大数据对传统舆情研究产生了深刻的影响，在这种大背景下，社会舆情研究需要进行如下相关转向，以实现学科的调试和适应，具体主要包括以下几点。
1. 研究视角的转向：从单向度的内容研究转向“内容+ 关系”的多维度研究
随着大数据时代的到来，传统的舆情研究只重视网民话语表达的单向度研究必将改变，话语作为一种外在的社会表达，属于浅表层面，不能够有效地窥探出网民群体的社会行为、社会心理和社会诉求。借助大数据，舆情研究的视角将更加多元化，未来舆情研究的视角将转向为社会话语表达、社会关系呈现、社会心理描绘、社会诉求预测等多方面、多向度的研究，通过这样的研究转型，社会舆情研究将真正成为一门与多学科交叉的社会显学，成为一门学科，改变目前舆情研究“策为上、术为主、学匮乏”的尴尬学术现实。
2. 研究方法的转向：由舆情信息采集转向数据加工、可视化等
由于舆情监测的前端界面呈现的方式上同质化程度较高，目前的舆情监测和舆情研究主要集中在舆情信息的采集及信息源的扩展方面。无论是北大方正舆情产品还是拓尔思（TRS），在对新闻网站、微博账号进行监测时，都必须将网站地址和微博账号的微号设定好，甚至新闻网站的网站设计样板也要进行设定，被监测的网站一旦改版，后台监测也必须调整相应的网页样板。各种舆情软件之间的竞争主要集中在信息采集源覆盖的范围以及数据分析后台的算法上，但呈现出来的前端页面则是“千网一面”。大数据将目前舆情信息采集的环节拉回到一个竞争层面上来，未来舆情监测和研究的数据源可能来自同一个大数据库支撑，舆情研究主体竞争的是各类算法的精细化、准确化，并在呈现给用户的前端界面上进行优化，增强前端界面的友好程度，整个竞争的链条就会不断下移，更加适合用户的需求。
3. 数据库支持的转向：由简单的、有限的数据库转向非结构化的大数据库
目前的舆情监测和研究所依据的数据库相对来说比较简单，结构单一、数据量有限，还停留在TB 级别，主要因为这些数据库的数据源要么是基于抽样进行数据抓取的，要么仅抓取重点网络站点，数据量有限，数据库标准相对较低，能针对小规模、有结构或类结构的数据进行分析，谈不上深层次的数据挖掘，现有的数据挖掘算法在不同行业中难以通用。大数据的数据体量巨大，从TB 级别，跃升到PB 乃至ZB 级别，因此大数据所涉及的资料量规模巨大到无法通过目前主流软件工具进行处理和识别，需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力，这需要巨大的数据库作为支撑。另外，大数据的数据资源相对驳杂，是一种非结构化的数据呈现，因此需要相应的非结构化的数据库相对接。
4. 舆情研究主体的转向：由小作坊式的单打独斗、面面俱到舆情监控转向分工明确、高度聚合集约的舆情分析
目前实践中的舆情监测和研究主体比较多，仅用于商业运营的软件监测主体就有几百家之多，这些舆情监测主体多半是软件服务商，通过网络爬虫技术、分词技术和议题聚合等技术，开发出相关软件，为企业、政府部门和科研院所安装和维护，进行简单的数据采集和分析，类似于小作坊式的舆情监测方法，这种运作方式急功近利，为了眼前的商业利益，不重视产品研发和数据源的扩充，通过吃回扣等商业贿赂方式尽量多卖几套“软件”。各舆情主体之间的竞争显得低层次化和粗放型。
未来大数据使得舆情研究主体在同一个层面上竞争，即数据处理和呈现的能力上，在大家可以获得同一数据源的前提下，双方的竞争必将在数据处理、算法精进、界面友好、可视化等层面展开竞争，分工会进一步明晰，行业内部会进一步聚合集约，加速行业洗牌，行业有机化程度增强。
5. 舆情研究重点的转向：由舆情监测转向为舆情预警乃至预测，从单向度的危机应对、品牌营销转向各领域的综合信息服务
目前的网络舆情研究主要集中在监测，主要是对一些显著性事件的舆情动态，包括传播范围、影响力等进行监测和研判，类似于相面术的“麻衣相”，只知道事件发展的过去，不知道事件发展的未来。大数据的核心是预测，可以通过分析处理整群数据，而不再大量依赖随机采样，通过自然语言处理、模式识别以及机器学习等人工智能技术，结合人工经验，未来实验舆情的预警，研判未来舆情发展的态势和影响，并在此基础上实现超出人类经验范畴之外的精准化预测。如国外研究人员已发现，Google 搜索请求中诸如“流感症状”和“流感治疗”之类的关键词出现的高峰要比一个地区医院急诊室流感患者增加出现的时间早两三个星期（而急诊室的报告往往要比浏览慢两个星期左右）；而在在经济预测方面，Google 上房产相关搜索量的增减趋势相对于地产经济学家的预测而言是一个更加准确的预言者。
另一方面，目前由于数据量和技术等限制，舆情研究还主要集中在危机应对和品牌营销等方面，这种应用主要基于舆情监测和研判这一功能进行的，未来随着大数据在舆情研究中的使用，舆情研究的功能指向必将更加多元化，为政府门、企业和个人提供更加综合化的信息挖掘服务部。
更多阅读：
