随着移动互联网的普及和上网设备及价格的降低，中国网民数量持续增长。第44次《中国互联网络发展状况统计报告》显示，截至2019年6月，我国网民规模达8.54亿，较2018年底增长2598万，互联网普及率达61.2％。[1]大数据、云计算、人工智能、语义网、地理定位、智能画像等信息技术不断进步，移动智能终端不断发展，互联网正从Web2.0过渡到Web3.0阶段。在网络技术迅猛发展的背景下，各种形式的媒介平台纷纷涌现，网络为公众讨论公共事务提供了便捷、广阔、自由的平台。教育问题事关国计民生和社会公平，被民众广泛关注，使网络平台成为教育舆情发酵、传播与扩散的主要空间。在微博、微信、抖音、知乎等社交媒体和网络社区兴起后，海量的包含了用户对舆情事件观点、评价、态度的非结构化数据被创造出来，大数据和人工智能技术为非结构化数据的监测分析创造了条件。教育舆情决策支持系统就是要在采集和分析各种类型数据的基础上建立有效模型，合理展示研究结果，为教育舆情决策提供助力。 教育舆情决策支持系统的有效性很大程度上依赖于舆情监测指标体系的建构，很多学者尝试完善相应的教育舆情监测指标体系以便为舆情决策提供服务。有学者筛选出影响高等学校网络舆情安全8个主题，建立了包括舆情热度、态度倾向、行为倾向在内的指标体系。[2]有学者提出用舆情信息信度、舆情传播热度、舆情评价向度、舆情影响效度来评估高等学校舆情强度，并以此为基础建立了三级指标体系。[3]有学者基于教育网络舆情的因子研究理论，从教育舆情主体、客体、本体、平台、互动、影响六方面构建教育网络舆情影响因子体系。[4] 总体来看，现有的网络舆情监测指标体系涵盖了舆情主体、舆情客体、舆情传播空间等诸多要素。教育舆情数据还具有明显的层次结构，例如，教育舆情数据(舆情情绪强度、舆情扩散程度)在不同的水平单位(时间、公众、地域)上存在着聚集性。本文针对教育舆情数据的层次结构特征，基于多水平模型整合舆情监测分析框架，设计教育舆情多维数据处理流程，通过多维数据集组织教育舆情数据，完善教育舆情决策支持系统，以期为教育舆情决策活动提供有效支持。 一、教育舆情决策支持的多水平模型构建 近年来，一系列教育舆情事件相继发生，在互联网中引起强烈反响，对我国舆论场造成了冲击，刺激了社会的敏感神经。如何在深化教育改革、调整教育利益分配的同时，及时发现热点教育舆情事件、找到影响教育舆情事件走向的关键因素，对新时期公共治理具有重要意义。 在研究过程中，学者们普遍发现舆情主体(公众)、舆情客体(社会事务)、舆情空间(舆情信息传播环境)会共同影响舆情本体(公众对公共事务的信念、意见和态度)。[5]基于该理念，不同学者提出了不同的舆情监测分析构想。例如，有学者根据舆情事件主题，设计了主题热度、主题内容倾向、主题权威度的计算方法。[6]有学者从非常规突发事件作用力、网络媒体作用力和网民作用力三方面出发，测量网络舆情热度。[7]有学者根据利益相关者视角，基于信息空间(I-space)模型分析了微博舆情传播过程，提出结合舆情主体、舆情客体和舆情传播情况对微博舆情进行监测。[8]有学者在保证可实现原则、及时性原则、最小性原则的基础上，从信息能、传播能、主体能、意见能四个维度建构网络舆情指标体系。[9]还有学者关注到舆情产生环境的重要性，将政府干预的次数、频数和方式纳入网络舆情危机监测指标体系。[10] 以上指标都在不同程度上反映了舆情的基本要素，不过舆情相关数据具有的多水平结构层次特点却被忽略了。舆情数据的重要特征是反应变量的分布在个体间不具备独立性，而且在特定的空间范围内具有聚集性，这一点在教育舆情数据上体现得更加明显。例如，江苏、湖北省的高考减招事件发生后，直接利益相关的江苏、湖北省考生在心理和行为特征上具有趋近性，他们对该舆情事件的反应会和其他省份的考生有所不同，地区差异就成了舆情监测分析时不可忽略的一点。此外，随着时间的推移，考生对该舆情事件的认识也会产生相应变化。如果在教育舆情监测分析中使用经典线性模型，就只能针对单一层次数据进行分析，而无法对涉及多层数据的问题进行综合分析，随机误差项并非相互独立也会影响最终的监测分析结果。 为了在构建系统全面的教育舆情综合测评指标体系的基础上实现具有针对性的舆情监测分析，本文在借鉴前人研究成果，从舆情本体、舆情主体、舆情客体、舆情形成环境四方面分析教育舆情的同时，重新思考舆情主体阶层水平、地区差异等影响因素以及教育舆情时间变化因素对舆情热度的影响，构建了“时间—公众—地域”教育舆情三级水平模型，将个体特征和个体所处环境联系起来，以期帮助人们寻找到影响教育舆情走向的关键因素。具体表达式如下： 水平1Y[，ijk]=β[，0ij]+β[，1ij]t[，ijk]+e[，ijk] (1) 水平2β[，0ij]=β[，0i]+β[，1]X[，1ij]+β[，2]X[，2ij]+β[，3]X[，3ij]+u[，0ij]，β[，1ij]=β[，1i]+u[，1ij] (2)
