这篇文档属于类型a，即报告了一项原创研究。以下是对该研究的学术报告：

主要作者与机构

本研究的主要作者包括Fulian Yin、Xinyi Jiang、Jinxia Wang、Yan Guo、Yuewei Wu和Jianhong Wu。研究由多个机构合作完成，包括中国传媒大学媒体融合与传播国家重点实验室、中国传媒大学信息与通信工程学院，以及加拿大约克大学工业与应用数学实验室。研究发表于期刊《Physica D: Nonlinear Phenomena》，发表日期为2024年8月。

学术背景

本研究的主要科学领域是社交媒体生态系统中的情感传播与舆论管理。随着互联网技术的发展，社交媒体平台如微博、Twitter和Facebook为用户提供了虚拟的社交空间，尤其是在COVID-19疫情期间，这些平台的重要性更加凸显。然而，负面情绪在网络环境中的传播对网络生态甚至线下生活产生了严重的负面影响。因此，建立基于情感传播的动力学模型，捕捉情感发展的模式，对于帮助舆论管理至关重要。

本研究旨在揭示在社交媒体生态系统中，基于“意识情感传染机制”（conscious emotional contagion mechanism）的情感传播模式，并确定影响三元极性情感（积极、中立、消极）分布的关键因素。通过建立E-SLFI（情感驱动的易感-潜伏-转发-免疫）模型，研究为舆论管理提供了个性化的策略，包括扩大或抑制情感传播的整体范围，增强特定极性情感的同时减弱其他情感。

研究流程

研究流程包括以下几个步骤：

1. 模型构建：研究基于经典的SEIR（易感-暴露-感染-恢复）模型，结合“意识情感传染机制”和“情感表达的犹豫心理”，构建了E-SLFI模型。该模型描述了在意识情感传染机制推动下，三元极性情感传播的动力学过程。

2. 数据收集与处理：研究使用了中国微博平台上的16,354条转发信息作为实证案例。通过网页爬虫技术获取了转发文案和转发时间，并通过手动标注将转发文案分为积极、中立和消极三类情感。数据的采样间隔为30分钟，最终确定了70个采样点。

3. 模型验证与参数估计：研究通过拟合优化指标MAPE（平均绝对百分比误差）来验证E-SLFI模型的有效性。在第一阶段和第二阶段的拟合优化指标分别为0.0942%和0.0066%，表明模型具有优异的拟合性能。

4. 敏感性分析：研究对模型的重要参数进行了敏感性分析，探讨了动态系统构成因素的变化对情感传播的影响。

5. 实验与结果分析：通过模拟实验，研究发现增强接收者和诱导者的情感共识可以决定系统中的主要情感，而反情感共识可以提高弱情感的存在。

主要结果

1. 模型验证结果：E-SLFI模型在实证案例中表现出优异的拟合性能，MAPE值分别为0.0942%和0.0066%。这表明模型能够有效捕捉情感传播的动态过程。

2. 敏感性分析结果：研究发现，增强接收者和诱导者的情感共识可以决定系统中的主要情感，而反情感共识可以提高弱情感的存在。例如，在第一阶段，无论诱导者携带何种情感，接收者更倾向于生成中立情感，而在第二阶段，当接收者受到积极情感诱导时，他们更倾向于生成消极情感。

3. 情感传播发展测量：研究通过构建基本情感传播再生数ℜ0和有效情感传播再生数ℜt来评估情感传播的发展。ℜ0的值约为2.5，表明在传播初期，情感传播具有较高的传染性。ℜt的实时变化反映了情感传播的发展速度，研究发现在传播高峰期，ℜt的值可以达到5，表明情感传播在高峰期更加剧烈。

结论

本研究通过构建E-SLFI模型，揭示了在社交媒体生态系统中基于意识情感传染机制的情感传播模式，并确定了影响三元极性情感分布的关键因素。研究为政府和相关机构提供了数据驱动的策略，以指导公众情感，管理舆论，并在一定程度上平息网络氛围。研究结果对于调节在线公众舆论，特别是处理危机舆论（如COVID-19引发的公共卫生事件）具有重要的实践意义和广泛的应用价值。

研究亮点

1. 新颖的模型构建：研究首次将意识情感传染机制和情感表达的犹豫心理结合到SEIR模型中，构建了E-SLFI模型，为情感传播研究提供了新的视角。
2. 实证验证与敏感性分析：研究通过大量实证数据验证了模型的有效性，并对模型参数进行了深入的敏感性分析，揭示了情感传播的关键影响因素。
3. 应用价值：研究为政府和相关机构提供了数据驱动的策略，帮助其在社交媒体平台上引导公众情感，管理舆论，特别是在处理危机舆论时具有重要的应用价值。

其他有价值的内容

研究还探讨了情感传播的延迟效应和网络结构对情感传播的影响，为进一步研究提供了新的方向。未来的研究可以考虑将多信息之间的竞争与合作关系、记忆的累积效应以及时变行为等特征纳入模型框架中，以进一步提高模型的解释力和预测能力。