新闻媒体论文哪里有？本文结果表明，网民对该事件的讨论有明显的情感倾向性，主要呈现“好”“恶”两种情绪，在认知上体现为对养母与亲母一褒一贬的态度，在行为上体现为网民重复多次发帖评论，积极发表看法。总的来说，共情效应显著。进一步分析，该事件共情效应显著的原因在于，舆论的身份叙事倾向唤醒了网民的共情；
第1章 绪论
1.3 研究创新点与难点
本文创新点在于，其一，研究视角较为新颖。目前国内外新闻传播领域对共情的专门研究较少，共情与传播议题的结合不够紧密，本文抓住共情与传播以及共情与媒介事件之间的联系，以情绪为核心，对“错换”事件中的共情效应进行细致研究，在研究视角上具有一定创新性。其二，研究方法较为新颖。以往对于共情的相关研究以理论研究为主，部分实证研究也主要采用传统的内容分析方法，对文本进行人工编码。本文采用文本挖掘方法，基于自然语言处理技术，借助相关程序、软件进行情感分析、主题分析、社会网络分析，在研究方法上具有一定创新性。
本文以“错换人生28年”话题中的微博与评论文本为研究对象，其难点主要在于数据的获取与分析上面。一方面，在这个过程中需要借助八爪鱼、Python、Gephi等软件，具有一定技术门槛，在前期需要花费时间去学习掌握。另一方面，本文收集了该话题中的全量数据，原始数据接近20万条，且微博数据较为杂乱，尤其在对数据进行清洗等预处理工作时，工作量比较大。
第3章 研究方法与设计
3.1 研究方法
3.1.1 个案研究法
个案研究是以一个人、一个团体或一个事件为研究对象，广泛搜集各种资料，综合运用各种方法和分析技术，对复杂情境中的现象进行深入探究的研究方法。“错换”事件持续时间两年多，其相关当事人各执一词，并利用自媒体平台频频发声，持续出现在大众视野中，吸引网民的注意，引发了关于道德、法律、网络暴力等多个方面的讨论，有其特殊性。此外，网民对当事人姚策人生“错位”的遭遇感到难受、气愤，对该事件持续关注，积极发表自己的看法，情绪的表达与传播活跃，形成了不容忽视的舆论力量，呈现出明显的共情现象，是一个研究情绪传播的典型个案。本文以该事件为例，对该事件中的情绪生成与传播进行研究，探讨其中所体现的共情效应。
3.1.2 文本挖掘
信息传播技术的发展，一方面重构了新闻产业，诞生了数据新闻、机器人写作等新型新闻生产和传播方式；另一方面为新闻传播领域研究提供了新的数据、理论视角和研究方法[42]。对新闻文本、研究论文、书籍、期刊、web页面、社交媒体文本等数据进行文本挖掘，是近些年较为流行的研究方向[43]。文本挖掘是涉及自然语言处理、机器学习、统计学等多领域的数据分析方法，在情感分析、主题建模、语义网络中应用较多，可以从大量非结构化文本中有效提取、描绘信息，呈现文本的宏观图景。本文发现“错换”事件中网民的讨论带有浓厚的感情色彩，可以通过分析网民的讨论内容对该事件中情绪的生成与传播进行研究。在收集数据时，共爬取微博“错换人生28年”话题中微博34427条、评论164760条，总数据量接近20万条，靠人工难以处理，而基于文本挖掘方法，借助计算机软件较易实现。针对前文提出的研究问题，本文将采用文本挖掘方法，对收集到的微博、评论文本进行情感分析、主题分析以及社会网络分析，以探讨在该事件中情绪是如何生成与传播的。
第4章 研究结果与分析
4.1 共情表达：情感分析中的网民情绪呈现
在互联网不断发展的时代背景下，互联网技术逐渐深入到媒介领域，以微博、抖音等为代表的新兴传播平台让用户拥有了更低门槛、更便捷的发声渠道，人们可以在这些平台自由地分享自己的意见想法、情绪感受。尤其在很多新型媒介事件中表现得更为明显，例如本文所探讨的“错换”事件，网民对当事人人生“错位”、患病的遭遇感到同情、气愤等，纷纷在媒体平台表达自己的看法。当发文主题和携带的情绪引起了浏览者的共鸣时，又会被转发、评论或点赞，形成新的内容和情绪，进而影响新的浏览者，使事件影响力大大增加，一定程度上能够监督甚至干预对事件的调查和处理，推动事件发展。
在这种情况下，情感分析得到了越来越多学者的关注。近年来相关研究多集中在情感倾向性分析这一方面，将其分为正面、负面及中性三大类来进行讨论。但实际情况中，很多时候用户表达情绪较为复杂，针对不同的对象可能会产生不同的情感取向，也可能会随着事件进行到不同阶段而改变；此外，本文想要探讨的是在“错换”事件中具体呈现了怎样的情绪。因此，只是用正面、中性、负面来划分不够具体，不仅弱化了用户复杂的情绪表达，也不能完全涵盖用户的情感，故本文在情感分析中进一步对情感类别进行划分。
4.2 共情认知：主题分析中网民的态度表达
微博主题是对微博信息内容的概括，一般而言，网民在微博上发表的言论具有较强的话题中心性，通过分析一定时间内的微博文本，可以掌握网民在该阶段所关注的信息主题[36]。在“错换”事件中，对于事件的讨论主要围绕着该事件当事人姚策及其养父母与生父母展开，具有很强的人物指向性，前期浏览数据时也发现一些相似内容重复出现，话题讨论比较集中。因此，本文对通过对三个阶段的数据进行主题分析，提炼在该事件中网民所讨论的主题，并结合情感分析结果以探讨网民对该事件的具体认知及其变化。
本文主要通过Python调用Gensim库中的LDA模型，对处理后的文本进行主题提取。利用LDA模型提取主题最重要的是要确定最优主题数，本文综合困惑度（perplexity）与一致性（coherence）两个指标来确定。困惑度指的是模型对于识别文档中包含哪些主题具有不确定性；一致性表示结果对于文档主题的可解释性。困惑度数值越低，不确定性就越小，则最后的聚类结果就越好；而更高的一致性值则意味着语义上更连贯，更有意义。当训练设定的主题的个数越多时，模型的困惑度就越低，但困惑度并不是越低越好，主题数过多生成的模型往往会过拟合，因此还需要考虑主题一致性，综合二者的数值来确定最优主题数较为合理。
第5章 结论与讨论
5.1 共情效应显著
共情作为一个涉及情感、认知和行为的动态心理过程，是个体在特定情景与他人共享情绪情感、理解认知情绪并伴有相应行为的具体参与过程。经过对“错换人生28年”微博话题相关文本的情感分析、主题分析以及社会网络分析，分别对该事件中网民呈现的情绪、认知、行为进行探讨，发现网民在参与该事件讨论时“好”“恶”情绪显著，有明显的倾向性；认知与情感倾向契合，呈现两极分化；体现在行为上，即不少网民反复发表微博与评论互相进行争论，共情贯穿事件发展始终。
5.1.1 “好”“恶”情绪突出
根据情感分析结果，网民对“错换”事件的讨论中，情绪化表达显著，主要呈现“好”“恶”两种相反的情感类别，且“好”与“恶”两种情感类别的占比随事件发展处于变化之中，从阶段1到阶段3，“好”逐渐减少，而“恶”逐渐增加。从大量出现的表达情感倾向的词语中可以看到，网民的态度倾向于相反的两个方向，如支持养母许敏，称赞她“善良、无私”，为其“加油”；称呼杜新枝“毒妇”，认为她“心黑”；在房产问题上，痛骂姚策及其妻子是白眼狼，“好”与“恶”态度鲜明。情绪的特殊性质使得其易被唤醒、感染，如此大量的表达情感倾向的文本能够调动网民的情绪，从而传递给更多人。共情首先要产生情绪感染，即个体面对他人的处境时，会产生与他人类似的情绪体验，这在该事件中得到了充分体现。
情绪具有适应功能和唤起功能，情绪的生理调动特性会使人很快进入情绪性信息所营造的环境[21]，情绪性信息更能吸引人们的注意力。此外，情绪具有行为指导的功能，情绪相近的信息直接影响受众的接受程度，并进一步促成相互的传播活动[21]，不同个体在相同情感的驱动下会关注共同的事件、活动。有研究表明，在社会性突发事件的传播扩散过程中，信息和情绪互为表里建构着传播的内容，情绪能激发受众更多传播事件信息，真正使事件传播快速扩张的往往是社会情绪[39]。在“错换”事件中，公众的关注与讨论，呈现出明显的“好”“恶”情感倾向，在很大程度上引领着事件舆论的走向，影响事件的发展进程。
参考文献（略）
