数据解读｜自然情绪词汇对痛苦和幸福的研究

数据解读｜自然情绪词汇对痛苦和幸福的研究

痛点：迄今为止，我们对自然情感吃苦以及他们是否或如何与情感功能相关知之甚少。语言学原理表明，个人积极使用的情感词汇的丰富性或多样性可能与其典型的情感体验相对应。目前的调查测量了参与者生成的自然语言中的积极情绪词汇，并检查了他们与情绪、个性以及身心健康方面的个体差异的关系。

研究1 分析了1567名大学生的意识流论文；

研究2 分析了35000多人撰写的公共博客；

这些研究得出来一致的发现，即情感词汇丰富度与经验广泛相关。更大的负面情绪词汇与更多的心理困扰和更差的身体健康相关。更大的积极情绪词汇与更高的幸福感和更好的身体健康相关。
场景：研究结果支持将语言使用和发展与生活经验联系起来的理论，并且可能具有未来的临床意义。

简介

在当今高度自我意识的时代，命名情绪的能力常常受到赞扬。通常认为使用丰富情感词汇的人比使用范围较窄的情感词汇表达自己的人在情感和身体上更健康。自封的情感专家会发布冗长的情感词汇表，以帮助人们尽可能准确地表达情感。流行和学术刊物提出命名情绪可以促进身心健康，为了利用这一效应，建议读者“强化情绪概念”和“尽可能多地学习新词”促进身心健康。为利用这一效应，建议读者“强化情绪概念”和“尽可能多地学习新词”，以便在困难情绪出现时更加灵活准确地对其进行分类。移动应用程序确保最精确的情感标签只需手指点击即可。

尽管对命名情绪很感兴趣，但我们对自然情绪词汇库以及自然情绪词汇 (EV) 是否或如何与情绪功能相关仍然知之甚少。大多数关于识别情绪的好处的研究都测量了情绪能力的自我感知，而不是情绪语言本身。

更关注情感语言的研究依赖于实验者生成的情感词的被动呈现，捕获自然 EVs 以外的结构。例如，情商，即使用情绪进行识别和推理的能力，是通过多项选择的形式来衡量的。情绪分化，即从概念上区分同价情绪的能力，与积极的心理健康相关，是从李克特情绪评级的结构中推断出来的。对这种李克特式情绪量表的更快反应也与有益的情绪调节有关。与观看未标记的图像相比，观看与匹配的情感词配对的令人沮丧的图像会激活抑制情绪强度的额叶结构。这些研究令人信服地指出了与识别常见情绪概念和标签相关的好处，但它们与日常生活中自然、自发的情绪词使用的相关性尚不清楚。

语言学方法有助于区分情感语言的研究：口头知识的程度分为两个嵌套的领域。主动词汇是个人自发产生的一组词，它仅构成一个人的被动词汇的一个子集，或该人可以识别的全部词。重要的是，主动和被动词汇量的大小不相关；被动词汇量随着学校教育而增加，而主动词汇量趋于稳定，这表明人们会重复使用他们最熟悉的单词。向参与者展示情绪标签的研究揭示了涉及被动情绪知识的过程。然而，正如其他人所指出的，要充分了解情感语言在幸福感中的作用，我们还必须将研究扩展到主动电动汽车。

在最基本的层面上，词语是与概念和经验相对应的符号。从这个角度来看，活跃词汇和经验之间应该有广泛的一致性。在这个阶段，我们不知道这种关系中的因果关系，它可能是双向的。具体来说，至少出于三个互不排斥的原因，活动词汇可以与经验相对应。首先，活跃的词汇提供了一个了解心理习惯的窗口。就像木匠将最有用的工具放在触手可及的地方一样，说话者使用最频繁的词来执行他们最常见的心理操作。这一语言原则已成为人格研究的中心前提：活跃的词汇可以告诉我们人们在思考时最常使用的概念。照这种逻辑，一个人可能只是通过更频繁地体验某些情绪而为它们开发了更多种类的标签。
在本项目中，两项研究考察了主动电动汽车的特征及其与情绪、个性、身心健康等个体差异的关系。我们期望词语和经验之间存在广泛的横截面对应关系，这样大量的负面情绪词汇表示幸福感低，而大量的积极 EV 表示幸福感高。

研究 1

意识流写作具有非结构化的性质，为研究个体差异的语言标记提供了一个理想的机会。研究 1 调查了意识流作品中的 EV（最终N= 1567）通过（1）识别正EV和负EV的基本属性，包括它们的大小和重测可靠性；(2) 检查 EV 与人口统计特征、个性以及身心健康方面的广泛个体差异之间的联系；(3) 检查特定情绪家族（即愤怒、悲伤、焦虑/恐惧和快乐）的 EV 与相应状态级情绪强度之间的关系。关系用标准化误差和 95% 偏差校正和加速置信区间表示，使用 2000 个带替换的自举复制生成。

总体而言，基于积极情绪（M = 3.62，SD = 1.28）和消极情绪（M = 2.40，SD = 1.15）类别使用语言查询和字数统计 (LIWC)。

独特情感词的实际数量要少得多。消极情绪的平均 EV 为 0.55（SD = 0.36，范围：0-5.71，95% CI：0.53-0.57]），积极情绪的平均 EV 为 0.52（SD = 0.34，范围：0-3.75，95% CI：0.29- 0.34]）。基于 EV 算法，这些平均比率对应于每 200 个文本词大约一个独特的正面和一个独特的负面情感词。重测相关性适中（rNegEV= 0.18，95% CI：0.10–0.27]，p < 0.001；r PosEV= 0.28, 95% CI: 0.19–0.38],p< 0.001)，但与之前关于语言行为中表现出的特征的时间稳定性的发现一致 (r= 0.24)。

积极和消极的 EV 指数在积极的方向上相互适度相关，这表明在某种程度上它们可能反映了情感语言更大多样性的单一趋势（表1）。如表 1所示，负 EV 与女性性别相关，而正 EV 与女性无关。负 EV 或正 EV 均与年龄无关。

如表1所示，负 EV 通常与与幸福感差相关的语言标记的流行有关，即较低频率的we -words 和 leisure words，以及更高的 I-words 和 illness words。积极的 EV 通常与积极幸福感相关的标记相关：高频率的成就、从属关系和休闲词。一些发现是出乎意料的。积极的 EV 出乎意料地与身体疾病词的更高提及有关。成就词没有显示出与负 EV 的预期负相关，这可能是因为这些担忧对于大学环境中的大多数学生来说都很常见。

如表1所示，负 EV 与较高的神经质和抑郁症以及较低的整体健康状况有关。相反，积极的 EV 与更积极的经历和更高的社会心理功能指标相对应：更高的外向性、宜人性和整体健康，以及更低的自我报告的神经质和抑郁症。对于关键关系的散点图，请参见补充图 2。虽然不是这些分析的重点，但研究 1 的数据也用于检查文本衍生指数的标准有效性。补充表2中报告的文本衍生指标和自我报告的幸福指标之间的相关性 , 始终表明关联提示有效性（即，I-words 和 illness words with low well-being; we-words, affiliation, achievement, and leisure words with high well-being）。

鉴于 EV 可能部分是文本情绪基调和/或个人一般语言能力的产物，表1中报告的分析重复使用控制一般词汇、消极情绪基调和积极情绪基调的偏相关。如表 1中的偏相关所示，情绪 EV 与心理变量之间的许多关键关系仍然存在或变得显着。因此，EV 似乎能够解释健康和调整指数的独特差异，超越整体语言发展和情绪基调的影响。

学生在写作前感到消极时使用更多不同的消极 EV（r= 0.19，SE = 0.02，95% CI：0.14–0.24]，p< 0.001），较大的消极 EV 也与写作后的消极情绪有关（r= 0.21，SE = 0.02，95% CI：0.17–0.26]，p< 0.001）。同样，积极的 EV 和与写作前自我报告的积极情绪相关（r= 0.19，SE = 0.02，95% CI：0.14–0.23]，p< 0.001）。写入后（r= 0.22，SE = 0.02，95% CI：0.18–0.27]，p < 0.001）。

特定情绪的 EV 分数用于检查情绪语言的可变性与相应情绪状态变化之间的关系。悲伤词汇用于预测写作后自我报告的悲伤水平，恐惧词汇用于预测写作后的担忧，愤怒词汇用于预测写作后的愤怒，无差别的负面词汇用于预测自我报告的写作后压力水平。为了严格测试纯粹的情感词汇量的影响，除了整体词汇丰富度或写作的情感之外，还控制了一般词汇和消极和积极情绪基调的部分相关性。为了隔离自我报告的情绪随时间的变化，每个偏相关还控制了目标情绪的写作前水平。

如表所示2个，作为特定情绪词汇可变性的函数，相应的主观感受在写作过程中变得更强烈，并且这些主观情绪效应对目标情绪具有高度特异性。在意识流练习过程中，使用更多悲伤名称的人会变得更悲伤，但不会变得更担心、愤怒或压力更大。因恐惧而使用更多名字的人会变得更担心，但不会感到更悲伤、更愤怒或更有压力。那些在写作中使用更多愤怒名字的人变得更愤怒，但实际上变得不那么担心了，而且压力没有变化。在写作练习过程中压力增加的人是那些使用高频率独特的未区分负面词的人。积极的 EV 与积极情绪的增加表现出类似的对应关系。

研究 2

研究 2 分析了大量公共博客（最终N = 35、385）。Bloggers 经常写了好几年，生成的文本样本涵盖了不受限制的主题范围——一些是个人的和情感的，另一些是枯燥的和事实的。研究 2 中的关系用标准化误差和 95% 偏差校正和加速置信区间表示，使用 500 个带替换的自举复制生成。

博主平均使用大约 6.55 个独特的负面情绪词和 5.99 个独特的正面情感词。负 EV 率平均为 0.29（SD = 0.21，范围：0-2.66），正 EV 率平均为 0.33（SD = 0.21，范围：0-2.49），或者仅少于一种独特的积极情绪和一种独特的消极情绪每 300 个文字的单词。为了评估 EV 稳定性，将每个博客分成两半，并为每一半计算单独的 EV 统计数据。可靠性（rNegEV= 0.27，SE = 0.01，95% CI：0.26–0.29]，p< 0.001；rPosEV= 0.28，SE = 0.01，95% CI：0.27–0.29]，p < 0.001）超过两个测试– 重新测试研究 1 中的可靠性和先前发现的心理语言变量。

与研究 1 一样，正负 EV 呈正相关（r= 0.22，SE = 0.01，95% CI：0.20–0.23]，p< 0.001）。捕获的情感词示例出现在补充方法中。

与研究 1 一样，负 EV 与女性相关；阳性 EV 也与女性相关。重复研究 1，消极和积极的 EV 与认知处理词有关。积极和消极的 EV 都与一般词汇相关，每个指标都与相应的情绪基调相关。

研究 2 分析了大量公共博客（最终N = 35、385）。Bloggers 经常写了好几年，生成的文本样本涵盖了不受限制的主题范围——一些是个人的和情感的，另一些是枯燥的和事实的。研究 2 中的关系用标准化误差和 95% 偏差校正和加速置信区间表示，使用 500 个带替换的自举复制生成。

博主平均使用大约 6.55 个独特的负面情绪词和 5.99 个独特的正面情感词。负 EV 率平均为 0.29（SD = 0.21，范围：0-2.66），正 EV 率平均为 0.33（SD = 0.21，范围：0-2.49），或者仅少于一种独特的积极情绪和一种独特的消极情绪每 300 个文字的单词。为了评估 EV 稳定性，将每个博客分成两半，并为每一半计算单独的 EV 统计数据。可靠性（rNegEV= 0.27，SE = 0.01，95% CI：0.26–0.29]，p< 0.001；rPosEV= 0.28，SE = 0.01，95% CI：0.27–0.29]，p< 0.001）超过两个测试– 重新测试研究 1 中的可靠性和先前发现的心理语言变量

。与研究 1 一样，正负 EV 呈正相关（r= 0.22，SE = 0.01，95% CI：0.20–0.23]，p < 0.001）。捕获的情感词示例出现在补充方法中。

与研究 1 一样，负 EV 与女性相关；阳性 EV 也与女性相关。重复研究 1，消极和积极的 EV 与认知处理词有关。积极和消极的 EV 都与一般词汇相关，每个指标都与相应的情绪基调相关。

方法

参与者和程序

参加大型在线心理学入门课程的本科生在 9 月中旬（时间 1）完成了相同的写作作业，并在 12 月初（时间 2）再次完成了重测可靠性分析。大多数论文符合纳入标准：在撰写第一篇论文的 1579 名学生中，有 1567 名学生产生了可分析的文本（即，至少 100 个单词；默认情况下至少 70% 的单词可识别 LIWC词典；其中 1360 篇在时间 2 产生了可分析的论文。鉴于我们研究问题的新颖性，效果大小无法先验地用于功效分析。然而，这个样本量足以检测具有足够 (0.80) 功效的非常小到中等的相关性。完成 Time 1 论文的学生的平均年龄为 18.8 (SD = 2.0)，并且 60.7% 被确定为女性。Time 2 论文完成者与未完成者在性别（女性更有可能完成第二篇论文）和报告更高的责任心（独立t检验，p< 0.01）方面有所不同。该程序得到了德克萨斯大学奥斯汀分校机构审查委员会的批准。在学期开始时获得所有参与者的知情同意。

意识流论文

参与者在 20 分钟内以书面形式记录他们的想法。学生们在课外通过个人电脑完成了练习。指示如下：
在这个 20 分钟的任务中，您的目标是跟踪您的想法、看法和感受。只需在整个时间里不断地写作，并在不加审查的情况下写出你的想法、看法和感受。写的东西没有对错之分。在整整 20 分钟内跟踪您的想法。

20 分钟过去后，学生可以选择停止或继续写作。论文在时间 1 平均为 665 个单词 (SD = 241)，在时间 2 平均为 631 个单词 (SD = 254)。代表文章语气/内容和 EV 分数范围的示例文章出现在补充方法中。

情感词汇（EV）

LIWC基于频率，这意味着它计算 70 多个类别中超过 4500 个单词和词干的出现次数。然而，在其典型应用中，LIWC 对包含十个不同情感词的文本产生的分数与对重复相同情感词十次的文本产生的分数相同。我们创建了一种方法，通过计算独特的或非重复的情感词的比率来量化 EV 的大小。情绪词是指主要用于命名情绪状态或感受（例如，快乐、沮丧和尴尬）的词，而不是指带有情感色彩或主题的内容（例如，胜利、白痴和战斗）。

虽然对于不同情绪状态的数量存在分歧 ,这种方法很灵活，可以修改以包含每个研究人员感兴趣的词。对于当前项目，命名积极和消极情绪的词是从 LIWC2007 情绪词典中最初的 406 个正面和 499 个负面情感色彩词组中识别出来的。最终的情感词列表包括 92 个负面情感词和 53 个正面情感词（补充表1）。

来自 Kuperman 及其同事的关于习得年龄 (AoA) 的规范数据显示，阳性词（8.21 岁，SD = 2.63）和消极词（8.9 岁，SD = 2.79）的 AoA 相当。预计最终单词列表的长度和平衡对结果的影响可以忽略不计 。通过独特和不重复，我们的意思是 EV 方法关注的是情感词使用的多样性——而不是频率、质量或其他维度。重要的是，同一个词的不同变形（例如，sad、sadness、sadly）被算作同一个情感词。
为了消除文本长度的混杂影响，所有 EV 分数都使用以下公式控制字数：

因此，EV 分数表示独特情感词的数量占总词数的百分比。例如，文本“他对我很生气，但遗憾的是我无能为力”将获得 2/14 × 100 的 EV 分数，即 14.29。分别计算消极和积极情绪词（在分子位置）的分数。为了预测与状态情绪相关的更细粒度的问题，EV 率也分别计算了与悲伤相关的情绪（例如，失望、痛苦和绝望）、与焦虑或恐惧相关的情绪（例如，紧张、害怕、和惊慌），以及与愤怒相关的情绪（例如，疯狂、愤怒和加重）。为了对应压力情绪的状态情绪评级，这通常被认为是一种未分化的负面情绪状态，EV 率也被计算为一般。文本语料库和作者特征。

2004 年 8 月从 blogger.com 收集了 37,296 个博客的完整文本。有关语料库设计的完整信息，请参阅 Schler 等人。博客包含从开始到收集之日所写的所有条目。纳入标准与研究 1 中报告的相同，删除了错误收集的重复文本。最终语料库包含 35,385 个人博客的全部内容，总长度从 107 到 481,983 个单词不等（M = 3142；SD = 6572）。该样本量减轻了由于这种性质的工作的小效应量而导致的潜在问题。博主自我认定的性别和年龄是在可用时收集的。27.4% 的博主的年龄和性别数据可用（N= 9688）。其中，大约一半的博主是女性 (5048; 52%)，年龄介于 13 至 88 岁之间 (M = 22.41; SD = 8.06)。由于未收集识别数据，因此未获得知情同意。

结论

这些研究检验了自然语言中的情感词汇是否与社会心理功能相关。研究 1 表明 EV 指数在心理测量上是可以接受的。关于结构效度，EV 在逻辑上一致的方向上与认知加工倾向、一般词汇和情绪基调相关。大多数幸福感指标与使用更稀疏的负值和更广泛的正值 EV 相关。在州一级，使用更广泛的情感词汇与相应情绪的强化有关。这些影响明显是特定于情绪的：使用不同悲伤词汇的人变得更悲伤，使用不同愤怒词汇的人变得更愤怒，等等——即使在控制这些特定情绪的写作前水平时也是如此。这些影响仍然超出潜在混淆的影响。人们似乎使用更大的 EV 来描述他们可能会强化的状态。然而，学生样本和意识流练习限制了普遍性。尽管主题不受限制，但该练习需要一定程度的内省，这可能会夸大 EV。研究 2 通过分析更大、更异构的自然语言样本解决了这些问题。

在研究 2 中，EV 的心理测量学通常重复研究 1。虽然人们使用积极的价词比消极的词更频繁，但对于负面情绪，EV 再次略大。分半信度超过研究 1 中发现的重测信度，表明稳定性。EV 再次与关注内部体验（认知处理）、一般词汇广度和情绪基调的既定标记相关，表明结构有效性。值得注意的是，大多数人倾向于拥有小型 EV，在他们的博客条目中平均每 1000 个词有 7 个独特的情感词。这种低比例与活跃词汇相对于其他知识水平的有限性是一致的 。负EV 再次与几乎所有较低调整的标记相关。负 EV 较大的博主使用语言的方式与抑郁、社交和行为孤僻以及身体健康较差的人一致。类似地，甚至比研究 1 更一致，负EV在预测幸福指数方面表现出增量有效性，超出了一般词汇和情绪基调的影响。正EV与幸福指标的关系更加复杂，并且仅部分复制了研究 1。

那么，在这两项研究中，使用更多负面情绪词汇的人似乎表现不佳；他们使用低幸福感的语言标记，并报告了更严重的抑郁、神经质和更差的身体健康。相反，使用各种积极情绪词汇的人似乎过得很好；积极的 EV 与幸福感的语言标记相关，并且在学生样本中，自我报告的责任心、外向性、宜人性和整体健康程度更高，抑郁和神经质水平更低。大多数关系不能归因于文本的情感基调，也不能归因于个人一般词汇量的大小，因此建议将 EV 本身作为一种独特的心理标记。EV 指数的稳定性，可用于同类测量，强调了这种潜力。