舆情研究 | 基于多水平模型的教育舆情决策支持系统设计

［摘 要］教育既关系民族与国家的未来，也关涉学生和家长的切身利益。与教育问题相关的舆情事件更容易被扩散和传播，引发社会广泛关注。为了对教育舆情更好地进行监测分析，需从设计教育舆情决策支持系统的角度出发，根据教育舆情数据的层次结构，建立“时间—公众—地域”教育舆情三级水平模型，给出对应的指标体系，明确数据预处理过程中信息采集、信息清理和信息汇总的流程，通过分析时间、舆情主体、舆情客体、舆情本体、媒介平台、地域时所用的核心技术，设计基于“星型模型”和“雪花模型”的教育舆情数据仓库。为了让教育舆情决策支持系统更加完善，一方面要建立“国家—地方—学校”教育数据共享平台；另一方面要结合人类智慧和人工智能，将专家库纳入教育舆情决策支持系统。

［关键词］多水平模型；教育舆情；决策支持系统

随着移动互联网的普及和上网设备及价格的降低，中国网民数量持续增长。第44次《中国互联网络发展状况统计报告》显示，截至2019年6月，我国网民规模达8.54亿，较2018年底增长2598万，互联网普及率达61.2％。大数据、云计算、人工智能、语义网、地理定位、智能画像等信息技术不断进步，移动智能终端不断发展，互联网正从Web2.0过渡到Web3.0阶段。在网络技术迅猛发展的背景下，各种形式的媒介平台纷纷涌现，网络为公众讨论公共事务提供了便捷、广阔、自由的平台。教育问题事关国计民生和社会公平，被民众广泛关注，使网络平台成为教育舆情发酵、传播与扩散的主要空间。在微博、微信、抖音、知乎等社交媒体和网络社区兴起后，海量的包含了用户对舆情事件观点、评价、态度的非结构化数据被创造出来，大数据和人工智能技术为非结构化数据的监测分析创造了条件。教育舆情决策支持系统就是要在采集和分析各种类型数据的基础上建立有效模型，合理展示研究结果，为教育舆情决策提供助力。

教育舆情决策支持系统的有效性很大程度上依赖于舆情监测指标体系的建构，很多学者尝试完善相应的教育舆情监测指标体系以便为舆情决策提供服务。有学者筛选出影响高等学校网络舆情安全8个主题，建立了包括舆情热度、态度倾向、行为倾向在内的指标体系。有学者提出用舆情信息信度、舆情传播热度、舆情评价向度、舆情影响效度来评估高等学校舆情强度，并以此为基础建立了三级指标体系。有学者基于教育网络舆情的因子研究理论，从教育舆情主体、客体、本体、平台、互动、影响六方面构建教育网络舆情影响因子体系。

总体来看，现有的网络舆情监测指标体系涵盖了舆情主体、舆情客体、舆情传播空间等诸多要素。教育舆情数据还具有明显的层次结构，例如，教育舆情数据(舆情情绪强度、舆情扩散程度)在不同的水平单位(时间、公众、地域)上存在着聚集性。本文针对教育舆情数据的层次结构特征，基于多水平模型整合舆情监测分析框架，设计教育舆情多维数据处理流程，通过多维数据集组织教育舆情数据，完善教育舆情决策支持系统，以期为教育舆情决策活动提供有效支持。

一、教育舆情决策支持的多水平模型构建

近年来，一系列教育舆情事件相继发生，在互联网中引起强烈反响，对我国舆论场造成了冲击，刺激了社会的敏感神经。如何在深化教育改革、调整教育利益分配的同时，及时发现热点教育舆情事件、找到影响教育舆情事件走向的关键因素，对新时期公共治理具有重要意义。

在研究过程中，学者们普遍发现舆情主体(公众)、舆情客体(社会事务)、舆情空间(舆情信息传播环境)会共同影响舆情本体(公众对公共事务的信念、意见和态度)。基于该理念，不同学者提出了不同的舆情监测分析构想。例如，有学者根据舆情事件主题，设计了主题热度、主题内容倾向、主题权威度的计算方法。有学者从非常规突发事件作用力、网络媒体作用力和网民作用力三方面出发，测量网络舆情热度。有学者根据利益相关者视角，基于信息空间(I-space)模型分析了微博舆情传播过程，提出结合舆情主体、舆情客体和舆情传播情况对微博舆情进行监测。有学者在保证可实现原则、及时性原则、最小性原则的基础上，从信息能、传播能、主体能、意见能四个维度建构网络舆情指标体系。还有学者关注到舆情产生环境的重要性，将政府干预的次数、频数和方式纳入网络舆情危机监测指标体系。

以上指标都在不同程度上反映了舆情的基本要素，不过舆情相关数据具有的多水平结构层次特点却被忽略了。舆情数据的重要特征是反应变量的分布在个体间不具备独立性，而且在特定的空间范围内具有聚集性，这一点在教育舆情数据上体现得更加明显。例如，江苏、湖北省的高考减招事件发生后，直接利益相关的江苏、湖北省考生在心理和行为特征上具有趋近性，他们对该舆情事件的反应会和其他省份的考生有所不同，地区差异就成了舆情监测分析时不可忽略的一点。此外，随着时间的推移，考生对该舆情事件的认识也会产生相应变化。如果在教育舆情监测分析中使用经典线性模型，就只能针对单一层次数据进行分析，而无法对涉及多层数据的问题进行综合分析，随机误差项并非相互独立也会影响最终的监测分析结果。

为了在构建系统全面的教育舆情综合测评指标体系的基础上实现具有针对性的舆情监测分析，本文在借鉴前人研究成果，从舆情本体、舆情主体、舆情客体、舆情形成环境四方面分析教育舆情的同时，重新思考舆情主体阶层水平、地区差异等影响因素以及教育舆情时间变化因素对舆情热度的影响，构建了“时间—公众—地域”教育舆情三级水平模型，将个体特征和个体所处环境联系起来，以期帮助人们寻找到影响教育舆情走向的关键因素。

具体表达式如下：

水平1Y[，ijk]=β[，0ij]+β[，1ij]t[，ijk]+e[，ijk]

（1）水平2β[，0ij]=β[，0i]+β[，1]X[，1ij]+β[，2]X[，2ij]+β[，3]X[，3ij]+u[，0ij]，β[，1ij]=β[，1i]+u[，1ij]

（2）水平3β[，0i]=β[，0]+β[，4]Z[，1i]+u[，0i]，β[，1i]=β[，1]+u[，1i]

（3）表达式中，i、j、k、分别代表地区、公众、时间三个层次。

Y[，ijk]表示教育舆情本体，可以综合利用事件扩散度、文本情绪强度、网民观点等指标进行测量；t[，ijk]表示时间变化；X[，1ij]表示教育舆情主体，可以综合利用活跃度、影响力、职业、身份等指标进行测量；X[，2ij]表示教育舆情客体，可以综合利用舆情事件主题类型、舆情信息内容特点等指标进行测量；X[，3ij]表示教育舆情信息传播的媒介平台，可以综合利用平台类型、平台特点、平台影响力等指标进行测量；Z1i表示教育舆情形成的线下地区。通过该模型，人们首先可以区分不同地区教育舆情主体对舆情事件的反应差异，其次可以研究教育舆情主体、舆情客体、媒介平台对舆情热度的影响以及不同部分差异来源，最后可以看出时间变化对教育舆情事件热度的影响。

在“时间—公众—地域”教育舆情三级水平模型建构完成后，人们需要按照相应的指标体系采集、分析、存储各类数据。为了从数据山脉中挖掘出真正的宝藏进而实现教育舆情精准的监测分析，相关人员需要全面采集教育舆情数据，利用新技术新方法深入挖掘影响教育舆情走向的关键因素，探究不同舆情主体之间的互动关系，提炼用户观点和情感特征，帮助相关部门找到影响教育舆情事件走向的关键因素，为教育舆情治理策略的提出提供依据(见下表)。

二、教育舆情决策支持系统中的数据预处理

“信息爆炸”时代来临后，数据量过大反而成了人们获取知识的障碍。在教育舆情分析中，数据预处理可以从海量数据中抽取出与教育舆情相关的数据并对不完整不真实的数据进行清理，从而提高数据挖掘对象的质量，为后面的数据分析提供保障。数据预处理一般包括数据采集、数据清理、数据汇总几个阶段。

(一)多维数据采集

网络中的教育舆情信息具有多样化、动态化的特点，批量、快速、准确地采集相关数据是进行教育舆情监测分析的基础，而教育系统和互联网平台是获取教育舆情数据的两个主要渠道。教育系统内部存储了大量有关学生、教师、家长、学校的数据，这些数据涉及招生、招聘、就业、考试等各类信息。互联网上的各类社交媒体(微博、微信、抖音等)、社区网站(知乎、豆瓣、贴吧等)、资讯平台(今日头条、一点资讯等)一方面为公众了解教育舆情事件提供了窗口，另一方面也为公众发表意见、表达观点提供了渠道，公众在网络空间中发布的信息成为教育舆情监测分析的重要素材。

在实际操作过程中，相关人员需要采集的数据主要是互联网平台上的数据。教育舆情监测分析系统中的爬虫子系统以Java语言的Spring MVC为整体系统架构，以Python语言的Scrapy+Django作为网络爬虫接口与数据库接口，以JavaScript语言作为网页解析脚本接口。在各大网络平台普遍设置反爬虫机制的情况下，要降低所采集的教育舆情数据中错位、空值、乱码等现象出现的频率，爬虫子系统需要对数据进行初步拟合，根据数据分布规律判断其是否符合建模标准，对拟合度太低的数据进行转换处理。随着网络水军，特别是机器人水军在网络中的活跃程度越来越高，由网络水军散布的虚假信息充斥网络空间，要实现教育舆情精确的监测分析，爬虫子系统在采集数据时还需要排除网络水军的干扰、获取真正由用户发布的信息。和正常网络用户相比，网络水军的行为模式具有突发性特点，即在舆情事件未发生时活跃度很低，在舆情事件发生后活跃度陡然提升。此外，网络水军的社会关系也和普通用户的社会关系大相径庭，网络水军的关注人数和粉丝数比例极不平衡。基于用户的行为及关系特征，相关人员可以通过设置爬虫规则尽量避免采集网络水军发布的信息。

(二)多维数据清理

从网络中获取的教育舆情数据不一定完整，其中还可能包含异常值，为了使教育舆情数据达到后期数据分析的标准，人们要对这些数据进行清理。对缺失值而言，从网络中获取的舆情信息其属性值不一定完整。以舆情主体为例，人们希望获取有关其职业、身份方面的信息，但很多网络用户并没有公开这部分数据，网络中缺乏相关记录值。丢弃和估计是处理缺失值的两种思路，根据教育舆情三级水平模型建立的指标体系中的每个项目都和舆情发展有直接关系，直接丢弃包含缺失项的整条数据会造成一定的数据偏差。随着技术的不断发展，人们已经可以通过已有数据建立推理模型，利用预测值填补缺失值的空白。对异常值而言，在网络环境中人们发布信息往往不太严谨，人们可能在填写自己的月收入时将8000元误填为800元，将自己180cm的身高误填为180m。如果某网民异常值的记录存在某种规律，那么可以以此推断正确的数据应该是多少；如果异常值之间不存在规律性，那么就可以将异常值按照缺失值来处理。

(三)多维数据汇总

和分散的数据相比，汇集在一起的数据价值更高。教育舆情数据之间相互关联，多维数据汇总可以将不同数据集按照相同属性合并到一起。例如，可以将同一用户在不同平台中发布的信息汇集起来。在进行多维数据汇总时，实体识别是第一步要进行的工作。在实体识别过程中，同名异义、异名同义和单位不统一是人们经常面临的问题。就同名异义而言，教育舆情事件中会出现具有相同名称但含义不同的词汇。就单位不统一而言，人们在描述同一实体时可能会使用不同单位，例如，图片或视频的编码标准不统一，在数据汇总过程中要对量纲进行统一。在数据汇总中，人们面临的另一个问题是数据冗余。一名用户可能同时拥有多个微博账号或微信账号，在数据汇总过程中如果不能识别出这些账号同属一人的话，就会造成数据的重复计算。ID-Mapping技术可以利用唯一的识别号级，如手机号码等对用户进行匹配，这在一定程度上可以解决数据冗余的问题。

三、教育舆情决策支持系统中的数据分析

经过多维数据采集与多维数据预处理以后，人们可以得到较为“干净”的数据，这些数据中包含舆情事件信息、用户个人信息、用户的社会网络关系、用户针对教育舆情事件发表的评论等，相关人员需要根据“时间—公众—地域”教育舆情三级水平模型及相应的指标体系对相关数据进行整合分析。从前面的表中看出，在对地区、舆情主体、舆情客体、媒介平台类型、时间、舆情本体等进行分析时，采用的关键技术各有不同。

(一)“时间”级教育舆情数据分析

教育舆情事件的发生有显著的时间特点，将教育舆情事件发生时间作为单独的一级分析水平正是因为如此。一方面，学生的生活、作息规律会影响教育舆情发生频率。例如，每天早晨7点、下午6点和夜间21点后是教育舆情出现的集中时间段；工作日教育舆情事件出现的概率低，周末教育舆情事件出现的概率高；寒暑假期间发生的教育舆情事件数量较少，临近开学或放假时教育舆情发生的数量会增多；在国家教育改革措施出台以及中考、高考、毕业论文答辩等重要阶段，教育舆情事件出现的数量也会增多。另一方面，教育舆情事件在发展过程中有明显的阶段划分，有学者在研究过程中均发现，时间是独立影响教育舆情走向的因素。网络舆情在不同发展阶段受不同因素影响，有学者就曾指出突发事件发生数、当地网民数量、当地网站数量等基础性信息在舆情生成阶段发挥的主要作用，网民关注程度、媒体报道数量等在舆情扩散阶段发挥的主要作用，舆情监测人员数量、舆情响应速度等在舆情衰退阶段发挥的主要作用。时间序列预测技术可以基于同类舆情事件数据建立模型，在保持待预测事件的时间单位和模型的时间单位一致的基础上，通过自适应变换判断舆情事件所处的发展阶段，相关人员可以据此采取相应的应对策略。

(二)“公众”级教育舆情数据分析

在对舆情主体进行分析时，用户画像技术和社会网络分析技术是需要被重点应用的两种技术。用户画像技术的核心是高度提炼用户的特征标识，前面的表中一级指标“舆情主体”下的二级指标“活跃度”“影响力”“职业”“身份”等都属于用户标签，每个标签代表用户一个维度的信息，不同维度之间相互关联，共同构成对用户整体的描述。利用用户画像技术，一方面可以全面考察关注教育舆情事件的舆情主体的共同特征，另一方面可以找到推动教育舆情事件发展的意见领袖。意见领袖作为信息传播的中心节点，在推动舆情信息扩散上发挥着重要作用。意见领袖并非一成不变，在不同类型的教育舆情事件中扮演关键角色的公众各不相同。教育舆情监测分析系统中的用户画像技术可以对相关数据进行动态分析，实时发现推动信息传播的关键节点。

分析舆情主体的过程中，用户画像技术可以将舆情主体的不同单一属性整合起来，社会网络分析技术则可以将不同“行动者”之间的属性联系起来。舆情的出现在很大程度上是舆情主体之间互动的结果，通过分析舆情主体之间是否具有血缘关系(如父子、母子)、社会角色关系(如师生关系、朋友关系)、情感关系(如喜爱、憎恶)、认知关系(如彼此是否互相认识)、行动关系(如彼此是否传递过信息)等，可以帮助相关人员找出影响教育舆情信息扩散的关键路径，为舆情引导奠定基础。

在对舆情客体进行分析时，要快速从海量网络信息中找到与教育主题相关的舆情数据需要依靠话题检测与追踪技术。该技术以话题簇为基本单位，在依据有限文本建立规则并检验规则有效性后可以推广到全局，进行全局信息聚类。教育公平、学术伦理规范、师生关系、校园安全等是教育舆情中的核心主题，话题检测与追踪技术可以对新的舆情事件进行自动识别和自动归类，当人们积累了大量同主题教育舆情事件数据后，就可以更加宏观地分析教育舆情产生的原因。随着时间的推移，教育舆情事件在演化过程中还可能诱发次生舆情。人们要利用话题检测与追踪技术对教育舆情事件进行持续追踪，及时发现新的刺激性因素，实现教育舆情的历时性考察。

在对媒介平台进行分析时，信息融合技术需要被重点关注。随着互联网技术的不断发展，各种类型的媒介平台相继出现，不同媒介平台具有不同的特点，用户行为会受媒介平台风格的影响。例如，一名用户在微博等弱关系平台上发布的信息会和在微信等强关系平台上发布的信息明显不同。因此在教育舆情监测过程中人们要考察不同类型媒介平台对舆情走向的影响。同一个网民在不同媒介平台上对教育舆情事件的评价可能有所不同，但这些不同的评价都出自一人之口。因此，为了全面把握用户对教育舆情事件的态度，相关人员需要利用信息融合技术将文本、音频、图片、视频等多格式信息以及来自社交媒体、社区网站、资讯平台等多信息源的数据整合到一起，实现局部和整体两个维度的教育舆情监测分析。

在对舆情本体进行分析时，自然语言处理和情感分析技术至关重要。和英文等拼音文字相比，包括中文在内的象形文字处理难度更大。只有对网络文本进行识别、转换、压缩、检索，人们才能从中提炼出网民观点。目前，基于规则的研究方法和基于统计的研究方法是自然语言处理中两种主要研究方法，前者侧重语言规则的获取，后者侧重大规模语料库的分析。后真相时代来临后，情绪在舆情信息传播中的重要性日益凸显，一些社会关注的热点事件中网民愤怒的情绪、网民嘲笑的态度都加速了舆情事件的蔓延。情感分析技术是通过分析文本的句法结构、依存关系、语义特征，从中挖掘出信息发布者的情绪状态。在实际操作过程中，相关人员会对机器进行词汇训练，生成词汇与情感的对应关系，利用机器自动将网民情绪分为正负两种，并分别测量正负情绪的情绪强度。

(三)“地域”级教育舆情数据分析

将地区单独视为舆情监测分析中的一级是因为地理位置信息在教育舆情监测分析中非常重要，包括河南光山校园伤害案、昆明市盘龙区明通小学踩踏事件、山东威海校车起火事故在内的一系列教育舆情事件都有明显的区域性特点。随着智能移动设备、GPS导航装置、无线传感设备的普及，人们还可以通过舆情主体的行动轨迹预判教育舆情发展的空间走向，提前做好应急预案。

四、教育舆情决策支持系统的数据仓库设计

为了长期保存教育舆情数据，人们需要将经过预处理和分析的网络数据保存到相应的数据仓库中。“星型模型”和“雪花模型”是基于关系数据库的两种典型数据模型，为了对教育舆情信息进行多水平分析，本文将基于这两种模型利用事实表和维度表对教育舆情信息进行整合。

(一)基于“星型模型”的教育舆情数据仓库

教育舆情影响因素分析中使用了“星型模型”。“星型模型”中包含一个核心的事实表和一系列由事实表衍生出的维度表，事实表中保存的数据是和主题最相关、最重要的数据；维度表提供了分析问题的角度，利用维度表的维度属性，人们可以对教育舆情事件进行深度分析(见图1)。

图1 教育舆情的“星型模型”

事实表中存放的数据主要是利用自然语言处理和情感分析技术统计出的事件扩散度、文本情绪强度和网民观点，这三方面数据共同反映了舆情本体。维度表中存储了多层次教育舆情信息。地域维中包含了省份、城市、学校等信息；舆情主体维中包含了网民活跃度、影响力、职业、身份等信息；舆情客体维中包含了舆情事件主题类型、舆情信息内容特点等信息；媒介平台维中包含了平台类型、平台影响力等信息；时间维包含年、月、日、时、分等信息。如果人们希望建立有关舆情事件主题类型和平台类型的水平模型，只需从维度表中提取舆情事件主题类型和平台类型两个维度的信息。

在教育舆情监测分析中，“星型模型”将围绕一个确定的教育舆情事件主题组织数据，简化了信息查询步骤，提高了信息查询性能，让不同维度的信息可以快速聚合。不过，“星型模型”中包含了大量冗余信息，这些冗余信息既增加了数据维护的难度，也增加了维度属性复杂的数据关系处理难度。

(二)基于“雪花模型”的教育舆情数据仓库

“雪花模型”是在“星型模型”基础上对数据做进一步层次化的管理。“雪花模型”可以将教育舆情监测中使用的大维度表分解扩展成新的事实表，针对教育舆情的监测范围广、监测内容多，有助于实现数据的综合与细化，为教育舆情数据在不同层次上的水平分析提供保障。如舆情客体维中包含的舆情事件主题类型和舆情信息内容特点可以扩展成新的事实表，每个事实表又包含了新的维度表(见图2)。

图2 教育舆情的“雪花模型”

在通过“时间—公众—地域”教育舆情预警等级三水平发展模型找到影响舆情热度的关键因素后，可以利用“雪花模型”建立聚集事实表，对教育舆情事件进行更加深入的分析。例如，携程亲子园虐童事件发生后，相关人员可以对不同地区身份为“家长”的舆情主体在不同媒介平台上的活动情况进行重点监测。和“星型模式”相比，“雪花模式”可以消除数据冗余，不过当维度表和事实表之间的连接过多时，“雪花模型”的信息运行效率会较低。

五、教育舆情决策支持系统的完善

数据预处理系统、数据分析系统、数据存储系统共同构成了教育舆情决策支持系统，但是仅包含以上三个子系统的决策支持系统仍是不完善的。为了真正提高我国教育舆情治理水平，我们还要建设“国家—地方—学校”教育舆情数据共享平台，积极推动内外部数据融合；要创新教育舆情治理过程，利用专家库推动人类智慧和人工智能结合。

(一)建立“国家—地方—学校”教育数据共享平台

基于教育舆情三级水平模型建立的决策咨询系统，采集的数据主要来自互联网平台，这些网络数据和教育舆情事件直接相关，是相关人员分析的重点素材。不过，想要实现教育舆情准确地监测分析仅仅依靠网络数据是依然不够的，很多时候，国家、地方和学校内部平台中的教育数据看似和教育舆情事件没有直接的关联，但在分析教育舆情事件的生成演化规律时，却可以为研究者提供相关的背景材料。只有将教育系统内部数据和网络数据结合起来，人们才能更加全面地审视教育舆情事件。

知易行难，教育数据共享平台的建设绝非易事。从重视程度来看，部分地方政府和学校缺乏数据收集和共享意识，很多重要的数据都被忽略了。从现实条件来看，教育系统中包含的单位多、覆盖的范围广，偏远地区学校的缺乏数据采集终端，其数据库系统长期缺乏管理和维护。从数据规范的角度来看，不同教育机构和部门之间对数据的描述不一致、信息录入标准不统一、数据质量参差不齐。

为了真正实现教育数据共享，国家应该强调教育数据的重要性，积极搭建“国家—地方—学校”教育数据共享平台，促进国家、地方、学校三级机构的信息共享、资源协同。一个完善的教育数据共享平台可以为舆情决策提供很大助力。第一，教育数据共享平台的建立帮助人们实现了教育系统内部数据的汇总。第二，统一的平台拥有统一的数据规范和标准，这就降低了数据融合的难度。第三，数据采集的范围、对象和目标会更加明确，一些曾经被忽视的教育数据也可以被纳入数据采集的范围。第四，数据上报的流程将更加规范化，当数据收集整理成为各级教育单位的一项日常工作后，相关人员对教育数据的重视程度会自然而然提升。总体而言，将教育数据共享平台纳入教育舆情决策支持系统，可以拓宽舆情决策支持系统的数据处理范围，帮助相关人员从全局角度分析舆情事件产生原因，推动教育舆情管理理念和治理模式进步。

(二)利用专家库推动人类智慧和人工智能结合

大数据和人工智能应用时代来临后，利用新技术新应用采集、分析和整理教育舆情数据，建立广泛的数据库和案例中心，实时跟踪舆情事件发展进程，已经成为很多人的共识。不过，人工智能在判断事物之间关联时依赖的是历史数据和概率统计，现实中有些类型的教育舆情事件数量很少，其运行规律并不能完全用数理逻辑来解释。而且，当情感诉求超越理性诉求成为影响舆情走向的重要因素后，人们在分析教育舆情事件时，就不得不考虑其发酵扩散背后的情感逻辑。随着自然语言处理和情感分析技术的发展，目前机器在分析人类情感方面已经取得巨大进步。不过，在辨析微妙情感和反讽隐喻等修辞时，机器仍然逊于人类。因此，将专家库纳入教育舆情决策支持系统很有必要，人类智慧和人工智能的结合将使教育舆情的监测分析结果更为准确。

教育舆情决策支持系统中的专家库中需要包含各行业全样本专家数据，例如，专家的学历背景、职务职称、研究方向、学术成果、智库服务经历、同行评价、社会评价、联系方式等都要包含其中。教育舆情事件发生后，相关人员可以根据舆情事件主题总结所需咨询的问题，分类分层查询相关专家。例如，“浙江小学生戴头环监控走神”事件发生后，相关人员可以基于专家库寻找合适的法律专家和生物科学方面的专家，听取不同领域学者对该事件的看法。在找到对应专家并对其进行咨询后，人们要将专家意见转化为数据，录入教育舆情决策支持系统，将机器分析结果和专家意见进行比对，最终决定舆情引导策略。此外，完备的专家库还需要具备自动数据更新的能力，即实时添加、修改、删除专家信息。

作者：杨维东，西南大学教师教育学院博士生；董小玉，西南大学教师教育学院教授。重庆 400715

重要提示：本文未经作者本人同意，禁止转载

“以下内容和本文无关”

中正舆情机构网络舆情分析师职业技能等级评价培训

工信部门网络舆情分析师职业技能证书