微博、微信等平台的迅猛发展扩宽了人们获取信息的渠道,使得人们可随时随地了解当下正在发生的热门事件。新媒体时代,普通用户获得了部分话语权,有更多的机会在网络上发表看法。对于一件事情,持有不同价值立场和利益诉求的公众主体常常在互联网上表达意见和建议。同时,为了抢占读者资源,部分媒体在未调查清楚事件真相的情况下,急于发出报道,随着事件的推进,真相可能与前期报道完全不同。这种碎片化的信息传播方式使得事件在前后期的舆论呈现反转趋势,甚至发生多次反转。为此,本文总结舆情反转影响因素,构建舆情反转影响因素的指标体系。基于微博平台上典型舆情反转事件,对该指标体系进行计算说明。本文首先从事件属性、平台属性、媒体属性、受众属性和信息属性五个视角对舆情反转影响因素进行细化分析。事件属性视角从事件涉及领域、热度和关注度等事件特性来探究其对舆情反转的影响;平台属性视角从事件首发平台、平台信誉等级、平台用户群受教育程度等方面来分析平台特质对舆情反转的影响;媒体属性视角从媒体账号类型、信誉等级、专业度、报道倾向和议程设置程度等角度分析事件报道媒体对舆情反转的影响;受众属性视角从用户可信度、对事件认知程度、媒介素养、表达方式理性与否、受影响程度、职业与事件相关度等方面研究其对舆情反转的影响;信息属性视角从信源数量、报道形式与类型、信息时效性、内容可信度等角度考究其对舆情反转事件的影响。在对每一个视角的影响因素的概念和内涵进行阐述后,本文还用统计分析、文本主题分析与情感分析等手段量化影响因素,构建舆情反转影响因素指标体系。本文主要以“重庆公交车坠江案”这一典型舆情反转事件为例,抓取微博博文、评论及账号信息等数据,对博文和评论进行主题分析时,用BERT基础模型的改进版Ro BERTa模型提取句子特征,后接k-means聚类算法得出文本主题;在微博和评论进行情感分析时,用改进后的BERT-base-Chinese模型,在weibo＿senti＿100k数据集上进行微调,将微调后的模型用于评估抓取的反转事件下博文和评论的情感类别;以及结合统计学方法,对其他指标进行计算,并根据计算结果初步分析各因素对舆情反转的影响机制。本研究所构建的舆情反转影响因素,可为相关管理部门处理应对舆情反转事件提供有效支持;对舆情反转影响因素的定量化方法可为舆情反转研究的下游任务如建立舆情反转识别与预测模型等方面提供实践基础。