周六晚的一场联赛，某中场在补时第2分钟打进制胜球，庆祝时冲着客队看台做了一个捂耳朵的动作。此后24小时，监测系统记录到与他相关的新增讨论约10万条，是他过去30天日均值的25倍左右。品牌部问要不要借势，公关部问要不要准备回应口径。本文所有数字均为假设。
难点在于机会和风险发生在同一分钟：进球带来好感，手势可能招来处罚，还有人把它和一条旧的转会传闻扯在一起。10万这个数字把三件事压成了一条曲线，一个“正面率”只是平均数，而平均数最不该直接拿来做决定。下面按时间写，每个节点该让AI回答什么，又该在哪里停下来找人复核。
第1小时：爆点识别能告诉你“出事了”，说不清出了几件事
自动识别爆点已是成熟能力。美国新泽西理工学院管理学院为2026年世界杯纽约新泽西主办委员会等机构搭建了实时球迷情绪平台，用AI从社交媒体等来源里找出绝杀进球、争议判罚这类爆点并判断情绪，用来调整城市活动和传播安排[1]。
“什么时候热起来”已经不太需要人盯，麻烦在下一步：进球和手势相隔不到一分钟，爆点检测会把它们当成同一个峰值。第一小时该做的是Topic拆分。
| 话题簇 | 典型表达 | 第1小时模拟占比 | 初步性质 |
|---|---|---|---|
| 制胜球本身 | 射门选择、比赛局势、积分影响 | 约52% | 偏机会 |
| 捂耳朵手势 | 是否挑衅、会不会被罚、客队球迷的回应 | 约31% | 待定 |
| 转会联想 | “这是在回应谁”、旧传闻被翻出 | 约17% | 待定，真实性未知 |
很多帖子同时提到进球和手势，可以让一条内容挂在多个话题下，但算占比时按主话题归一，避免重复计数。
第3小时：10万条讨论背后，到底是多少人、哪几类人
讨论量的单位是“条”，商业判断需要的是“人”。这一步把Source拆开，按条数和账号两个口径统计：
| 来源 | 识别线索 | 按条数（模拟） | 按账号（模拟） | 对判断的意义 |
|---|---|---|---|---|
| 核心球迷 | 长期关注该队，历史发言有比赛细节 | 20% | 14% | 最接近真实口碑，也是会员和球衣的主要买家 |
| 泛体育用户 | 关注多个项目，常转发集锦 | 38% | 60% | 决定话题能扩散多远，但停留时间短 |
| 客队球迷 | 关注对手球队，集中在手势话题 | 17% | 20% | 情绪强烈，通常不是本品牌的目标人群 |
| 营销号与聚合号 | 发帖频率异常高，文案高度相似 | 19% | 3% | 放大声量，也可能带节奏或搬运伪造内容 |
| 媒体与记者 | 认证账号，常带信息增量 | 6% | 3% | 决定话题会不会进入新闻层面 |
营销号只占账号的3%，却贡献了近两成帖子。这不是模拟才有的现象。WTA与World Tennis发布的2025赛季网暴报告显示，9%的账号制造了87%的“高关注度”辱骂；在已核实的辱骂里，输了钱的博彩用户占到42%[2]。一粒补时制胜球必然让一部分人输掉投注，他们的愤怒会被如实记为负面，却和品牌几乎无关。
还有一类要单独拎出来：内容本身就是假的。Front Office Sports的报道把体育称作AI垃圾内容的重灾区，伪造的运动员言论、经AI篡改的图片都已出现，报道援引的研究称这类页面在Facebook上每天发帖可达50次以上[3]。如果第3小时开始流传一张“赛后采访截图”，系统首先要回答的不是它的情绪，而是它有没有原始出处。
第6小时：总盘偏正面，为什么反而要更小心
到第6小时，整体情绪可能是“正面约六成”（模拟）。这个数字不算错，但帮不上忙。按“话题×人群”交叉之后，画面完全不同：
- 核心球迷谈进球：几乎一边倒的正面，这是可以借势的部分。
- 客队球迷谈手势：强负面，但集中在客队球迷圈子里，暂时没有扩散到泛体育用户。
- 核心球迷谈转会：表面是玩笑，实则焦虑，“捂耳朵是不是在告别”这类发言被模型判成了中性。
最后一条最容易漏。球迷的担心常用调侃说出来，三分法会把它归到中性甚至正面，这类误判我们在情绪三分法的局限一文里有更细的拆解。对品牌来说，核心球迷的焦虑比客队球迷的愤怒更值得关注。
第12小时：“AI标记了多少”和“人工确认了多少”要分开记账
手势引出的攻击性言论增多，系统标记了一批疑似辱骂内容。最常见的错误，是把标记数直接写进管理层简报。
NCAA公布的2025年“疯狂三月”监测结果可以作参照：在100多万条帖子和评论里，AI标记了54096条，人工确认属于辱骂或威胁的是3161条，大约17比1[4]。AI初筛的职责是宁多勿漏，它交出来的是候选集，不是结论。
第12小时，系统标记疑似攻击内容约5800条。分析员随机抽取300条人工复核，确认真正针对球员本人的辱骂约40条，另有约60条在骂裁判或对方球队，其余是普通争论和玩笑。按抽样比例推算，需要关注的内容在数百条的量级，而不是五千多条。
简报里应同时写两个数并注明抽样方法：只写5800会让公关部过度反应，只写几百又可能低估极端内容。在韦德体育的流程里，人身威胁类内容不抽样，逐条人工看。
第24小时：用趋势决定是机会、风险，还是再等等
一天过去，决定性质的是几条趋势线：进球话题回落后有没有形成台阶；手势的负面有没有外溢到泛体育用户和媒体；有没有文案雷同、集中发布的账号在推某个说法。
最后一点在国内还有合规含义。中央网信办2026年5月部署“清朗·整治AI应用乱象”专项行动，第二阶段把AI生成虚假内容、用AI“托管”账号从事网络水军活动列为整治对象[5]。如果监测到某个说法主要由同质化账号推动，它既是要从声量里剔除的噪音，也是品牌不该去接的话题。
| 第24小时的信号组合 | 判断 | 建议动作 |
|---|---|---|
| 进球话题形成台阶式留存；手势负面仍局限在客队球迷；未发现伪造内容 | 偏机会 | 做与进球相关的轻量内容，画面避开手势，不碰转会话题 |
| 手势负面外溢到泛体育用户，媒体开始讨论处罚 | 偏风险 | 暂停一切借势内容，等待赛事纪律结果 |
| 转会话题上升，核心球迷焦虑加重 | 观望 | 不做商业动作，持续监测72小时 |
| 来源不明的“采访截图”快速扩散 | 先核实 | 联系俱乐部确认，核实前不引用、不回应 |
这一天里，AI最可能在哪些地方判错
- 同一峰值里的几个话题被合并计算：整体情绪由最大的话题主导，小而危险的话题被稀释。
- 把与品牌无关的负面当成风险：客队球迷、输掉投注的用户、骂裁判的内容都会拉低情绪分，但未必影响品牌。
- 把伪造内容的热度当真实讨论：模型擅长判断情绪，不擅长判断真伪，出处核实必须由人完成。
- 替纪律部门下结论：手势是否违规属于赛事纪律部门的职权，AI只能提示讨论走向。
检验方法：事件结束后，把第24小时的判断和第7天的实际走势对照，记下哪类信号失误最多，下次同类事件调高这一类的人工复核比例。
交给业务方的，不该是一个分数
韦德体育在做体育舆情分析时，交给业务方的是一页纸：话题拆分、来源结构（条数与账号两个口径）、标记数与人工确认数、趋势判断、建议动作，以及每一项由谁复核。品牌部拿到的不是“借不借势”的一句话，而是“在什么条件下可以借、借哪一部分”。
参考资料
- NJIT News：《NJIT Builds Real-Time Fan Sentiment Platform to Highlight World Cup Impact Across NYNJ Region》，2025年9月9日。https://news.njit.edu/njit-builds-real-time-fan-sentiment-platform-highlight-world-cup-impact-across-nynj-region
- WTA官网：《WTA and World Tennis report significant progress in fight against online abuse in 2025》，2026年7月16日。https://www.wtatennis.com/news/4536382/wta-and-world-tennis-report-significant-progress-against-online-abuse-in-2025
- Front Office Sports：《How Sports Became Ground Zero for AI Slop》，2026年6月5日。https://frontofficesports.com/how-sports-became-ground-zero-for-ai-slop/
- NCAA.org：《NCAA releases 2025 March Madness Signify data》，2025年6月10日。http://www.ncaa.org/media-center-ncaa-releases-2025-march-madness-signify-data/
- 新华网：《中央网信办部署开展“清朗·整治AI应用乱象”专项行动》，2026年5月8日。https://www.news.cn/tech/20260508/a9438f940a1549d8b670ae6a540933c3/c.html
