这项研究由中国南京大学社会与行为科学学院的冯宇、耿柳娜（通讯作者）和王依昕合作完成，并于2025年12月13日被接受，发表于“Journal of Environmental Studies and Sciences”期刊上。其标题为“中国社交媒体上的气候变化话语：不同叙事如何塑造我们与危机的情感联结”。

学术背景

本研究的核心科学领域是环境传播学、计算社会科学与公共舆论分析的交集。其背景源于一个重要的全球性问题：气候变化作为人类面临的严峻挑战，亟需全球协作与公众参与。中国作为主要的温室气体排放国，在全球气候治理中扮演着关键角色，因此，理解中国公众对气候变化的关切与态度对于政策制定和国际合作至关重要。近年来，互联网和社交媒体（如微博）已成为公众表达观点、讨论议题的重要平台，为研究公众气候认知提供了前所未有的数据来源。

然而，现有研究存在明显的不足。首先，学术界对于社交媒体气候话语的研究主要集中在Twitter等欧美平台，针对中国语境下社交媒体（尤其是微博）的研究相对匮乏。其次，以往针对微博的研究多集中于特定事件（如巴黎气候峰会）或宏观特征（如国家媒体主导），缺乏对长期、动态演变的全貌式把握。第三，尽管情感分析和主题建模（Topic Modeling）被广泛应用，但将两者结合、特别是探究不同叙事框架（Narrative Frames）如何与公众情感及传播效果相互作用的研究仍然有限。

基于此，本研究旨在填补上述空白。其核心目标是：通过分析2019年至2023年间中国最大的社交媒体平台之一——新浪微博上关于气候变化的公众舆论数据，识别关键的讨论主题和周期性模式，并深入探究叙事框架（宏观叙事与微观叙事）、公众情感倾向以及传播效果（以转发量为指标）之间的动态关系。

详细工作流程

本研究是一个典型的基于大数据的社会计算研究，其工作流程严谨、系统，主要包含以下几个步骤：

1. 数据收集：研究团队使用基于Python的网络爬虫技术，以“气候变化”、“全球变暖”、“气候变暖”为关键词，抓取了2019年1月1日至2023年12月31日期间发布的所有相关微博帖子。初始采集到的数据量巨大，共计735,144条帖子，包含了用户名、发帖时间、内容、地理位置、用户类型（如是否官方认证）等元数据。

2. 数据预处理：为确保分析质量，研究人员对原始数据进行了多轮清洗。首先，利用Python的pandas库，基于“微博用户ID”和“帖子ID”进行去重处理。其次，删除了内容为空、仅包含转发内容而无用户编辑、或主要包含网页链接和特殊字符的无效帖子。经过清洗，最终得到了一个包含347,781条有效帖子的数据集。在文本分析前，还使用结巴分词（Jieba Tokenizer）对中文微博内容进行了分词处理，并应用哈尔滨工业大学的停用词表过滤了干扰词汇。

3. 主题建模（Topic Modeling）：为识别微博上关于气候变化讨论的主要议题，研究采用了潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）模型。LDA是一种无监督的贝叶斯概率模型，能够从大量文本中发现潜在的主题结构。为确定最佳主题数量（k），研究者计算了k值从2到8时的模型困惑度（Perplexity）和主题一致性（Coherence）分数。分析发现，在k=4时，困惑度曲线出现明显拐点，主题一致性分数也达到局部最大值，且四个主题在主题间距离图中分布均匀、语义独立。因此，最终确定将讨论内容划分为4个核心主题。

4. 细粒度情感分析：不同于传统的正/负/中性情感分类，本研究采用了更精细的六类情感分析（愤怒、恐惧、高兴、中性、悲伤、惊讶）。为实现这一目标，研究者构建并训练了一个双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM）模型。BiLSTM能够有效捕捉文本序列的上下文信息，在情感分类任务中表现出色。为验证模型性能，研究团队对模型预测结果进行了严格的人工验证。他们从总数据中分层随机抽取了1,515个样本，由经过训练的标注员独立核对，并基于混淆矩阵计算了性能指标。结果显示，该模型在测试集上取得了86.4%的宏平均F1分数，特别是对“中性”、“愤怒”和“高兴”情绪的识别准确率（F1分数）均超过90%，证明了模型的可靠性和用于后续分析的适用性。

5. 叙事风格分析：这是本研究的核心创新点之一。研究区分了两种叙事框架：宏观叙事（Macro-narrative）和微观叙事（Micro-narrative）。宏观叙事关注全球气候治理、可持续发展、能源革命等宏大主题，强调整体性和权威视角；而微观叙事则聚焦于个人经历、日常生活、具体感受（如电费上涨、极端天气对出行的影响、个人的无助感等）。为了对海量帖子进行自动分类，研究者再次利用了BiLSTM模型。首先，两名标注员根据一个共享的编码手册（包含示例关键词，如宏观叙事关键词“人类命运”、“碳达峰”，微观叙事关键词“个人行动”、“我的城市”），手动标注了5,000条微博作为训练数据，并达到了较高的编码者间信度（Cohen‘s kappa = 0.85）。随后，用这些标注好的数据训练BiLSTM模型，该模型在后续对全部347,781条帖子进行自动分类时，在验证集上取得了94.06%的整体准确率，特别是对宏观叙事的召回率高达98.64%。

6. 数据整合与统计分析：在获得每个帖子的主题类别、情感标签和叙事类型后，研究进行了多维度、动态的分析。这包括：分析公共媒体（如官方认证的新闻机构、政府账号）与非公共媒体（个人用户）在话语贡献和叙事偏好上的差异；绘制情感演化的时间序列热图，观察不同时期、不同主题下的公众情绪变化；交叉分析叙事类型与情感类型、媒体类型之间的关系；最后，通过回归分析，以帖子转发量的对数为因变量，以叙事类型为核心自变量，并控制用户粉丝数、发帖数、关注数以及年份、月份、星期等固定效应，检验了不同叙事框架对传播效果（转发量）的影响。

主要研究结果

研究得出了丰富且具有洞见的发现：

1. 话语来源与主题分布：微博上的气候变化话语来源基本平衡，非公共媒体（54.55%）略多于公共媒体（45.45%）。通过LDA模型识别出四个核心讨论主题：

   • 主题一：对人类与地球未来的深刻反思与预警。这是讨论量最大的主题，关键词涉及“意识”、“宇宙”、“能量”、“文明”等，体现了对气候变化长期、深远影响的哲学性思考。
   • 主题二：应对气候变化的全球合作与绿色经济。关键词包括“合作”、“国家”、“绿色”、“经济”、“国际”等，强调国际合作与绿色转型的必要性。
   • 主题三：气候变化的广泛影响与科学研究。关键词如“影响”、“研究”、“视频”、“海洋”、“极端（天气）”，关注气候变化的具体后果和科学认知的传播。
   • 主题四：美国领导下的气候变化与公共卫生挑战。关键词包括“美国”、“拜登”、“疾病”、“健康”、“大流行”，反映了公众将气候变化、健康问题和国际政治动态相联系的复杂认知。

2. 主导性情感与动态演化：总体而言，中性情绪在微博气候变化讨论中占据绝对主导（超过一半），其次是高兴（23.02%）、愤怒（9.24%）、悲伤（1.91%）、惊讶（1.35%）和恐惧（1.08%）。纵向分析显示，情感基线稳定，但会在重大国际气候事件（如G7峰会、联合国气候周）期间出现显著的正面情绪波峰。同时，负面情绪呈现整体衰减趋势。不同主题的情感基调差异明显：主题二（全球合作）和主题三（科学研究）以稳定的中性情绪为主；而主题一（深刻反思）的情感波动最大，且愤怒情绪的水平显著高于其他主题；主题四（公共卫生与国际政治）虽然也以中性为主，但同样显示出明显的愤怒情绪。

3. 叙事框架的主导地位与分化：分析显示，宏观叙事在气候变化话语中占据压倒性优势（82%），而微观叙事仅占18%。交叉分析进一步揭示：公共媒体明显偏好使用宏观叙事，而非公共媒体则更多地采用微观叙事。在情感与叙事的关联上，悲伤是唯一一个微观叙事比例（68.8%）远高于宏观叙事（31.2%）的情感类别，表明悲伤情绪更多地与个人化的、具体的经历描述相关联。相反，中性、高兴和愤怒等情绪则高度集中于宏观叙事框架下，尤其是中性情绪对宏观叙事的偏好最为突出。

4. 叙事框架对传播效果的关键影响：本研究最关键的发现之一是微观叙事虽然数量少，但其传播效力（以转发量为衡量）显著强于宏观叙事。回归分析结果显示，在控制了用户影响力（粉丝数、发帖数等）和时间固定效应后，宏观叙事风格与帖子转发量呈现显著的负相关。这意味着，当内容采用更抽象、宏大的叙事时，其被分享传播的可能性反而降低；而采用具体、个人化、贴近生活的微观叙事，更能引发公众的共鸣和分享行为。

结论

本研究通过大规模、多角度的计算文本分析，系统描绘了中国社交媒体平台微博上气候变化公众话语的图景。研究得出结论：中国的在线气候话语整体呈现中性、宏观主导的特征，这反映了公众在平台生态和议题认知复杂性下的理性、谨慎姿态，也体现了官方和精英话语的强势影响力。

然而，研究更重要的价值在于揭示了话语内部的张力与沟通的有效路径。它指出，宏观叙事塑造了公众对气候变化作为系统性问题的认知，但微观叙事才是激发情感共鸣和驱动公众参与（转发）的关键枢纽。特别是悲伤等情感与微观叙事的紧密联结，以及微观叙事更强的传播效力，表明将抽象的全球议题转化为可感知的个人故事，是提升气候传播效果的有效策略。

因此，本研究为中国语境下的气候治理与公众沟通提供了切实的见解：有效的气候传播不应仅仅依赖自上而下的宏观政策宣导，而应战略性地将权威的宏观叙事框架与能引发共情的微观叙事相结合，在构建系统性认知的同时，嵌入 relatable 的个人故事，从而同时扩大信息的覆盖面和感染力，弥合认知与行动之间的差距。

研究亮点

1. 研究对象的独特性与重要性：聚焦于中国最大的社交媒体平台微博，弥补了气候变化社交媒体研究中中国语境实证数据的不足，为理解全球南方的气候话语提供了关键案例。
2. 分析框架的创新性：创造性地将叙事理论（宏观 vs. 微观叙事）引入计算文本分析，并将其与细粒度情感分析、主题建模和传播效果指标（转发量）进行多维关联和交叉验证，构建了一个更加立体、深入的分析框架。
3. 方法论的严谨性：采用了前沿的自然语言处理技术（BiLSTM模型），并辅以严格的人工编码和验证流程，确保了自动分类结果的可靠性。综合运用LDA主题模型、时间序列分析、回归分析等多种方法，使结论更具说服力。
4. 关键发现的实践价值：揭示了“宏观叙事主导话语但微观叙事驱动分享”这一核心矛盾，为气候传播实践者（如政府机构、环保NGO、媒体）提供了极具操作性的策略建议，即需要通过“讲故事”的方式提升公众参与度。
5. 对情感复杂性的深入刻画：突破了简单的正负情感二分，揭示了中性情感的主导地位及其可能的成因（如心理距离、平台规制、复杂权衡），并细致描绘了不同主题下情感的动态演变，深化了对公众气候情绪的理解。

其他有价值的内容

研究也坦诚地指出了其局限性：微博用户群体可能偏向年轻和活跃的网民，结论的代表性需谨慎推广；对媒体类型的划分（公共 vs. 非公共）仍较粗疏，未来可进一步细分（如区分政府机构与国营媒体）；文本分析推断出的关联性不等于因果关系，未来研究可结合其他方法探究深层机制。这些反思体现了研究的科学态度，并为后续研究指明了方向。