与福岛核电站事故相关的福岛情绪变化——谣言如何决定人们的态度:社交媒体情绪分析

介绍

概述

2011年3月11日下午2点46分(日本标准时间)，东北太平洋沿岸发生9级地震——东日本大地震。震中位于三陆海岸附近，一小时后发生了高达14-15米的海啸，导致东京电力公司(TEPCO)福岛第一核电站停电。1号、2号和3号反应堆在运行时发生熔毁，导致大量氢气产生。3月12日，1号反应堆发生氢气爆炸，3号反应堆于3月14日发生爆炸。2号和4号反应堆受损，向环境中释放了大量放射性物质。根据国际核与辐射事件分级表，该事故被列为第7级。[1]，国际组织对其影响进行了评估和报告[2-4]。他们指出，这次事故增加了人们对辐射的担忧，并引发了一种被描述为煽动有关灾区的有害谣言的社会现象。这不仅造成了灾害造成的物质损失，也造成了经济损失，例如，消费者不愿从灾区购买农产品。5]。在医疗领域，与事故发生前相比，福岛县对幼儿进行的计算机断层扫描(CT)和其他形式的放射检查的次数减少，反映了对辐射的焦虑[6，7]。在接受调查的医生中，有四分之一的医生报告说，由于辐射的风险，幼儿的父母拒绝让他们接受这种检查。[7他们目睹了对辐射的厌恶。我们认为，随着时间的推移，人们对福岛县作为与辐射有关的灾区的负面情绪越来越强烈，这可能影响了人们的行为，如限制消费活动和厌恶医疗辐射。

背景

地震发生后，电话线路立即遭到破坏，通信中断或受到限制。手机呼出限制在95%以内。对于分组通信，日本主要的移动电话运营商NTT (Nippon Telegraph and Telephone) Docomo施加了30%的限制，但很快就被取消了。其他航空公司则没有实施任何限制[8]。因此，以社交网络服务作为传递信息的手段，在Twitter上迅速形成了交流信息的社区[9，10]。在一项调查中，Twitter被发现是在应对灾难时最常用的社交媒体形式，超过了Facebook或Mixi，并且它被证明对福岛核事故的态度产生了影响[11]。大众传播媒介连续发表了关于福岛核电站、福岛市、受放射性物质影响的其他地区的情况以及辐射本身的影响的报告;社交网络不仅承载了这些被报道的信息和对这些信息的回应，还迅速传播了不可靠的信息、错误的信息和丑恶的谣言，这表明社交媒体可以引起社会的动荡和混乱[12]。Ikegami等[13]提出了一种基于潜在Dirichlet分配的基于主题类别的2011年地震灾害推文可靠分析系统，以包含“地震灾害”、“地震”、“海啸”、“放射性”、“放射性物质”、“贝克勒尔”等词的2960条推文为数据集，使用语义方向字典进行情感分析[14]。王和金[15表明网络空间中的行为和现实世界中的行为是相互影响的。以此为基础，我们认为，接触到社交媒体网络上传播的社交焦虑和丑陋谣言的人对福岛县的厌恶情绪增加，这可能导致更多的有害谣言和拒绝放射检查。

之前的工作

研究表明，事故发生5年后，依赖互联网作为信息来源的人群对辐射暴露引起的健康问题的焦虑程度明显高于使用其他信息来源的人群[16]。使用Twitter和其他形式的社交媒体的小于小学年龄的孩子的母亲具有更高程度的风险感知，并积极从事降低风险的活动[17]。不难想象，高度焦虑和降低风险的活动可能导致儿童拒绝放射检查。风险沟通在消除这些社会焦虑方面很有价值，但研究表明，在福岛事故发生时，社交媒体并未得到充分利用[18]。Yagahara等[19]分析了从3月11日地震当天到3月17日的7天推特，以调查日本民众对辐射兴趣的变化。他们的分析是基于事故进展中与辐射相关的共现网络。由于该分析也是针对地区进行的，因此它没有确定这种兴趣后来如何形成了人们对福岛的态度。Aoki等[20.]调查了地震一年后的推特趋势，根据地理标签将推特上的地区划分为四个区域。这种分析只关注人们发推文的地区，而没有分析推文本身的内容。因此，我们认为，调查人们如何接受与福岛核事故有关的信息以及他们如何对其作出反应，对于在未来发生类似灾难和事故时建立有效的风险沟通基础具有重要意义。

本研究目的

这项研究涉及CT扫描和其他放射检查的减少[6，7]、消费者持续克制购买农产品，以及有害谣言[5[福岛县]。其目的是比较确定在2011年地震和事故发生一年后，与辐射有关的感受是如何从福岛县转移到其他地区的，从而阐明这种情况是如何形成的。随着时间的推移，人们可能会对福岛县产生更多的负面情绪，认为福岛县是与辐射有关的灾区，这可能会影响人们对福岛县的厌恶情绪。

方法

概述

在这项研究中，我们选择了包含“辐射”、“放射性”和/或“放射性物质”的关于辐射的陈述，这些陈述是在2011年3月11日日本东部夏令时12点发生东日本大地震期间，直到一年后(即2012年3月10日日本夏令时晚上11点59分)用日语发布的，使用了大约1900万条推文。我们将tweet分组，从转发tweet (RTs)和引用tweet (qt)开始，以表明它们是自动tweet(称为as)机器人以及将其他人的推文转发到RT组的RT，将大约900万条推文(不包括RT组)作为目标组。Bot帐户是用户ID以单词开头或结尾的帐户机器人。为了更准确地采样原始发布者的感受，我们删除了目标组中跟随RT的任何内容，这表明其他人的推文已被转发，然后使用语义取向处理每条推文，这是指一个二进制属性，显示一个词通常可能带有积极或消极的印象。Takamura等[14我用了日语词典Iwanami Kokugo Jiten通过为49,002个名词、4254个动词、665个形容词和1207个副词分配实际值从-1(主要带有负面印象)到1(主要带有积极印象)的语义取向值来创建单词的语义取向值。本研究推文中包含的所有单词和短语都是基于单词的原始形式，使用其语义取向值，使用上述形态学分析进行评分的。此外，这些数据使用的推文包含以下任何一个词:“辐射”、“放射性”或“放射性物质”。对这些词的语义取向值进行了评价:“放射性”的值为-0.598318，“辐射”的值为-0.560393，“放射性”的值为-0.178744;Takamura等人的对应表中没有“放射性物质”的实例。这些词最初被记录为贬义词。本研究的目的是分析与上述三个词相关的感受;为了排除这些影响，我们给这些单词打了0分。我们对Takamura等人的词的语义取向值中未包含的词进行评分[14]为0点，以免影响推文的语义值取向，计算公式如下:

T_pn=∑W_pn/W_c

其中T_pn表示推文语义取向值W_pn表示词的语义取向值，W_c表示tweet中包含的字数。

为了对推文所涉及的县进行分类，对推文中包含的与地区相关的单词和短语(即地名、电话号码和邮政编码)进行采样和按县分类。对于地名，我们使用词形分析引擎MeCab [21]和mecab-ipadic-NEologd [22]字典，并使用Yahoo!搜索以下单词类型的地址字符串。地理编码应用程序编程接口[23词性=名词;词性(子类1)=专有名词;词性(子类2)=区域。然后，我们确定并分类了县(多媒体附录1包含处理这些过程的脚本)。

福岛县和其他县对辐射的情绪分析

按县分类的推文分为两组:福岛县和其他县。我们抽样了福岛县和其他县的平均每周推文的语义取向值，然后调查了每个地区对辐射的感受是如何变化的。该数据集使用了18,851,259条具有语义方向值的单词tweet中的18,841,755条。对几乎所有tweet的语义方向值进行了采样。该数据集包括18,851,259条推文和9,025,831条推文的目标群体，不包括机器人和RTs。推文数量的每日变化分别表示在图1一条蓝线和一条红线。每一个的线性近似值用虚线表示。图2显示了3月11日(东日本大地震发生的那一天)每天更细粒度的推文数量(即按分钟计算)。

‎ 查看此图

‎ 查看此图

图3和4，类似于图1，分别表示推文语义取向值的日平均变化和累计变化。此外，RT组语义取向值的平均变化也包含在图3，线性近似用虚线表示。图5显示每周的变化F测试平均语义取向值，以观察目标组和RT组之间的相关性。用显著性水平α= 0.05绘制红线。

‎ 查看此图

‎ 查看此图

‎ 查看此图

目标群体按地区分类。代表区域标识符的单词有34,233个，目标组中包含代表区域标识符的单词的tweet有3,004,726条。我们根据2011年10月1日各县及其人口的细分情况计算出每1000人的推文数量[24]。这在地图上用阴影表示图6。详情见表1，其中其他行中包含了难以识别地区和外国地名的单词。使识别县变得困难的单词包括表示地址的通用单词，例如“1- home”和“1-banchi”。外国地名中经常包含过去发生过核事故的地区，如切尔诺贝利和三里岛。

‎ 查看此图

图7和8表示福岛县目标群体与其他县的推文数量之比，以及平均语义取向值之比。语义取向值从-1到1;中平均值的比值图7是将1加到语义方向值的平均值上的比率，因此，它的结果在0到2之间。图9显示了福岛县和其他县的目标群体和RT群体的语义取向平均值的变化;有关情节的详情如下:

1. 灰色实线表示福岛县语义取向值的周平均值，不包括bot和RTs。
2. 蓝色实线表示语义取向值的周平均值，不包括福岛县以外的机器人和RTs。
3. 黄色实线表示福岛县机器人和RTs的语义取向值的周平均值。
4. 橙色实线表示福岛县以外的机器人和RTs的语义取向值的每周平均值。

线性近似用虚线表示每条线。

‎ 查看此图

‎ 查看此图

‎ 查看此图

结果

概述

首先，我们讨论了整个数据集的特征和趋势。在讨论了每个县的特征之后，我们将它们与福岛县(作为灾区和有害谣言的主要对象)和其他县进行比较。

总体数据集的特征和趋势

表2按时间顺序显示2011年的事件表。2011年3月11日下午2点46分，东日本大地震发生，大约一小时后，海啸袭击了多地。这引起了人们对下午4点左右太平洋沿岸核电站受损的担忧。此前，有一些推文包含“辐射”、“放射性”和“放射性物质”等词，但我们发现海啸导致包含这三个词的推文迅速增加(见图2)。类似于Mendoza等人分析的2010年智利地震时的推文趋势[25]，许多在东日本大地震后发布的推文都可以在我们的数据集中找到。总的推文数量中，约8%(1年期间的所有推文)是在地震后1周发布的，约21%是在地震后1个月发布的，其余时间有后续逐渐减少的趋势。如图所示图13月12日，1号反应堆发生氢气爆炸时，推特上发布了约30万条推文，3月15日，2号和4号反应堆的损坏情况清楚后，推特上发布了约40万条推文。3月23日，日本内阁府核安全委员会发布了使用“环境紧急剂量信息预测系统”预测1岁以下婴儿碘-131的甲状腺当量剂量[26]，并发布了大约23万条推文。此后，每天的推文数量在5万左右徘徊。

据报道，9月10日，当时的经济产业大臣在访问福岛核灾难隔离区后，对记者开玩笑说:“我会给你辐射。”后来，仙台核电站发生火灾，这两件事的消息传开了。10月14日，在世田谷区一所私人住宅的地板下发现镭射线源的消息后，推特的回应数量超过了10万。如图所示图3，东日本大地震发生后立即出现了大量的负面推文，从近似曲线中可以看出，这些负面推文在震后逐渐趋于积极。然而，我们发现他们的整体得分低于-0.4，对“辐射”、“放射性”和“放射性物质”表达负面情绪的推文仍在发布。虽然总体数据集之间没有区别(参见图3(蓝线)和震后目标群体的大部分语义取向值，目标群体从负到正的加速度往往更快。bot和RTs发布了更多的负面推文，我们发现bot和RTs中的情绪倾向于消极，正如近似直线的负斜率所示。bot和RTs通常是信息广泛传播的一种手段。然而，他们更容易传播含有负面情绪的信息。这表明bot和RTs会让遇到这些信息的用户和社区更加厌恶某些内容。

在接近下面给出的日期时，语义取向值有特征性的变化。这些已经包括在内，以及这些天传播的内容。3月28日，一个可视化关东地区环境放射性水平的网站启动[27]。网站的知识作为一种信息分享的方式迅速传播，加上网站易于理解的正面词汇，所以在网站上线前后都趋向于正面得分，在0.029-0.067分之间，并且在两组中呈现出相同的趋势。

11月11日，“签署紧急请愿书，拯救福岛儿童”(语义取向值:-0.396)的推文数量比平均水平要多;因此，推文的趋势大多是积极的。这些推文不是由机器人发布的，也不是RTs的形式，我们发现两组之间的差异在之前和之后的几周内是显著的，如图所示图4。

11月23日，Geiger计数器广告的语义取向值约为0.05-0.40，其发布频率约为11月22日前后的2-3倍，在34173条tweet中有1797条(5.26%);11月23日，33778条推文中有3468条(10.27%);11月24日，40348条推文中有1087条(2.69%)，这被认为是有影响力的。类似的趋势在12月24日盖革计数器广告的峰值前后都得到了证实。

11月26日，据报道，东京电力公司在11月24日回应说:“任何放射性物质都不是东京电力公司的财产。因此，东京电力公司没有责任清除污染。”[28]。然而，这些信息是用负面词汇传播的，因此，两组人的语义取向在很大程度上都是负面的。

有趣的是，不管之前是否为目标组和RT组画了相似的线，从12月7日到2月27日，两组之间的变化形式出现了分歧。特别是在目标群体中，12月21日至1月15日和2月7日至2月27日期间达到了积极的高峰。12月18日达到最大值-0.41，但RT组没有形成相应的峰值，徘徊在-0.58左右。就像每周F目标组和RT组的测试结果见图4在这一时期，这两个群体之间出现了显著的分歧。

各县特点

如图所示表1在美国，关于福岛县是灾区的推特数量激增，这在人口比例方面尤为突出。日本东部靠近灾区的地区比日本西部有更多的推文，而且在人口比例方面也有很高的比率。作为日本西部的主要城市，大阪和京都的推特数量较多，但人口比率与西部其他地区持平。这表明这种偏见不会影响Twitter上的数据，因为Twitter在城市地区有更多的用户。此外，日本西部其他地区的推特中，过去曾被原子弹摧毁的广岛市和长崎县尤为突出，这表明人们可能正在回忆与辐射有关的地名。以冲绳县为例，位于那里的美军基地过去曾多次被指控拥有核武器，而且似乎是一个与辐射有关的地方的名字。

福岛县与其他县的比较

如图所示图7，关于福岛县的推文数量与其他县的比例呈上升趋势，对福岛县的兴趣有所上升。包括其他县在内，推文数量是最高数量的3倍，线性近似的右截距是最高数量的2.5倍。

排除空前时期后，福岛县和其他县语义取向值的平均值之比大致降至1以下。根据共线近似，该比例逐渐下降，这可以解释为与其他地区相比，福岛县的负面情绪加深。与前一周相比，11月10日的周推文数量比率并没有增加太多，但关于福岛的语义取向基本上是积极的。这被认为是受到了大量比平均水平更积极的推文的影响，这些推文表示“签署紧急请愿书，拯救福岛儿童”(语义取向值:-0.396)。这些推文不是机器人发布的，也不是RTs的形式。

如图所示图1和3.，推文总数减少，辐射的整体语义取向值呈正向趋势。然而，如图7和8与其他县相比，关于福岛县的推文数量比例增加，并且可以认为，语义取向值比例的下降表明情绪在辐射方面对福岛县的负面倾向急剧增加。

在图9我们发现，与目标组相比，RT组有更多关于负面情绪的帖子，就像在讨论中一样图3以上。然而，在有关地区的推文中，也有可能证实同样的趋势。令人惊讶的是，虽然其他推文倾向于积极的感受，但只有与福岛县相关的RT组的语义取向值的平均趋势共线近似显示出消极的趋势，随着时间的推移，这种趋势会随着负面情绪的增加而传播。这强烈表明机器人和RTs传播了带有更多负面情绪的信息，而接触到这些信息的用户会带着负面情绪看待与福岛县辐射有关的事情，从而导致这些人对福岛县的厌恶情绪增加。这些结果支持了一种假设，即随着时间的推移，人们对福岛县作为受辐射影响的灾区的负面情绪越来越多，这可能影响了人们对福岛的总体厌恶情绪。

讨论

主要研究结果

这项研究是对全国Twitter用户对每个县和辐射的感受进行的单向调查。人们认为，在解释和改善人们对福岛的厌恶与日俱增的过程中，居民对一个受到有害谣言影响的特定地区的感受是很重要的。本研究的目的是确定在福岛核事故发生一年后，日本不同地区的辐射信息是如何变化的。我们发现，事故发生后，对辐射的负面情绪随着时间的推移呈积极趋势，但与其他推文相比，机器人和即时通讯的反应较慢。我们发现，与其他县相比，将福岛县与辐射联系在一起的推文明显表现出更多的负面情绪;随着时间的推移，它们的比例进一步呈负增长趋势。关于辐射的推文总体上减少了，对辐射的感觉也趋于积极。然而，关于福岛县的推文呈现负面趋势，而比例却在上升，这表明对福岛县的负面情绪正在加剧。我们发现，与福岛县无关的机器人和RTs逐渐倾向于积极情绪，而与福岛县有关的机器人和RTs则倾向于消极情绪。这些结果表明，人们对福岛县的厌恶可能是由于机器人和RTs传播的将福岛县与辐射联系在一起的负面情绪而增加的。 Signals about risk, such as health risks from radiation, are often amplified by individual and social processes, such as cultural groups and interpersonal networks, that amplify people's responses [29]。这支持了一种假设，即随着时间的推移，人们对福岛县的印象越来越负面，认为它是一个与辐射有关的灾区，这可能影响了人们对福岛的普遍厌恶。为了确认这一点，下一步应该在个人层面上跟踪机器人和人之间的交互。此外，众所周知，在社交媒体上使用过滤泡沫会放大确认偏见[30.，31]。在分析RTs和bot对人们厌恶程度的影响时，我们应该考虑到这一点。

限制

Gore等人表明，在同一时间段内，推文中表达的情绪可能存在显著的地理偏差[32]。Padilla等人表明，推文中表达的情绪可能会因为人们是当地人还是正在访问一个地区，以及他们在一天中完成了哪些其他活动而有偏见[33]。这项研究没有考虑到这一点，因为它对针对福岛的情绪进行了单向情绪分析。在未来，为了确定人们厌恶增加的过程，我们想要澄清一个特定地区的人们对受有害谣言影响的地区的感受，比如福岛。在Aoki等人的一项调查中[20.]，地理标记推文只占目标数据的0.25%;因此，需要更全面的数据。此外，由于Twitter用户的年龄构成和居住地区存在偏差，用户并不一定能代表整个国家。在本研究中，我们根据对词的语义取向值来确定推文的语义取向。因此，推文的正确语义取向并不一定代表推文内的语境，也不一定代表推文与前后推文关系的语境。很明显，像“放射性很美味”这样的讽刺言论由于“美味”这个词而具有积极的语义取向，所以这些推文被判断为具有积极的语义取向。似乎需要一种技术来正确地评估书面句子及其上下文的语义取向。众所周知，公众人物对突然意外发生的严重事件的反应有一种正常倾向。34]。特别是，当发生严重的核事故时，受影响的人们很可能只是为了平静自己的情绪而发推文。因此，他们的推文可能反映的不是他们的感受，而是他们的愿望。此外，在某些情况下，回忆偏差导致了对辐射健康风险的高估，推文随后表达了过度的厌恶。为了分析这些认知偏差的影响[35]，有必要对推文和网络的内容进行评估。

说日语的人在表达意思时往往会跳过单词。36]，这一点很重要，因为Twitter的限制是140个字符。“放射性碘”和“放射性铯”是常用的放射性同位素，通常简单地用“碘”和“铯”表示。“铯”这个词在日常生活中并不常见，很可能指的是放射性同位素铯。此外，在讨论辐射时，需要调查与词汇相关的感受，而不仅仅是“辐射”、“放射性”和“放射性物质”。

一条推文是否来自机器人是根据术语是否机器人在用户ID之前或之后找到。因此，无法准确识别所有机器人。此外，我们认为，那些重复发布相同信息的账户，如果不是广告账户，不遵循这种格式，或者不是RT账户，就需要作为RT组的一部分进行调查，或者分拆成一个单独的组。然而，逐条查找和验证每条tweet需要相当大的努力。社区是由Twitter组成的遵循功能，信息的共享和传播是通过RTs来实现的。

未来，通过调查社区网络和RTs如何传播信息，以及当人们对福岛的厌恶情绪加剧时，人们的感受，阐明人们的态度变得固定的过程可能很重要。