起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識醫患沖突的微博輿情議題建構、地域化差異分析及情緒監測模型的建立
導讀：用戶在進行網絡空間參與熱點事件討論時會因自身所處環境而具有不同的立場，網絡輿情和議題導向由此會在網絡空間中呈現出地域分化特征。本文以輿情事件“仁濟醫院趙曉菁事件”為例，分析相關微博輿情的議題導向和情緒傳導在網絡空間的地域性差異以及與現實社會環境條件的聯系。
由中國新聞史學會計算傳播學研究委員會與微熱點大數據研究院聯合舉辦的第二屆傳播數據挖掘競賽已圓滿落幕，15支戰隊盡顯風采；以下為“基于新媒體傳播數據的地域輿論環境感知”選題優秀作品《醫患沖突的微博輿情議題建構、地域化差異分析及情緒監測模型的建立》，由來自汕頭大學“開心開心幸福沖沖沖隊”精彩呈現。
研究發現，關于此事件輿論主要分化為五類議題并呈現出地域間的傾向差異；本文以“關聯度”和“積極性”評價地區的子議題議程設置傾向，發現網絡空間中的輿論傾向與經濟、醫療等現實社會因素相關性不足但具有一定的特征，根據地域輿論積極性變化過程可以提取輿論預警指數模型。
關鍵詞：醫患關系；網絡輿論；地域特征；情緒指數模型；輿論預警。
一、緒論
1. 研究背景及意義
1）研究背景
4月24日上海三甲醫院仁濟醫院的胸外科的趙曉菁主任，當天正在出專家門診，在接診過程中，由于患者插隊而與患者產生摩擦；警察趕到后，醫生與警方發生口角，最終警方升級為強制傳喚，趙曉菁主任被派出所民警帶走問話。
這一事件在網絡平臺上引發了大量用戶以“醫患關系”為核心的熱烈討論，由于群體極化效應，在“患者插隊”的傳言未被官方證實之前，熱搜“手銬帶走拒絕患者插隊的醫生”引發公眾情緒，產生對警方的不滿；但本文認為輿論最終焦點仍是反映社會當前的重要問題——醫患矛盾這一癥結上。
為了研究關于醫患沖突事件，網民們的輿論是否存在地域差異性的參與特征和情緒傾向，以及網民會否因為所處的環境的經濟水平、醫療水平等現實生活方面的差異而在網絡輿論參與中產生的不同的話題傾向，展開討論和研究。
2）研究意義
我國近幾年正處于醫療改革的關鍵時期，各種醫療事故和醫患糾紛頻現，不僅在一定程度上引發輿論對于醫療保健行業的不滿，也體現了當前社會的供需矛盾所在。
在此背景下，《國家突發公共事件總體應急預案》新增了“醫療事故和醫患糾紛” 的分類足以體現目前醫患糾紛形勢嚴峻程度；此外，網絡媒體的信息發布、網民的持續關注和討論，使現實中的突發公共事件在網絡上被強烈的曝光，并形成擴散態勢和井噴效應；若不加研究和管控，將對社會的和諧穩定起到了嚴重的破壞作用。
情緒監測模型的建立旨在通過勾畫用戶特征畫像和實時監測情緒，評估相似醫患事件，進行輿情模擬和預警，為應對與緩和醫患沖突，從民聲民意中整體評價目前醫療體系的利弊，構建和諧的醫患關系與社會秩序和建設 “健康中國”提供參考和建議。
2. 研究內容
本文借助微熱點大數據研究院提供的關于本次沖突事件的微博輿論數據集，使用數據挖掘和分析方法，對不同議題的輿論情緒進行地域化差異分析；并結合經濟水平、醫療水平有地區差異的各省數據，探究輿論情緒指數是否與經濟、醫療評分有相關性；以及在此前研究基礎上建立輿論情緒監測模型。
以“仁濟醫院趙曉菁”事件為例，在梳理事件脈絡的基礎上，本文對 2019年 4月 24 日至 2019 年 5 月 8 日時間段內，對數據集中微博平臺上相關話題的微博內容、評論內容、用戶信息等數據集進行清洗和初步分析；進而采用關聯度分析法和模糊綜合評價法，歸納出五大輿情議題：醫療體制、醫療資源、醫院管理、患者素質、醫生服務態度。
運用模糊綜合評價法和文本分析技術，對醫患沖突的網絡輿情進行情緒傾向性分析；利用主成分分析法確定議題權向量后建立輿論情緒監測模型。
3. 研究方法
本文主要采用定性和定量的分析方法：包括內容分析法、關聯度分析法、模糊綜合評判法、PCA主成分分析法。
除了對原始數據集的處理和挖掘基礎上，引入了源自國家統計局網站和國家衛健委《2018年我國衛生健康事業發展統計公報》的外部數據，根據各省經濟、醫療等社會狀況統計數據對各省經濟、醫療的多項指標進行評分。
對比各省輿論情緒傾向和參與度的加權結果，通過SPSS進行相關性分析，以此探究地域輿論議程設置狀況差異及其與實際現實經濟和醫療水平相關性。
對事件輿情熱度、情緒進行量化評價、分析，利用降維的思想、主成分分析方法，確定5個關于醫患事件的核心輿論議題的評價矩陣和權向量，建立合理的評價模型。
根據模型公式及其數學性質，給出模型的適用范圍；為了進一步研究醫患沖突事件的風險管控，本研究還參考了等級全息建模(Hierarchical Holographic Modeling)的風險識別方法，以研究公共危機事件網絡輿情風險管理。
二、大數據挖掘在研究中的應用
本文以微熱點大數據研究院提供的微博原始數據為對象，借助中科院提供的情緒詞庫和中文停詞表，對評論文本的中心詞、詞頻統計的結果進行評分、加權運算、標準化處理；通過構建中心詞評分矩陣、關聯度評價矩陣、主觀評價模糊矩陣等方式，利用Python語言分析工具進行輿論情緒評分；此外，本研究調用python-sklearn機器學習模型工具對五個議題進行主成分分析，以發現在輿論中五大議題的情緒影響力高低。
1. 數據預處理
數據預處理：在人工篩選后再對數據集進行機器清洗。
本文使用Python-pandas、Numpy、re等對數據的基本信息進行統計、了解，包括：數據規格、標簽、數據索引等；對數據中的認證類型、性別、地域進行分類，刪除了所有帶不明信息的數據，最終獲得約351000條有效數據，并對數據的基本情況進行了描述性統計和可視化；由于部分地區數據較少以及研究對象的限制，本文的研究對象將排除港澳臺等省市地區。
數據分析：本文主要依據《模糊數學》中的模糊綜合評價法及其相應的數學思想，結合傳播學中相關的理論進行數據分析；秉承“人工智能”四字，保留機器學習人的思想，并努力地融入人學習機器的新思維，極力追求機器與人的良好配合。
2. 數據處理
對數據集中的文字文本、地域進行提取，調用Python-wordcloud繪制詞云圖；隨機抽取樣本評論文本，通過人工閱讀檢查，配合關于本事件的官方報道，把脈輿情的基本方向。
依此，本文確定了五個關于醫患問題的研究方向：政府因素、醫療體制、醫療資源、患者素質、醫生服務態度。
① 事件關鍵詞矩陣的生成
A、調用Python-jieba、中科院漢語語言處理包Python-nlpir、 Python-collections、numpy等工具對數據進行處理，得到“事件關鍵詞矩陣”；再建立關聯度評價矩陣及其截矩陣，對中心詞、詞頻統計得結果進行人工選擇、標準化處理、加權運算得到“評論關聯度矩陣”，進而求得“評論關聯度矩陣”的截矩陣，用以衡量評論與“醫患問題”的關聯性。
調用基于機器學習的文本情感分析工具Python-snownlp，對評論文本情感進行分析，得到各評論文本得情緒得分PM（Point of emotional）。
本文利用Python-pandas等工具，把⑤相關性數據和情感得分數據追加到每一條評論的末尾，形成新的數據集，而后再按地區對整個數據集進行切片。
② 建立各地區在各議題上的輿論情緒指數Hn,m的數學模型
首先，計算各地區中CRVβ>0的評論的情緒得分PM的平均值。
其中a為滿足條件PM的項數，n為地區代號。
為了研究不同省份在不同議題上輿論的情緒，建立各地區在各議題上的輿論情緒指數Hn,m數學模型：
其中n為地區代號，m為議題代號。
③ 相關性的分析
本文從國家統計局獲取了全國各省份經濟總量、地區經濟質量、地區人均醫療衛生資源、地區醫療衛生資源總量的相關數據，并與Hn，m作Pearson系數相關性分析。
本文數據處理指標概況
三、我國現階段不同地域的醫療、經濟水平及相關性分析
1. 我國各省醫療水平
醫療完善資源是指在一定社會經濟條件下提供醫療服務的生產要素的總稱，包括醫務人員，醫療機構和醫療床位等資源和信息，其多寡也是衡量國家綜合國力的一個重要指標。
自新中國成立以來70年，我國在公共衛生領域獲得了驕人的成就，平均預期壽命從不到35歲（1949年）上升到77.0歲（2018年），直接反映的是我國衛生醫療水平持續增長；然而，我國是人口大國，幅員遼闊，醫療資源在時空上的分布不均一直是不可忽視的現實矛盾；而無論是在總量上還是在人均上，我國的的醫療衛生資源與其他發達國家相比仍有較大的差異。
從一般印象來說，我國醫療衛生資源的空間分布呈現“東部總量高人均低，西部總量低人均高”的特點，但是為了更加詳細客觀地表現我國醫療衛生資源分布的現狀，本文將通過建立省級醫療衛生資源標準化指標，對各省的醫療資源進行量化評分。
本文采用全國31個省級區域（包括27個省和4個直轄市，港澳臺地區數據暫時缺失）的醫療衛生資源數據，數據來源于國家統計局網站2018年的衛生狀況統計資料和國家衛健委《2018年我國衛生健康事業發展統計公報》。
針對各省的醫療資源的量化評分，本文選取了每萬人擁有衛生技術人員數（人）、每萬人擁有衛生人員數（人）、每萬人擁有衛生機構床位數（張）、每萬人擁有衛生機構數（個）和人均醫療衛生機構診療次數（次）這5個參數加權平均后建立各省份人均醫療資源量化得分；選取地方財政醫療衛生支出（億元）、衛生人員數（萬人）、衛生機構床位數（萬張）、醫療衛生機構數（個）和醫療衛生機構診療人次（億次）這5個參數加權平均后建立各省份醫療資源總量量化得分。
由于各參數之間存在量綱上的巨大差異，本文對數據同樣進行了標準化處理，以此消除量綱差異帶來的不變。
標準化的計算公式如下：
其中Yn為第m省份的醫療（人均/總量）量化得分，Ymi為第m省份的第i項參數，max（Yi）和min（Yi）分別是第i項參數的最大值和最小值。
對得出的數據進行可視化處理后得出各地區人均醫療資源分布圖和各地區醫療資源總量分布圖。
如圖1.1和圖1.2所示：
圖1.1 各省份人均醫療資源分布
圖1.2 各省份醫療資源總量分布
由圖1.1、圖1.2和數據顯示，我國整體人均醫療資源分布不均的問題較為嚴重，其中全國范圍內，北京市和浙江省的人均水平明顯高于其他省市；而各省份的醫療資源總量分布于與當地人口總量密切相關，醫療資源總量大省同時也是人口大省。
一方面優質醫療衛生資源集中某個地區，導致大量外地人口異地看病就醫，對醫療資源進行擠壓；另一方面，由于醫療管理體系的不完善，醫療資源緊張與資源浪費現象并存。
這種普遍存在的醫療資源緊張間接反映出醫患關系緊張，醫生和患者在醫療資源的分配和使用上發生摩擦的風險也隨之上升；與此同時，即使地方財政的醫療投入與當地的經濟發展水平和常住人口成正相關，但在全國總體醫療資源水平較低等背景下，醫療資源和人口總量不成比例；即使該地醫療資源總量再多，分攤到個人層面不過是杯水車薪；與其說醫患矛盾是醫生和患者之間的矛盾，不如說是有限的醫療資源和近乎無限的醫療需求之間的矛盾。
2. 我國各省經濟發展水平
經濟發展水平也是衡量一個國家或地區綜合實力的一個重要指標，反映了社會經濟現象在不同時期的規模或水平。
我國作為世界第二大經濟體，自改革開放以來一直保持經濟的中高速增長，更是在2019年人均GDP突破一萬美元；不過由于人口基數龐大，各地區經濟發展不均衡等因素，我國仍然屬于中等收入的發展中國家。雖然經濟發展水平屬于宏觀概念，但是隱藏在其背后的眾多因素切實影響著社會生活的方方面面。
互聯網和移動終端的普及、教育和醫療水平的提高，這一系列指標的提升，無疑與我國經濟發展水平不斷提高有顯著關系；更重要的是——個人在互聯網上對某事件的看法，有可能因其受教育水平或經濟水平的影響，而在情感或觀點上表現出區域差異；為了更加詳細客觀地表現我國經濟發展現狀分布的現狀，本文將通過建立省級經濟發展水平指標，對各省的經濟水平進行量化評分。
本文采用全國31個省級區域（包括27個省和4個直轄市，港澳臺地區數據暫時缺失）的經濟狀況數據，數據來源于國家統計局網站2018年的經濟狀況統計資料；針對各省的經濟狀況的量化評分，本文選取了人均GDP（萬元），人均可支配收入（萬元）和地方財政醫療衛生支出(億元)這三個參數，進行加權平均后建立各省份各省經濟發展現狀量化得分；由于各參數之間存在量綱上的巨大差異，本文對數據進行了標準化處理，以此消除量綱差異帶來的不變。
標準化的計算公式如下：
其中Pn為第n省份的量化得分，Xni為第n省份的第i項參數，max（Xi）和min（Xi）分別是第i項參數的最大值和最小值。對得出的數據進行可視化處理后得出各省份經濟發展現狀分布圖。
如圖1.3所示：
圖1.3 各省份經濟發展現狀分布
由圖1.3和數據顯示，我國經濟發展水平相對較高的區域集中在東部沿海地區，如北京、上海、江蘇和浙江等地。
從整體上看，雖然我國各省經濟發展迅速，但人均可支配收入在不同地區間存在較大差距；而區域人均收入的差異,也會導致人口的大量遷移,使得部分相對落后的省市發展緩慢，間接導致醫療資源分配的不合理，可能會影響在輿論場上關于醫患矛盾的觀點和看法。
另外，地方財政醫療衛生支出其實與當地經濟發展水平成正相關，較發達地區的醫療財政投入和支出更多，醫療資源的補足更傾向于發達地區，這就導致醫療資源分配矛盾更加突出，助長醫患之間的緊張情緒。
3. 輿論情緒評分與醫療、經濟水平的相關性分析
提取各地域五類輿論情緒評分及經濟醫療評分數據，運用SPSS分析工具對數據進行Pearson系數相關性分析。
結果表明，關聯度加權后的情緒數據在與醫療、經濟的相關性較弱且顯著性不足，因此接受零假設，醫療與經濟因素與輿論傾向得分間不具有顯著相關性。
但另外值得注意的是，關聯度加權后的醫療體制、醫院管理、醫療資源、患者素質、服務態度五方面輿情的評分之間存在著顯著相關性，說明輿論傾向評分存在著內部一致性，證明評分指標具有較高的信度。
相關性分析結果表明，各地區輿論傾向指標評分與醫療經濟水平的評分之間不具有相關性，說明醫療與經濟水平可能對于網絡輿論導向的沒有顯著影響；結合湖南師范大學燕道成、陳思妤的《媒介融合背景下的輿論引導:特點、挑戰與策略》一文研究，本文發現，網絡空間中的輿論可能因為去中心化和全群化等因素而形成“失焦”，輿論的發表于現實生活背景會產生一定程度的分離，網絡環境中的輿論導向的主要力量更多來自于媒體和輿論領袖。
本文分析認為原本假設對于網絡輿論的導向因素的考量不足，網絡空間中的輿論差異不僅來自于用戶的現實生活體驗，還可能來自于網絡輿論領袖、媒體框架、擬態環境等網絡大眾傳播因素；另外，本文研究所納入的現實社會與地區的分異因素還能夠繼續擴展，諸如教育、治安等現實社會因素都可能對于用戶網絡輿論傾向產生一定的影響。
四、醫患關系輿情數據呈現與分析
我國是一個人口大國，對于醫療資源的供給還處于不平均、不完善的階段；看病難、看病貴，是我國長期存在的一個民生問題。
當前，我國正處于醫療體制改革的關鍵時期，突發的醫患沖突事件在全社會中收到廣泛關注；而各種醫療事故和醫患糾紛頻現，不僅體現了當前社會的供需矛盾所在，更在一定程度上引發輿論對于醫療保健行業的不滿；若不加研究和管控，將對輿論空間的和諧穩定起到了嚴重的破壞作用。
1. “仁濟醫院趙曉箐事件”網絡輿情的總體特征
2019年4月25日，一則“上海仁濟醫院醫生趙曉菁因拒絕接診插隊病人，被警方戴上手銬帶走問話”的消息，引爆輿論。
26日，當地警方通報稱，網傳患者陳某無理插隊與事實不符，且醫患雙方確實發生沖突，警方口頭傳喚趙曉菁配合調查，在趙某拒不配合，并與處置民警發生肢體沖突的情況下，現場使用手銬強制傳喚，符合法律規定。
27日，醫警雙方接受采訪時均稱，處理上有提升空間，風波本可以避免。
從信息走勢來看，微博是該事件的主要傳播平臺，相關事件的全網信息量達到33.0萬條；該事件的爆發時間點為4月25日，在26日引發輿論的關注；同日，@警民直通車-浦東對事件進行警方通報，使信息量于27日達到最高峰；隨后，輿論對該事件的關注度逐漸下降。
而從該事件的微博關注者的畫像來看，事發地上海、江蘇兩地的信息數最為顯著，此外，廣東、北京、浙江、山東、四川等地的網民對此較為關注，發布了相對較多的信息；在用戶認證等級中，橙v和藍v各占比32.96%和3.23%；而在性別上，男女用戶數量相當，沒有較大性別差異。
下面將對醫患沖突事件的每個議題（包括醫療體制、醫院管理、患者素質、醫療資源和醫生服務態度）進行進一步的分析，從細分議題的角度進行挖掘，以期總結出本次醫患沖突事件的輿情傾向特性。
2. “仁濟醫院趙曉箐事件”網絡輿情的分議題情緒特征與分析
本文對五個議題的情緒得分進行主成分分析，研究在輿論中五大議題的情緒影響力高低。
結果顯示，醫療體制、醫院管理、患者素質、醫療資源和醫生服務態度分別占比53.36%、18.36%、11.27%、6.82%和6.07%；其中“醫療體制”議題對情緒評分的影響力占比最大，而“醫生服務態度”議題的影響力占比最小。
此外，由“五大議題情緒表征地域差異圖”可知，在各個分議題的情緒分布上出現明顯的地區差異，各地區網友對“患者素質”有著最高的消極情緒，而對“醫療體制”的輿論情緒消極度最低。
廣東、四川、江蘇等在全部議題的輿論情緒中呈相對消極，這類省份普遍有較大的網民基數，擁有較大的討論豐度和烈度；而黑龍江、江西、寧夏等在全部議題的輿論情緒中呈相對積極，這可能與討論數量較小，情緒表征受個別評論影響較大有關。
1）醫療體制議題的輿情情緒特點
在主成分分析中，“醫療體制”是最影響輿論情緒的議題。而對該議題的輿論內容分析可知；淺層上，輿論主要涉及對加號機制的運行方式和合理性的否定，也有對專家號稀缺和長時間等待表示與涉事患者“感同身受”；而在深層上，沖突事件直指醫療體系的不完善，表現出醫院管理、診療制度等方面存在問題，無法有效保障就診秩序。
與此同時，醫療體系資源分配不均，優質醫護人員在地區上有質量和數量的傾斜，也解釋了醫療體制如何最大程度地影響著輿論情緒；此外，建立建全快速的申訴、處理和援助渠道，也是網民對醫改的主要訴求之一。
此外，也有網民從醫生角度發聲，認為“保護醫生”應從藥品改革開始，完善醫療保險，減輕患者負擔，消除過往部分醫收受私利的刻板印象，避免成為醫患沖突事件中“替罪羊”、“受氣包”的角色；同時醫療體制改革也應關注醫生群體福利、社會地位、職業壓力，不少網民提到基層醫院的醫生處于“體制內的弱勢”，壓力大、地位低。
相比其他議題，醫療體制并沒有非常顯著的地區差異，表明是一個舉國聚焦，全民關注的問題。
2）醫院管理議題的輿情情緒特點
“醫院管理”議題也是輿論討論的重點，本次醫患糾紛發生在仁濟醫院醫院門診，作為醫患接觸的一線，門診是最容易發生矛盾與沖突的地方，醫院更應加強對門診的安保與管理工作。
在本事件中，有輿論認為趙曉菁醫生為維護就診秩序與患者發生矛盾，但醫院的安保人員卻缺位，對醫院的管理提出質疑；對此，網民認為醫院應當派辦公室人員或保安人員進行現場處置，而不能讓專心看病的醫生充當保安人員角色，卷入繁雜的排隊管理事務中，醫院管理需要從加強安保和完善診療制度兩方面同時進行優化。
3）患者素質議題的輿情情緒特點
“患者素質”的情緒表現是5個議題中最消極的；本文在對醫患沖突的輿論事件研究過程中發現，公共輿論已對醫患沖突基本持有“醫鬧”這一先入為主的立場，即使在對事件過程尚未清楚的情況下，存在較多網民認為患者無理取鬧在先；從詞云圖中常見“混蛋”“無賴”等貶義評價，對未有警方通報前傳言“插隊”的行為表示不滿（此處“微笑”是網絡表情，意為對醫鬧事件層出不窮感到諷刺、無奈、無語）；對此，網民認為需要有強制措施維持就診秩序，患者需要尊重醫生，遵守規則。
該議題的地區差異也最明顯；其中，新疆、江西、廣西對患者素質的輿論情緒消極程度一般，而其他醫療水平良好的地區如廣東、北京、江蘇，事發地上海，輿論情緒的消極度更高；后者屬于經濟發展較快的地區，信息傳播渠道較為通暢，公民的收入和教育水平相對較高，相比于經濟發展較為滯后的地區而言，更能理解醫護人員，從醫生的角度看待日益緊張的醫患關系；可見，醫患問題的輿論具有一定現實性的地域差異。
4）醫療資源議題的輿情情緒特點
不少網民認為醫患沖突的癥結是“醫療資源”不足和優秀醫療團隊的在地域上的分布不均，即使同一地區，診療秩序、管理水平也參差不齊；在本次事件中，患者專程從東北某省趕至上海仁濟醫院就診；跨省就醫的存在，正是醫療資源不平衡的體現，卻也直接擠壓其他地區的醫療資源，助長了看病難的問題。
在現實中，北京作為我國首都，毋庸置疑擁有全國第一梯隊的醫療資源水平，人均醫療水平最高，但對于“醫療資源”議題，北京網民卻持有最高的消極情緒；詞云圖表示，患者“大老遠”“從外地”到外地就醫，醫生還是需要“加班”“加號”才能滿足患者的就醫需求；這種矛盾，反映出醫療資源緊張是一個全國性的問題，輿論普遍對此表示不滿。
5）醫生服務態度議題的輿情情緒特點
在“看病難”問題普遍存在的現實中，由于醫療資源供需的不匹配，醫護人員工作強度大的現象極為常見，無法保證患者的就醫體驗，這使患者對醫生產生高高在上、沒耐心、不夠負責的印象，引起病患或病患家屬不滿。
不過在此事件中，趙曉菁醫生的評價多為良性評價，詞云圖中常見“專業”、“敬業”、“優秀”等正面詞語；相當一部分網民認為需要理解醫護人員的工作強度和職業難處，遵守秩序、多加配合。
3. 基于框架理論對輿論議題和情緒的分析
框架指的是人們用來認識和闡釋外在客觀世界的認知結構，它來自于個體過去實際生活的經驗；是每個人在“存在、發生和意義這些問題上進行持續不斷的選擇、強調和表現時所使用的準則；而引入大眾傳播領域則表現為“媒介怎樣反映現實并規范了人們對之的理解”，即議題、話語和意義是如何被準確建構、組織并得以展開的。
受眾同樣具有自己的框架——受眾框架即受眾個人接觸和處理大眾傳播信息的認知結構和詮釋規則，這種結構和規則來自于受眾過去社會生活經驗的積累、既有的價值觀和態度、行為取向，并導引著受眾個人處理新的信息。
關于醫患沖突的新聞報道，雖然在敘述方式上沒有突出矛盾和沖突，但是在內容上偏重于依賴官方及其他高權威消息來源，醫方話語被強化而患方話語被湮沒；甚至在大多情況下，受眾只能聽到醫方的話語空間而根本不存在患方的話語空間，這就導致“醫尊患卑”已經成為關于醫患沖突的媒介框架，同時也塑造了帶有類似觀點看法的受眾框架。
此次“仁濟醫院趙曉菁”事件中，從五大議題的關鍵詞詞云圖來看，當前輿論語境傾向以“優秀”、“尊重”、“良心”等帶有正面積極色彩的詞語描述醫生；而描述患者的詞語則一般是“無賴”、“鬧事”、“闖入”等，帶有負面消極的色彩；上述詞語在關于醫患沖突的新聞報道同樣常見，這顯示出受眾框架具有“先入為主”的特點；當然，這種受眾框架也造成了輿論對于事件的多樣化討論。
五、監測模型建立與回測
1. 數據挖掘各階段的應用
1）主成分分析
調用python-sklearn機器學習模型工具對五個議題的情緒進行主成分分析，確定五大議題在監測模型中的權重并與作相關性分析；經計算，與地區人均醫療衛生資源都表現出相關性，其中議題1-政府因素與之相關性最為顯著，議題3—醫療資源次之。
(主成分分析結果)
2）輿論指數監測模型建立
本文參照模糊數學中模糊綜合評價法的思想，對輿情這種較客觀的事物進行合理量化；而經查閱大量文獻發現，評判輿情的指標主要集中在其烈度、廣度、以及其所帶主流情緒，依此我們建立如下輿論監測模型。
首先對上述處理得到的新數據集按議題切片，針對其情緒評分、及基本情況（包括數量、認證等級等）進行基于機器學習的主成分分析，把主成分分析的結果作為其權值，與五個議題的情緒得分矩陣進行運算，得出總體情緒綜合評分HH。
然后通過計算得出五個議題情緒得分的標準差引入模型中，此處考慮如果輿論矛頭突出使得議題情緒得分往往參差不齊，區別明顯，最終使得標準差更大；在考慮烈度方面，本文引入上述總體情緒綜合評分HH；而在考慮廣度方面，本文引入有效評論數量a；最后為了提高本模型對于不同量級的數據和不同強度的監測需求都具有普遍適用性，本文引入敏感度系數ss。
如下所示即為本文所建立的輿論檢測模型：
2. 模型下放回測
在建立本模型的中，我們把全體數據作為訓練集，再下放到局部進行回測；在回測中我們對于不同評論基數（如江蘇&西藏等）都表現出較強的的監測能力。
如：結果顯示#廣東4月27日23：59之前已經達到監測值，而實際上我們發現，#廣東在醫療體制方面的情緒得分與其他四個議題有較大差距，情緒消極程度較低，評論基數龐大，達到檢測值理所應當。
依據回測得到的其他數據分析，本模型在其他省份、其他分區的監測結果也貼合現實，依此我們認為回測結果滿意，本模型可行。
六、醫患沖突事件網絡輿情的現實意義與管理建議
微博下的網絡輿情具有即時性、聚眾化、裂變化等特點，如同星星之火，迅速燎原；在一定的情況下，微博輿情的信息能量能夠在很短的時間內迅速釋放，很快各種信息和評論就會充斥整個網絡空間。
醫患沖突這一類的公共突發事件輿論威力巨大，網絡輿情痛點幾乎指向醫療體制、患者素質、醫院管理等事件環境所涉及的所有主客體；此外，每個地方由于經濟發展不同步，醫療資源分配不均，網民對于醫患沖突事件的態度出現一定的地域分歧。
結合地域發展的多元復雜性，網絡輿情的爆發性和裂變化，國內醫患關系的嚴峻性，各地方政府、媒體單位、醫院運用輿論情緒監測模型，在輿情發展的不同階段監測，在擴散階段適時適當引導和介入；對于預防進一步的輿情危機、為政府醫療體制改革指向、保護輿論事件涉事人員、加強因地制宜的醫院管理等改善當前醫患關系緊張局面的措施具有重要意義。
1）預防進一步的輿情危機
建立完善的監測和預警機制，以應對醫患沖突事件進一步惡化，輿論情緒監測模型為實時觀測涉事人員和單位動態提供可能；此過程中，通過有效分析識別可能發生的危險，并提出預防措施，以便應對突發事件，降低甚至消除危機所發生的概率。
2）為政府醫療體制改革聚焦痛點
醫療體制改革是我國醫療衛生事業發展的主推器，緊張的醫患關系背后隱含的體制等民生問題在輿論情緒中有所體現；微博輿論此時充當諫言納策的角色，及時從沖突事件中獲取建議，如增加醫療財政投入、協調醫療資源的科學分配、醫療分配供給改革等，輿情監測可以為不同地方政府也能給予更精準的建議和參考。
3）保護輿論事件涉事人員
根據預警，執法機關、行政單位、醫院管理方和媒體都更應對涉事的醫生、患者方及其他旁觀者都進行更全面地采集證言，及時還原事件全貌，及早降低網絡輿論的不確定性對涉事人員的傷害；預警信號推動事件透明公開的處理，有助于平息醫患沖突輿情的升溫。
4）加強因地制宜的醫院管理
各地的醫療、經濟、文化發展程度不同，情緒監測模型包括了對醫院管理的評分，各地醫院參考事件本身和自身醫院管理的具體情況作出適合，調整更符合自身的診療制度、加強安保維持秩序。
5）媒體互動改善醫患矛盾語境
新聞媒體除了避免報道把關不嚴、立場失位等原因的新聞媒體失范，減少醫患沖突輿情發生反轉，自媒體和新聞媒體都擔當起應有的媒體責任和社會責任；在沖突矛盾的語境下，采用更客觀、不帶有情感傾向的報道，積極與政府單位、醫院方進行多方冷靜的傳播互動，以改善事件發生進程的輿論情緒環境。
本文由 @數據鍋 原創發布于人人都是產品經理，未經許可，禁止轉載。
題圖來自Unsplash，基于CC0協議。
- 目前還沒評論，等你發揮！
