基于微博用户的情绪变化分析

通过网络大数据的方法宏观地分析微博用户在不同季节和时间的情绪变化.以195万微博活跃用户为样本,在每个季节下载一周的微博活跃用户数据,利用"中文心理分析系统"计算每个季节积极情绪和消极情绪词的词频.结果显示:1)人们的综合情绪的2个高峰分别在中午和晚8点;2)虽然人们在周末的积极情绪与工作日无异,但消极情绪在周末明显低于工作日;3)人们在夏季的积极情绪和消极情绪最高,在秋季的积极情绪和消极情绪最低;4)两种性别的情绪走势一致,但女性较男性有更多情绪表达、更情绪化,更易感.

论大数据时代的心理学研究变革

大数据作为一个随信息时代应运而生的概念,近年来得到了各行各业的共同关注,其中也包括心理学。文本从技术的角度介绍了大数据的概念及其技术工具,总结了传统心理学的研究逻辑和研究方法,在此基础之上介绍了心理学研究中的大数据问题以及一些相关的实际应用,总结了大数据对心理学的研究逻辑和研究方法产生的影响。大数据的出现是技术发展的必然产物,心理学作为以外部表现数据为分析对象的学科,理应抓住这样的机遇。对于当前心理学研究的多个层面,大数据技术都能直接起到提高效率、增强效度的作用;同时,如果研究者从心理学研究的目标着手,充分利用现代信息技术,将大数据同心理学问题和心理学研究范式有机结合,则有望拓展心理学研究的领域和思路,促进心理科学体系的进一步发展。

正念训练对受训者幸福感的影响研究

为探索正念训练对大学生主观幸福感和心理幸福感的影响,文章采用完全随机前后测设计,使用五因素正念度量表(FFMQ)和综合幸福问卷(MHQ),在训练前、后分别对训练组和对照组被试进行测试。结果表明,8周训练后,训练组的FFMQ、MHQ、主观幸福感和心理幸福感差值虽然均高于对照组,但只有正念水平发生了显著的改变,两类幸福感皆未发生显著的变化;训练组幸福感的一个因子正性情感的差值显著高于对照组。研究显示,正念训练显著地提高了受训者的正性情感。

积极心理学领域中的正念研究

正念一词引入心理学已久,但国内对其的研究才刚刚开始。为了使大众对正念有一个系统的了解,本文用综述法阐述了正念的基本概念与机制并归纳了正念在积极心理学领域的运用。对正念的研究国外较为成熟,国内起步晚但发展快,分析其研究现状,发现存在理论基础薄弱、概念解释矛盾、研究范围局限等问题。然而这些问题的存在恰好能够为我们的研究指引前行的方向。

正念与幸福感的本土化研究

正念这一概念近来颇受国内心理学界关注,作为佛教中助人离苦得乐的修行方式,其自然地使人联想到幸福感。文章将国内关于正念与幸福感的研究分为描述性研究、测量型研究和干预型研究三类。本土化的研究延续了西方实践多于理论的态势,也得到了相类似的结果,即多数研究发现正念与幸福感存在正相关,一些研究则认为两者不存在显著关系。本土化研究尽管成果丰硕,但仍存在一些不足。

基于局部特征优化的语音情感识别

情感识别在人机交互领域具有广阔前景。由于情感表达在时间上具有一定的持续性,统计特征更能体现不同情绪语音的差异和动态变化,大多数语音情感识别研究都使用全局特征(如最大值、最小值等),并没有充分挖掘局部特征(如单帧的短时能量、过零率等)中的信息。提出一种基于局部特征优化的方法,对每个情感语音样本做进一步提纯,通过聚类分析对情感特征相对不显著的帧进行过滤,在此基础上进行统计计算和分类,以提高预测的准确率。实验结果表明,基于优化后的样本进行情感分类,3个语料库的平均准确率提高5%~17%。进一步的研究发现这种优化方法可能更适合于语音长度较长的情感识别场景。

融合注意力机制与双向长短时记忆网络的基于语音分析的抑郁识别方法

为有效地通过语音识别抑郁状态,在将语音进行滤波、降采样等预处理后通过短时傅里叶变换成时频图,输入本文提出的DD-AudioNet(一种融合注意力机制与双向长短时记忆网络的卷积神经网络)进行训练,提取神经网络的瓶颈层向量作为深度学习特征,共128个,再加上声学、频域、停顿、Mel频率倒谱系数和色度5类常用特征共计563个,基于特征选择方法Lasso选择了26个.用迁移学习方法CORAL拉近训练集和测试集的特征分布,最后通过逻辑回归、随机森林和XgBoost分别进行分类辨识.实验结果表明,本文通过高维度特征定义与选择,设计的DD-AudioNet提取的深度学习特征可有效提升基于语音的抑郁状态辨识能力.

微博用户生活满意度微博语言及行为特征分析

目的通过分析生活满意度高、低水平的微博用户在微博语言和行为上的差异,归纳出可以区分生活满意度高低的微博特征。方法于2012年10月通过新浪微博招募被试,收集被试的人口学资料、生活满意度和微博特征数据。以生活满意度得分的平均数加减前后一个标准差为条件筛选出高低分组,得到325名高分组和303名低分组被试,对2组被试的各个特征进行差异检验。结果生活满意度总均分为(13.6±9.8)分;高分组生活满意度为(22.8±2.7)分,低分组为(3.7±2.0)分,差异有统计学意义(P<0.001);非参数检验中,高分组(M,QR)特定人称代名词(3.92,2.67)、第一人称代词单数(2.04,1.29)、第一人称代词复数(0.06,0.00)、相对词(9.21,7.55)、空间词(3.91,3.07)和金钱词(0.42,0.00)6个语言特征的使用频率均高于低分组的(3.55,2.39)、(1.91,1.02)、(0.00,0.00)、(8.71,7.23)、(3.59,2.84)、(0.28,0.00),差异有统计学意义(P<0.05),高分组排除词的使用频率为(1.76,1.13),低于低分组的(1.98,1.22),差异有统计学意义(P<0.05);行为特征方面,高分组的互粉数与关注数之比(0.42,0.23)、互粉数(103,55)、粉丝数(463,309)和认证数(0.00,0.20)均高于低分组的(0.35,0.19)、(86,46)、(415,221)、(0.00,0.00),差异有统计学意义(P<0.05)。结论不同生活满意度的微博用户在部分微博语言特征和行为特征上存在差异。

基于语音的抑郁症识别

抑郁症是世界范围内常见的精神疾病之一,抑郁症患者往往长期伴随情绪低落,如悲伤内疚、低自尊、兴趣丧失、功能减退等,对个人、家庭及社会造成了巨大损失.抑郁症的发病原因复杂,临床诊断存在一定的困难,有必要寻找一种更加便捷、客观、高效的方式来辅助抑郁症的快速识别.语音作为一个相对客观且容易获得的变量,具有其潜在的价值.本研究旨在构建基于语音的抑郁症识别模型,探究语音与抑郁症之间的关系.收集了103名被试(45名抑郁症患者,58名健康人)的语音数据,实验组为临床确诊的抑郁症患者,年龄在23.8~44.6岁之间,控制组为健康人,年龄为20.1~41.7岁.我们采用了3(情绪状态:正性、中性、负性)×3(任务类型:语言问答、文本朗读、图片描述)的实验设计,运用机器学习的分类算法——逻辑回归(LR)来构建抑郁识别模型.实验结果表明,语音的抑郁识别精度可以达到82.9%.本文采用机器学习方法,基于语音变量建立有效的抑郁症自动识别模型,为抑郁症的辅助识别提供客观的指标和依据.