一位自杀博主遗言评论留言的主题分析

目的:描述社交媒体中负向情绪的表达,探讨其与浏览者自杀风险的关系。方法:选取抑郁症自杀者"走饭"遗言微博下的10582条留言,利用NVivo11 Pro软件,由1名资深社会工作者对留言进行理解,建立树状节点,根据留言所含情绪进行留言的编码分类,经由另1名社工进行复查,产生分歧的留言由心理咨询师进行裁定。利用N11软件词频分析功能,统计留言中高频出现的词语及其频率。结果:微博留言者中表述自己患有抑郁症者占9%;表达自杀意念者占14%;负向表达留言占77%。词频统计发现"想死"、"杀"、"死了"、"离开"、"自杀"为高频的自杀相关关键词。结论:高自杀风险者聚集在该微博留言区,大量表达负性情绪,可能通过情绪传染对浏览者自杀风险产生影响。     

不同自杀可能性微博用户行为和语言特征差异解释性研究

目的通过比较不同程度自杀可能性网络用户在微博行为和语言上的差异,归纳高自杀可能用户的可识别特征,探讨通过网络社交平台实时评估个体自杀可能的前景。方法在线招募微博用户参与问卷调查,根据个体自杀可能性量表中文版得分情况,将982名受访者分为446名高自杀可能组和536名低自杀可能组,分析2组在微博提取的10类行为特征和88类语言特征上的差异。结果全部受访者自杀可能性总均分为(69.7±11.9)分;女性"敌意"分量表得分为(13.2±2.6)分,高于男性的(12.7±2.4)分,"绝望"分量表得分为(24.4±4.7)分,低于男性的(25.0±4.7)分,差异均有统计学意义(P<0.05);二列相关分析表明,自杀可能性水平与"社交活跃度"和"未来词"使用频率呈负相关(r=-0.082、-0.073,P<0.05),与"夜间活跃度"和"第三人称单数"、"否定词"使用频率呈正相关(r=0.081、0.077、0.066,P<0.05);非参数检验结果表明,高自杀可能组的"社交活跃度"、"集体关注度"和"未来词"使用频率低于低自杀可能组(P<0.05),高自杀可能组的"夜间活跃度"和"死亡词"使用频率大于低自杀可能组(P<0.05)。结论不同自杀可能性的用户在微博行为和语言表达上存在差异,高自杀可能性用户与其他用户相比社交活跃度低,夜间更加活跃,关注别人更少,使用更多表达否定、死亡的词语,使用更少指向未来的词语。     

研究生抑郁情绪的网络自助心理咨询效果

传统的心理咨询模式面临着心理服务资源供需矛盾的挑战[1],新兴的网络心理咨询虽然在一定程度上缓解了上述问题的困扰[2-6],但仍需依赖咨询师在网络终端提供人工服务,未能发挥信息技术的自动化(automated)优势[7].认知行为技术(cognitive behavioral therapy,CBT)对抑郁情绪等心理问题具有良好的调节效果[8-9],国外学者已经在英文语境下研发出有效的基于CBT原理的网络自助心理咨询程序,便于用户可以在咨询师缺席的情况下自我引导地完成整个心理咨询过程[10-12].本研究检验网络自助心理咨询对抑郁情绪的调节效果.     

新浪微博用户中自杀死亡和无自杀意念者特征差异的研究

目的 探讨新浪微博用户中自杀死亡与无自杀意念者行为和语言特征的差异。方法 经新浪微博认证用户提供的信息, 收集31名网络识别自杀死亡用户(自杀死亡组);邀请微博用户填写自杀意念相关筛查量表, 收集30名无自杀意念用户(对照组)。比较两组用户在10种微博行为和88种语言特征方面的差异。结果 (1)行为特征中, 自杀死亡组的微博链接率(链接微博数与公开微博总数的比值)和微博互动率(平均每篇微博@其他用户的次数)均低于对照组[0.04(0.04) vs. 0.06(0.04), P=0.029;0.60(0.27) vs. 0.69(0.18), P=0.028], 自我关注程度(平均每篇公开微博使用的第一人称单数次数)高于对照组[0.47(0.25) vs. 0.30(0.10), P=0.010];(2)语言特征中, 自杀死亡组在数量单位词、工作词、省略号使用率低于对照组(均P<0.05), 在代名词、特定人称代名词、第三人称单数、非特定人称代名词、社会历程词、焦虑词、排除词、性词、宗教词、第二人称单数、人类词、消极情绪词、愤怒词、悲伤词和死亡词的使用率均高于对照组(均P<0.05)。结论 自杀死亡用户的微博互动更少, 更加关注自我, 更频繁地使用表达排除意义的词语, 从情感层面上有更多负性表达, 使用更多与死亡、宗教相关而更少与工作相关的表达。这些特点对开展针对网络用户的自杀学研究有重要启示。     

基于动作捕捉的减重条件下心理疲劳状态测量技术

目的利用动作捕捉和机器学习技术,探讨减重条件下通过关节运动的三维空间坐标统计特征测量受试者心理疲劳状态的可行性与可靠性。方法通过长时间认知任务诱发受试者的心理疲劳状态并利用量表进行评估。采用Kinect深度摄像头识别并追踪受试者2min减重跑步运动过程中25个关节点的运动信息。利用高斯过程回归算法建立心理量表与行为数据间的模型,并通过皮尔逊相关和均方根误差对模型进行验证。结果在减重条件下,基于关节运动的统计特征可以预测个体的心理疲劳状态,疲劳量表各个维度预测值与真实值间平均相关系数为0.44,均方根误差为2.94,心境状态量表模型预测值和真实值同样达到中等相关0.45,均方根误差为5.49。结论人体关节运动信息可作为有效生物特征预测受试者心理疲劳水平,且在空间或资源有限情况时,基于动作捕捉和机器学习方法建立的心理指标预测模型可为未来载人航天任务心理状态测量提供新方法。