动物疫病监测是动物疫病防控与风险治理的基石。《陆生动物卫生法典》明确指出，动物疫病监测旨在证明无疫状态、确定疫病存在与分布、及早发现新发疫病，并为防控措施制定提供科学依据
[1]。我国《国家动物疫病监测与流行病学调查计划（2021－2025年）》亦强调，需持续开展主要动物疫病监测，精准掌握其时空分布并科学研判发展趋势
[2]。因此，动物疫病预警的核心基础，始终是依靠官方监测体系开展病原学检测与临床诊断。
然而，重大动物疫病的社会影响已远超养殖环节本身。非洲猪瘟、高致病性禽流感、布鲁氏菌病等重大动物疫病与人兽共患病，往往兼具生物安全、产业经济与公共卫生多重风险。例如，非洲猪瘟传入我国后迅速引发养殖生产、贸易流通、食品安全及社会舆论的高度聚焦
[3]；高致病性禽流感的防控涉及生物安全管理、扑杀免疫与公众沟通等多重考验
[4]。在“同一健康”理念下，人类、动物与环境健康被视为有机整体，跨部门协同、早期预警与全方位风险沟通已成为提升现代动物疫病治理能力的关键环节
[5-6]。
互联网与社交媒体的普及，为观察动物疫病相关的公众情绪与社会关注提供了全新的数据窗口。数字流行病学强调，利用搜索整合社交网络等数字痕迹分析疾病动态与健康行为
[7]。Eysenbach
[8]提出的信息流行病学与信息监测框架进一步指出，网络搜索、信息发布与浏览行为可用于近实时监测健康信息的传播与分布特征。Ginsberg等
[9]基于搜索引擎查询数据估计流感活动，证实了网络行为数据在疾病态势感知中的应用潜力；但后续研究出现的预测偏差也警示，数字信号必须接受外部校准与效度检验，不能单纯依赖数据规模而忽视模型偏倚问题
[10]。
利用网络非正式信息源开展传染病疫情情报监测已发展多年。疫病监测邮件项目采用“开放来源－专家审核－快速发布”模式，为新发传染病早期预警积累了重要经验
[11-12]。全球公共卫生情报网络、健康地图等系统则通过自动化采集与文本分类技术，对网络新闻、官方通报进行空间定位与态势可视化
[13-15]。Barboza等
[16]对比多个生物监测系统后指出，信息源、语言及人工审核机制是影响系统监测效能的关键因素；相关综述研究也表明，网络数据可作为正式监测体系的有效补充，但纳入公共卫生实践仍需严格的系统评估与流程衔接
[17-18]。
在动物卫生领域，网络非正式信息源的应用正逐步迈向专业化。面向动物健康事件监测的PADI-web系统，可从在线新闻中自动收集、分类并抽取动物疫病相关事件信息，现已被成功纳入法国动物健康疫情情报体系
[19-21]。系统综述显示，目前社交媒体疫病监测多集中于人流感等人类传染病，针对动物疫病、中文社交平台及垂直养殖社区的研究仍相对不足
[22-23]。已有公共卫生研究提示，社交媒体能敏锐捕捉公众关注与媒体放大效应，但其舆情热度峰值与实际病例规模往往并不完全同步
[24-27]。国内学者林安琪等
[28]以非洲猪瘟为研究对象，利用微博文本实现了疫情信息提取与舆情演化分析；也有研究进一步表明，动物疫病舆情极易向食品安全、价格波动及产业冲击等宏观议题延伸
[29]。Munaf等
[30]通过对比英国禽流感相关社交媒体数据与官方确诊病例的时空特征发现，社交媒体数据更适用于刻画公众关注与情绪，在实际应用中必须与传统监测体系互补使用。
基于此，本文将社交媒体数据在动物疫病领域的应用精确定位为“辅助预警”。此处的预警并非替代传统的疫情确诊，而是通过网络信息流及时识别公众关注异常、风险感知偏差及需核查的事件线索，并将其纳入“发现－核查－研判－沟通－反馈”的现代动物疫病防控业务闭环，以期为我国动物疫病智慧监测与舆情风险治理提供理论参考和实践思路。
1 社交媒体数据来源与动物疫病舆情特征
1.1 概念边界与多源信息生成机制
明确概念边界是开展动物疫病舆情预警研究的重要前提。传统动物卫生监测具有较高权威性与法律效力，核心数据来自临床诊断与实验室检测，反映的是疫病发生的生物学现实
[1]。网络事件情报则利用在线新闻、行业公告等开放信息源，通过人工审核与多源校核等方式提取事实性线索。社交媒体舆情预警则聚焦公众在网络空间中的表达与互动，其核心监测包括关注度、情绪、舆论引导作用与谣言传播态势等。这类社会感知信号可作为前端预警辅助信息，但证据效力较低，不能直接等同于疫情事实，须经官方核查、基层反馈与专家研判后，方可纳入防控决策体系。
不同类型社交媒体平台的信息生成机制存在明显差异。微博、微信等综合社交平台信息传播速度快、互动形式丰富，适合观察公共议题的扩散与风险沟通需求。抖音、快手等短视频平台具有强现场感与算法推荐特征，平台会依据点击量、停留时长、评论、转发、点赞及完播率等互动指标进行内容分发，因而极易放大动物异常死亡、扑杀处置、市场波动等视觉内容的传播效应
[31-33]。养猪网、执业兽医论坛等垂直养殖社区与行业平台，通常包含一线从业者关于临床症状、用药反馈、病死畜禽数量及扑杀补偿政策的深度讨论内容。然而，这些数据通常缺乏开放性，表述规范性也相对较弱。相关系统如HealthMap可通过自动采集与分类实现疾病信息可视化
[14-15]，PADI-web则针对动物疫病在线新闻建立了多语种事件监测流程
[19-21]，为动物疫病社交媒体舆情预警提供了可借鉴的系统构建框架。
1.2 领域文本特异性特征与偏倚控制
动物疫病相关网络文本具有鲜明的领域特异性。一是多实体交织特征显著，文本中常同时出现疾病或病原名称、临床症状、宿主种类、处置措施以及市场价格等。以非洲猪瘟相关讨论为例，文本常混杂“非瘟”“ASFV”“埋猪”“耳朵发紫”“猪肉价格”等表达。二是口语化与俗称使用普遍，通用自然语言处理工具容易对专业词汇产生误切或漏判。在实际数据预处理中，需构建动物医学领域专用词典进行术语规范化映射，将“死了一大片”“耳朵发紫”等口语化描述转化为高度疑似疫情线索，以便触发空间定位。三是双重讨论属性，文本常兼具疫病发生事实与社会影响探讨。已有研究
[29,34]表明，不同利益相关主体在不同阶段的关注点差异显著，普通网民更关注食品安全与肉类价格波动，而非病原学特征等专业问题。因此，动物疫病舆情研究不能仅依赖高频词统计与热度分析，还需要结合发布主体、平台与语境进行解读
[29]。
社交媒体数据的应用效果高度依赖于各类数据偏倚的有效管控。一是选择性与代表性偏倚，数字监测捕捉的是网络信息行为，而非疫病发生本身，数字鸿沟与平台用户结构差异易造成严重样本偏倚
[35-36]。在动物疫病领域，真正处于疫情一线的偏远散养户与中老年养殖者，在公开社交平台上往往“失语”；而城市消费者与媒体账号更易形成舆论热点。若忽视此特征，监测模型可能高估大众平台舆情热度，而低估养殖一线的真实生物安全风险
[37-38]。二是数据采集的准确性偏倚，关键词和检索过滤器是研究者观察社交媒体的入口，其设计不合理会导致召回率偏低或误报率偏高
[39]。因此，动物疫病社交媒体舆情预警必须建立领域专用词典、人工标注样本、跨平台校验机制及官方数据外部校准流程，将社交媒体信号控制在辅助研判范畴内。
2 社交媒体文本挖掘与舆情预警核心技术方法
2.1 文本结构化特征抽取与挖掘技术
从技术实现路径来看，社交媒体数据在动物疫病舆情预警中的处理流程主要包括信息抽取、主题识别、情感分析、时空挖掘及预警模型构建。
信息抽取旨在从杂乱的社交媒体文本中提取结构化的疫病事件要素。传统的命名实体识别方法在处理口语化程度较高的动物疫病文本时召回率较低。目前，研究多采用深度学习结合动物医学领域知识图谱的方式，实现“疾病－宿主－症状－地点”等要素的多目标联合抽取，为事件型监测系统提供结构化数据流
[19]。在主题识别方面，潜在狄利克雷分配（LDA）等主题模型被广泛用于刻画舆情议题的演化
[28]。通过对海量文本进行无监督聚类，可将动物疫病相关舆情划分为疫情扩散恐慌、食品安全疑虑、生猪调运政策、肉类价格波动及科普知识需求等核心主题。通过追踪不同主题在时间轴上的权重变化，研究人员能够精准定位公众关注重心的转移过程
[29]。
情感分析主要用于评估公众面对动物疫病暴发时的心理恐慌度、政策满意度及对谣言的抵触态度
[30]。实际应用中，基于传统情感词典的方法需补充“扑杀”“埋猪”“亏损”等行业特有负面词汇以提升识别效果；而基于预训练语言模型的微调方法，则能更精准地捕捉语境中蕴含的焦虑、愤怒或理性关注等细粒度情感
[34]。时空特征挖掘则是连接网络舆情与现实地理空间的重要纽带。空间定位技术通过提取文本中的提及地名、用户注册地或IP属地等信息，结合时间戳信息，可构建动物疫病舆情的时空演化矩阵
[28]。通过计算舆情热度在地理空间上的扩散速度与集聚指数，能有效识别舆情倒灌或异常升温的重点区域，为线下防控资源的配置提供参考。
2.2 多指标综合预警模型构建与验证机制
社交媒体疫病预警模型已由单一的热度监测转向多指标综合研判模式。常见的舆情预警指标体系包含突发度、扩散度与情感极值等。其中，突发度用于衡量特定关键词在极短时间内的突增指数；扩散度依托转发网络刻画信息的层级传播范围与深度；情感极值则监测负面情绪与极度恐慌文本的占比。结合时间序列模型或机器学习分类器，可对上述特征向量进行实时训练，当综合风险指数超过安全阈值时即触发预警信号。近年公共卫生系统如Epitweetr已将社交媒体采集、地理定位、信号检测和邮件提醒整合为可配置工具，其评估显示，自动化监测比人工方式更早发现部分信号，但系统仍存在一定程度的误报与定位误差。因此，预警模型的稳健性高度取决于后端验证环节，必须建立常态化假阳性过滤、人工复核与线下核查流程，防止非疫情事件引发系统误报警（
图1）。
3 社交媒体在动物疫病预警中的主要应用场景
在动物疫情暴发前或暴发初期，网络空间通常会率先出现零散的异常讨论，如养殖户发布用药求助信息、网民发现河道漂浮死猪、地方出现异常扑杀行为等。PADI-web系统通过对在线新闻的实时监测证实，非官方信息渠道在捕获跨境或新发动物疫病早期线索中的高时效性
[19-21]。国内相关研究利用微博文本提取非洲猪瘟相关疫情信息和公众舆情，也体现了社交媒体作为早期预警哨点的重要价值
[28]。然而，这类线索具有高噪声性，其技术定位必须明确为“辅助发现需要进一步核查的舆情信号”，检出的异常线索必须经基层兽医实验室检测与流行病学现场调查最终核实
[16]。
以非洲猪瘟为例，2018年我国首次报告疫情后，微博相关讨论迅速由疫情事实本身扩展至猪肉食用安全性、价格波动、产业损失及防控责任等议题。已有研究利用微博文本识别疫情扩散、主题演化和情绪变化，证实社交媒体可作为异常线索监测与公众关切相关的前端哨点
[28]；Jiang等
[29]进一步指出，认证用户、机构账号与普通网民的关注重点不同，媒体和垂直领域专家在舆情传播中发挥着重要作用。结合数字监测与现场调查的非洲猪瘟研究同样表明，网络搜索热度与新闻关注度可反映公众信息需求，但仍需通过对养殖户与兽医部门的调查，核实一线认知水平与防控准备情况。近年研究进一步表明，非洲猪瘟期间消费者网络关注度和情绪传播会影响猪肉价格波动，对信息的筛选可能缓和市场冲击，而情绪的快速扩散则会加剧价格波动幅度。此外，尽管非洲猪瘟不感染人，境外相关报道中仍出现“对人体存在健康风险”等误导性表述和耸动化标题。美国生猪产业在线监测研究也显示，猪肉价格、福利和可持续性等议题会与重大事件共同影响公众情绪。该案例表明，动物疫病舆情预警不能仅监测疫情关键词，还应同步跟踪食品安全误读、价格焦虑、处置补偿和机构信任等外溢议题。
社交媒体最具优势的应用场景，在于对公众认知水平与风险感知的评估。研究证明，社交媒体是观察公众错误信息传播和实时需求的一手数据源，可用于近实时追踪公众对传染病的担忧情绪
[24-25]。已有文献揭示了一个核心规律：社交媒体信息量与在线新闻报道的相关性更强，舆情热度峰值通常由媒体议题和公众恐慌驱动，与真实病例数量并不完全同步，即便真实病例数量较低，媒体报道也可能引发大规模舆情海啸
[26-27]。
在动物疫病治理中，上述规律对风险沟通至关重要。相关研究
[29]表明，机构媒体和垂直领域的专业人士在动物疫病舆情讨论中承担着差异化的舆论引导功能。利用这一特征，防疫部门可以突破传统单向、统一口径的科普模式。例如，当监测到养殖论坛高度关注扑杀补偿发放问题时，应联动财政与农业部门及时发布政策解读；当大众平台出现吃肉感染等食品安全恐慌时，则应迅速联合行业专家和权威媒体，精准推送“该疫病不属于人兽共患病”等科学信息，阻断错误信息扩散放大。此外，由于认证个人用户、机构用户与普通网民的关注焦点和情绪演化存在差异，风险沟通必须结合发布主体与语境开展精准回应
[29,34]。
从更深层面看，社交媒体的“媒体放大效应”并非仅由用户自发转发造成，平台推荐算法也会影响内容可见度。个性化信息流会依据互动信号对内容进行排序和再分发
[31]；而人类注意力天然偏向情绪化、道德化和威胁性信息，当这种注意偏向与以互动为目标的推荐机制相互作用时，错误信息更容易形成“情绪激发－互动增强－算法推荐－继续扩散”的循环放大机制
[32-33]。在动物疫病场景下，病死畜禽图片、扑杀视频、猪肉安全谣言及“感染人”等不实信息通常具有更强视觉冲击和恐慌唤醒，因而可能被指数级放大。相应地，反向科普与舆情干预也可利用同一传播机制：在事件早期提升权威科普短视频、专家问答、图卡科普和官方通报的初始可见度，在搜索页面、话题页和评论区置顶可信信息；对未经证实的恐慌性内容，可通过准确性提示、来源可信度标签、转发前阅读提示和事实核查链接等方式，降低二次推荐概率。
除非洲猪瘟外，近年高致病性禽流感相关舆情也呈现类似特征。2026年针对H5N1的社交媒体研究发现，误导信息常将政府、卫生机构与国际组织作为攻击对象，并与“人为制造疫情”“反疫苗”等叙事相关联；英国针对小规模养禽户的调查显示，53%的受访者通过社交媒体获知高致病性禽流感相关信息，但对临床症状和法定义务认知不足。这说明动物疫病舆情干预既要纠正事实性错误，也要维护机构公信力，并根据养殖户、消费者和行业主体的差异开展分众沟通。
4 结语与展望
目前社交媒体数据在动物疫病舆情预警中的应用面临三大瓶颈。一是信号与事实非等价性问题，社交媒体舆情热度易受肉价波动、历史信息二次传播、平台算法流量倾斜等因素干扰，若直接据此推断疫情具有高误报风险；二是样本与平台偏倚严重，受数字鸿沟影响，身处疫情高发区域的基层散养户在公开网络中常处于“失语”状态，过度依赖大众平台易将城市消费者主观情绪误判为畜牧行业整体风险；三是业务转化与实战验证不足，多数研究仍停留在后验式离线验证阶段，缺乏在前瞻性防疫业务场景中的在线验证能力，系统稳定度、误报率及隐私合规机制仍缺乏常态化规范报告。
基于上述局限，未来研究应摒弃单一依赖社交媒体的局限，在“同一健康”框架下推进多源数据深度融合。一方面，应将网络非正式数字痕迹与传统实验室监测、基层防疫反馈、动物流调调运及农贸市场价格等数据多维关联
[35]，推动网络非官方渠道与正式动物健康情报体系有机融合
[19-21]。另一方面，亟需构建“监测－核查－研判－响应”的闭环治理模式，将前端捕捉的异常舆情线索转化为自动化提取的疫病要素，联动地方机构开展现场流调与采样检测，结合生物学风险与社会学恐慌制定分级响应预案，实施精准的生物安全处置与风险沟通。此外，针对短视频、图片等的爆发式增长，未来需在合规运维与隐私保护的前提下，探索图像分类、视频语义解析、文本评论联合嵌入等多模态网络事件监测技术，并将其定位为疫病风险辅助感知的视觉证据。同时，行业亟需建立包含检索召回率、精确率、预警率及跨平台稳定性的标准化评估体系
[23]，鼓励兽医学、公共卫生、信息科学与传播学等多学科交叉，建设面向动物疫病领域的开放标准语料库与评测基准，全方位构筑国家动物生物安全防控屏障。
国家自然科学基金“牛羊重大疫病区域一体化防控技术示范与高效推广模式构建”(2025YFD1800105)
京公网安备11010202008535号
PDF
(532KB)
