四 网络分析
大数据有着关系主义特质。一部分大数据源于网络空间和平台，带有明显的关系数据性质，使研究者能够利用这一类大数据来对复杂的社会网络进行分析。大数据记录了人们在现实生活或是虚拟世界中的活动轨迹，能够在一定程度上映射现实世界中复杂的网络关系。在此意义上，大数据也被称为关系数据。例如，社交媒体改变了公众、记者、机构和活动家就社会和政治问题进行交流的方式。[136]而随着社交媒体和平台的普及化，现实社会生活的复杂网络留下的数字化痕迹为研究社会网络提供了更加丰富的数据资源。此外，网络不仅是社会生活的重要结构特征，也是政治生活的重要特点，它在本质上展现了多元的政治主体围绕利益进行复杂互动形成的基本关系结构。
社会网络分析方法由来已久。20世纪60年代，数学家就通过建立随机图理论开创了网络分析的理论先河，而心理学家提出的“六度分离”的小世界实验则引领了网络科学的实证研究。[137]经过长期发展，社会网络分析逐渐涵盖了社会学、人类学、社会语言学、地理、经济学以及生物学等多个领域，成为一门多学科交叉的理论和研究体系，用来探究复杂自主网络。[138]社会网络革命（social network revolution）、移动革命（mobile revolution）与互联网革命（internet revolution）也被列为新时期影响人类社会的三大革命。[139]
在社会网络分析中，节点和关系是两大基础概念。社会网络理论认为，我们生活在一个由互联实体（entities）构成的复杂世界中，其中的人与组织被称为节点（point），节点之间的关系称为边（edges），复杂社会网络就是由节点及其关系组成的。因此，在学术研究中，社会网络分析主要探究节点及其关系。经过长期发展，社会网络分析在理论体系和研究方法层面已经有了良好的积淀，产生了弱连接理论、结构洞理论、小世界理论、无尺度网络理论等代表性理论，中心性分析、小团体分析、位置分析以及统计模型法等方法也在具体的研究领域得到了广泛运用。
将大数据引入社会网络分析，推动了社会网络数据面向大规模流动性数据的转型。面对实时生成且规模庞大的数据，传统社会网络分析方法难以进行有效分析。这种侧重描述的研究传统、偏向案例的研究设计和未能充分跟进前沿技术进展等是现阶段拓展网络研究深度的主要制约因素。[140]研究需求和现实条件之间的差距迫使研究者在算法和软件两个方面进行创新，以适应大数据环境。
在大数据时代，社会网络分析在研究方法上得到了进一步扩展。随着数据抓取能力的增强和复杂网络分析软件的出现，社会网络构建将变得更为丰富细致，许多过去难以研究的问题将得到有效的分析，政治传播和集体行动等研究将取得新的进展。[141]目前，Tableau、Gephi、Pajek、Networkx、WebGL和Googlemap等软件能够实现大数据的网络分析，既能够获取大规模数据，也在计算速度和结果可视化方面实现进步，从复杂的关系结构中识别和挖掘出有价值的知识模式。基于大数据的社会网络分析已经成为了解大规模社会结构和动态的主要来源。[142]
在政治学研究中，社会网络分析也引入了大数据。政治生活在本质上就是多元主体围绕着现实利益进行互动的过程。随着“Web 2.0”时代的来临，微博、脸书和推特等大型社交媒介蓬勃发展，用户之间的互动和交流越来越频繁，现实中的政治网络延伸到了虚拟的网络空间当中，围绕着政治问题产生了海量的网络关系数据。基于大数据的网络分析侧重于挖掘多元行动主体之间的关系网络模式，用社会实体之间的关系来描述、解释和预测网络政治现象。
根据目前的研究动态，政治学研究中利用大数据进行网络分析也是从节点和关系两个角度入手，探究复杂政治网络中的行动者及其关系逻辑，形成了关键节点分析和社区关系分析两种导向。学者们积极利用社交网站等渠道产生的网络大数据来探究政治信息、政治传播和政治行动网络中的关键行为者和重要关系，从信息交互和行为交互的双重维度来探究政治生活复杂网络结构及其内在机理，并对这些网络的发展趋势进行预测，为制定有效的干预政策提供学理支撑。
（一）关键节点分析
识别和分析关键节点，是网络结构分析的基本方法，也是从个体层面分析社会网络的重要视角。关键节点是指在复杂网络中具有高度影响力，影响网络结构生成和发展的重要事件和人物，能够在用户之间产生广泛且深刻的影响。关键节点一般数量较少，但影响广泛。在传统社会网络分析当中，判别关键节点的方法是测量节点中心度，节点中心度越大，影响力也就越大，在网络生成和扩散中的作用也越大。在大数据时代，基于社交媒介大数据识别其关键节点，成为一项热点议题，在政治学领域也有运用，特别是通过分析政治网络结构的关键节点，我们可以用来判断社交媒介上推动传播和行为网络得以形成和扩散的重要人物、议题和事件。
基于社交媒介大数据来识别关键节点的核心目的是度量节点的影响力。为实现这一目标，方法上产生了两种导向：一种是发展传统社会网络分析方法，用传统方法计算大数据的节点中心度，从而找到关键节点；另一种通过机器学习，特别是聚类和排序两大算法。聚类算法是按照相似度来对节点进行归类，从归类出的各个子类别中选择出最符合关键性特征的子类作为关键节点。例如，K均值聚类算法在这一过程中有着良好的计算效果。排序算法中常用的是影响等级算法（Influence Rank Algorithm），可以确定关键节点，评估复杂网络中节点的重要性。
意见领袖（opinion leader）被国内外学界普遍视为政治信息网络的关键节点。在利用社交媒介大数据进行政治传播网络分析过程中，国内外学界高度关注意见领袖在传播网络建构和扩散中的作用。一般来说，意见领袖会有策略地进行自我表演，实现自身角色建构与身份认同，成为社会网络中的重要行动者，并且与意见扩散者建构了复杂多样互动关系，形成以圈群为基础的情感关系网络，影响信息传播和情感走向。[143]社交媒介大数据为进一步研究意见领袖的作用提供了更广阔的空间。国内外学者通常依据热点议题引发的政治传播大数据，来评估意见领袖的影响力及其行动模式，评估其在信息网络扩散中所发挥的关键作用，并以意见领袖为中心节点，建构政治信息传播和扩散的模型。[144]
识别意见领袖主要由聚类、排序和拓扑等算法来实现。目前尚不存在一个标准算法发现不同数据源中的意见领袖，这些方法在技术层面上也各有侧重。意见领袖的基本特征表现为多个具有特定属性的中心节点（具有最高度、介数或脆弱性值的节点），其意见能够保持不变，即不受其他行动者的影响。[145]因此，这些算法的共同点都是从复杂情感互动网络中识别具有影响力的中心节点。例如，聚类算法能够根据情感倾向建构用户关系网，采用小世界网络理论确定用户的中心性，确定意见领袖。而社群意见领袖的挖掘方法侧重于从新的节点语义特征来生成社群舆论圈，进而结合全局结构和舆情圈的局部结构来判别社群意见领袖。[146]此外，分类算法在识别意见领袖中也有所运用。基于K核分解方法获取社交网络中的意见领袖候选集，以缩小识别意见领袖的数据规模，然后提出包括位置相似性和邻居相似性的用户相似性的概念，利用K核值、入度数、平均K核变化率和用户追随者个数计算用户相似性，并根据用户相似性对候选集中的用户计算全局影响力，根据用户全局影响力对意见领袖候选集中的用户进行排序，以此来识别意见领袖。[147]
国内外学者基于社交网络大数据，确定了大数据环境中意见领袖的存在性及其基本类型。其中，斯查弗·迈克（Schäfer Mike）等人基于德国社交媒介在线数据的聚类分析，发现意见领袖在当代的媒介环境中仍然存在，在政治传播网络中存在着意见领袖、追随者、不作为者和“调解型意见领袖”这四个基本聚类。[148]而根据情感倾向性可以将意见领袖分为积极领袖、中立领袖和消极领袖这三类。[149]此外，按照意识形态属性进行分类，也是意见领袖类型化建构的一种方式。周莉等人基于对232位微博意见领袖的探索性研究发现，当前国家主义话语体系中存在着以理性看待国际交往为特征的“理性国家主义派”、以追求国家经济繁荣为特征的“当代新国家主义派”，及以注重意识形态建设为特征的“国家中心主义派”这三类意见领袖。[150]
国内外学者基于社交网络大数据，确定了哪些主体在信息网络建构和扩散的过程中成为意见领袖，即意见领袖的角色识别，主要包括新闻媒体、记者、社交机器人、党派媒体和有影响力的个人等。通过对2012年美国总统大选期间在推特上收集的大数据集进行语义网络分析，新闻媒体可以决定公众对政治候选人的认同。[151]基于特朗普上任首月发布的推文及其被转发形成的信息网络，有学者研究发现，左翼媒体和记者以及社交机器人成为意见领袖。[152]而在2016年美国总统大选当中，推特网络上大量的党派账户被确定为影响媒介议程的意见领袖，导致负面情绪快速蔓延。[153]这一观点也在另一项实证研究中得到了证实。根据2015年美国媒体的数据，在线党派媒体在整个媒体议程中发挥了主导作用，两家精英报纸《纽约时报》和《华盛顿邮报》被发现不再控制新闻议程，而更可能追随网络党派媒体。[154]
西方学者也对当代激进主义思潮传播扩散过程中的意见领袖作用进行了探究。阿尔迪扬蒂·汉德里尼（Ardiyanti Handrini）等人通过对推特上以“Free West Papua”为标签的话语网络数据进行分析，发现13位来自境外的用户成为极具影响力的意见领袖，决定了这一话语网络的趋势。[155]此外，社交机器人的意见领袖角色，也在研究中得到了证实。社交机器人的智能化水平和类人化程度越来越高，成为隐匿于社交网络的强参与者，成为微观政治传播的新主体。[156]阿克列门科·斯图卡尔（Akhremenko Stukal）等人对委内瑞拉政治动荡时期的推特内容进行分析，结果显示，一些推文得到了“病毒式转发”，社交媒体机器人在其中发挥了重要作用。[157]
国内外学界也基于社交媒介大数据，确定了意见领袖在政治传播网络建构和扩散过程中的重要作用，即促进政治沟通和影响信息走向。西方学者普遍认为意见领袖能够促进政治沟通。例如，一些学者根据西班牙选举期间的2588条推文进行了分析，发现意见领袖通常会表达他们的批评，通过使用互动和回应民众关切的形式来巩固和扩大其追随者的规模，不仅能自由地表达意见，也促进了政党和公民的对话。[158]另有研究认为，意见领袖在社会政治交流中发挥着重要作用，[159]决定了信息传播的内容和时间。卡琳娜·拿翁（Karine Nahon）等人考察了政治竞选活动中视频博客传播的模式，根据13173篇博客内容，将博主区分为精英、政治领袖、一般领袖和普通博主四种类型，通过多元时间序列模型发现，网络信息传播并不是单向度的，精英和政治领袖是信息传播的发起者，决定着信息传播的内容和时间。[160]
西方学者进一步基于对社交媒介大数据的研究，剖析了政治传播网络的扩散机理，发现意见领袖一般能够利用社交媒介标签扩散其传播网络。在2016年美国总统选举中，特朗普使用竞选口号“让美国再次伟大”（MAGA）这一标签与竞选活动联系起来，构成了一个有效的信息传播网络，逐渐吸引了大量的白人至上主义者的支持，建构了强有力的信息网络。[161]
重大公共事件引发的舆情网络是一种特殊的政治信息网络，意见领袖在建构和扩散信息网络过程中发挥着特殊作用，如“红黄蓝幼儿园虐童事件”发生后，在微博上迅速引发大量讨论，用大数据和机器学习对相关微博进行情绪识别，采用社会网络分析法从节点识别、主体差异和作用机理三个方面探究愤怒情绪传播中的关键节点，结果显示，愤怒情绪的传播网络呈放射状结构，少数用户占据优势地位，新闻媒体及名人明星具有较高的情绪吸引力，是重要的“情绪源头”，草根“大V”具有较高的情绪凝聚力，是关键的情绪枢纽。[162]
对重大公共事件舆情网络中的意见领袖进行识别，能够对干预舆情提供合理依据。正是因为社交网络大数据的使用，运用社会网络分析方法研究突发事件舆情传播的网络结构特征，识别关键节点，探究舆情传播的网络结构、节点位置及相互关系对信息的传播路径、传播速度及传播范围的影响等问题，已经是大数据研究的一个实践运用方向。例如，针对重大突发性公共事件，能够运用Pajek软件生成信息传播网络拓扑图，基于邻接矩阵数据进行网络密度、可达性、聚类系数和中心性测度，依据测度结果和位置角色分析进行关键节点分层与识别。研究表明，突发事件网络舆情的传播和扩散以社会网络结构为基础，具有复杂性和动态性特征，网络结构与节点位置决定着成员的影响力，中心关键节点的资源控制能力与信息输入输出效率具有显著的正相关性，因此，可以通过改变中心度、聚类系数等手段嵌入式引导关键节点，减少谣言和恐慌情绪的传播。[163]
（二）社区关系分析
社区关系分析是以社区挖掘为方法、以关系为视角的网络结构分析体系。不同节点基于信息交互产生的聚类被视为社区（community），丰富多样的社区构成了复杂的社会网络。在虚拟社交网络中，基于网络群体、关系结构以及网络信息等要素产生了更加多元和隐匿的社区，呈现出人际传播与虚拟互动互相渗透的特点。[164]社交媒介的社区由用户、议题和术语共同构成。[165]联系紧密的节点构成具有典型意义的社区，在政治信息网络扩散过程中发挥着关键作用。而同一社区内的节点连接密切，不同社区间节点连接稀疏，这是复杂网络中普遍存在的社区结构特性。[166]社区是社交媒介网络的基本属性，随着社交媒体规模的迅速扩大和海量信息的激增，需要识别大数据场景中的社区。[167]
目前，基于社交媒介大数据进行社区挖掘方法有一定程度的发展，更具动态特征，在研究政治问题时也有所运用。社区挖掘是从复杂的网络数据中检测并识别社区，展现复杂网络的内在结构及其互动关系。传统社会网络分析中的社区发现是静态的，通常将社交媒体用户转化为无权的网络图进行识别，[168]包括经典图聚类方法、贝叶斯统计等数学模型方法、基于主题语义的发现方法以及基于链接分析的方法。在大数据时代，机器学习法或深度学习法是社区挖掘的主要方法，能够从大规模实时交互的社会网络数据中动态挖掘社区。具体来说，基于机器学习和深度学习算法的社区挖掘，其核心原理是对网络节点信息进行数据降维处理，或者通过训练网络图相似度矩阵得到低维特征矩阵，[169]能够快速有效地发现复杂网络当中隐含的社区及其演化过程，并通过动态仿真模式进行可视化分析。基于社交媒介大数据进行社区挖掘，在研究政治问题时也得到了运用，但目前尚处于起步探索阶段。
大量实证研究证实了社交媒介上围绕政治议题产生的信息网络存在典型的社区关系结构，对这些社区进行了有效的识别。布鲁泽塞·斯特凡诺（Bruzzese Stefano）等人分析了2022年1月至2022年2月期间4398条与生态系统服务有关的推文，结果显示，存在着一个密集、同质性且规模中等的社区集群结构，主要由公民、非政府组织和政府管理部门构成，是相关信息传递和传播的把关者。[170]极端政治思潮话语在传播过程中也生成了社区结构。较为典型的是“另类右翼”基于推特吸引用户转发，使其仇恨化的政治语言呈现出网络扩展趋势，托雷格罗萨·哈维尔（Torregrosa Javier）等人根据中心度测量的方法来研究“另类右翼”用户话语，结果显示“另类右翼”的用户网络是由96个用户创建和转发的，形成了社区，这些用户与极端话语存在着高度的话语相关性，在转发和讨论仇恨言论主题时，这种关系强度更加显著。[171]
根据目前的研究动态，基于社交媒介大数据来探究政治网络，产生了话语社区、情绪社区和行动社区三个方面的议题聚类。学界通过大量实证研究，发现针对特定政治问题形成的网络当中，存在话语联盟、情绪传染以及行动主义扩散三种典型的社区关系，它们不仅成了观察社交媒介上社区行动主要视角，也使基于社交媒介大数据的社区挖掘形成了更加细微的议题聚类。
第一，国内外学界基于社交媒介大数据的社区挖掘，将话语联盟（discourse coalitions）视为社区的基本策略，是建立在话语相似性基础上的社区关系。话语联盟是社交媒介上基于社区产生的特殊现象，能够扩展信息网络规模和影响力。社交媒介上的用户基于利益的相关性和相似性，在建构社区过程中，往往会采用趋同的话语修辞和宣传策略，建构话语间联盟，对政治和公共议题论辩采取相似的话语立场，从而产生了更加紧密的网络关联。因此，对话语联盟的识别和分析能够呈现复杂政治网络情境中的话语相似性及其关系结构。
国内外学界利用社交媒介大数据，识别了政治议题论辩中产生的大量话语联盟，新闻媒体、政党、政策共识和非政府组织等都能够成为推动话语联盟建构的重要力量。2015年美国在线媒体的网络议程设置模型显示，政党的网络媒介在议程制定中发挥了主导作用，《纽约时报》和《华盛顿邮报》两家精英报纸被发现不再控制新闻议程，而是追随政党媒体，形成了以媒体为中心的话语联盟。[172]在2013—2018年关于气候政策的政治论辩中，意大利政党关于气候政策的政治观点出现了两极分化，随着时间推移，气候政策的核心战略上出现了以政策共识为中心的话语联盟。[173]也有学者采取了相似方法研究了2019年5月至11月意大利民众在推特上关于移民政策的辩论，展现了民众在不同政党之下的话语联盟，形成了以政党为中心的话语联盟。[174]纳格尔·梅勒妮（Nagel Melanie）等人通过社区挖掘方法分析了欧盟空气污染治理政策引发的社交媒介数据，研究结果显示，欧盟机构中的辩论主要由环保联盟主导，形成了以非政府组织为中心的话语联盟，而政府组织更倾向于充当话语联盟之间的桥梁。[175]
第二，学界也利用社交大数据的社区挖掘，从情绪角度分析了社区行动的逻辑，认为建立在共情效应基础上的情绪传染是政治网络中的典型社区。当代社交媒介逐渐成了情感和情绪传染、传播的重要场域。在媒介技术日益发达，表现手段愈发丰富、精确的情境下，情绪传播日益在大众传播中凸显，对社会的影响也越来越大。[176]社交媒体为公众情绪的表达带来充分的便利，致使个体情绪大规模地从私人领域走向公共领域，使网络社会表现出情绪泛滥和情绪主导的特征。[177]而持有相同情感倾向的社交网络用户往往表现出较强的聚集现象，特别是人们在社交媒介上接触他人的情感表达后导致自身的情感表达变得与他人更为相似，这种情感传染模式在社交媒介中变得愈发常见。[178]
通过挖掘社交媒介大数据，学者们探究了社区能够产生情绪传染的原因。社交媒介上的用户在表达个人情感时往往以寻求关注为重要目标，这导致社交媒介上的情绪表达具有情感宣泄和寻求关注的欲望，并带有一定的隐私窥探和情绪附和。[179]实证研究也显示，情绪化的推文比中性推文被转发得更频繁、更快。[180]此外，实证研究也发现社交媒介用户的身份匿名特征也推动了情绪传染。社交媒介具有易访问性和匿名性，用户很容易接受信息并表达自己的观点，而没有太多的限制，意见通过社交媒体被迅速接受并传播给他人，于是信息和情感的传播呈现为类似于病毒扩散的“流行病”式流动模式，具有共同兴趣的人们表达和讨论他们的观点对情感存在着影响，增加了情绪扩散的可能性。[181]此外，在信息扩散中，用户可能会在转发过程中改变对话题的情绪。[182]
通过实证研究发现，以情绪传染形成的社区更加普遍地存在于黑人和女性等边缘化少数群体建构的政治网络之中。例如，非裔美国人乔治·弗洛伊德之死在美国引发了愤怒和示威游行，通过对以“Black Lives Matter”为标签的推文进行分析发现，这一标签之下的推文存在着较强的情绪传染，对种族歧视和种族主义进行批判，表达了超现实主义的政治诉求，是这一网络快速扩张的重要原因。[183]此外，当代西方女权主义网络也存在着情感传染，常利用共情机制来获得更多关注。通过分析“Why I Didn't Report”和“Me Too”标签之下的推文，结果表明用户在这一标签下披露了自身悲惨经历和创伤，将矛头指向性别不平等，表达不满和愤怒，使更多参与者聚集。[184]
第三，西方学者基于社交媒介大数据探究了社区在政治集体行动网络扩展中的作用，成为研究政治集体行动的新视角，也是目前利用社交媒介大数据探究政治行动网络的热点领域。一般来说，社交媒介上具有凝聚力的社区对政治集体行动范围和影响力的扩展会产生显著影响，甚至会成为政治集体行动规模得以扩大的关键因素，形成线上和线下的联动效应，即基于社区的信息扩散与现实的政治集体行动互相关联，利用社交媒介建构社区宣传其行动主义策略。大量的政治运动在社交媒介上创建属于自己的空间、话题或标签，因此，这些政治行动利用社交媒体产生的大数据为观察大规模集体行动和社会运动及其复杂影响提供了前所未有的机会，[185]这主要表现为能够利用这些数据，通过有效计算，更加精细地描绘集体行动的逻辑。[186]
学者们通过实证研究证实了社区与政治集体行动之间的关联。普遍认为，政治集体行动者在社交媒介上建构了社区，将其作为网络空间与现实空间的连接点。高度活跃的用户倾向于在社交网络中拥有一致的行为模式，通过转发对有争议问题持有相同观点的用户从而在虚拟空间中聚集起大量的支持者，[187]将人们在网上联系起来的社会关系转移到现实政治空间当中，组织和动员社会运动的强大媒介，[188]2010年委内瑞拉的抗议活动在高度连接的枢纽和多元化用户行为背后，存在着高度凝聚的社群结构，决定了信息流动方向和动态。[189]美国“Not 1 More”这一抗议运动中存在着强大且相互联系的核心组织者和活动家骨干与其他城市的直接行动者进行配合，将地理上较为分散的用户注意力引向了这一运动。[190]席卷全球的“黑命亦命”运动信息网络中也存在着八个社区，在信息和行动扩散的过程中发挥了重要的动员作用。[191]2014年墨西哥“Pase De Listala 143”抗议中精英和非精英用户共同把关，在讨论中进行合作并分配责任，扩大了这一抗议的影响力。[192]此外，一些学者对美国“占领华尔街”运动的6000万条推文数据的分析显示，在缺乏公认领导者、共同目标或传统组织、问题框架和行动协调的情况下，激活、构建和维护群体网络得益于信息内容和其他资源的生产、管理和动态集成，而发展出更高程度结构化的参与环境以及各种组织惯例，能够使不同的生产机制相互嵌套，创造相对复杂的集体行动网络。[193]
当代西方学者也通过大量的实证研究，进一步分析了社交媒介社区与政治集体行动网络之间的联动效应，从社区关系角度呈现了政治行动网络的复杂机制。在一般意义上，这种联动效应表现为网络聚集的关系转移到现实政治空间中，成为组织和动员社会运动的强大媒介。[194]大多数实证研究也表明，线上和线下行动主义是相互交织的，社交媒体帖子可以动员其他人进行线下抗议，社交媒介显著提高了激进主义的现实可见性。[195]例如，推特上曾发起了一项活动，旨在呼吁释放被拘留的叙利亚人士，通过对相关数据的分析，结果表明，信息传播和沟通呈现出高度的地理同宗效应，即同一地区参与者倾向于相互分享信息，而影响力较大的用户倾向于与影响力较小的用户联系，以帮助运动信息得以高效传播，为了更好地动员潜在的集体行动参与者，这些参与用户也利用大量策略来吸引公民、新闻媒体组织、非营利倡导组织、公众人物和公司的注意，促进运动信息在传播过程中区分公共和私人领域的界限，在信息传播过程中不断强调其集体行动目标的合理性和正当性，一群分享共同价值观的政治活跃分子利用社交媒介标签，建构、扩散了宏观集体行动网络。[196]此外，西班牙VOX政党也在选举前利用其官方Instagram账户，利用政治极化、本土主义、法律和秩序崇拜的政治隐喻，将其定位为适应青年法规的民间抵抗运动，吸引了大量的青年参与选举和现实的政治行动。[197]
由此可见，社交媒介社区正在与政治集体行动网络之间形成联动效应。
[1] 本文系2021年度国家社科基金重大项目“美式民主的理论悖论与实践困境研究”（项目编号：21&ZD160）的阶段性成果。
[2] 佟德志，天津师范大学政治学教授、博士生导师，兼任中国政治学会副会长、中国世界民族学会副会长等职。先后入选国家重大人才支持计划，获青年学者、特聘教授、国家教学名师等称号，享受国务院特殊津贴。重点研究民主理论，先后提出全面发展全过程人民民主、民主的复合结构与合力效应、治理吸纳民主、民主的法治规制等命题，在国内产生积极反响。先后主持完成和在研国家社科基金重大项目2项、重点项目和一般项目多项，出版中英文专著4部，在《政治学研究》《民族研究》《中国行政管理》等CSSCI、SSCI、SCI来源期刊等发表论文150多篇，其中CSSCI来源期刊100多篇，权威期刊论文20多篇。先后获中国高校科学研究优秀成果奖2次、天津市社会科学优秀成果奖8次、天津市教学成果一等奖3次。
樊浩，天津师范大学政治与行政学院博士研究生。
[3] Trevor Barnes，“Big Data，Little History”，Dialogues in Human Geography，Vol.3，No.3，2013，pp.297-302.
[4] Doug Laney，“3D Data Management：Controlling Data Volume，Velocity and Variety”，META Group Research Note，Vol.6，No.70，2001，p.1.
[5] Karin Dyrstad and Jonathon Moses，“Big Data Meets Open Political Science：An Empirical Assessment of Transparency Standards 2008-2019”，European Political Science，Vol.22，No.2，2023，pp.1-20.
[6] 《现代汉语词典》，商务印书馆2002年版，第1176页。
[7] 吕欣、李洪侠、李鹏：《大数据与国家治理》，电子工业出版社2020年版，第14页。
[8] 李志刚主编：《大数据：大价值、大机遇、大变革》，电子工业出版社2012年版，第28—30页。
[9] 孟天广、郭凤林：《大数据政治学：新信息时代的政治现象及其探析路径》，《国外理论动态》2015年第1期。
[10] 唐皇凤、谢德胜：《大数据时代中国政治学的机遇与挑战》，《社会科学文摘》2016年第2期。
[11] Ahmed Elragal and Ralf Klischewski，“Theory-driven or Process-driven Prediction？Epistemological Challenges of Big Data Analytics”，Journal of Big Data，Vol.4，No.1，2017，p.18.
[12] Rob Kitchin and Gavin McArdle，“What Makes Big Data，Big Data？Exploring the Ontological Characteristics of 26 Datasets”，Big Data & Society，Vol.3，No.1，2016，pp.1-10.
[13] Kenneth Cukier and Viktor Mayer-Schoenberger，“The Rise of Big Data：How It's Changing the Way We Think about the World”，Foreign Affairs，Vol.92，No.3，2013，p.30.
[14] Nick Could and Alison Powell，“Big Data from the Bottom Up”，Big Data & Society，Vol.1，No.2，2014，pp.1-5.
[15] Rob Kitchin，“Big Data，New Epistemologies and Paradigm Shifts”，Big Data & Society，Vol.1，No.1，2014，p.2.
[16] Burt Monroe，“The Five Vs of Big Data Political Science Introduction to the Virtual Issue on Big Data in Political Science Political Analysis”，Political Analysis，Vol.21，No.5，2013，pp.1-9.
[17] Jonathan Grossman and Ami Pedahzur，“Political Science and Big Data：Structured Data，Unstructured Data，and How to Use Them”，Political Science Quarterly，Vol.135，No.2，2020，pp.225-257.
[18] 唐皇凤、谢德胜：《大数据时代中国政治学的机遇与挑战》，《社会科学文摘》2016年第2期。
[19] Ray Chang and Young Kwon，“Understanding the Paradigm Shift to Computational Social Science in the Presence of Big Data”，Decision Support Systems，Vol.63，2014，pp.67-80.
[20] 孟小峰、张祎：《计算社会科学促进社会科学研究转型》，《社会科学》2019年第7期。
[21] David Lazer，et al.，“Computational Social Science”，Science，Vol.323，No.5915，2009，pp.721-723.
[22] 凌昀、李伦：《计算社会科学研究：范式转换与伦理问题》，《江汉论坛》2020年第9期。
[23] Zhu Leilei，“Computational Political Science Literature Survey”，http://www.personal.psu.edu/luz113，2010.
[24] 罗俊：《计算·模拟·实验：计算社会科学的三大研究方法》，《学术论坛》2020年第1期。
[25] 褚尔康、杨光耀：《论政治学理性主义传统与计算方法论沿革》，《晋中学院学报》2023年第1期。
[26] 张小劲、孟天广：《论计算社会科学的缘起、发展与创新范式》，《理论探索》2017年第6期。
[27] 孟天广：《政治科学视角下的大数据方法与因果推论》，《政治学研究》2018年第3期。
[28] Martin Frické，“Big Data and Its Epistemology”，Journal of the Association for Information Science and Technology，Vol.66，No.4，2015，pp.651-661.
[29] 孟天广、郭凤林：《大数据政治学：新信息时代的政治现象及其探析路径》，《国外理论动态》2015年第1期。
[30] 黄欣荣：《大数据：政治学研究的科学新工具》，《马克思主义与现实》2016年第5期。
[31] Austin Kozlowski，Matt Taddy and James Evans，“The Geometry of Culture：Analyzing the Meanings of Class Through Word Embeddings”，American Sociological Review，Vol.84，No.5，2019，pp.905-949.
[32] Gregor Wiedemann，“Opening Up to Big Data：Computer-assisted Analysis of Textual Data in Social Sciences”，Historical Social Research/Historische Sozialforschung，Vol.38，No.4，2013，pp.332-357.
[33] Hossein Hassani，et al.，“Text Mining in Big Data Analytics”，Big Data and Cognitive Computing，Vol.4，No.1，2020，p.1.
[34] 温有奎、温浩、乔晓东：《让知识产生智慧——基于人工智能的文本挖掘与问答技术研究》，《情报学报》2019年第7期。
[35] Anne Gattiker，et al.，“Big Data Text-oriented Benchmark Creation for Hadoop”，IBM Journal of Research and Development，Vol.57，No.3，2013，pp.1-10.
[36] Amaç Herdağdelen and Marco Marelli，“Social Media and Language Processing：How Facebook and Twitter Provide the Best Frequency Estimates for Studying Word Recognition”，Cognitive Science，Vol.41，No.4，2017，pp.976-995.
[37] Goran Glavaš，Federico Nanni and Simone Paolo Ponzetto，“Computational Analysis of Political Texts：Bridging Research Efforts Across Communities”，Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics：Tutorial Abstracts，2019，pp.1-23.
[38] Felix Biessmann，et al.，“Predicting Political Party Affiliation from Text”，PolText，Vol.14，No.14，2016，p.2016.
[39] Nicolas Merz，Jirka Lewandowski，“The Manifesto Corpus：A New Resource for Research on Political Parties and Quantitative Text Analysis”，Research & Politics，Vol.3，No.2，2016，p.4.
[40] Luca Buccoliero，et al.，“Twitter and Politics：Evidence from the US Presidential Elections 2016”，Journal of Marketing Communications，Vol.26，No.1，2020，p.103.
[41] 孟天广、郭凤林：《大数据政治学：新信息时代的政治现象及其探析路径》，《国外理论动态》2015年第1期。
[42] Arafat Hossain，et al.，“Text Mining and Sentiment Analysis of Newspaper Headlines”，Information，Vol.12，No.10，2021，p.414.
[43] Goh Woon Peng，Kang-Kwong Luke and Siew Ann Cheong，“Functional Shortcuts in Language Co-occurrence Networks”，PloS One，Vol.13，No.9，2018，p.1.
[44] Alix Rule，Jean-Philippe Cointet and Peter Bearman，“Lexical Shifts，Substantive Changes，and Continuity in State of the Union Discourse，1790-2014”，Proceedings of the National Academy of Sciences，Vol.112，No.35，2015，pp.10837-10844.
[45] 赵雪、马娟娟：《基于词共现网络的对农微博热点话题及用户舆情分析——以中国乡村之声官方微博为例》，《新闻爱好者》2019年第11期。
[46] Dragoṣ Obreja，“Mapping the Political Landscape on Social Media Using Bibliometrics：A Longitudinal Co-Word Analysis on Twitter and Facebook Publications Published Between 2012 and 2021”，Social Science Computer Review，Vol.40，No.3，2022，p.1.
[47] Anna Molnár and Éva Jakusné Harnos，“The Postmodernity of the European Union：A Discourse Analysis of State of the Union Addresses”，The International Spectator，Vol.58，No.1，2022，pp.1-17.
[48] Rob Churchill and Lisa Singh，“The Evolution of Topic Modeling”，ACM Computing Surveys，Vol.54，No.10，2022，pp.1-35.
[49] Guan Peng and Wang Yuefen，“Identifying Optimal Topic Numbers from Sci-Tech Information with LDA Model”，Data Analysis and Knowledge Discovery，Vol.32，No.9，2016，pp.42-50.
[50] Ben Curran，et al.，“Look Who's Talking：Two-mode Networks as Representations of a Topic Model of New Zealand Parliamentary Speeches”，PloS One，Vol.13，No.6，2018，pp.1-16.
[51] Finn Müller-Hansen，et al.，“Who Cares about Coal？Analyzing 70 Years of German Parliamentary Debates on Coal with Dynamic Topic Modeling”，Energy Research & Social Science，Vol.72，2021，p.101.
[52] Jonas Kaiser，Adrian Rauchfleisch and Nikki Bourassa，“Connecting the （far-） Right Dots：A Topic Modeling and Hyperlink Analysis of （far-） Right Media Coverage During the US Elections 2016”，Digital Journalism，Vol.8，No.3，2020，pp.422-441.
[53] Karoliina Isoaho，Daria Gritsenko and Eetu Mäkelä，“Topic Modeling and Text Analysis for Qualitative Policy Research”，Policy Studies Journal，Vol.49，No.1，2021，pp.300-324.
[54] Ramit Debnath and Ronita Bardhan，“India Nudges to Contain COVID-19 Pandemic：A Reactive Public Policy Analysis Using Machine-learning Based Topic Modelling”，PloS One，Vol.15，No.9，2020，pp.1-25.
[55] Francisco Olivos，Patricio Saavedra and Lucia Dammert，“Citizen Complaints as an Accountability Mechanism：Uncovering Patterns Using Topic Modeling”，Journal of Research in Crime and Delinquency，2022，p.1.
[56] 杨建梁、刘越男、祁天娇等：《重大公共卫生事件中民众诉求的主题挖掘与演变透视》，《图书馆论坛》2021年第4期。
[57] Jan Vosecky，et al.，“Integrating Social and Auxiliary Semantics for Multifaceted Topic Modeling in Twitter”，ACM Transactions on Internet Technology，Vol.14，No.4，2014，pp.1-24.
[58] Koh Keumseok，et al.，“Media Reports on COVID-19 Vaccinations：A Study of Topic Modeling in South Korea”，Vaccines，Vol.10，No.12，2022，p.2166.
[59] Koo Jeong-Woo，“Global Perceptions of South Korea's COVID-19 Policy Responses：Topic Modeling with Tweets”，Journal of Human Rights，Vol.21，No.3，2022，pp.334-353.
[60] Wei，Yigang，et al.，“Exploring Public Opinions on Climate Change Policy in ‘Big Data Era’—A Case Study of the European Union Emission Trading System （EU-ETS） Based on Twitter”，Energy Policy，Vol.158，2021，pp.1-12.
[61] Gonzalo de la Vega and David Blanco Herrero，“Topic Modeling and Characterization of Hate Speech Against Immigrants on Twitter Around the Emergence of a Far-right Party in Spain”，Social Sciences，Vol.9，No.11，2020，p.188.
[62] Fatih Gurcan，Nergiz Cagiltay and Kursat Cagiltay，“Mapping Human-computer Interaction Research Themes and Trends from Its Existence to Today：A Topic Modeling-based Review of Past 60 Years”，International Journal of Human-Computer Interaction，Vol.37，No.3，2021，pp.267-280.
[63] Qiao Fang and Jago Williams，“Topic Modelling and Sentiment Analysis of Global Warming Tweets：Evidence from Big Data Analysis”，Journal of Organizational and End User Computing，Vol.4，No.3，2022，pp.1-18.
[64] Palla Gergely and Tamás Vicsek，“Quantifying Social Group Evolution”，Nature，Vol.446，No.7136，2007，pp.664-667.
[65] Zhang Ke，et al.，“Can Green Credit Policy Improve Environmental Quality？Evidence from China”，Journal of Environmental Management，Vol.298，2021，p.113.
[66] Grant Philip，et al.，“Topic Modelling on Archive Documents from the 1970s：Global Policies on Refugees”，Digital Scholarship in the Humanities，Vol.36，No.4，2021，pp.886-904.
[67] Derek Greene and James Cross，“Exploring the Political Agenda of the European Parliament Using a Dynamic Topic Modeling Approach”，Political Analysis，Vol.25，No.1，2017，pp.77-94.
[68] Daniel Stokes，et al.，“State Legislators’ Divergent Social Media Response to the Opioid Epidemic from 2014 to 2019：Longitudinal Topic Modeling Analysis”，Journal of General Internal Medicine，2021，Vol.36，pp.1-10.
[69] Emiliano del Gobbo，et al.，“Emerging Topics in Brexit Debate on Twitter Around the Deadlines：A Probabilistic Topic Modelling Approach”，Social Indicators Research，Vol.156，2021，pp.669-688.
[70] Claire Seungeun and Ahnlee Jang，“Questing for Justice on Twitter：Topic Modeling of Stop Asian Hate Discourses in the Wake of Atlanta Shooting”，Crime & Delinquency，2021，p.1.
[71] Emad Abu-Shanab and Yousra Harb，“E-government Research Insights：Text Mining Analysis”，Electronic Commerce Research and Applications，Vol.38，2019，p.189.
[72] 李永忠、蔡佳：《基于LDA的国内电子政务研究主题演化及可视化分析》，《现代情报》2017年第4期。
[73] Cheryl Hall，“‘Passions and Constraint’ The Marginalization of Passion in Liberal Political Theory”，Philosophy & Social Criticism，Vol.28，No.6，2002，pp.727-748.
[74] Kathy Mills，“What are the Threats and Potentials of Big Data for Qualitative Research？”，Qualitative Research，Vol.18，No.6，2018，pp.591-603.
[75] Li Jinyan，et al.，“Hierarchical Classification in Text Mining for Sentiment Analysis of Online News”，Soft Computing，Vol.20，2016，pp.3411-3420.
[76] Yoshua Bengio，Réjean Ducharme，Pascal Vincent and Christian Jauvin，“A Neural Probabilistic Language Model”，The Journal of Machine Learning Research，Vol.194，No.3，2003，pp.1137-1155.
[77] Bo Pang，Lillian Lee，Shivakumar and Vaithyanathan，“Thumbs Up？Sentiment Classification Using Machine Learning Techniques”，Paper Presented at the Conference of Empirical Methods in Natural Language Processing，2002，p.1.
[78] Zhao Jun，Kang Liu and Liheng Xu，“Sentiment Analysis：Mining Opinions，Sentiments，and Emotions”，Computational Linguistics，Vol.42，No.3，2016，pp.595-598.
[79] Maria Pontiki，et al.，“Semeval-2016 Task 5：Aspect Based Sentiment Analysis，Pro Workshop on Semantic Evaluation”，Association for Computational Linguistics，2016，pp.19-30.
[80] Joshi Megha，et al.，“A Survey on Sentiment Analysis”，International Journal of Computer Applications，Vol.163，No.6，2017，pp.34-38.
[81] Samuel Bestvater and Burt Monroe，“Sentiment is Not Stance：Target-aware Opinion Classification for Political Text Analysis”，Political Analysis，Vol.31，No.2，2022，pp.1-22.
[82] Lars Holzman and William Pottenger，“Classification of Emotions in Internet Chat：An Application of Machine Learning Using Speech Phonemes”，Retrieved November，Vol.27，2011，p.50.
[83] Filippas Apostolos and Theodoros Lappas，“Strength in Numbers：Using Big Data to Simplify Sentiment Classification”，Big Data，Vol.5，No.3，2017，pp.256-271.
[84] 王婷、杨文忠：《文本情感分析方法研究综述》，《计算机工程与应用》2021年第12期。
[85] Liu Dilin and Lei Lei，“The Appeal to Political Sentiment：An Analysis of Donald Trump's and Hillary Clinton's Speech Themes and Discourse Strategies in the 2016 US Presidential Election”，Discourse，Context & Media，Vol.25，2018，pp.143-152.
[86] Stefan Spettel and Dimitrios Vagianos，“Twitter Analyzer—How to Use Semantic Analysis to Retrieve an Atmospheric Image Around Political Topics in Twitter”，Big Data and Cognitive Computing，Vol.3，No.3，2019，p.38.
[87] Davis Nicholas，et al.，“The Political Consequences of Nativism：The Impact of Nativist Sentiment on Party Support”，Social Science Quarterly，Vol.100，No.2，2019，pp.466-479.
[88] Aparup Khatua and Erik Cambria，“Predicting Political Sentiments of Voters from Twitter in Multi-party Contexts”，Applied Soft Computing，Vol.97，2020，p.106.
[89] Park Se Jung，et al.，“Networked Politics on Cyworld：The Text and Sentiment of Korean Political Profiles”，Social Science Computer Review，Vol.29，No.3，2011，pp.288-299.
[90] Linh Dang-Xuan，et al.，“An Investigation of Influentials and the Role of Sentiment in Political Communication on Twitter During Election Periods”，Information，Communication & Society，Vol.16，No.5，2013，pp.795-825.
[91] Shor Eran，“Political Leaning and Coverage Sentiment：Are Conservative Newspapers More Negative Toward Women？”，Social Science Quarterly，Vol.100，No.1，2019，pp.307-319.
[92] Tobias Heidenreich，et al.，“Political Migration Discourses on Social Media：A Comparative Perspective on Visibility and Sentiment Across Political Facebook Accounts in Europe”，Journal of Ethnic and Migration Studies，Vol.46，No.7，2020，pp.1261-1280.
[93] Adams-Cohen Nicholas Joseph，“Policy Change and Public Opinion：Measuring Shifting Political Sentiment with Social Media Data”，American Politics Research，Vol.48，No.5，2020，pp.612-621.
[94] Crawford Brandon，et al.，“Examining the Relationship Between Roe v.Wade Knowledge and Sentiment Across Political Party and Abortion Identity”，Sexuality Research and Social Policy，Vol.19，No.3，2022，pp.837-848.
[95] Sv Praveen，et al.，“Twitter-Based Sentiment Analysis and Topic Modeling of Social Media Posts Using Natural Language Processing，to Understand People's Perspectives Regarding COVID-19 Booster Vaccine Shots in India：Crucial to Expanding Vaccination Coverage”，Vaccines，Vol.10，No.11，2022，p.1929.
[96] Chung，Wingyan and Daniel Zeng，“Social Media Based Public Policy Informatics：Sentiment and Network Analyses of US Immigration and Border Security”，Journal of the Association for Information Science and Technology，Vol.67，No.7，2016，pp.1588-1606.
[97] Nam Hannah and Hillary Style，“Understanding Anti-Asian Sentiment and Political Behavior in the Wake of COVID-19”，Politics，Groups，and Identities，2022，pp.1-20.
[98] Cody Emily，et al.，“Climate Change Sentiment on Twitter：An Unsolicited Public Opinion Poll”，PloS One，Vol.10，No.8，2015，p.1.
[99] Vrana Vasiliki，et al.，“EU Citizens’ Twitter Discussions of the 2022-23 Energy Crisis：A Content and Sentiment Analysis on the Verge of a Daunting Winter”，Sustainability，Vol.15，No.2，2023，p.1322.
[100] Nazan Öztürk and Serkan Ayvaz，“Sentiment Analysis on Twitter：A Text Mining Approach to the Syrian Refugee Crisis”，Telematics and Informatics，Vol.35，No.1，2018，pp.136-147.
[101] Li Lei，et al.，“Time+ user Dual Attention Based Sentiment Prediction for Multiple Social Network Texts With Time Series”，IEEE Access，Vol.7，2019，pp.17644-17653.
[102] El Alaoui Imane，et al.，“A Novel Adaptable Approach for Sentiment Analysis on Big Social Data”，Journal of Big Data，Vol.5，No.1，2018，pp.1-18.
[103] Mark Huberty，“Can We Vote With our Tweet？On the Perennial Difficulty of Election Forecasting with Social Media”，International Journal of Forecasting，Vol.31，No.3，2015，pp.992-1007.
[104] Ceron Andrea and Stefano Iacus，“Using Sentiment Analysis to Monitor Electoral Campaigns：Method Matters—Evidence from the United States and Italy”，Social Science Computer Review，Vol.33，No.1，2015，pp.3-20.
[105] Temitayo Fagbola and Surendra Colin Thakur，“Lexicon-based Bot-aware Public Emotion Mining and Sentiment Analysis of the Nigerian 2019 Presidential Election on Twitter”，International Journal of Advanced Computer Science and Applications，Vol.10，No.10，2019.
[106] Roberto Valdeón，“Polarization in the Spanish Press：A Study of Political Sectarianism During the COVID-19 Pandemic”，Vigo International Journal of Applied Linguistics，Vol.20，2023，pp.185-208.
[107] Max Falkenberg，et al.，“Growing Polarization Around Climate Change on Social Media”，Nature Climate Change，Vol.12，No.12，2022，pp.1-8.
[108] Hou Wenju，et al.，“Leveraging Multidimensional Features for Policy Opinion Sentiment Prediction”，Information Sciences，Vol.6，No.10，2022，pp.215-234.
[109] Sukhwal Chandra and Atreyi Kankanhalli，“Determining Containment Policy Impacts on Public Sentiment During the Pandemic Using Social Media Data”，Proceedings of the National Academy of Sciences，Vol.119，No.19，2022.
[110] Ali Nawaz，et al.，“Public Perceptions of COVID-19 Vaccines：Policy Implications from US Spatiotemporal Sentiment Analytics”，Healthcare，Vol.9.No.9，2021，p.1110.
[111] Xi，Haixu，et al.，“Public Emotional Diffusion Over COVID-19 Related Tweets Posted by Major Public Health Agencies in the United States”，Data Intelligence，Vol.4，No.1，2022，pp.66-87.
[112] 杨柳、曾爽、黄宇：《融入情感分析的重大突发事件舆情热度组合预测模型》，《情报探索》2022年第11期。
[113] 何跃、朱灿、朱婷婷：《微博热点话题情感趋势研究》，《情报理论与实践》2018年第7期。
[114] James Manyika，et al.，Big Data：The Next Frontier for Innovation，Competition，and Productivity，McKinsey Global Institute，2011，p.1.
[115] 关雪峰、曾宇媚：《时空大数据背景下并行数据处理分析挖掘的进展及趋势》，《地理科学进展》2018年第10期。
[116] Li Ma and Z.Shao，“The Application of Spatial Temporal Big Data”，Satellite Application，Vol.9，2015，pp.7-11.
[117] 刘亚林、郭秋红：《时空大数据的智能处理与服务探讨》，《计算机产品与流通》2020年第7期。
[118] 孟天广、郭凤林：《大数据政治学：新信息时代的政治现象及其探析路径》，《国外理论动态》2015年第1期。
[119] Liu，D.，et al.，“Advances in Spatiotemporal Data Mining”，Journal of Computer Research and Development，Vol.50，No.2，2013，pp.225-239.
[120] Chen Keith and Ryne Rohla，“The Effect of Partisanship and Political Advertising on Close Family Ties”，Science，Vol.360，No.6392，2018，pp.1020-1024.
[121] Shelton Taylor and Matthew Zook，“Social Media and the City：Rethinking Urban Socio-spatial Inequality Using User-generated Geographic Information”，Landscape and Urban Planning，Vol.142，2015，pp.198-211.
[122] Wang Qi，et al.，“Urban Mobility and Neighborhood Isolation in America's 50 Largest Cities”，Proceedings of the National Academy of Sciences，Vol.115，No.30，2018，pp.7735-7740.
[123] Small Mario，et al.，“Banks，Alternative Institutions and the Spatial-temporal Ecology of Racial Inequality in US Cities”，Nature Human Behaviour，Vol.5，No.12，2021，pp.1622-1628.
[124] Yang Yicheng，et al.，“Risk Assessment of Crowd-gathering in Urban Open Public Spaces Supported by Spatio-temporal Big Data”，Sustainability，Vol.14，No.10，2022，p.6175.
[125] Zhou Shuli，et al.，“Risk Assessment for Precise Intervention of COVID-19 Epidemic Based on Available Big Data and Spatio-temporal Simulation Method：Empirical Evidence from Different Public Places in Guangzhou，China”，Applied Geography，Vol.143，2022，pp.1-11.
[126] Wen Yangyang，et al.，“Rural Residential Land Transition in the Beijing-Tianjin-Hebei Region：Spatial-temporal Patterns and Policy Implications”，Land Use Policy，Vol.96，2020，pp.1-15.
[127] Peng Geng，et al.，“Spatial-temporal Evolution and Regional Difference Decomposition of Urban Environmental Governance Efficiency in China，Environment”，Development and Sustainability，Vol.23，2021，pp.8974-8990.
[128] 何通：《基于莫兰指数的贫困片区减贫成效时空差异分析》，《热带农业工程》2022年第1期。
[129] Hua，Y.，“The Core Problems and Key Technologies of Pan-spatial Information System”，Journal of Geomatics Science and Technology，Vol.33，No.4，2016，pp.331-335.
[130] Havas Clemens，et al.，“Spatio-Temporal Machine Learning Analysis of Social Media Data and Refugee Movement Statistics”，ISPRS International Journal of Geo-Information，Vol.10，No.8，2021，p.498.
[131] 韩增林、王雪、彭飞等：《基于恐袭数据的“一带一路”沿线国家安全态势及时空演变分析》，《地理科学》2019年第7期。
[132] Wang Zheye and Xinyue Ye，“Social Media Analytics for Natural Disaster Management”，International Journal of Geographical Information Science，Vol.32，No.1，2018，pp.49-72.
[133] Zhou Yuye，et al.，“Spatial-Temporal Pattern Evolution of Public Sentiment Responses to the COVID-19 Pandemic in Small Cities of China：A Case Study Based on Social Media Data Analysis”，International Journal of Environmental Research and Public Health，Vol.19，No.18，2022，p.11306.
[134] Zhou Xiaolu and Chen Xu，“Tracing the Spatial-temporal Evolution of Events Based on Social Media Data”，ISPRS International Journal of Geo-Information，Vol.6，No.3，2017，p.88.
[135] 王卷乐、张敏、韩雪华等：《COVID-19疫情防控中的中国公众舆情时空演变特征》，《地理学报》2020年第11期。
[136] Maireder Axel，et al.，“Big Data and Political Social Networks：Introducing Audience Diversity and Communication Connector Bridging Measures in Social Network Theory”，Social Science Computer Review，Vol.35，No.1，2017，pp.126-141.
[137] Stanley Milgram，“The Small World Problem”，Psychology Today，Vol.2，No.1，1967，pp.60-67.
[138] George Hurlburt and Jeffrey Voas，“Big Data，Networked Worlds”，Computer，Vol.47，No.4，2014，pp.84-87.
[139] Lee Rainie and Barry Wellman，Networked：The New Social Operating System，London：The MIT Press，2012.
[140] 吕立远、黄萃：《网络分析方法在公共管理与公共政策研究中的应用》，《公共管理评论》2022年第4期。
[141] 孟天广、郭凤林：《大数据政治学：新信息时代的政治现象及其探析路径》，《国外理论动态》2015年第1期。
[142] János Török，et al.，“What Big Data Tells：Sampling the Social Network by Communication Channels”，Physical Review，Vol.94，No.5，2016，pp.1-11.
[143] 蔡骐、曹慧丹：《网络传播中意见领袖的行为机制》，《现代传播》（中国传媒大学学报）2014年第12期。
[144] Peng Sancheng and Dongqing Xie，“Social Influence Analysis in Social Networking Big Data：Opportunities and Challenges”，IEEE Network，Vol.31，No.1，2016，pp.11-17.
[145] Mahdi Jalili，“Effects of Leaders and Social Power on Opinion Formation in Complex Networks”，Simulation，Vol.89，No.5，2013，pp.578-588.
[146] Yang Hailu，et al.，“Detecting Local Opinion Leader in Semantic Social Networks：A Community-Based Approach”，Frontiers in Physics，2022，p.224.
[147] LI Meizi，et al.，“Opinion Leader Recognition Algorithm Based on K-core Decomposition in Social Networks”，Journal of Computer Applications，Vol.42，No.1，2022，p.26.
[148] Schäfer Mike and Monika Taddicken，“Opinion Leadership Mediatized Opinion Leaders：New Patterns of Opinion Leadership in New Media Environments？”，International Journal of Communication，Vol.9，No.1，2015，p.22.
[149] Wu Jian，et al.，“A New Leader-Follower Public-Opinion Evolution Model for Maritime Transport Incidents：A Case from Suez Canal Blockage”，Journal of Marine Science and Engineering，Vol.10，No.12，2022，p.2006.
[150] 周莉、郭瑜鸾、胡珀：《网络空间中国家主义话语的分野与互动——基于232位微博意见领袖的探索性研究》，《国际新闻界》2022年第7期。
[151] Guo Lei and Chris Vargo，“The Power of Message Networks：A Big-data Analysis of the Network Agenda Setting Model and Issue Ownership”，Mass Communication and Society，Vol.18，No.5，2015，pp.557-576.
[152] Alexandre Ilo，Joseph Jai-sung Yoo and Dhiraj Murthy，“Make Tweets Great Again：Who Are Opinion Leaders，and What Did They Tweet about Donald Trump？”，Social Science Computer Review，Vol.40，No.6，2022，pp.1456-1477.
[153] Joa Claire Youngnyo and Gi Woong Yun，“Who Sets Social Media Sentiment？：Sentiment Contagion in the 2016 US Presidential Election Media Tweet Network”，Journalism Practice，Vol.16，No.7，2022，pp.1449-1472.
[154] Vargo Chris and Lei Guo，“Networks，Big Data，and Intermedia Agenda Setting：An Analysis of Traditional，Partisan，and Emerging Online US News”，Journalism & Mass Communication Quarterly，Vol.94，No.4，2017，pp.1031-1055.
[155] Ardiyanti Handrini and Udi Rusadi，“Visualization on Twitter Activism Networks and Opinion Leaders：The Case of Free West Papua”，Jurnal The Messenger，Vol.14，No.1，2022，pp.36-56.
[156] 张爱军、王三敏：《撬动微观政治传播的新变量：社交机器人》，《新视野》2022年第5期。
[157] Akhremenko Stukal and A.Petrov，“Network Vs Message in Protest Diffusion on Social Media：Theoretical and Data Analytics Perspectives”，Polis.Political Studies，Vol.2，No.2，2020，pp.73-91.
[158] Marcos-García，Silvia，Laura Alonso-Muñoz and Amparo López-Meri，“Extending Influence on Social Media：The Behaviour of Political Talk-show Opinion Leaders on Twitter”，Communication & Society，Vol.33，No.2，2020，pp.277-293.
[159] Rune Karlsen，“Followers are Opinion Leaders：The Role of People in the Flow of Political Communication on and Beyond Social Networking Sites”，European Journal of Communication，Vol.30，No.3，2015，pp.301-318.
[160] Karine Nahon，et al.，“Fifteen Minutes of Fame：The Power of Blogs in the Lifecycle of Viral Political Information”，Policy & Internet，Vol.3，No.1，2011，pp.1-28.
[161] Sean Eddington，“The Communicative Constitution of Hate Organizations Online：A Semantic Network Analysis of ‘Make America Great Again’”，Social Media Society，Vol.4，No.3，2018，pp.1-12.
[162] 刘念、朱婧：《谁掀动了网络情绪？——网络舆情中愤怒情绪传播的关键节点》，《广州大学学报》（社会科学版）2023年第1期。
[163] 康伟：《基于SNA的突发事件网络舆情关键节点识别——以“7·23动车事故”为例》，《公共管理学报》2012年第3期。
[164] 张海涛、周红磊、张鑫蕊等：《在线社交网络的社区发现研究进展》，《图书情报工作》2020年第9期。
[165] Sefa şahin，et al.，“Triadic Co-clustering of Users，Issues and Sentiments in Political Tweets”，Expert Systems with Applications，Vol.100，No.15，2018，pp.79-94.
[166] Roger Guimera and Luís Amaral，“Functional Cartography of Complex Metabolic Networks”，Nature，Vol.433，No.7028，2005，pp.895-900.
[167] Jin Songchang，et al.，“Community Structure Mining in Big Data Social Media Networks with Map Reduce”，Cluster Computing，Vol.18，No.3，2015，pp.999-1010.
[168] Santo Fortunato，“Community Detection in Graphs”，Physics Reports，Vol.486，No.3-5，2010，pp.75-174.
[169] 张海涛、周红磊、张鑫蕊等：《在线社交网络的社区发现研究进展》，《图书情报工作》2020年第10期。
[170] Bruzzese Stefano，et al.，“Ecosystem Services：A Social and Semantic Network Analysis of Public Opinion on Twitter”，International Journal of Environmental Research and Public Health，Vol.19，No.22，2022，p.15012.
[171] Torregrosa Javier，et al.，“Analyzing the Relationship Between Relevance and Extremist Discourse in an Alt-right Network on Twitter”，Social Network Analysis and Mining，Vol.10，No.1，2020，pp.1-17.
[172] Chris Vargo and Lei Guo，“Networks，Big Data，and Intermedia Agenda Setting：An Analysis of Traditional，Partisan，and Emerging Online US News”，Journalism & Mass Communication Quarterly，Vol.94，No.4，2017，pp.1031-1055.
[173] Ghinoi Stefano and Bodo Steiner，“The Political Debate on Climate Change in Italy：A Discourse Network Analysis”，Politics and Governance，Vol.8，No.2，2020，pp.215-228.
[174] Radicioni Tommaso，et al.，“Networked Partisanship and Framing：A Socio-Semantic Network Analysis of the Italian Debate on Migration”，Plos One，Vol.16，No.8，2021，pp.1-12.
[175] Nagel Melanie and Carlos Bravo-Laguna，“Analyzing Multi-level Governance Dynamics from a Discourse Network Perspective：The Debate over Air Pollution Regulation in Germany”，Environmental Sciences Europe，Vol.34，No.1，2022，pp.1-18.
[176] 赵云泽、刘珍：《情绪传播：概念、原理及在新闻传播学研究中的地位思考》，《编辑之友》2020年第1期。
[177] 王珏：《社交媒体时代的情绪传播》，《新闻与写作》2021年第8期。
[178] 杨洸：《社交媒体网络情感传染及线索影响机制的实证分析》，《深圳大学学报》（人文社会科学版）2020年第6期。
[179] 李春雷、陈华：《社交媒体交往中的情绪地理结构研究——基于三省六地的实地调研》，《当代传播》2019年第6期。
[180] Stieglitz Stefan and Linh Dang-Xuan，“Emotions and Information Diffusion in Social Media—Sentiment of Microblogs and Sharing Behavior”，Journal of Management Information Systems，Vol.29，No.4，2013，pp.217-248.
[181] Choi Minnseok and Jiyoung Woo，“Epidemic Modeling of Sentiment Diffusion on Web Forums”，Advanced Science Letters，Vol.23，No.10，2017，pp.10477-10480.
[182] Naskar Debashis，et al.，“Emotion Dynamics of Public Opinions on Twitter”，ACM Transactions on Information Systems，Vol.38.No.2，2020，pp.1-24.
[183] Pradhana Ghozian Aulia and Syaifa Tania，“Hyperreality of Black Lives Matter Movement on Social Media”，Malaysian Journal of Communication，Vol.37，No.3，2021，pp.288-303.
[184] Li Manyu，et al.，“Twitter as a Tool for Social Movement：An Analysis of Feminist Activism on Social Media Communities”，Journal of Community Psychology，Vol.49，No.3，2021，pp.854-868.
[185] John Jost，et al.，“How Social Media Facilitates Political Protest：Information，Motivation，and Social Networks”，Political Psychology，Vol.39，No.1，2018，pp.85-118.
[186] Bentley Alexander and William Brock，“Mapping Collective Behavior in the Big-data Era”，Behavioral and Brain Sciences，Vol.37，No.1，2014，pp.63-76.
[187] Kim，Jun-Gil and Kyung-Soon Lee，“Predicting Political Orientation of News Articles Based on User Behavior Analysis in Social Network”，Ieice Transactions on Information and Systems，Vol.97，No.4，2014，pp.685-693.
[188] Bart Cammaerts，“The New-new Social Movements：Are Social Media Changing the Ontology of Social Movements？”，Mobilization：An International Quarterly，Vol.26，No.3，2021，pp.343-358.
[189] Morales Losada and R.M.Benito，“Users Structure and Behavior on an Online Social Network During a Political Protest”，Physica A：Statistical Mechanics and Its Applications，Vol.391，No.21，2012，pp.5244-5253.
[190] Van Sander，Walter Nicholls and Justus Uitermark，“Building Protest Online：Engagement with the Digitally Networked Not 1 More Protest Campaign on Twitter”，Social Movement Studies，Vol.17，No.4，2018，pp.408-423.
[191] Benjamin LaPoe，et al.，“Addressing Racism，Politics and the Pivotal 2018 Midterm Point：Social Network Analysis of Black Lives Matter Twitter Discourse”，Electronic News，Vol.16，No.4，2022，pp.227-248.
[192] Molina，Rocío Galarza，“Networked Gatekeeping and Networked Framing on Twitter Protests in Mexico About the Ayotzinapa Case”，RIMCIS：Revista Internacionaly Multidisciplinaren Ciencias Sociales，Vol.8，No.3，2019，pp.235-266.
[193] Alexandra Segerberg and Shawn Walker，“Organization in the Crowd：Peer Production in Large-scale Networked Protests”，Information，Communication & Society，Vol.17，No.2，2014，pp.232-260.
[194] Bart Cammaerts，“The New-new Social Movements：Are Social Media Changing the Ontology of Social Movements？”，Mobilization：An International Quarterly，Vol.26，No.3，2021，pp.343-358.
[195] Greijdanus Hedy，et al.，“The Psychology of Online Activism and Social Movements：Relations Between Online and Offline Collective Action”，Current Opinion in Psychology，Vol.35，2020，pp.49-54.
[196] Altahmazi，Thulfiqar Hussein，“Collective Pragmatic Acting in Networked Apaces：The Case of Activism in Arabic and English Twitter Discourse”，Lingua，Vol.239，2020，p.102.
[197] Vico Eva Aladro and Paula Requeijo Rey，“Vox Political Party Discourse，Strategies and Interactions on its Official Instagram Account During the A-28 Elections，Radical Right and Social Networks”，Revista Latina de Comunicacion Social，Vol.77，2020，pp.203-229.