论文部分内容阅读
焦虑会对个体的心理健康产生不良影响,而焦虑障碍则会严重损害个体的生活质量和社会功能,同时带来沉重的社会负担。考虑到社交网络在当下国民的生活中占有越来越大的比重,如何通过社交网络更好地预测焦虑状态,显得尤为重要。本研究旨在探索利用微信这一国内使用最频繁的社交网络平台来预测年轻成人焦虑状况的可能性。本研究招募了208名年轻成人(男性79人,18～28岁,平均年龄21.88±1.45)作为参与者,他们在过去6个月内每月至少发布过一条原创朋友圈;采用广泛性焦虑量表(GAD-7)测量参与者的焦虑状态,并测量了一系列协变量,包括特质焦虑水平(状态—特质焦虑问卷STAI中的T-AI分量表)、人格特质(中国版大五人格量表简表TIPI-C)、社交网络使用时间(time spent on social media, TSSM)、微信朋友圈使用时间(time spent on wechat moments, TSWM)、亲密关系状态、人口统计学变量(性别、年龄、民族、月均可支配收入等)。对于同意开放朋友圈文本的192名参与者,收集他们在过去6个月内发布的朋友圈文本,对其中发布总字数大于500字的147名参与者,利用简体中文版LIWC词库(Simple Chinese Linguistic InquiryandWordCountdictionary,SC-LIWCdictionary)在多个维度上对其文本进行词频分析。根据GAD-7得分将参与者分为高焦虑组(10～21分)和低焦虑组(0～9分),结果发现两组存在显著的朋友圈文本特征差异:高焦虑组用户发布的朋友圈更多(p <0.09),而在文本风格上他们更少使用友情、情绪唤起、积极情绪词类中的词语(p <0.01;p <0.03;p <0.03),更多使用归因、死亡词类中的词语(p <0.01;p <0.07)。在此基础上,使用基于监督学习的支持向量机(Support Vector Machine)算法搭建了基于微信朋友圈文本的用户焦虑状态预测模型,对高低焦虑用户的分类准确率达到77%。本研究的结果表明,利用微信朋友圈来预测用户焦虑状态是可行的,也为未来将社交网络更好地纳入心理健康服务打下一定基础。