交通运输行业舆情管理对政策制定具有重要影响. 随着短视频平台的普及，交通事件舆情呈现传播快、内容广、归因复杂的特点，对实时监测提出了越来越高的要求.

国内外关于舆情分析的研究在许多现实场景中已有较为成熟的应用. Ma等^[1]结合社交网络和情感分析，研究气象灾害期间舆论的传播. Jia等^[2]基于情感特征词典，提出情感倾向分析模型，分析用户情感特征及舆情演化，使用微博文本数据进行验证. 于群等^[3]建立停电事故舆情风险评估模型，结合事件主体、公众关注度和政府调控力度3个维度，使用熵权法和属性数学理论进行风险评估. Ren等^[4]分析突发公共卫生事件中的舆情传播动机，基于生命周期理论探讨传播要素的相互作用. Ali等^[5]通过OLDA模型提取社交网络中的交通信息，提升了词嵌入准确性. Chen等^[6]综述社交媒体在交通信息获取、预测、出行分析及舆情分析中的应用. Qi等^[7]提出从Twitter提取交通舆情的框架，通过分析推文的时间轴和语义来评估交通状况. 汤文蕴等^[8]构建基于情感分析和主题挖掘的舆情分析模型，研究重大公共事件下的交通管控舆情. 现有研究多集中于图文社交平台（如微博、Twitter），舆情话题相对单一，针对“短平快”短视频平台的交通舆情分析仍缺乏系统性研究. 在情感分析方面，Bai等^[9]对微信公众号的文本和图像信息进行情感分析以预测文章阅读量，发现文本中存在情感融合现象. Li等^[10]通过计算与视频同步的评论情感强度，自动识别视频精彩片段. 有研究者通过心理生理学实验发现情绪的客观变化. Liu等^[11]考虑人类情感的复杂性，使用脑电数据集研究情绪与脑电特征的关系. Pfeiffer等^[12]研究大脑在阅读过程中提取单词情感的机制. 赵卿等^[13]提出基于模态注意力多路图卷积神经网络的情感识别模型，结合脑电和功能近红外数据进行情感识别. 郑伟龙等^[14]提出眼动数据辅助情感识别的跨被试脑电情感模型并进行实证研究. 多数研究的实验仅采集1、2个模态的生理数据，难以全面描述情感，这些视频资源大多为影视片段，相关研究较少关注大众评论造成的情绪导向.

考虑到交通事件短视频具有覆盖范围广、传播速度快、评论特性强等特点，本研究基于这类视频提供的交通舆情资源，量化挖掘语义主题和视频情感，并设计情绪诱发实验，采集和分析多模态生理信号，构建交通舆情生理特征图谱，从本质上描述相关短视频及评论对公众的影响，支撑对舆情态势的准确理解和合理应对.

交通事件是指可能对人们出行产生直接影响的交通事故、交通堵塞、交通违法行为和交通政策调整等，它们通常会成为社交媒体的关注焦点，还会对交通系统的运行效率和社会秩序产生深远影响. 选取属地关键词“北京”以及16组与交通事件相关的搜索关键词：“交通”“飞机”“机场”“高铁”“火车站”“公交”“地铁”“公路”“汽车”“非机动车”“电动车”“停车”“堵车”“无障碍”“共享单车”和“自动驾驶”，使用Python在抖音短视频平台爬取136个点赞数超过2 000次的短视频及其默认排序靠前的共38 805条评论，每条评论包含评论内容和点赞数信息. 清洗提取的本文，删除非单词字符（如特殊符号），分词后去除停用词，生成如图1所示的词云图，评论中出现频率越高的关键词在图中的尺寸越大.

隐狄利克雷分布（latent Dirichlet allocation, LDA）主题模型是具有强降维能力的“文档-主题-单词”3层贝叶斯模型^[15-16]. 模型假设文档由主题的多项分布表示，主题由文档集中所有单词的多项分布表示. 以所有视频为文档集，单个视频为文档，评论为单词，使用最大最小归一化将评论点赞数归一化为[0, 2 000]，以此为权重复制评论来扩充文档. 第$m$个文档的联合概率分布为

(1)$ \begin{split}& p\left( {{{\boldsymbol{w}}_m},{{\boldsymbol{z}}_m},{\theta _m},\varphi |\alpha ,\beta } \right) = \prod\limits_{k = 1}^K {p\left( {{\varphi _k}|\beta } \right)} p\left( {{\theta _m}|\alpha } \right) \times \\& \qquad \prod\limits_{n = 1}^{{N_m}} {p\left( {{z_{mn}}|{\theta _m}} \right)p\left( {{w_{mn}}|{z_{mn}},\varphi } \right)} . \end{split} $

式中：$ {{\boldsymbol{w}}_m} $、$ {{\boldsymbol{z}}_m} $和$ {\theta _m} $分别为第$m$个文档的单词序列、主题序列和主题分布参数，$ \varphi $为所有主题的单词分布参数，$ \alpha $、$ \beta $均为超参数，$ K $为主题总数，$ {\varphi _k} $为第$ k $个主题的单词分布参数，$ {\theta _m} $、$ {N_m} $分别为第$ m $个文档的主题分布参数和单词总数，$ {z_{mn}} $、$ {w_{mn}} $分别为第$ m $个文档的第$n$个主题和单词.

LDA主题模型是无监督机器学习方法，常被用于挖掘舆情中传播的主题语义，在分析交通事件短视频中传播的舆情时能够发挥生成模型的优势. 根据输入视频的所有评论，LDA主题模型输出每个主题的评论分布和每个视频的主题隶属度，视频的某个主题隶属度越高，说明该主题下的评论出现在该视频评论区的概率越大. 使用困惑度I_p^[15]和一致性I_c^[17]来综合评定主题数，计算式分别为

(2)$ {I_{\mathrm{p}}} = \exp \left( { {-\displaystyle\sum\limits_{m = 1}^M {\ln }\; p\left( {{{\boldsymbol{w}}_m}} \right)}\Biggr/{{\displaystyle\sum\limits_{m = 1}^M {{N_m}} }}} \right), $

(3)$ {\text{ }}{I_{\mathrm{c}}}{\text{ }} = \frac{1}{K}\sum\limits_{k = 1}^K {\sum\limits_{i = 1}^{N - 1} {\sum\limits_{j = i+1}^N {{\text{sim}}\left( {{N_{k,i}},{N_{k,j}}} \right)} } } . $

式中：$ {\mathrm{sim}} \left( {{N_{k,i}},{N_{k,j}}} \right) $为第$k$个主题下第$i$个单词和第$j$个单词间的余弦相似度. 困惑度关注模型的拟合能力；一致性衡量模型生成主题的质量和稳定性，防止只依赖困惑度造成的过拟合. 困惑度数值越低，表示模型的拟合能力越好；一致性分数越高，表示主题内单词间的相关性越密切，即语义上更连贯.

SnowNLP是专门用于中文文本情感分析的Python工具包，实质为基于朴素贝叶斯分类器的二分类模型. 通过统计训练集中每个单词出现的次数来评估单词情感倾向的条件概率，在此基础上计算测试集单词的情感倾向，表达式为

(4)$ P\left(类别\Big|词\right)=\frac{P\left(词\Big|类别\right)P\left(类别\right)}{P\left(词\right)}. $

式中：$ P\left(类别\Big|词\right) $为单词所属类别的后验概率，即情感分数；$ P\left(词\Big|类别\right) $为不同类别单词出现的概率，$ P\left(类别\right) $为训练集中有标签单词的先验概率，$ P\left(词\right) $为每个单词出现的概率. 通过SnowNLP计算得到的情感分数是在[0, 1.0]的连续值，越接近0表示越消极，越接近1.0表示越积极. 由SnowNLP计算得到每条评论的情感分数来衡量每个视频的情感组成. 基于LDA主题模型的结果，可以进一步掌握每个舆情主题的情感态势，为后续情绪诱发实验的开展提供依据.

探究不同类型的交通事件短视频及大众评论对情绪导向的影响程度，为此基于情感语义挖掘结果，选取10个不同主题、不同情感倾向的视频及其评论作为刺激材料，开展多模态神经科学实验. 招募47名被试，均为北京地区在校大学生或研究生，其中男性30名（平均年龄20.5岁，标准差为2.6岁），女性17名（平均年龄20.8岁，标准差为1.4岁），随机分为实验组25人，对照组22人. 所有被试均签署知情同意书并否认心理或神经系统疾病史，视力或矫正视力正常.

实验开始前，由主试告知被试实验的具体流程、注意事项、需要被试完成的任务和问卷含义等，帮助被试佩戴数据采集设备. 实验开始后，被试闭眼静坐3 min平复情绪，之后顺序播放10个视频. 每个视频每名被试均观看2次，每次看完后填写包括愉悦度、唤醒度（情绪受外部刺激影响的程度）和情绪支配度3个维度在内的问卷来记录主观感受. 每个维度的评分范围均为1~9的整数，评分越接近1，表示被试的愉悦度、唤醒度和情绪支配度越低，反之越高. 每次看完视频或完成问卷后，被试敲击键盘的空格键进入下一阶段，避免其他不必要的动作. 实验同步记录被试的脑电、眼动、心电和呼吸等多模态生理数据. 实验组在第一次看完视频后，须观看该视频的评论，对照组不看评论，实验流程如图2所示.

采用ErgoLAB人机环境同步云平台记录并辅助分析被试的多模态生理信号，如图3所示. 该平台用于“以人为中心”的多模态数据同步采集与量化分析，具有智能、可穿戴的特点，可以同步记录被试的心理、生理和行为等多模态数据，实时分析被试的行为表现、认知负荷和情绪唤醒等.

脑电信号由16通道的ErgoLAB EEG可穿戴脑电仪记录，采样频率为256 Hz，使用基于Matlab的EEGLAB工具箱预处理脑电数据，包括1~47 Hz带通滤波、坏道删除与插值、独立成本分析（independent component analysis，ICA）去除肌电和眼动等伪影以及平均重参考. 使用基于Python的MNE库进一步提取有用脑电特征并进行统计分析. 使用傅里叶变换提取脑电信号的频域信息，将它划分为5个频带，分别是δ（1~3 Hz）、θ（4~7 Hz）、α（8~13 Hz）、β（14~30 Hz）和γ（31~47 Hz）. 分别计算被试每次观看视频期间每个电极在每个频带的功率谱密度PSD、微分熵DE和相对谱功率RSP^[18]，

(5)$ {\mathrm{PSD}} = E\left[ {{x^2}} \right] \text{，} $

(6)$ {\mathrm{DE}} = \frac{1}{2}\ln \left( {2\text{π} {\mathrm{e}}{\sigma ^2}} \right) \text{，} $

(7)$ {{\mathrm{RSP}}_{i,j}} = {{{{\mathrm{PSD}}_{i,j}}}}\Biggr/{{\displaystyle\sum\limits_j^m {{{\mathrm{PSD}}_{i,j}}} }} . $

式中：$ x $为脑电信号，$ \sigma $为脑电信号的方差，$ i $为第$ i $个电极，$ j $为第$ j $个频带，$ m $为频带总数.

眼动数据由Tobii Pro Fusion非接触眼动仪记录，采样频率为250 Hz，使用ErgoLAB的生理分析模块预处理原始数据，包括滑动中值滤波降噪、瞳孔线性插值. 提取每名被试每次观看视频期间的眨眼频率、平均瞳孔直径和平均注视次数等特征.

心电和呼吸数据由ErgoLAB Chest Biosensing穿戴胸带传感器记录，采样频率分别为512、64 Hz. 对于心电数据，经过小波降噪、幅值规整和R峰值提取等预处理操作后，分别提取时域信息（如平均心跳次数）和频域信息（如极低频率功率和低频高频功率比）. 对于呼吸数据，经过小波降噪和滤波预处理操作后，提取平均呼吸次数和呼吸标准差特征.

通过分析困惑度和一致性指标评价不同主题数下的短视频主题划分结果. 困惑度越低，一致性越高表明模型对未知数据的泛化能力越强，主题内词语逻辑越紧密，所选择主题数越佳. 根据2个指标随主题数的变化情况，经综合考量，选取主题数为6，此时模型有较低的困惑度（I_p=111.763）和较高的一致性（I_c=0.417），如图4所示. 经过500 000次迭代，136个交通事件视频的舆情主题分布如图5所示，p_top为主题占比. 主题1与交通安全和交通工具及场站有关，主题2与交通警示和指导有关，主题3与各类交通出行的经济性、舒适性和便捷性等体验感有关，主题4与交通政策有关，主题5与市内共享出行有关，主题6与交通线路选择有关. 以归一化的评论点赞数为权重，对每条视频下所有评论的SnowNLP情感分数加权平均，得到每条视频的平均情感分数. 挑出136个视频中最大主题隶属度大于0.8的124个视频，绘制每个主题下所有视频的情感分数S_E分布，如图6所示. 主题3的平均情感分数最高（S_E=0.544），主题6的平均情感分数最低（S_E=0.449），单因素方差分析p=0.439，各主题间的情感分数差异不显著，说明各类主题下均存在积极情绪与消极情绪. 过长的实验持续时间容易引发被试的抵触情绪，进而影响其主客观表现. 考虑到实验总时长以及被试的接受能力，须控制不同主题下的视频数量用于情绪诱发实验. 因此，综合考虑视频的主题隶属度、情感分数、时长、内容适应性等要素，从上述124个视频中选取10个典型视频用于情绪诱发实验，视频编号、摘要、平均情感分数和所属主题编号等信息如表1所示.

被试通过问卷给出观看不同视频时的愉悦度、唤醒度和情绪支配度评分S₁、S₂、S₃，问卷汇总结果如图7所示. 分别对被试第一次观看视频后3个维度的评分进行统计检验，先做单因素方差分析，如果主效应显著（p<0.05）再做事后检验，结果如图8所示. 发现对于情感分数较高的120号视频（S_E=0.760），被试的愉悦度显著高于其他视频，对于情感分数较低的80号视频（S_E=0.294），被试的愉悦度和情绪支配度显著低于其他视频，同时唤醒度显著高于其他视频. 事后检验结果表明，挑选的10个视频具有多样性，能够诱发被试产生不同的情绪.

根据主题挖掘和情感分析及问卷统计检验结果，选取6个分属不同主题的代表性视频，分别计算被试第一次观看视频的愉悦度评分和脑电特征间的皮尔逊相关系数，每个主题下16个电极在5个频带的微分熵与愉悦度间的相关关系如图9所示（p<0.05），相关系数r_DE-1越大，说明该类主题视频与特定脑区及频带的激活或抑制相关度越高. 研究发现，被试在观看不同主题视频后大脑激活的模式不同，主题1、2与中低频带的相关关系明显，其中主题1体现在δ和α频带，主题2体现在θ和α频带；主题4、5、6与低频带和高频带的相关关系明显，其中主题4体现在θ和β频带，主题5体现在δ、θ、β和γ频带，主题6体现在θ、β和γ频带.

对被试第一次观看视频期间的多模态生理特征进行统计分析（单因素方差分析，p<0.05），选取呼吸标准差、眨眼频率、心电极低频功率和低频高频功率比、平均瞳孔直径及平均注视次数等特征分别进行归一化处理并绘制6维生理特征图谱，如图10所示. 不同主题的视频对应的生理特征图谱具有特异性，对于情感分数较高的主题3，平均瞳孔直径较其他主题的大，平均注视次数较其他主题的小；对于情感分数较低的主题2，眨眼频率也较其他主题的小. 主题6除平均注视次数最大外，其他5个维度的特征值都较小，这表明被试观看此类视频时可能比较专注；主题5的呼吸标准差和心电极低频功率都较大，同时眨眼频率较小，这表明被试观看此类视频时可能情绪起伏较大.

实验组与对照组间的唯一区别为实验组观看了视频评论. 分别对实验组和对照组2次观看视频期间的相对谱功率作差，使用Mann-Whitney U检验比较组间差异，分别绘制6个主题对应的脑拓扑图像，如图11所示. 图中，深色表示看完评论后被试的RSP显著更高，浅色表示显著更低（p<0.05）. 类似地，分别比较实验组和对照组2次观看视频期间愉悦度、唤醒度和情绪支配度间的差异以及多模态情绪特征间的差异. 研究结果表明，观看评论会显著改变大脑的激活模式，且不同主题的评论对大脑的激活模式不同，评论文本中蕴含的情感语义可能会改变视频对被试的情绪诱发结果. 看过评论后，主题1在θ和β频带的RSP显著降低，同时被试的平均呼吸次数显著增加、唤醒度显著降低；对于平均情感分数较高的主题3，γ频带的RSP显著升高，同时被试的愉悦度和唤醒度都有显著降低；对于平均情感分数较低的主题2，5个频带的RSP均有显著降低，并集中在顶叶、颞叶和枕叶；对于主题4，中高频带的RSP有显著降低，同时被试的平均注视次数显著减少、唤醒度也有显著降低；主题5在θ、α和β频带的RSP显著升高，同时被试的最大瞳孔直径显著增大. 这说明短视频评论文本中蕴含的情感语义会在视频诱发情绪的基础上对公众情绪造成不同方式的影响.

本研究基于短视频评论文本，运用LDA主题模型和SnowNLP挖掘视频的情感语义开展情绪诱发实验，根据多模态生理特征评估不同舆情主题的视频及评论对公众情绪的影响. 1）不同舆情主题的视频会诱发不同情绪，愉悦度与脑电特征（微分熵）间存在相关关系，对应大脑5个频带的激活模式有所不同. 2）不同舆情主题的视频具有特异性的生理特征图谱：对于情感分数较高的主题3（与各类交通出行的经济性、舒适性和便捷性等体验感有关），被试的平均瞳孔直径较其他主题的大；对于情感分数较低的主题2（与交通警示和指导有关），被试的眨眼频率较其他主题的低. 3）观看评论会显著改变大脑的激活模式，不同舆情主题的评论对大脑的激活模式不同，评论文本中蕴含的情感语义可能会改变视频对被试的情绪诱发结果. 看过评论后，对于平均情感分数较高的主题3，大脑γ频带的相对谱功率显著升高，同时被试的愉悦度和唤醒度均显著降低；对于主题4，中高频频带的相对谱功率有显著降低，同时被试的平均注视次数显著减少、唤醒度显著降低. 未来计划通过拓宽年龄范围及职业覆盖面的方式招募更多被试，考虑增加短视频样本的数量，使被试可以根据个人喜好滑动播放；还将探讨给定不同主题划分结果对被试情绪的影响，研究更加贴近现实的交通事件舆情传播机制.