统思维，将 现象等同于本质，把复杂问题简化为单一症状。在社会治理实践中，常见表现为：不建立日常舆情监测机制，对潜在风 险缺乏预判，直到舆情大规模爆发才“紧急响应”；不升级 舆情处置方法论，把注意力放在“如何消除可见症状”上， 每次应对都“从零开始”，同一类问题反复引发舆情；不总 结舆情处置经验，不愿也不能深入探究“为何会出现症状”， 越处置越被动，舆情越搞越多。 “头疼医头”这种处置方式很有迷惑性，短期看似乎高 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 负面

要是观光旅游、走亲访友，晚上会有较多时间投入线上讨论。 3.热点在微博上持续时间更长，更容易延伸出“长尾效 应” 三大平台都是倚重用户分享内容的社会化媒体，虽然每 时每刻都有热点话题转移注意力，但微博用户更为关注事件 的走向和回应，尤其是在社会事件中力求得到一个“结果”， 从而实现公平正义，并由此延伸出微博的“长尾效应”。 例如，2024 年 9 月 28 日，视频博主“山取画材”（现 感共鸣、情绪共振的议题。在此背景下，一些涉及社会稳定、 主流价值观的议题，如果再按照从前的舆论引导模式，势必 难以达到预期成效，甚至会起到负面作用。 因此，社交媒介中的舆论引导一方面可以利用其议题复 杂多元的特点转移大众讨论的注意力及碎片化议题的持久 性；另一方面，要切实关注网络舆论背后的民声和民情，了 解民声背后的核心问题是什么，破除表象。直面问题才能消 减舆情音量，促进社会和谐进步。 （三）圈层化传播在一定程度上消解“沉默的螺旋”，

和调整，成为现代民主治理的重要组成部分。从社会学角度 分析，网络舆情是社会舆情在互联网空间的映射，反映了社会结构、社会分层和社会矛盾的变化。经济学视角则关注网 络舆情对市场行为、企业品牌价值和消费者信心的影响，以 及其背后蕴含的注意力经济模式。 心理学研究揭示了网络舆情形成中的群体心理机制，如 从众心理、群体极化、移情心理等。法学视角则关注网络舆 情涉及的言论自由界限、隐私保护、网络法律责任等法律问 题。传播学虽然提供了信息传播的理论框架，但必须与其他 发生期，某一事件引发公众关注，成为舆论焦点；在扩散期， 信息通过多种渠道迅速扩散，形成讨论氛围，不同立场的网 民发表意见，形成多元声音；随着讨论深入，舆论逐渐形成 主流观点；最后，随着时间的流逝，网民的“注意力”转移， 促使网络舆情逐渐消退。 在这个过程中，群体极化和从众心理、逆反心理、移情 心理、质疑探究心理、自我实现心理、竞争心理和交流心理等多种心理机制影响着“舆论场”的风向与规模。例如，群体

性和对自然语言的理解能力，通过精心设计的攻击提示操纵 模型输出结果。典型的提示注入攻击是角色扮演，即让大模 型扮演某些新角色，逃避原有规则限制，提供原本拒绝输出 的信息；利用字符串拆分拼接等方式，分散大模型注意力， 使其暂时忽略校验输出内容。攻击者可在一个问题中注入虚 假信息，误导模型得出错误的答案；或在多个问题中注入相 关信息，使模型推理过程出现偏差。提示注入攻 击形式多 种：直接提示注入是指直接向模型输入恶意指令，引发意外

二是社会困境。一方面，建设网络舆情治理的数据收集、 储存、使用监管体系和技术分析系统需要雄厚的资金和充足 的人力；另一方面，数字技术量化并重构了信息传播效果的 评估指标和评价体系，造成媒介道德素养与“注意力经济” 之间的矛盾，而普通网民容易被智能推荐算法等技术裹挟， 从而削弱其认知和思维能力。互联网和人工智能技术的快速 发展能够助力网络舆情治理，但学界对此也存在争议。比如， 尽管数据挖掘和算法为实现符号通信提供技术支持，但国外

模型训练 假设我们有一个句子"我喜 欢吃苹果。"作为我们训练 语料的一部分。在训练期 间，模型将尝试学习句子 的模式和结构。 GPT-4使用了一 种叫做"多头注意 力"的技术，这允 许模型在不同的 注意力"头"中关 注输入的不同方 面。这可以帮助 模型更好地理解 输入的复杂性。 模型可能会看到"我喜欢吃 "并尝试预测出"苹果"。通 过这种方式，模型学习了 词汇，语法，以及一些语 义和上下文关系。 它来生成新的文本或回答 问题。假设我们向模型提 出一个问题："我应该吃 什么水果？"，模型会考 虑这个输入，根据它在训 练过程中学到的知识来生 成一个答案。模型可能会 回答"你可以试试苹果。" 注意力机制 在推理过程中，模型会使 用"注意力机制"技术来决 定哪些输入词对生成答案 最重要。例如，在上面的 问题中，模型可能会认为 "吃"和"水果"这两个词最 重要，因为这两个词直接 相关于应该选择哪种水果。 自回归生成 自回归生成 GPT-4模型在生成文本时 是自回归的，这意味着它 一次生成一个词，然后将 这个词添加到输入序列中， 以生成下一个词。这一过 程持续进行，直到生成一 个结束符号，或达到了设 定的最大。 多头注意力AI缺陷：臆造之辞 概率幻觉 AI幻觉（AI Hallucinations）是指生成式人工智能 模型在生成文本或回答问题时，尽管表面上呈现出逻 辑性和语法正确的形式，但其输出内容可能包含完全

虑，弱化公众理性思考力，抢先进行“道德审判”，导致舆论 监督失焦。例如在“粉发女孩被网暴”事件中，当事人因把头发染成粉色，将与家人的合照分享到社交平台后，遭 受大量的诽谤侮辱。违法者引导公众将注意力的焦点从查明真相转移到评判学生染粉色头发是否适当的道德判断 上。 4.情感动员类舆情频发 网络舆情作为公众话语的集合，包含着情感这一重要元素，情感的产生与特定的社会背景有关，并在很大 程度上

察学习状态；借助自然语言处理技术分析学生作业、考试文本， 评估知识掌握程度与思维水平；利用人工智能算法构建预测模型， 依据学生测试数据、学习行为预测学业表现；还有基于生物识别 技术，如眼动追踪了解学生注意力分配，通过面部表情识别分析 学习情绪等，已实现多维度精准掌握学情。 当前学情分析在技术手段和应用实践中已取得初步成果，特 别是在学生画像构建方面，国内外已开发出多种基于学生基本信 息、知识点 改指根据教师设定的批改要求，自动批改学生作业和试卷，并提 供包括评分、评语、反馈和建议等内容的服务。其核心技术由多18 模态数据处理与智能分析引擎协同构成。首先基于 OCR 技术构 建异构数据入口，通过卷积神经网络与注意力机制实现复杂版面 的结构化解析，精准定位手写体、印刷体混合文档中的文字区域， 并结合对抗生成网络优化低质量图像的字符识别率，确保纸质作 业、扫描试卷等非结构化数据的高效电子化转化。其次，针对客