1. 引言
随着新冠疫情趋于常态化，公众越来越倾向于在社会化问答平台上咨询或分享新冠疫情相关信息。社会化问答平台既能为公众提供信息支持，又能提供情感支持 [1]。对社会化问答平台上的健康信息进行需求分析，能帮助政府和媒体机构精准投放健康信息以应对公众健康需求。此外，由新冠疫情带来的舆情所引发的公众恐慌的次生危机，严重阻碍了社会长足稳定地发展 [2]。因此，关注疫情中公众情绪变化，有利于把握公众情感总体趋势，及时调整疫情舆论整体走向。综上，对社会化问答平台上的健康信息进行需求主题与情感研究是十分必要的。
目前，已有研究主要通过人工编码和机器学习算法识别突发公共卫生事件中公众健康需求主题，但较少有人对需求主题进行可视化分析；也有部分学者从时间视角分析公众健康信息需求演变模式，但大多数研究对突发公共卫生事件的时间划分依据不一；此外，针对突发公共卫生事件中公众情感分析也是一大热点，但目前此类研究多为单一的情绪分析，缺乏与主题结合的相关性分析。
鉴于此，本文以特定时间段内社会化问答平台上与新冠疫情有关的问答记录为研究对象，先根据突发公共卫生事件生命周期理论划分新冠疫情各个阶段，再利用多维尺度分析方法可视化呈现公众健康信息需求主题分布和演变规律，然后通过自定义情感词典的方法分析公众情感变化，最后运用相关热力图可视化呈现需求主题与情感之间的相关性。本文的研究结果能增多需求主题关联词以便用户更方便快捷搜索出与突发公共卫生事件相关的信息，并且能帮助相关部门有针对性地制定准确的政策以缓解公众面对新冠疫情的恐慌与焦虑。
2. 相关研究述评
2.1. 突发事件生命周期划分
基于时间视角分析用户健康信息需求演化规律是用户健康信息需求主题研究的一大趋势。已有研究表明用户健康信息需求随时间发生变化，如石静等以一年为周期分析“慢友帮”和“Daily Strength”上2013~2017年的糖尿病群组用户信息需求的演变趋势 [3]。此外，不少学者针对突发事件生命周期划分依据分别提出了相应的生命周期理论。Fink S提出了危机传播四阶段模型，即潜伏期、暴发期、蔓延期和痊愈期 [4]；Burkholder等提出了紧急事件的三阶段模型，即急性紧急事件阶段、晚期紧急事件阶段和后紧急事件阶段 [5]；Robert H提出了危机管理5R模式，即缩减、预备、反应、恢复和韧性阶段 [6]。基于以上生命周期理论，董晨等将上海疫情发展周期划分为三个阶段，即暴发、消退和常态化发展阶段 [7]。
2.2. 用户健康信息需求主题
关于用户健康信息需求主题的研究一直是用户健康信息行为研究的主流方向。现有研究的数据采集方法有问卷法、访谈法、日志法和数据抓取等，数据分析方法主要包括人工主题编码和利用机器学习算法进行自动化识别等。如周艳玫等利用问卷调查大学生信息获取能力，得出大学生信息服务需求 [8]；陈静等通过移动经验取样法、关键事件技术和日志法采集大学生的健康信息搜索经历，对大学生自述问题文本进行人工编码以识别健康信息需求主题 [9]；安璐等分别在微博、搜狗上爬取中东呼吸综合征(MERS)相关微博和微信公众号文章，利用改进的潜在狄利克雷分配(LDA)模型对话题文本进行主题提取，得到利益相关者在社交媒体中的话题关注点 [10]。综上，问卷法和访谈法主观性较强且收集到的数据量有限，而网络爬虫能快速搜集到海量客观数据；人工编码和机器学习算法可以较好识别需求主题，但识别结果无法可视化呈现。
多维尺度分析(MDS)作为信息可视化技术的典型代表，可将高维空间中的信息投射到二维或三维空间，从而根据空间聚类情况，体现被调查对象间存在的联系或关系 [11]。早期学者多将MDS用于文献共词分析 [12] 以发现某一学科领域的研究热点。近年来已有部分学者将其应用于信息需求主题识别研究中，如Cai H等运用MDS对用户在雅虎问答平台上使用的糖尿病术语进行聚类分析 [13]；Qiang X L等利用MDS对新型冠状病毒等人类冠状病毒的模式进行可视化聚类 [14]。
2.3. 用户健康信息需求情感
突发事件往往会引发公众的恐慌和焦虑等情绪，据此有研究人员针对突发事件下公众表达的情绪开展了相关研究。Zhang J等运用Lexalytics对雅虎问答平台上用户创建的问答文本进行情感评分，结果显示四个不同时间段的情绪得分均为负，但第一阶段和第二阶段之间存在非常明显的情绪差异 [15]；Zhao Y等通过ROST CM6.0情感分析工具分析不同阶段公众在新冠肺炎疫情相关微博话题中表达的情感占比，发现公众对新冠肺炎疫情相关话题的负面情绪不断减弱，而正面情绪逐渐增强 [16]。上述情绪分析研究主要为计算各阶段问答文本中用户情感得分，以此得出用户总体情感变化趋势。然而，有研究表明用户健康需求与其表达的情绪具有相关性，如刘冰等对妈妈网论坛上处于身份转换期的女性的发帖进行需求主题与情感的相关性分析，最终发现某一主题类型与某一情感类型间存在强相关关系 [17]。因此，目前有关突发公共卫生事件下用户情绪的研究亟需针对需求主题与情感间的相关分析进行探究。
综上，目前突发公共卫生事件健康信息需求相关研究鲜有利用可视化数据分析方法将用户需求主题直观地呈现，也很少有以生命周期理论为依据划分突发事件下用户健康信息阶段的研究，并且很少考虑将情感分析与主题研究相结合开展研究。因此，本文以典型中文社会化问答平台——百度知道上有关新冠肺炎的问答文本为研究对象，运用MDS分析可视化呈现用户健康信息需求主题，基于生命周期理论划分时间阶段以探究用户健康需求主题与情感的演变规律，最后结合情感与主题的相关性分析探索用户的情感驱动趋势。
3. 研究设计
3.1. 数据来源与采集
百度知道作为全球领先中文互动问答平台，截至2021年4月，已累计解决用户提问超5.9亿，每日活跃用户超1.2亿 [18]。本文利用八爪鱼采集器对百度知道平台上以“新型冠状病毒”“新冠”和“COVID-19”为关键词检索到的相关问答文本进行爬取。其中，爬取日期为百度知道上第一次出现相关问题的时间(2020年1月20日)，到爬取日当天(2021年7月16日)，爬取内容为相关问答文本与发布时间。本次共爬取1202条原始问答记录，经过去除重复项与无关项等系列处理后，最终保留1143条问答记录。
3.2. 生命周期划分
突发事件的网络信息传播随着突发事件的演变具有一定的生命周期 [7]。本文基于美国危机管理专家Fink S提出的突发事件生命周期四阶段划分法 [4]，通过识别新冠疫情期间百度知道平台上提问量随时间变化的拐点以及重大事件节点，将用户信息生命周期划分为三个阶段，即暴发期(2020年1月20日~2020年6月30日)、平稳期(2020年7月1日~2020年12月31日)和衰退期(2021年1月1日~2021年7月16日)，具体如图1所示。2020年7月30日是用户提问量从急剧下降向趋于平缓过渡的拐点，并且当日全球新冠确诊病例超1000万例，故将其作为划分暴发期与平稳期的时间点。而2020年12月31日是提问量从平缓向逐步衰退过渡的拐点，也是中国新冠病毒疫苗上市的日子，故将其作为划分平稳期与衰退期的时间点。
Figure 1. Life cycle division of COVID-19
图1. 新冠疫情的生命周期划分
3.3. 主题识别阶段
3.3.1. 编码方案
本研究利用内容分析法对用户社会化问答平台上的问答文本进行主题编码 [19]。主题编码的过程包括以下六个步骤：收集并熟悉数据、生成初始编码、识别编码的主题、回顾主题、定义并命名主题、形成最终结果 [20]。考虑到COVID-19问答的独特性，本文进一步简化Zhang J等得出的关于寨卡病毒的公众健康信息四大需求主题，即关于寨卡病毒、自我表达、相关事件和其他 [15]，并利用A. Strauss开放式编码 [21] 对新冠肺炎用户健康信息需求进行主题识别，最终形成包括新冠病毒的相关信息、新冠病毒的社会影响、公众对新冠病毒的回应这三大主题，具体主题分类结果如表1所示。整个编码过程由两名研究人员独立完成，经过对比与讨论后，对存在分歧的地方向该领域专家咨询意见后确定。Cohen’s kappa值可用于衡量数据集编码结果的内部一致性，本研究Cohen’s kappa值为0.769，表明本次编码结果是比较可靠的 [22]。
Table 1. Category coding table of public health information needs under public health emergencies
表1. 突发公共卫生事件下公众健康信息需求类别编码表
3.3.2. 多维尺度分析
多维尺度分析(MDS分析)能够将高维空间中的关键词投射到低维空间(二维或三维空间)，并且所有关键词间的原语义关系仍能以可视化的形式被如实表示 [23]。本文利用GooSeeker软件分别对各阶段、各类别的问答文本进行分词、去停用词、合并同义词等文本预处理后，根据高频关键词表构建关键词共现矩阵，再利用Excel中的Ochiia系数将共词矩阵转换为相似矩阵，进一步得到相异矩阵，最后将相异矩阵导入SPSS软件，用INDSCAL模型进行MDS分析 [24]。经过MDS分析后，语义相关的关键词在低维空间呈现聚合状态，研究人员可根据实际需要用不同颜色标记各子类别分布。MDS分析的效果通常用应力值(Stress)和决定系数(R2)这两指标来衡量，一般而言，Stress值越低或R2值越高，则MDS分析结果越好。
3.4. 情感分析阶段
新冠病毒的暴发引发了全世界公众的恐慌，情感分析能充分揭示人们对疫情所表达的情绪 [15]。因此，本文利用GooSeeker软件对各阶段用户问答记录文本进行情绪分析，先进行分词、去停用词、同义词合并等操作，再通过自定义情感词典对照并提取情感词以计算其情感得分(正面得1分，负面得−1分，中性得0分)，最后根据汇总后的情感得分正负得出每个问答文本的情感倾向。此外，本文借助徐琳宏构建的包括乐、好、怒、哀、惧、恶、惊七大分类的中文情感词本体库 [25]，通过抽取问答文本中的正面情感(赞扬、感谢、期望、感动、安心)和负面情感(恐惧、憎恶、怀疑、哀伤、愤怒)进行分析 [26]。
有研究表明问答与情感之间具有相关关系 [21]，故本文利用Pearson相关系数，通过计算正负面问答记录的主题占比及相应情感得分，确定上述文本的主题和情感值分布，并采用HeatMap的形式呈现问答文本中主题与情感间的相关关系 [17]。
4. 结果分析
4.1. 社会化问答平台用户健康需求主题分析
在突发事件生命周期划分和初步主题编码的基础上，本文利用SPSS软件对各阶段、各主类别的问答记录文本依次进行MDS分析以识别用户健康需求子类别，并对所属不同子类别的关键词用不同颜色的圆圈标记加以区分。本次MDS分析结果的评价指标Stress值均小于0.2，R2值均大于0.9，表明结果是合理的。
暴发期(2020.1.20~2020.6.30)各主类别的可视化分析结果如图2(a)-(c)所示，各子类别所包含的具体关键词、关键词个数、占比和结果评价指标如表2所示。暴发期新冠病毒的相关信息(A)中的子类别症状与诊断(A1) (40%)和传播与传染(A3)占比(31.4%)分别位居第一、二位，这也许是因为暴发期病毒的不确定性，公众更易产生与病毒自身属性相关的初始需求。暴发期新冠病毒的社会影响(B)中的子类别防控(B1)的占比(59.1%)略高于疫情影响对象(B2) (40.9%)，这可能是由于疫情肆虐影响人们的日常生活，公众希望政府等相关部门出台防控政策以缓解生活压力。暴发期公众对新冠病毒的回应(C)中的子类别预防措施(C2)的占比(74.5%)明显高于态度观点(C1) (25.5%)，这可能是因为病毒在暴发期肆意猖獗，人们害怕感染病毒从而更关心自身防疫措施。
平稳期(2020.7.1~2020.12.31)各主类别A、B、C的可视化分析结果如图3(a)-(c)所示，各子类别所包含的具体关键词、关键词个数、占比和结果评价指标如表2所示。平稳期新冠病毒的相关信息(A)中的子类别症状与诊断(A1) (34.1%)和传播与传染(A3)占比(26.8%)仍然分别位居第一、二位，并且以上两子类别关键词还出现外国国家名，说明随着国内疫情逐步平稳，人们的注意点开始转移到疫情还未得以控制的一些外国国家。同时，症状与诊断(A1)关键词还涉及到后遗症，这表明随着疫情进一步推移，人们更加深入地思考新冠肺炎对人体的危害。子类别药物研发(A5)出现了“变异”“上市””接种”等关键词，原因可能是随着新冠病毒的变异，人们希望接种疫苗以免招病毒侵害的需求愈发强烈。平稳期新冠病毒的社会影响(B)中的子类别疫情影响对象(B2)的占比(55.3%)略高于防控(B1) (44.7%)，这表明虽然本次疫情在政府部门干预下得到有效控制，但人们不得不开始担心疫情给整个社会带来的前所未有的巨大影响。平稳期公众对新冠病毒的回应(C)中的子类别态度观点(C1)的占比(84.8%)显著高于预防措施(C2) (15.2%)，并且上述两类别关键词中出现外国国家名，这可能是因为国内疫情得以控制，人们对相关病毒预防措施早已了然于心，而国外疫情仍然凶猛，公众纷纷针对国外疫情展开议论。此外，“态度观点”关键词中还新增“谣言”一词，这意味着随着公众对疫情的深入了解，公众不再盲目相信某些与新冠肺炎有关的言论，而开始以批判性的眼光审视此类缺乏依据的信息。
衰退期(2021.1.1~2021.7.16)各主类别A、B、C的可视化分析结果如图4(a)-(c)所示，各子类别所包含的具体关键词、关键词个数、占比和结果评价指标如表2所示。衰退期新冠病毒的相关信息(A)中的子类别传播与传染(A3) (36.4%)占比位居首位，合理解释是国内整体疫情逐渐衰退，而局部地区疫情反弹导致人们始终密切关注病毒的传播与传染。药物研发(A5)占比(27.3%)居于次位，并且关键词中还新增“副作用”“注意事项”等词，原因可能是公众响应国家号召开始接种疫苗，理所应当关心疫苗接种后的注意事项，而新冠疫苗刚上市不久，因此人们会担心疫苗是否有副作用。衰退期新冠病毒的社会影响(B)中的子类别疫情影响对象(B2)的占比(77.8%)明显高于防控(B1) (22.2%)，这说明尽管国内疫情明显好转，但本次疫情给各行各业带来的影响仍然不容小觑。衰退期公众对新冠病毒的回应(C)中的子类别预防措施(C2)的占比(53.6%)稍高于态度观点(C1) (46.4%)，这可能是国内疫情局部波动使得公众又开始重视自身防疫并积极寻求有效的预防措施。此外，“态度观点”中有出现“造谣”“谣言”关键词，这说明社会上流传的某些新冠肺炎言论缺乏一定的真实性，如接种新冠疫苗致人死亡等。
综上，本文归纳出突发公共卫生事件下公众健康信息需求主题架构，具体如图5所示。主题架构由上下两层类别构成，上层包括新冠疫情的相关信息、新冠病毒的社会影响、公众对新冠病毒的回应这三个主类别，下层包括症状与诊断、治疗、传播与传染、疫情动态、药物研发；防控、疫情影响对象；态度观点、预防措施这九个子类别。
(a) 
(b) 
(c)
Figure 2. (a) MDS analysis of the related information of COVID-19 during the outbreak; (b) MDS analysis of the social impact of COVID-19 during the outbreak; (c) MDS analysis of the public response to COVID-19 during the outbreak
图2. (a)暴发期新冠病毒的相关信息MDS分析；(b)暴发期新冠病毒的社会影响MDS分析；(c)暴发期公众对新冠病毒的回应MDS分析
(a) 
(b) 
(c)
Figure 3. (a) MDS analysis of related information of COVID-19 in stationary phase; (b) MDS analysis of social impact of COVID-19 in stationary phase; (c) MDS analysis of public response to COVID-19 in stationary period
图3. (a)平稳期新冠病毒的相关信息MDS分析；(b)平稳期新冠病毒的社会影响MDS分析；(c)平稳期公众对新冠病毒的回应MDS分析
(a) 
(b) 
(c)
Figure 4. (a) MDS analysis of related information of COVID-19 in the declining period; (b) MDS analysis of the social impact of COVID-19 in the declining period; (c) MDS analysis of the public response to COVID-19 in the decline period
图4. (a)衰退期新冠病毒的相关信息MDS分析；(b)衰退期新冠病毒的社会影响MDS分析；(c)衰退期公众对新冠病毒的回应MDS分析
Table 2. MDS analysis results of the three stages
表2. 三阶段的MDS分析结果
Figure 5. User health requirements topic distribution
图5. 用户健康需求主题分布
为进一步验证不同时期公众健康信息需求是否存在显著差异，本文利用卡方检验对各阶段用户健康需求主题分布进行显著性检验。结果显示c2 = 41.573，df = 4，p < 0.001，说明不同时期公众健康信息需求存在显著差异。Cramer’s V系数为0.135，说明公众健康需求与时间之间存在弱强度相关关系。
4.2. 社会化问答平台用户情感分析
本文基于自定义情感词典对问答记录文本进行情感分析，不同时期情感倾向占比分布如图6所示。
Figure 6. Distribution of the percentage of public emotional tendency in different periods
图6. 不同时期公众情感倾向占比分布
由图6可知，从横向看，三个时期的用户情感倾向一致，具体表现为以中性情绪为主，负面情绪次之，正面情绪最少。可能是因为公众在平台上就新冠病毒的相关信息作出的问答具有客观性，并且在面对新冠疫情时普遍情绪不高涨，因此他们所表达出的情绪往往呈现中性。从纵向看，平稳期负面情绪比重相较于暴发期呈现下降趋势，正面情绪占比相对持平，而中性情绪比重加大，这表明整体疫情好转导致公众总体情感走向积极；衰退期负面情感占比相较于平稳期有所回升，正面情感比重有所下降，而中性情感占比则略微下降，这可能是局部疫情反复导致公众情感整体上走向消极。
此外，本文根据徐琳宏创建的中文情感词本体库，抽取相关问答文本进行正面(赞扬、感谢、期望、感动、安心)和负面(恐惧、憎恶、怀疑、哀伤、愤怒)情感分析。不同时期具体情感倾向占比分布如图7所示。
由图7可知，从横向看，负面情感以恐惧和哀伤居多，新冠病毒具有较强的传染性，并且此病毒目前还不能被彻底消灭，公众可能因害怕被病毒感染而表现出惴惴不安的状态以及对自身的无能为力而感到悲伤；而正面情感以赞扬和期望为主，可能原因是国内新冠疫情的有效控制得力于中国政府的积极防控，公众理所当然的对政府所作所为表示赞扬，同时，随着疫情逐步深入，公众更期望科研人员成功研制疫苗，并尽早将疫苗上市以及投入使用以增强自身防疫能力。从纵向看，负面情感中恐惧、怀疑、哀伤的比重随时间变化有所下降，而憎恶、愤怒的比重有所上升，这也许是因为公众在深入了解新冠病毒相关信息后渐渐消除了心中的恐惧，也因疫情得到有力控制而缓解了内心的哀伤，同时因疫苗的大量投入使用而减少了对疫苗副作用的怀疑态度，但局部疫情频发又引起了公众内心对新冠病毒深深的痛恨；而正面情感占比变化幅度较大，其中赞扬占比逐步减少可能是暴发期政府及时干预使疫情得到稳定控制所致，感谢只出现在暴发期可能是因为疫情暴发期公众在问答平台上紧急提问并对应答者作出答谢，期望只存在于暴发期和平稳期说明公众注射疫苗的心愿已落实到位，感动和安心只出现在平稳期也许是因为疫情趋于稳定，公众对为疫情贡献力量的行为表示感动，同时也对日渐平息的疫情状况表示很安心。
根据正负情感对应的问答记录文本中主题分布及相应情感得分，本文通过计算主题与情感间的Pearson相关系数来确定主题与情感的相关关系，并利用颜色表示相关性强弱，颜色越趋近红色代表相关性越强，越趋近蓝色代表相关性越弱。具体结果如图8所示。
Figure 7. Distribution of positive and negative emotions of users in different periods
图7. 不同时期用户正负情感分布
Figure 8. Correlative heat map between theme and emotion
图8. 主题与情感的相关热力图
由图8可知，某一主题在很大程度上与某一正负面情绪呈现较强的相关关系。如与“症状与诊断”最为相关的是恐惧，与“治疗”“疫情影响对象”“预防措施”突出相关的是哀伤，与“传播与传染”最为相关的是愤怒，与“药物研发”“态度观点”最为相关的是怀疑，人们可能因出现某种症状而害怕自己被诊断为新冠肺炎，可能担心新冠肺炎患者被治疗后存在后遗症，也许会惋惜因新冠疫情遭受损失的各行各业，会因为应对疫情的预防措施比较局限而感到些许无奈，也会因为新冠病毒传播广、传染性强而表现出怨愤，同时对特效药的研发和某些不实言论持质疑态度。而与“疫情动态”最为相关的是安心，与“防控”最为相关的是感动，这表明公众对目前互联网上实时更新的疫情动态表示肯定，也非常认可政府及有关部门为控制疫情所做的防控措施。
5. 结论与建议
本文以百度知道上新冠肺炎相关问答记录文本为例，主要探讨了突发公共卫生事件下公众健康信息需求及演变模式、情感变化及其与主题相关性。经分析，主要有如下三点发现：
公众健康信息需求类型具有层次鲜明、范围广泛的特点，同时需求随时间推移波动明显但最终演化趋势相对集中。公众健康信息需求包括3大主类别，其中各主类别又可分为2~5个子类别。公众健康信息需求随疫情进展变化明显，暴发期、平稳期和衰退期公众关注主题不一。随着疫情的发展，公众关注点从国内转向国外，再由国外转向国内局部地区；从疫苗研发上市转向疫苗副作用；从相信认可网络健康信息到质疑揭穿网络健康谣言。在国内疫情处于衰退期的形势下，公众主要集中在因局部地区疫情反弹引发的对传播与传染、预防措施、疫情影响对象的关注，以及对疫苗等药物研发的持续关注。
公众情感倾向整体呈中性，表现出走向积极又走向消极的趋势，并且公众具体正负面情感随时间变化波动较大。公众在社会化问答平台上大多提问或回答与新冠疫情相关的客观问题，所以公众总体情感偏中性。同时，随着国内疫情整体缓和，公众情感总体上走向积极；但国内局部地区疫情反复，公众情感有走向消极的趋势。具体而言，负面情绪以恐惧和哀伤为主，正面情感以赞扬和期望居多。整体疫情得到控制使得公众负面情感中的恐惧、哀伤、怀疑占比有所下降，但局部疫情突发又使得憎恨、愤怒比重有所上升；而公众的正面情感主要出现在暴发期和平稳期，大多是对政府等有关部门及工作人员的正面回应。
公众健康信息需求与其正负面情感间存在一定的相关关系。就负面情感而言，公众害怕感染新冠肺炎，对新冠肺炎治疗可能产生后遗症、自身预防措施有限以及新冠疫情对整个社会带来的损失感到悲伤，也因新冠病毒传染性强使得局部地区疫情频发而感到愤怒，同时对诸如新冠特效药研制成功等药物研发方面的不实言论持怀疑态度。此外，公众对政府实时公布疫情动态的行为感到安心，并且十分肯定政府及相关部门为新冠疫情得以控制所做出的贡献。
通过以上总结，本文针对性地对相关部门提出以下三点建议：
以多渠道、多样化的方式全面发布各类健康信息，同时根据疫情进展合理调整信息发布。有关部门可通过微博、微信公众号、知乎、百度知道等平台发布诸如新冠病毒基本信息、社会影响、公众预防措施等信息。在疫情的不同发展阶段，健康信息的发布应有所侧重，比如当前处于衰退期，整体疫情好转而局部疫情反复，相关部门应及时提醒公众做好个人防护措施，此外，还应大力宣传接种疫苗的必要性。
采取有效措施来稳定公众情绪，并根据疫情变化提供公众心理疏导的渠道。随着病毒变异引发局部地区疫情暴发，相关部门应及时安抚公众情绪并提醒公众要做好长期抗疫的准备，有关网站也可推出心理疏导方面的科普文章或视频以缓解公众对疫情的恐惧和悲伤。此外，针对网络上新冠疫情相关信息，政府要严格把控其质量并及时公开辟谣，以防谣言扰乱视听导致公众情绪紊乱。同时，公众也应做到不信谣、不传谣。
根据公众关切的需求及时做出合理回应以便更好地为公众提供服务。比如相关部门可明示公众做好个人防护工作是避免感染病毒的重要前提以减缓公众对感染新冠病毒的恐惧，也可通过政务微博、公众号等官方渠道发布疫苗注射方面的真实信息来消除公众内心的疑惑，还可给公众树立信心以重振他们因疫情而受挫的各行各业的士气。
此外，本文还存在一些不足之处。本文只选取百度知道这一社会化问答平台作为研究对象，因而得出的公众健康信息需求可能受制于平台属性而表现出单一、不全面的特点。因此，未来可考虑多个平台对比研究，以发现不同平台属性对用户健康信息需求的影响。
基金项目
国家社会科学基金一般项目(21BGL243)；上海市哲学社会科学规划一般项目(2020BGL005)。
参考文献
NOTES
*通讯作者。