知识管理论坛 >

2025 , Vol. 10 >Issue 4: 335 - 347

DOI: https://doi.org/10.13266/j.issn.2095-5472.2025.022

研究论文

生成式人工智能技术的舆论动态与公众认知演化——基于ChatGPT的微博舆情研究

  • 殷芝玲 1 ,
  • 石晓雪 1 ,
  • 黄晓 , 1, 2 ,
  • 卢新元 1, 2
展开
  • 1.华中师范大学信息管理学院 武汉 430079
  • 2.华中师范大学湖北省电子商务研究中心 武汉 430079
黄晓，研究员，讲师，博士，E-mail：

殷芝玲，本科生

石晓雪，本科生

卢新元，研究中心主任，教授，博士。

收稿日期: 2025-02-25

  网络出版日期: 2025-08-31

基金资助

国家社会科学基金重点资助项目“数智时代下AIGC服务模式及生态治理研究”(23AGL040)

收起

Public Opinion Dynamics and Public Cognition Evolution of Generative Artificial Intelligence Technology——A Study on Weibo Public Opinion Based on ChatGPT

  • Yin Zhiling 1 ,
  • Shi Xiaoxue 1 ,
  • Huang Xiao , 1, 2 ,
  • Lu Xinyuan 1, 2
Expand
  • 1. School of Information Management, Central China Normal University, Wuhan 430079
  • 2. Hubei E -Commerce Research Center, Central China Normal University, Wuhan 430079
Huang Xiao, Research Fellow, Lecturer, PhD, E-mail: ;

Yin Zhiling, Undergraduate;

Shi Xiaoxue, Undergraduate;

Lu Xinyuan, Director, Professor, PhD.

Received date: 2025-02-25

  Online published: 2025-08-31

Supported by

National Social Science Fund of China titled “Research on AIGC Service Models and Ecological Governance in the Digital-Intelligence Era”(23AGL040)

Fold

摘要

【目的/意义】 聚焦于生成式人工智能，特别是ChatGPT的公众舆情动态，旨在探讨这一技术的背景、意义及其社会影响，分析公众对其接受度和舆论演化过程，为相关技术应用和社会治理提供理论支持。 【方法/过程】 分析2023年1月至2024年9月间的221 564条与生成式人工智能相关的微博数据。通过BERTopic模型提取核心主题，并结合关键词共现网络分析不同时期的讨论热点和舆情演化。 【结果/结论】 识别科技产业、教育与机器人、健康医疗等八大主题，并揭示公众讨论的演化路径：初期关注技术创新与潜力，中期探讨场景应用（如教育、医疗与金融），后期则转向数据隐私、安全与社会伦理等问题。关键词分析表明，“人工智能”“技术”等术语贯穿全周期，而“隐私”“安全”等后期高频词反映公众对技术潜在风险的关注。研究结果可以为生成式人工智能技术的社会效应提供深入理解，并为技术优化与政策治理提供理论支持。

关键词： 生成式人工智能; ChatGPT; 舆情分析; BERTopic; 主题分析

本文引用格式

殷芝玲 , 石晓雪 , 黄晓 , 卢新元 . 生成式人工智能技术的舆论动态与公众认知演化——基于ChatGPT的微博舆情研究[J]. 知识管理论坛, 2025 , 10(4) : 335 -347 . DOI: 10.13266/j.issn.2095-5472.2025.022

Abstract

[Purpose/Significance] Focusing on the public opinion dynamics of generative artificial intelligence, especially ChatGPT, we aim to explore the background and significance of this technology and its social impact, analyze the public acceptance and public opinion evolution process, and provide theoretical support for the application of related technologies and social governance. [Method/Process] 221 564 microblog data related to generative AI between January 2023 and September 2024 were analyzed. By using the BERTopic model to extract the core themes and combining with keyword co-occurrence network analysis, we tracked the discussion hotspots and the evolution of public opinion in different time periods. [Result/Conclusion] This study identified eight major themes, including technology industry, education and robotics, and health care, and revealed the evolutionary path of public discussion: the initial phase focused on technological innovation and potential, the mid-term explored scenario applications such as education, health care, and finance, and the later stage turned to data privacy, security, and social ethics. Keyword analysis shows that terms such as "artificial intelligence" and "technology" run through the entire cycle, while high-frequency words such as "privacy" and "security" in the later period reflect the public's concern about the potential risks of technology. This study provides an in-depth understanding of the social effects of generative artificial intelligence technology and theoretical support for technology optimization and policy governance.

Key words： generative artificial intelligence; ChatGPT; public opinion analysis; BERTopic; topic analysis

1 引言/Introduction

近年来，生成式人工智能技术迅速发展，其中以ChatGPT为代表的生成式预训练语言模型（generative pre-trained transformer）凭借其强大的语言理解与生成能力，已成为人工智能领域的标志性成果[1]。对话式生成语言模型在产业发展、学术研究等多领域展现了巨大的技术潜力，引发了广泛的公众关注。与技术发展同步而来的，是社会舆论的多样性与复杂性。一方面，公众高度肯定生成式人工智能在推动技术创新、提升生产效率等方面的积极作用，认为其能够助力教育、医疗、数字经济等领域的深刻变革；另一方面，对于生成式人工智能可能引发的算法偏见、信息安全隐患及伦理挑战，学术界也充满诸多争议与担忧[2-4]。这种对立的局面凸显了研究生成式人工智能相关舆情的重要性。深入分析公众在不同时间段内的讨论重点和态度倾向，可以更好地从社会层面审视人工智能技术的应用前景与潜在风险。
为了探究公众对生成式人工智能的态度及其变化，本研究基于微博平台的舆情数据，对ChatGPT这一标志性模型问世后的微博舆情内容进行主题挖掘与演化分析。本研究以季度为时间窗口，共划分7个时间段，旨在识别公众讨论的核心主体及其演变，全面揭示技术扩散过程中公众对生成式人工智能的舆论特征与社会认知动态。本研究聚焦公众视角，旨在深化对生成式人工智能社会接受度的理解，为舆情治理与科技政策提供数据支持，进一步推动该技术更好地服务社会发展

2 文献综述/Literature review

2.1 公众认知与主题演化相关研究

现有研究针对公众认知演化问题，主要是从舆情传播机制、观点动态演变、网络结构特征以及政府干预等多个方面展开探讨，部分研究依据引爆点理论，揭示人工智能生成内容在社交媒体平台上借助关键节点的扩散引发舆情爆发，还指出内容生成方式与传播网络特征之间的协同作用，对于认知演化有着比较关键的影响[5]。有研究在观点演化方向引入了改进型Hatsugai-Kohmoto模型，对社交用户观点的动态演变进程进行建模，着重强调个体之间的立场相似性以及交互频率在认知趋同与分化当中所起到的作用[6]；也有研究引入超网络理论，从复杂结构关系着手，挖掘舆情传播里的关键节点以及多层传播路径，为重大突发事件中的公众认知演化以及预警提供相应的方法支撑[7-8]。在应用层面，已有成果关注突发公共卫生事件里疫苗政策认知的变化规律，识别出认知演化的阶段性特征及其与信息披露节奏的耦合关系[9]，另外还构建了融合公众认知与政府引导机制的邻避舆情演化模型，探索政策干预在认知演变过程中的调节效果[10]。目前来看，当前研究在模型构建与情境应用方面已经取得了相对丰富的成果，不过在面对多模态传播内容与跨平台认知协同等新挑战的时候，仍然存在拓展的空间。
在公众认知演化机制的基础之上，另一类研究把重点放在了社交媒体平台中话题本身的动态演化过程，关于社交媒体平台上主题演化的研究，主要是从信息传播模式与主题建模、用户行为与观点动力学、跨平台演进分析以及突发事件演化案例等维度展开系统的探索。在信息传播与话题建模方面，研究一般采用时序共词网络与主题建模方法，识别社交平台中话题的形成、演化以及消退过程，揭示语义共现结构随时间变化的传播路径以及周期性特征[11]，并且构建危机情境下的主题演化模型，以此来实现对舆情走势的趋势预测以及阶段划分[12]。在用户行为与观点动力学层面，研究关注不同类型用户在突发事件中所表现出来的关注焦点差异以及演化模式，指出用户立场、信息偏好与交互机制对话题演变的推动以及调节作用[13]。在跨平台视角下，研究将多模态信息与多源数据融合，探索信息如何在微博、微信等不同平台间协同传播并且互为补充，指出平台间传播结构差异可能引发认知偏差和议题碎片化[14]。另外围绕突发事件的个案研究也在不断丰富，相关文献从危机管理视角出发，追踪重大事件中的舆论主题如何在时间线上演进，并且结合治理实践提出针对性的引导与干预策略[15]，总体来说，当前研究已经在方法手段与应用场景上形成了较为系统的分析框架。

2.2 生成式人工智能相关研究

公众对生成式人工智能的关注始于ChatGPT模型的问世，其超大规模的模型参数和预训练语料赋予了它出色的语言理解和生成能力[16-17]。自发布以来，ChatGPT凭借其卓越的性能赢得了众多用户的青睐。一方面，它在模拟人类创造力方面展现出巨大潜力，为科研[18]、教育[19]、金融[20]、医学[21]等领域带来了新的可能性；另一方面，它也面临着一些质疑，如算法偏见[2]、信息泄露[3]、伦理问题[4]等。无论如何，以ChatGPT为代表的生成式人工智能模型已经受到学术界的广泛关注。
从技术角度来看，ChatGPT在自然语言处理领域取得了突破性进展，其核心技术包括自注意力机制、超大规模预训练语料及语言生成优化模型，展现了卓越的语言理解与生成能力[22-23]。针对这一特性，研究者们探讨了ChatGPT应用在科研、教育、医疗、金融等多个领域的可能性。例如，在科研领域，基于人工智能模型的创新辅助框架能够对海量学术文献数据进行批量化信息抽取、分析、归纳和总结，这能够更好地服务科研创新活动[18]；在教育领域ChatGPT可以用于辅助教学与个性化学习[24]；在医疗领域其潜力体现在辅助诊断、医疗数据分析和疾病管理等方面[25]；在金融领域，研究者们关注其在股市预测和金融决策支持中的应用前景[20]。也有一些研究者开展了应用实践，尤其是对学术文本的处理。研究者们发现，与传统的文本生成模型相比，ChatGPT不仅能够显著提升文本产出的自然度与流畅性，还极大地丰富了文本的创意性与内在逻辑连贯性[23]。同时，ChatGPT生成的文献综述在结构性、可读性等方面具有较高的质量，能够快速整合大规模文献并提取核心信息，从而显著提升文献管理的效率和知识整合的质量[26]。此外，通过对用户与大模型的互动内容进行分析，研究者发现生成式人工智能在用户服务方面展现了个性化咨询的潜力，能够根据用户需求实时调整信息推荐内容，并通过对不同用户任务完成情况的评估，不断优化服务体验[27]。由此可知，现有关于生成式人工智能的研究多聚焦于领域应用的理论预测与尝试阶段，对于它们在实际应用过程中公众的认知、接受度及社会舆情反应等问题尚未得到充分研究。因此，有必要基于社交媒体数据开展关于生成式人工智能的舆情分析研究，从公众视角提供对这一技术的多维度理解，为相关的技术应用与治理策略提供参考。
综上所述，现有研究围绕公众认知与主题演化构建了较为系统的分析框架，涉及舆情传播机制、观点动态建模、平台差异与事件案例等多个层面，体现出较强的问题意识与方法创新。同时，以ChatGPT为代表的生成式人工智能技术在医疗、教育、内容创作等多个领域有广泛应用前景，不过当前研究仍以技术性能评估与理论探索为主，较少关注公众使用过程中的认知反馈、接受程度以及对舆论生态的影响。结合社交媒体数据开展生成式人工智能相关舆情演化与公众认知的实证研究，可拓展研究视角，更深入地理解该类技术在社会中的传播机制与公众互动过程，还可以为技术推广与社会治理实践提供有针对性的参考。

3 数据获取与研究方法/Data acquisition and research methods

3.1 数据获取

本研究的数据来源于新浪微博平台，涵盖2023年1月至2024年9月期间与生成式人工智能相关的公开微博内容。本研究首先借助微博平台一般检索策略，确定将“ChatGPT”“生成式人工智能”“大语言模型”“人工智能”等核心词汇作为微博内容筛选依据。随后，利用微博开放API接口，通过数据爬取程序获取上述检索词相关的微博帖子正文、发布时间等数据。通过去重去噪等内容筛选步骤清理无效数据，例如广告帖、与主题无关的内容及低质量文本，最终形成本研究数据集。该数据集共覆盖21个月的微博数据，共计221564条微博文本。

3.2 研究方法

BERTopic是基于BERT（bidirectional encoder representations from transformers）模型的主题建模方法，它适用于大规模的文本数据处理。BERTopic利用BERT的预训练能力将文本转换为高维的向量表示，这些向量能够捕捉文本的深层语义信息。随后，通过c-TF-IDF变体来提取每个聚类的主题词，从而生成高质量、语义丰富的话题[23]。因此，本研究采用BERTopic模型对生成式人工智能相关的微博文本进行主题挖掘，并分析不同时期的主题词共现网络演变趋势，从而明确公众对生成式人工智能的讨论热点与变化特征。具体研究框架如图1所示：
图1 研究流程框架

Figure 1 Research process framework

（1）数据预处理。采用分词技术对微博文本进行切分，并剔除停用词、无意义词汇（如人名、地名等），提升数据的一致性。
（2）主题提取。首先采用BERT生成文本的嵌入向量，通过UMAP算法将高维向量降至5维，设置参数为n_neighbors=15、min_dist=0.0和metric='cosine'，以确保在保留文本语义关系的基础上实现良好的局部和全局结构平衡。接着，利用HDBSCAN算法进行聚类，参数设置为min_cluster_size=10、min_samples=5和metric='euclidean'，以识别数据中的主题簇并有效处理噪声。在每个聚类中，基于c-TF-IDF方法提取高频词汇，这些词汇与聚类主题高度相关，形成关键词集合，从而准确识别每个主题的核心内容。此外，引入时间戳信息，将数据按季度进行划分，确保能够反映不同时间段内主题的演化过程。在此基础上，对主题在不同时间窗口内的频率变化和结构变动进行深入分析，捕捉公众讨论的动态变化特性，全面呈现生成式人工智能技术舆论的演化轨迹。
（3）关键词共现网络分析。本研究未采用BERTopic模型之后的主题词权重分析、相似度分析或距离分析等方法，主要是由于数据量庞大（超过22万条微博文本）以及这些方法在大规模数据集上的应用限制，产生的结果会显得过于密集，导致关键词之间的关系过于重叠，难以清晰地观察到关键词间的有效区分和演化趋势。反之，通过构建关键词共现网络，可以直观地呈现出关键词间的关联强度与演化趋势，反映出不同时间段内公众讨论的焦点变化。其中，网络中的节点代表关键词，边的权重则反映关键词的共现频率。使用Gephi软件进行网络可视化和结构特性分析，不仅能够揭示关键词的重要变化，还能清晰展现语义关系的动态演化。这种方法既符合数据规模的特点，又能确保分析结果具有较好的可视化效果，便于观察和理解生成式人工智能技术在公众舆论中的演化过程。

4 结果分析/Analysis and Results

4.1 主题—关键词映射

通过BERTopic对微博文本数据进行主题分析，本研究共识别出617个主题，并提取了各主题下的代表性关键词。为了确保分析结果的代表性，本研究根据每个主题下关键词在文本中出现的频率对主题进行排序。根据排序结果，前8个主题的关键词频率明显高于第9个及之后的主题，具有较强的代表性和影响力，具体见表1。因此，本研究重点分析了这8个主题，并根据每个主题的关键词内容对公众对于生成式人工智能的具体观点进行了详细阐述。这些主题反映了公众讨论中最为广泛和深入的领域，涵盖了技术创新、应用场景、市场影响等多个层面。
表1 前8个主题—主题词映射

Table 1 Top8 topics-keyword mappings

主题序号 主题 主题词
Topic0 科技产业 ChatGPT、ai、人工智能、模型、公司、技术、苹果、科技、使用、市值、OpenAI、数字经济、金融科技
Topic1 人工智能与股市投资 访问量、环比、论文、股市、全球、模型、美国、投资、训练、数字经济、市场反弹
Topic2 教育与机器人产业 老师、学习、机器人、英伟达、核心、数据、教育、OpenAI、语音、学生、创新灵感、在线学习、自定义功能
Topic3 搜索引擎与社交媒体产业 邓为、searchgpt、涂山、搜索引擎、海之蓝、奥尼亚、搜索、meta、花滑、演员、时尚、娱乐圈
Topic4 高科技与前沿研究产业 马岛、极星、望远镜、手抖、超导、意识、打呼噜、木瓜、减记、革命、Kimi、安卓版、iOS版
Topic5 生物医药与军事产业 pmoaas、niprgpt、pmo、moderna、langgraphstudio、麦家、科普活动、空军、lck、dify、实验室、衍生、风险
Topic6 社会与文化产业 抗体、网吧、gas、emotionprompt、烦恼、一百单八将、张顺、杨丞琳、佛祖、移民、迪士尼、梁山、英雄、版本
Topic7 健康医疗产业 周华健、生长激素、sqlite、儿科、采样、反垄断、技术创新、监管、数据中心、芯片、云端、晶片
Topic0聚焦于“科技产业”，其关键词涵盖了“chatgpt”“ai”“人工智能”等，凸显了公众对ChatGPT在推动科技产业发展、重塑企业竞争格局以及引领数字经济与金融科技变革等方面的关注与期待，体现了生成式人工智能作为一项前沿技术在这些领域引发的重要影响。Topic1为“人工智能与股市投资”，关键词如“股市”“全球”“投资”“数字经济”等展现出生成式人工智能所催生的人工智能热潮在股市投资领域的连锁反应，展现了它在金融投资领域的影响力与公众的关注度。Topic2围绕“教育与机器人产业”展开，关键词包括“学习”“教育”“在线学习”“自定义功能”等，反映了公众对生成式人工智能在教育领域的应用前景与实践探索的积极探讨。Topic3为“搜索引擎与社交媒体产业”，关键词诸如“搜索引擎”“海之蓝”“娱乐圈”等，揭示了生成式人工智能对传统搜索引擎与社交媒体产业的冲击，重点在于新型搜索工具的崛起、内容创作与分发模式的革新以及娱乐文化领域的跨界融合。Topic4涉及“高科技与前沿研究产业”，关键词有“超导”“意识”“革命”“Kimi”等，体现了公众对生成式人工智能在高科技前沿领域的应用探索与研究进展的关注。Topic5为“生物医药与军事产业”，关键词如“科普活动”“空军”“实验室”“风险”等，展现了公众对生成式人工智能在生物医药领域的研发助力、医疗数据分析与疾病诊断辅助，以及在军事领域等方面潜在应用的探讨。Topic6聚焦“社会与文化产业”，关键词涵盖“抗体”“网吧”“烦恼”“英雄”等，反映了公众对生成式人工智能在社会文化层面的广泛影响的多元讨论。Topic7围绕“健康医疗产业”展开，关键词包括“生长激素”“反垄断”“晶片”等，揭示了公众对生成式人工智能在健康医疗产业中的应用与融合发展的关注。

4.2 主题变化特征分析

图2展示了从2023年1月至2024年9月间，微博平台关于生成式人工智能相关话题总讨论量的时间序列特征。2023年初，该话题讨论量迅速攀升至一个高峰，这与ChatGPT的发布和初期的市场反响有关，在2023年2月达到最高点44 570条微博。进入2023年3月后，尽管讨论量有所下降，但依然保持在较高水平。从4月开始，微博数量显著下降，此时市场对生成式人工智能的初步热情逐渐冷却，缺乏新的刺激性信息或进展。随后，从5月到9月，讨论量持续减少，这反映了公众对生成式人工智能的讨论进入一个相对平稳的时期。在后续的较长时间内，讨论量只出现小幅度波动，而在2023年10—11月，由于OpenAI将DALL·E 3集成到ChatGPT中并推出GPTs功能，引发了公众对AI多模态应用和新功能的讨论，使得讨论量有一定幅度的上升。在2024年4—5月，ChatGPT停用了插件功能并推出GPT-4o多模态模型，同时向免费用户开放GPTs功能并提供GPT-4o的免费试用，这些更新进一步激发了用户兴趣，导致讨论量再次上升。整体来看，这一趋势反映了生成式人工智能作为新兴技术在公众视野中的关注度变化，从初期的爆炸性增长到随后的逐渐稳定，并随着时间推移与不同阶段的应用演进，公众兴趣呈现阶段性波动。这种动态变化受到多种因素的影响，包括技术进步、媒体报道、行业应用案例以及公众对该技术潜在影响的认识和期待等。
图2 各月份总微博数目

Figure 2 Total number of microblogs per month

图3的热力图按照时间序列展示了从2023年1月至2024年9月间各主题微博数量的变化特征。在2023年第一季度（1—3月），即ChatGPT发布初期，公众的讨论热情空前高涨，所有主题在这一时间段内均有较高的微博数量，特别是Topic0（科技产业）、Topic1（人工智能与股市投资）和Topic2（教育与机器人产业），公众对ChatGPT的出现推动科技相关产业变革并随之而来的股市变化高度关注。随着生成式人工智能概念的普及和初步应用的探索，第二季度讨论的热度有所分散，此时Topic3（搜索引擎与社交媒体产业）、Topic5（生物医药与军事产业）、Topic7（健康医疗产业）仍然保持着一定的讨论热度。在第三季度，公众对生成式人工智能的讨论进入了一个相对稳定的时期，其中Topic3（搜索引擎与社交媒体产业）的关注度有所提升，这与7月安卓版ChatGPT上线和8月文心一言面向全社会开放有关。在第四季度，Topic1（人工智能与股市投资）再次出现高峰，这与11月OpenAI推出GPTs功能以及市场对新技术应用的期待有关；同时，Topic7（健康医疗产业）的关注度显著增加，反映出健康医疗领域对人工智能技术应用的重视。2024年第一季度末讨论热度有所回升，这一趋势一直持续至第二节度末，尤其是对于Topic0（科技产业）、Topic1（人工智能与股市投资）和Topic2（教育与机器人产业）这3个主题的讨论，这与GPT-4o模型发布及其在多模态应用上的突破有关。第三季度关于生成式人工智能的讨论热度整体呈现下降趋势，Topic2（教育与机器人产业）和Topic3（搜索引擎与社交媒体产业）仍有小幅回升，这与这些领域内人工智能技术的具体应用和案例的增多有关。总的来看，热力图反映了生成式人工智能作为一个新兴技术，初期引起了公众的广泛好奇与探索，随后是特定领域的深入讨论，再到具体的应用实践与效果评估，目前已经趋于稳定。整体趋势也能够通过各主题微博数量的河流图展示，具体如图4所示。
图3 各主题微博数量变化热力图

Figure 3 Heatmap of temporal variation in microblog volume for eachtopics

图4 各主题微博数量河流图

Figure 4 River chart of the microblog volume for each topic

4.3 核心关键词演化分析

本研究进一步提取了2023年1月至2024年9月间生成式人工智能领域的核心关键词，并采用Python的NetworkX库构建关键词的历时共现网络。网络以关键词为节点，节点大小表示其在共现网络中的中心度，从而反映关键词在领域中的重要性。节点间的连线表示关键词之间的共现关系，连线的粗细及颜色深浅则量化了共现频率的高低，频率越高，线条越粗，颜色越深。为了确保网络的清晰度和有效性，设定了共现阈值，即仅保留共现频率大于或等于5的词对，以去除噪声并突出有意义的关键词关系。此外，关键词共现网络的网络指标（如节点的中心度、连线的密度和频率等）辅助揭示了关键词之间的关联强度与演化特征，进而展现不同时间段内领域关键词的变化趋势。本研究构建了覆盖7个季度的历时共现网络（见图5），直观展现了生成式人工智能领域关键词之间的关系及其演化趋势，为理解该领域的动态发展提供了重要参考依据。
图5 关键词共现网络图

Figure 5 Keyword co-occurrence network diagram

在2023年第一季度，高频关键词为“人工智能”“技术”“模型”“生成”。这一时期是ChatGPT发布后的初始阶段，技术创新的突破性吸引了公众和行业的广泛关注。讨论集中在生成式人工智能的核心概念及其技术原理，尤其是模型的生成能力和潜在影响力。这种热潮主要受技术发布效应和媒体报道驱动，公众讨论的主要方向体现了其对新技术的强烈好奇。进入2023年第二季度，高频关键词转向“技术”“应用”“教育”“医疗”。公众关注从技术本身扩展至其潜在的实际应用场景，特别是在教育领域的个性化教学和医疗领域的辅助诊断。这一阶段的讨论热度分散，反映了公众兴趣的多样化和行业对实际应用探索的推动作用。同时，这种变化也表明公众对生成式人工智能的讨论开始趋于理性，关注其能为不同领域带来的价值。在2023年第三季度，高频关键词集中于“模型”“优化”“场景”“数据”。随着技术不断优化，公众讨论的重点转向了技术性能的提升和具体应用场景的探索。尤其是模型优化和数据使用效率成为技术社区和行业关注的热点。这一时期讨论的专业化程度有所提升，体现了生成式人工智能从广泛概念讨论逐步进入深入的技术发展与实际应用的阶段。2023年第四季度的关键词共现网络呈现出商业化特征，高频关键词为“公司”“市场”“投资”“数字经济”。生成式人工智能的商业价值逐渐显现，公众的讨论开始聚焦于其在产业中的布局与表现，尤其是科技企业的战略规划和资本市场的投资动态。随着技术商业化进程的加速，公众更加关注其对数字经济的结构性影响和产业升级的潜力。这一时期的讨论热点表明生成式人工智能技术进入了实际应用与商业化的关键阶段。
在2024年第一季度，高频关键词包括“模型”“算法”“场景”“效率”。算法优化和模型性能的提升成为讨论热点，同时具体应用场景（如企业服务、内容生成）吸引了公众和行业的广泛关注。公众对技术效率和运行成本的讨论逐渐增加，反映了技术在商业化过程中对效能和资源利用的实际需求。这一阶段的讨论体现了生成式人工智能从探索阶段向实际应用阶段过渡。在2024年第二季度，关键词共现网络的焦点转向“技术”“搜索”“推荐”“知识”。生成式人工智能技术在搜索引擎和推荐系统中的应用逐步落地，引发了广泛的公众讨论。关键词共现的变化表明，技术在提升信息检索效率和知识管理质量方面的表现获得了高度关注。此外，科技企业发布的新功能（如个性化搜索和内容推荐）也驱动了这一阶段讨论热度的上升。至2024年第三季度，高频关键词集中于“训练”“数据”“安全”“隐私”。公众关注的重点转向了模型训练效率、数据需求及其对性能的影响，同时对隐私和安全问题的讨论显著增加。随着技术的广泛应用，公众开始更加关注数据安全和隐私保护，反映出公众在技术使用中的风险意识逐渐增强。这一阶段的讨论体现了公众对生成式人工智能技术的理性评估以及对其潜在社会影响的反思。
总的来说，从2023年1月到2024年9月，生成式人工智能领域的关键词共现网络显示出明显的阶段性特征。总体趋势呈现出“初期热度高涨—中期多样化发展—后期理性聚焦”的演化轨迹。在技术发布的初期，讨论的关键词集中在“人工智能”“技术”“模型”等基础领域，随后随着技术的成熟与应用的扩展，公众关注逐渐转向具体领域和实际应用场景，如教育、医疗、市场和数据安全等。后期，关键词网络中的热点转为对技术风险、隐私保护和社会效益的反思。这一趋势反映了公众从对技术概念的兴趣与探索，逐步转向关注其实际价值、应用效果及可能带来的社会挑战。

5 结论/Conclusion

本研究通过分析2023年1月至2024年9月期间微博平台关于生成式人工智能的舆情数据，全面揭示了公众对生成式人工智能技术的认知及其动态变化。BERTopic模型分析识别出八大核心主题，包括科技产业、人工智能与股市投资、教育与机器人产业、高科技与前沿研究等，展现了生成式人工智能技术在驱动产业升级和促进社会变革方面的多维度价值。同时，公众讨论从初期关注技术原理和潜力的热烈探讨，逐渐转向对教育、医疗、金融等领域应用场景的实践探索，并在后期聚焦于数据隐私、安全与社会影响等更深层次的问题。关键词共现网络进一步揭示了公众讨论热点的动态迁移，从贯穿全周期的“人工智能”“技术”等基础核心术语，到后期聚焦“隐私”“安全”等反映技术潜在风险的关键词，体现了技术扩散与公众认知深化的互动过程。
研究结果具有一定的学术价值和实践意义。一方面，本研究揭示了生成式人工智能技术扩散的动态过程，为理解技术创新在公众层面传播与接受的规律提供了实证支持；另一方面，教育、医疗、金融等领域的讨论热点凸显了生成式人工智能在推动社会生产与生活方式变革中的实践潜力，为行业创新与技术应用的推广提供了指导。此外，本研究通过结合BERTopic模型与关键词共现网络分析，创新性地构建了基于社交媒体舆情数据的主题挖掘方法，为探索公众舆论的动态变化和技术扩散模式提供了方法论启示。这些发现不仅拓展了生成式人工智能技术社会效应的研究边界，还为技术优化和政策制定提供了理论支持和实证依据。
然而，本研究仍存在一定局限性。BERTopic模型对非显性热点及低频长尾议题的捕捉能力存在一定不足，可能遗漏部分具有潜在影响力的讨论内容。同时，由于本研究完成数据采集与分析任务后才出现了DeepSeek浪潮，其所引发的公众观点变化并未纳入研究范畴，因此可能影响对公众认知及舆情演化的全面理解。未来研究将结合多元化的主题建模技术，以提升主题提取的全面性与精度。同时，还应进一步关注生成式人工智能在特定行业或应用场景中的扩散机制，特别是其对社会文化、伦理规范的深层次影响，为构建更具系统性和前瞻性的技术应用与治理框架提供理论支持和实证依据。

殷芝玲：数据收集与数据分析，撰写与修改论文；

石晓雪：数据收集，撰写论文；

黄晓：确定研究思路，修改论文与定稿；

卢新元：提供研究思路，修改论文。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
BROWN T, MANN B, RYDER N, et al. Language models are few-shot learners[C]//Advances in neural information processing systems, 2020, 33: 1877-1901.

[2]
MEYER J G, URBANOWICZ R J, MARTIN P C N, et al. ChatGPT and large language models in academia: opportunities and challenges[J]. BioData mining, 2023, 16(1): 20.

[3]
王静静, 叶鹰.生成式AI及其GPT类技术应用对信息管理与传播的变革探析[J]. 中国图书馆学报, 2023, 49(6): 41-50.

WANG J J, YE Y. A probe into the generative AI and GPT-type technical applications with transform for information management and communication[J]. Journal of library science in China, 2023, 49(6): 41-50.

[4]
STAHL B C, EKE D. The ethics of ChatGPT-Exploring the ethical issues of an emerging technology[J]. International journal of information management, 2024, 74: 102700.

[5]
吴江, 黄茜, 贺超城, 等.基于引爆点理论的人工智能生成内容微博网络舆情传播与演化分析[J]. 现代情报, 2023, 43(7): 145-161.

WU J, HUANG Q, HE C C, et al. Propagation and evolution of public opinion in the outbreak of AIGC based on the theory of tipping point[J]. Journal of modern information, 2023, 43(7): 145-161.

[6]
吴树芳, 郑依静, 朱杰.基于改进HK模型的社交用户观点演化预测研究[J]. 现代情报, 2024, 44(2): 142-151.

WU S F, ZHENG Y J, ZHU J. Research on evolution prediction of social users opinion based on the improved HK model[J]. Journal of modern information, 2024, 44(2): 142-151.

[7]
张连峰, 周红磊, 王丹, 等. 基于超网络理论的微博舆情关键节点挖掘[J]. 情报学报, 2019, 38(12): 1286-1296.

ZHANG L F, ZHOU H L, WANG D, et al. Key node mining of Weibo public opinion based on super network theory[J]. Journal of the China Society for Scientific and Technical Information, 2019, 38(12): 1286-1296.

[8]
王旭娜, 张立凡. 基于超网络的重大突发事件公众认知演化与预警策略研究[J]. 情报理论与实践, 2024, 47(12): 183-194.

WANG X N, ZHANG L F. Research on the evolution of public cognition and early warning strategy of major emergencies based on hypernetwork[J]. Information studies: theory& application, 2024, 47(12): 183-194.

[9]
张鑫蕊, 张海涛, 栾宇, 等. 突发公共卫生事件的疫苗政策公众认知演化研究[J]. 情报科学, 2023, 41(8): 175-183.

ZHANF X R, ZHANG H T, LUAN Y, et al. A study on the mechanism of inter-organizational knowledge overlap on knowledge creation based on social network perspective[J]. Information science, 2023, 41(8): 175-183.

[10]
吴孝灵, 刘小峰, 周晶. 基于公众认知与政府引导的邻避舆情演化模型[J]. 系统工程理论与实践, 2019, 39(11): 2865-2879.

WU X L, LIU X F, ZHOUJ. Evolution model of NIMBY opinion based on public perception and governmental guidance[J]. Systems engineering-theory & practice, 2019, 39(11): 2865-2879.

[11]
杨欣谊, 王伟, 朱恒民. 基于时序共词网络的社交平台话题检测与演化研究[J]. 情报学报, 2023, 42(5): 585-597.

YANG X Y, WANG W, ZHU H M. Topic detection and evolution in social media platforms based on a temporal co-word network[J]. Journal of the China Society for Scientific and Technical Information, 2023, 42(5): 585-597.

[12]
马晓悦, 薛鹏珍, 陈忆金, 等.社交媒体危机主题演化模型构建与趋势分析[J]. 图书情报工作, 2021, 65(13): 77-86.

MA X Y, XUE P Z, CHEN Y J, et al. Construction and trend analysis of crisis theme evolution model in social media[J]. Library and information service, 2021, 65(13): 77-86.

[13]
安璐, 杜廷尧, 李纲, 等. 突发公共卫生事件利益相关者在社交媒体中的关注点及演化模式[J]. 情报学报, 2018, 37(4): 394-405.

AN L, DU T Y, LI G, et al. Concerns and evolutionary patterns of stakeholders on social media platforms during public health emergencies[J]. Journal of the China Society for Scientific and Technical Information, 2018, 37(4): 394-405.

[14]
徐元, 毛进, 李纲. 面向突发事件应急管理的社交媒体多模态信息分析研究[J]. 情报学报, 2021, 40(11): 1150-1163.

XU Y, MAO J, LI G. Social media multimodal analysis for emergency management[J]. Journal of the China Society for Scientific and Technical Information, 2021, 40(11): 1150-1163.

[15]
郭宇, 张传洋, 张海涛, 等. 危机管理视角下突发事件舆情主题演化与治理分析[J]. 图书情报工作, 2022, 66(8): 113-121.

GUO Y, ZHANG C Y, ZHANG H T, et al. Analysis on the topic evolution and governance of public opinion in emergencies from the perspective of crisis management[J]. Library and information service, 2022, 66(8): 113-121.

[16]
RADFORD A, NARASIMHAN K, SALIMANS T, et al. Improving language understanding by generative pre-training[J]. OpenAI blog, 2018, 1(8): 1-15.

[17]
HUTSON M. Could AI help you to write your next paper?[J]. Nature, 2022, 611(7934): 192-193.

[18]
陆伟, 马永强, 刘家伟, 等.数智赋能的科研创新——基于数智技术的创新辅助框架探析[J]. 情报学报, 2023, 42(9): 1009-1017.

LU W, MA YQ, LIU JW, et al. Data intelligence empowered innovation: an exploration of the innovation assistance framework based on data intelligence technology[J]. Journal of the China Society for Scientific and Technical Information, 2023, 42(9): 1009-1017.

[19]
URBAN M, DĚCHTĚRENKO F, LUKAVSKÝ J, et al. ChatGPT improves creative problem-solving performance in university students: an experimental study[J]. Computers & education, 2024, 215: 105031.

[20]
SMALES L A. Classification of RBA monetary policy announcements using ChatGPT[J]. Finance research letters, 2023, 58: 104514.

[21]
WONG F, DE LA FUENTE-NUNEZ C, COLLINS J J. Leveraging artificial intelligence in the fight against infectious diseases[J]. Science, 2023, 381(6654): 164-170.

[22]
VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need[C]//Advances in Neural Information Processing Systems, 2017, 30: 2017.

[23]
ZHANG T, LADHAK F, DURMUS E, et al. Benchmarking large language models for news summarization[J]. Transactions of the Association for Computational Linguistics, 2024, 12: 39-57.

[24]
KASNECI E, SEßLER K, KÜCHEMANN S, et al. ChatGPT for good? on opportunities and challenges of large language models for education[J]. Learning and individual differences, 2023, 103: 102274.

[25]
LIU J, WANG C, LIU S. Utility of ChatGPT in clinical practice[J]. Journal of medical internet research, 2023, 25: e48568.

[26]
林鑫, 刘泽妃.ChatGPT生成综述的质量评测与应用策略[J]. 图书情报工作, 2024, 68(18): 32-40.

LIN X, LIU Z F. Quality evaluation and application strategies for ChatGPT-Generated reviews[J]. Library and information service, 2024, 68(18): 32-40

[27]
王俊, 谢青伶, 刘畅.日常生活情境下用户与生成式人工智能交互行为分析[J]. 图书情报知识, 2025, 42(2): 60-69, 93.

WANG J, XIE QL, LIU C. User’s Interaction behavior with generative artificial intelligence indaily life contexts[J]. Documentation, information & knowledge, 2025, 42(2): 60-69, 93.

Options
文章导航

/

〈 〉