播规模在第 4 小时有较明显增长。
..........................
为促使新闻媒体发布的火灾事件信息得到广泛传播，优化火灾事件信息及舆论的管理，本文选取微博平台上“@央视新闻”和“@头条新闻”2 个新闻媒体账号作为火灾事件的新闻媒体信息源，结合其发布的 35 条火灾事件相关微博及 33182 条转发传播关系，构建信息传播网络，研究信息传播高峰期内新闻媒体信息传播网络演化规律，探究信息传播网络演化对于火灾事件中新闻媒体信息传播的影响，并提出信息传播相关策略建议。
本文主要从网络的数值特征、拓扑特征和文本特征 3 个维度来刻画火灾事件中新闻媒体信息传播网络的演化。通过基于转发关系的信息传播网络建模、社会网络分析方法与文本词频语义分析工具对传播信息进行分析挖掘后发现，在网络数值特征方面，火灾事件中新闻媒体信息传播网络的传播规模较大、用户参与度较高，且网络中节点具有非常显著的异质性，作为信息根节点的新闻媒体发布者引发了火灾事件信息的大量转发传播。
在网络拓扑特征方面，信息传播网络在不同关键传播节点的影响下演化成超星结构、N 星结构、星系结构、环形结构和综合结构等 5 种拓扑结构，不同拓扑结构具有不同的信息传播模式，传播过程中存在多结构交叉演化。超星结构是所有新闻媒体信息传播网络的初始拓扑状态，体现的是作为根节点的新闻媒体发布者的影响力。若在信息继续传播的过程中，新闻媒体对其所发布的微博进行了二次或多次转发，初始的超星结构往往会演化成 N 星结构。新闻媒体的“自我转发”行为能够扩大信息的传播规模，推动火灾事件信息的多次传播发酵。若超星结构传播演化过程中，有官方机构或自媒体大 V 等关键意见领袖参与转发传播，则超星结构很可能会演化为星系结构。火灾事件信息通过关键意见领袖进行更深层的传播，同样也会扩大信息的传播规模。在特殊的情况下星系结构还可能演化形成环形结构与综合结构。相较之下，综合结构的信息传播能力和控制能力最出色，体现新闻媒体信息根节点、自我转发节点和关键意见领袖节点等多因素组合特性。
参考文献（略）