《Business Strategy and the Environment》：Public Emotions and Climate Change Awareness: Understanding Shifting Perceptions for Sustainable Futures
编辑推荐：
本研究旨在理解围绕气候变化不断演变的情感格局，这对于制定有效的环境战略和沟通至关重要。该研究利用大数据分析和机器学习技术，对平台X上的社交媒体内容进行分析，探讨公众对人为气候变化的情感反应。以集体情绪框架为基础，研究人员训练了一个模型，基于情绪相关话题标签将情
本研究旨在理解围绕气候变化不断演变的情感格局，这对于制定有效的环境战略和沟通至关重要。该研究利用大数据分析和机器学习技术，对平台X上的社交媒体内容进行分析，探讨公众对人为气候变化的情感反应。以集体情绪框架为基础，研究人员训练了一个模型，基于情绪相关话题标签将情绪反应分类为喜悦、愤怒、恐惧、悲伤、厌恶和惊讶。随后，研究人员分析了2013年至2022年间每年第一周收集的与气候变化相关的帖子，以预测情绪趋势。研究结果显示，情绪表达存在显著的逐年波动，其中恐惧始终是主导情绪。尽管未发现明确的线性轨迹，但结果揭示了公众关注和意识的模式。通过将计算方法与社会理论相结合，本研究有助于更深入地理解围绕气候变化的集体情绪如何演变，为政策制定者、传播者和旨在增强气候参与和可持续行为的组织提供了启示。
**论文解读：基于社交媒体大数据的公众气候变化情绪动态分析**
**一、研究背景与问题提出**
气候变化是21世纪人类面临的最严峻的全球性挑战之一，其深远影响涉及环境、人类社会和全球生态系统。政府间气候变化专门委员会（IPCC）明确指出，人类活动（尤其是化石燃料燃烧和毁林）是温室气体浓度升高的主要原因。有效应对气候变化需要公众与政府的协同努力，而政策制定者必须深入了解公众对气候变化的感知。公众对气候变化的认知差异会直接影响其态度和行为，进而影响相关政策的实施效果。传统上，公众气候变化感知的研究多依赖于实地调查或实验等实证方法，这些方法虽能自下而上地捕捉人们的情绪和认知，但受制于研究成本等客观因素，难以持续更新，缺乏时效性。近年来，社交媒体平台（如X）上涌现的海量用户生成内容（UGC）以其规模大、多样性强、速度快、真实自发且成本低等优势，为研究全球性议题的公众感知提供了新的数据源。通过分析社交媒体上的文本，可以归纳公众意见，挖掘公众情绪和感知的隐藏模式与趋势。然而，现有基于X平台的气候变化情绪研究大多时间跨度有限（数月至一两年），鲜有研究关注长期（如十年）内公众对人为气候变化情绪的动态演变。为弥补这一空白，本研究整合集体情绪框架与先进的大数据分析（BDA）技术，提出以下研究问题：RQ1：气候变化相关帖子中预测情绪类别的分布如何？RQ2：各采样年份间情绪分布存在何种差异？
**二、研究方法概述**
研究人员利用X平台的API Tweet Downloader工具，采用学术研究访问权限获取两个数据集。第一个数据集为训练与测试集，收集2022年2月1日至4月1日期间带有六种基本情绪话题标签（#joy、#anger、#fear、#sadness、#disgust、#surprise）的英文推文，经筛选去除含多个情绪标签的模糊样本后，最终获得257,525条推文，按80/20比例划分为训练集和测试集。第二个数据集为2013年至2022年每年1月1日至7日（UTC时间）期间包含“climate change”“global warming”等关键词的英文气候变化相关推文，总计3,196,605条。数据预处理包括转换为小写、去除链接（替换为LINK）、提及用户名（替换为USER_REF）、话题标签、标点、转发标识（RT）、换行符及表情符号。模型训练采用scikit-learn库，使用TfidfVectorizer进行TF-IDF特征向量化（含单词特征、英语停用词、一元与二元词组），并采用逻辑回归分类器，模型在测试集上达到97.25%的准确率和0.85的宏平均F1分数。此外，对预测结果进行皮尔逊卡方检验，以考察年份间情绪类别分布的差异显著性。
**三、主要研究结果**
**3.1 情绪分类结果**
模型对十年间气候变化相关推文的预测显示，恐惧（fear）是每年占比最高的情绪类别，整体占比达58.62%；喜悦（joy）为第二大类别，占比39.39%；其余情绪（悲伤、惊讶、愤怒）占比极小，且未预测到厌恶类别。研究人员注意到，许多被归类为喜悦的推文实际上是呼吁行动（如停止北极钻探许可、组织研讨会、植树等），提示该类情绪可能更多反映改变现状的动机。愤怒情绪在2020年占比最高，可能与2019年12月联合国气候会议或COVID-19疫情等外部事件相关，但需要更高级的文本分析手段加以验证。
**3.2 情绪类别变化**
皮尔逊卡方检验结果显示，χ2=51,559.29，自由度df=36，p值≈0.000，表明各年情绪分布差异高度显著，并非随机波动。观察频次与期望频次的相对差异（表4）显示，不同年份、不同情绪的偏离程度各异，未呈现线性趋势。各情绪类别的年平均绝对变化（以百分点计）为：愤怒0.20 pp，恐惧5.01 pp，喜悦5.31 pp，悲伤0.03 pp，惊讶0.71 pp。单年最大跳变包括：恐惧（2014–2015年）11.18 pp，喜悦（2014–2015年）10.69 pp及（2019–2020年）9.93 pp，惊讶（2019–2020年）2.13 pp，愤怒（2020–2021年）0.45 pp，悲伤（2019–2020年）0.08 pp。结果表明，喜悦和恐惧存在最大的逐年波动（平均约5个百分点），惊讶具有中等变异性，而愤怒和悲伤的变化可忽略不计。尽管存在显著差异，但样本数据所反映的情绪分布随时间呈波动状态，无明确线性轨迹。
**四、讨论与结论总结**
讨论部分指出，本研究是首个利用2013–2022年社交媒体数据识别并预测气候变化公众情绪分布的样本周期研究。理论上，将集体情绪框架应用于社交媒体气候变化话语分析，揭示了共享评估如何通过话题标签和帖子被创造与强化，从而固化群体的情绪库，稳定集体意见与政策偏好。实践上，使用机器学习与BDA量化公众情绪反应，为政策制定者和研究人员提供了动态监测公众情绪随时间变化的工具，有助于识别新兴趋势并主动应对。识别恐惧为最主要情绪、喜悦次之，对公共政策制定具有直接启示：恐惧可视为风险与脆弱性框架的指示器，缓解恐惧或增强气候行动积极情绪的讯息可能更有效地促进公众参与。研究局限性包括：样本可能存在选择偏差（仅限互联网用户），人口统计学差异未纳入考量；受计算能力与数据采集成本限制，采用每年首周的降采样方法，可能受短期事件影响而影响时间代表性；训练集中某些情绪类别（如厌恶仅有484条）样本量过小，可能影响模型泛化；仅使用文本信息，忽略符号和表情符号所传达的情感。未来研究应采用更密集或分层时间采样、跨平台数据、多人多模型集成标注，并结合先进的NLP技术（如微调BERTweet、RoBERTa-base、DistilBERT等变换器模型）和梯度提升分类器（XGBoost、LightGBM）以提升性能。
结论部分总结：本研究在社交媒体背景下应用集体情绪框架，通过分析X平台上2013至2022年每年首周的气候变化相关推文，进行了情绪类别分类及变化考察。机器学习方法训练并验证了情绪分类模型，对3,196,605条推文的预测准确率为97.25%。尽管结果揭示了各年情绪类别比例的显著变化，但未出现清晰的线性趋势，可能受上述局限性影响。与早期研究一致，恐惧是主导情绪，喜悦次之，这些发现增进了对公众气候变化意识与关切的理解，为相关公共政策和主动措施的制定提供了依据。未来研究需进行全年连续的密集数据采集，并结合先进机器学习方法处理大规模社交媒体数据，以更全面地分析气候变化情绪动态。
