情感匮乏

　　社交媒体逐渐成为当今人们生活的一部分，而它也成为心理学家们进行研究的重要数据来源。与此同时，研究者也尝试利用自然语言处理、机器学习技术，来预测社交媒体用户的情绪波动。

　　去年突如其来的新冠疫情，深刻地影响着人们的生活。这一特殊的历史时期，社会大众的心理都变得敏感脆弱。

　　疫情期间减少外出和接触，使得民众把更多时间花在社交网络上。有些人不可避免地将工作和生活中的不如意，通过网络发泄给了别人。恐慌、焦虑、悲伤、无助等不良情绪也有所加重。

　　据调查显示，全球互联网用户平均每天花在社交媒体上的时间，达到 2 小时 22 分钟，社交媒体已经不限于社交功能，它们还成为了很多人记录心情、倾诉心事的阵地。

　　无论是国内的微信朋友圈、微博、QQ 空间等，还是国外的 Twitter、Instagram、Facebook，都承载了万千用户的状态。

　　来自斯坦福大学的研究员 Johannes Eichstaedt 和密歇根大学的 Aaron Weidman，在其最新研究中，使用自然语言处理工具，对 Facebook 用户的帖子进行分析。

　　研究表明，机器学习模型可以通过社交媒体洞察一个人的情绪与波动，其准确度与传统心理学的度量结果相当。

　　近年来，网络上的大量资料，已经成为人格科学中一个重要的数据来源。大量的研究表明，使用社交媒体资料，对人格相关维度进行分类十分有效。

　　Eichstaedt 和 Weidman 的最新研究，则为利用社交媒体大数据分析、跟踪人的心理状态，提供了一个前沿案例。

　　注：「效价」和「唤起」是心理学中评价情绪的两个维度，前者表示感受到的积极/消极程度，区分正面和负面情绪；后者表示冷静/兴奋的程度。

　　他们首先让已经有心理学研究基础的人类研究助理，给一项早期研究中的 2895 条公开 Facebook 帖子做注释。

　　研究助力给每一条帖子的「效价」（valence）和「唤醒」（arousal）进行打分。采用 9 分制（对于「效价」，1=「消极」，9=「积极」，同样地，对于「唤起」，1=「低」，9=「高」）。

　　然后作者对这些评分数据进行了一系列模型的拟合，每一个模型都显示，「效价」和「唤起」之间可能存在的明显联系。

　　对于国内的 NLP 研究者来说，中文情感分析数据集则更为适用。因此，超神经为大家推荐一个来自 2014 NLPCC 的中文微博情感分析数据集。

　　该评测数据来自新浪微博，对于输入的整条微博，任务要求判断出该微博是否包含情绪。对包含情绪的微博，要求判别其情绪分类输出为 anger（愤怒）、disgust（厌恶）、fear（恐惧）、happiness（高兴）、like（喜好）、sadness（悲伤）、surprise（惊讶）。

　　团队使用差异语言分析工具包 DLATK（Differential Language Analysis ToolKit），提取所选 Facebook 帖子中的语言特征，根据单词、短语出现的相对频率，保留了比偶然出现的短语频率高出三倍以上的词汇。最终过滤出 1439 个句子成分用来预测「效价」，675 个句子成分预测「唤起」。

　　接着，训练一个基于整个语言特征集的脊回归模型，来预测「效价」和「唤起」，并使用 10 倍交叉验证（即在 90% 的数据上建立模型，然后在剩余的 10% 上进行评估）。

　　该模型的交叉验证样本外预测准确率为：「效价」预测准确率 0.63；「唤起」准确率为 0.82。与之前其他标准的情感测量方法相比较，发现该模型比这些替代测量方法估计得更准确。

　　为了测试该模型，研究团队又从超过 6.5 万条 Facebook 帖子中，抽取了 640 个美国用户，男女人数相当，还需要满足的条件为：至少连续 14 周的时间里，发布 10 条以上的状态。

　　作者对用户的情绪评价进行了可视化，如下图，描述了一个女性（左）和一个男性（右）的每周情绪和唤醒波动，以及五大人格特征预测。

　　注：五大人格特征是现代心理学中情感匮乏，用于人格特质描述的结构模型。包括：外向性、神经质、亲和性、尽责性和经验开放性。

　　从图中看到，左边的女性用户情绪波动较大，并且出现高度愉悦（Valence）、高度兴奋（Arousal）的频率较高。

　　提供验证样本的 Facebook 用户，之前都自愿参与了「我的性格」的问卷调查，测评了其五大性格特征。

　　首先，他们以比较活跃的 Facebook 用户作为样本，但是之所以选择他们是因为他们提供了足够频繁的状态更新，但他们并不可能代表所有美国人。

　　其次，不同社交平台，具有不同的属性与风格，使用 Facebook 帖子所获得的成果，能否在不同社交媒体 比如 Twitter 上进行复制，还是个未知数。

　　也许对于很多人来说，社交平台无非是一个分享生活、美照、看八卦的地方，但事实上它在心理学研究中拥有着巨大的潜力。

　　通过数据挖掘、机器学习，能够从巨量的数据中提取信号，识别出患有抑郁症、焦虑症等情绪障碍的人，然后及时采取一些治疗措施。在这方面，国内也已经有成熟案例。

　　荷兰阿姆斯特丹自由大学（Vrije Universiteit Amsterdam）人工智能学者黄智生，于 2018 年创建了一个叫做「树洞救援队」的 AI 程序，在微博上搜寻有倾向的帖子，然后通过「蛛丝马迹」锁定有轻生念头的用户的位置，及时派出救援志愿者前去寻找和疏导。