编者按：

欧逸帆是一位活跃于中欧学界与传媒界的青年传播学者，兼具研究深度与社会洞察力。她现任中国江苏第二师范学院传媒学院外聘教授，长期专注于数字媒体与社会议题的交叉研究，并活跃于新闻评论与文化观察领域，致力于以学术思考回应社会现实。其研究方向涵盖数字传播、媒介心理、健康传播与社会资本机制等，关注技术与情感、公共健康与社会结构之间的动态关系。除学术身份外，她亦以专栏作者、公共讲者等多重角色，积极推动学术成果的公共化传播，架设起学界与社会对话的桥梁。旅居欧洲期间，她师从健康传播领域知名学者 Gert-Jan de Bruijn 与 Peter J. Schulz 教授，其研究视野与方法均由此得到重要启发与拓展。

Editor’s Note:

Yifan Ou is a young communication scholar active across the academic and media landscapes of China and Europe, known for combining analytical rigor with a keen sensitivity to social issues. She is currently an external professor at the School of Media, Jiangsu Second Normal University, where she engages in interdisciplinary research on digital media and society. Her work spans digital communication, media psychology, health communication, and social capital mechanisms, exploring how technology, emotion, and public health intersect in contemporary life. Beyond academia, she also writes as a media columnist and cultural commentator, building bridges between scholarly inquiry and public discourse. While based in Europe, she has been mentored by leading health communication scholars Prof. Gert-Jan de Bruijn and Prof. Peter J. Schulz, whose guidance has profoundly shaped her research vision and methodological approach.

让社交媒体读懂社会情绪的脉搏：揭示‘情绪晴雨表’的新路径

在人工智能与数字传播深度融合的时代，情绪正在被重新定义为社会数据的一部分。旅居比利时的传播学者兼媒体人欧逸帆，联合其合作指导教授——健康传播学专家 Gert-Jan de Bruijn 与 Peter J. Schulz，近期在国际顶级期刊 Journal of Medical Internet Research (JMIR) 发表论文《Social Media as an Emotional Barometer: Bidirectional Encoder Representations From Transformers–Long Short-Term Memory Sentiment Analysis on the Evolution of Public Sentiments During Influenza A on Sina Weibo》。研究指出，社交媒体语言的情绪波动可作为社会心理状态的“晴雨表”，揭示了线上表达与现实情绪之间的动态互动关系，为全球公共心理健康监测提供了新的科学视角。

从情绪共享到AI建模：解码“线上情绪生态”

本研究以情绪共享理论（The Social Sharing of Emotions Theory）**为核心框架，强调情绪是一种社会互动过程——人们在公共事件中通过表达、共鸣与模仿，实现集体情绪的扩散与调节。研究团队以 2023–2024 年流感季为背景，从新浪微博收集了与“甲流（Influenza A）”相关的数万条帖子，构建了一个大规模社会情绪语料库。在技术层面，研究运用了结合 BERT（Bidirectional Encoder Representations from Transformers）与 LSTM（Long Short-Term Memory） 的深度学习模型，对微博文本进行情绪识别与动态建模。BERT 模型负责提取语言语义中的细微差别，LSTM 网络则捕捉情绪随时间变化的趋势，使系统不仅能辨识“悲伤”“焦虑”“愤怒”“快乐”“中性”等多维情绪类型，还能揭示情绪传播的节律性与阶段性特征。研究者随后将这些情绪时间序列与中国国家流感中心的流感阳性率数据进行对照，建立了“线上情绪—线下疫情”的双向互动模型，探索社交媒体情绪波动与公共健康事件之间的耦合关系。

线上情绪如何映照现实：从波动到恢复

研究结果显示，微博上的情绪曲线与流感疫情的演变高度同步。在流感爆发初期，公众情绪普遍趋于紧张与消极，悲伤、焦虑与愤怒等负性情绪显著上升；随着流感进入高峰期，负性情绪达到顶点，而中性与理性表达显著减少。进入疫情缓解阶段后，积极与中性情绪重新回升，但“悲伤”与“焦虑”等情绪仍表现出一定的延迟性，说明公共事件的心理影响往往滞后于其物理结束。此外，研究还发现情绪变化呈现明显的“节律性与恢复性”特征：在节假日或政策调整节点，公众情绪会短暂回升；当社会讨论热度下降后，整体情绪逐渐趋向理性与平稳。这一现象印证了“情绪共享理论”的社会功能维度——个体情绪在集体交流中被吸收、缓冲和再平衡，构成了一种可被观察的“社会情绪循环”。

欧逸帆指出，这项研究说明社交媒体上的情绪表达不仅反映个体心理，更折射出社会心态的整体波动与调节机制。通过人工智能模型追踪公众在社交平台上的情绪起伏，可以实时感知社会心理的“温度变化”，为公共卫生监测、心理干预及政策传播提供早期预警与科学依据。

“社交媒体正在成为社会心理的晴雨表，” 欧逸帆表示，“当我们用AI去理解网络情绪的演变，就能更早地发现公众的焦虑、共情与恢复过程，从而让数字技术真正服务于社会心理健康。”

（论文信息：Ou, Y., de Bruijn, G.-J., & Schulz, P. J. (2025). Social Media as an Emotional Barometer: Modeling Online–Offline Emotion Dynamics. Journal of Medical Internet Research, 27(1), e68205）

责任编辑：kj005

文章投诉热线:157 3889 8464  投诉邮箱:7983347 16@qq.com