将精力投入到与问题毫无关联的领域，反映出处置主体对核 心矛盾的怯懦回避，往往使小问题拖成大危机，错失舆情处 置宝贵的“窗口期”。“头疼医脚”看起来很巧妙，甚至还需要一点点运气成 分。从方法论角度看，其处置的核心是主动制造或被动期待 新议题，通过另开赛道转移注意力场域，对冲原舆情压力。 其常见形式可归纳为三类：一是，同向价值延伸，以关联正 向议题稀释负面焦点。围绕原舆情的核心议题，主动抛出同 领域内的正向议题、事件或规划，以价值同向的新议题覆盖

失望 部分网友，甚至包括一些理想车主，对理想的营销方 式表示愤怒。在理想高管的微博评论区，有网友直言“这种 宣传方式不能拿人开玩笑”，认为其“吃相难看”，伤害了品 牌积累的忠诚度。 担忧与期待 乘龙卡车的评论区则涌入了大量表示同情和支持的网 友，称其“无辜躺枪”，并积极参与“卡友申请出战”等互动， 形成了强大的声援声浪。 看戏与起哄（快乐） 大量“吃瓜群众”呼吁双方“直播对撞”，展现了网络舆

，便利公众查询和获取。第 三，增强政府信息公开的及时性和准确性。政府信息公开要发挥舆情治理功能，必然要求政府公布的信息是及时 的，从而消解网络失真信息快速传播的风险。回应网络舆情对公共事件真相的期待，需要加强政府信息公开的准 确性和详细程度，要避免政府信息公开中存在的“含糊其词”“回应了如同没回应”等现象。第四，充分利用和发挥 数字化技术和数字媒介的作用，及时发现和回应舆情关切，从而消解失真风险。

惊讶感常态化， 可能逐渐产生 “惊讶疲劳”。 从自然灾害、疾 病等传统恐惧来 源转向隐私和安 全问题的焦虑。 从对生活改善的 朴素期待逐渐转 向对AI和技术福 祉的憧憬，未来 趋向理性平衡， 更关注AI与人类 共存的可能性。 愉悦 悲伤 愤怒 惊讶 恐惧 期待 情感变迁：智能陪伴 人机共情 总体趋势 情感变迁呈现出从真实人际到虚拟陪伴的转变，情感识别与管理逐渐增强，人们在接受技术带来的情感便利时也在

该平 台也存在着一些不足，如将综合素质划分为 5 个等级，但算法权 重设定（如社会参与维度占 30%）缺乏教育学理论支撑。 教育工作者和技术人员均希望推动人工智能技术赋能学生 综合素质评价，期待在未来可实现动态追踪学生认知发展、实践 能力与品格养成，为精准教育干预提供科学参考依据。为进一步 实现赋能效果，可聚焦以下三方面完善综合素质评价的能力：其 一，构建教育测量与人工智能技术协同研发机制，联合教育学专