网络自杀与线下自杀的污名化态度:新浪微博的内容分析

简介

背景

根据世界卫生组织最新公布的估计数字，自杀仍是全球死亡的主要原因之一。[1］．精神疾病污名化是指对精神疾病患者的负面刻板印象，可能导致歧视[2］．尽管所有的精神疾病都被认为是一种耻辱，但自杀尤其会被认为是一种耻辱，被认为是“仅仅是寻求关注的手势”。3.］．对自杀的污名化会降低接受治疗的可能性，并增加自杀死亡的风险[4，5］．因此，降低病耻感可以改善心理健康结果。减少污名化的努力在针对特定的心理健康问题时更有可能有效[6-8］．因此，了解人们通常与自杀有关的负面刻板印象，然后相应地设计反污名化运动是至关重要的。

互联网促进了自我表露和社会联系，催生了一种新兴的自杀形式(即网络自杀)。与不涉及互联网的传统自杀形式(即线下自杀)不同，网络自杀涵盖了广泛的互联网媒介自杀行为和现象，包括直播自杀[9，10］．互联网增加了人们披露自我的意愿，并为人际交流提供了高度互动的平台(如推特和新浪微博)。因此，在互联网上，有自杀意图的人有动力与他人分享和交流他们关于自杀的想法，并能够在生命的最后时刻与他们的社交网络保持积极联系，尽管社交网络的成员与他们住得不近。例如，在自杀直播中，通过各种媒体(短信、图片、视频和语音笔记)，互联网可以让有自杀意图的人在死前向他们的整个社交网络直播自杀，并允许有自杀意图的人与他们的观众进行实时互动。这意味着网络自杀将非常私人和私密的行为变得高度公开，并极大地加强了有自杀意图的人与其受众之间的互动，这对长期以来关于线下自杀的观念和信念提出了挑战。11-13]并促进了围绕自杀的新兴文化的产生[9，10，14，15］．众所周知，社会和文化因素会影响人们对包括自杀在内的心理健康问题的态度[16-18］．因此，网络自杀从根本上改变了自杀的社会文化背景，可能会导致受众态度的变化也就不足为奇了，这表明有必要进一步研究网络自杀和线下自杀在污名化态度上的差异。

直播自杀通常被认为是最引人注目和最具代表性的网络自杀类型之一，尤其是在中国[9，19］．从2003年到2016年，中国至少发生了193起直播自杀事件[20.］．因此，大量的研究工作都是为了了解与直播自杀相关的特定类型的态度。由于社交媒体允许用户自由地透露自己的感受和想法，并包含大量的公开数据，许多研究使用人类编码员来分析相关的社交媒体数据(例如带有相关关键词的帖子和与相关自杀事件相关的受众生成的信息)，并得出结论，公众可能会对直播自杀反应强烈[21-24］．此外，一项研究发现了一种与直播自杀相关的独特的负面刻板印象(即，虚假表现耻辱，一种误导性的信念，即直播自杀的人并不是真的想自杀)[25]，这在之前关于线下自杀的研究中没有提及。这些研究的结果表明，公众对网络自杀和线下自杀的反应可能不同。然而，据我们所知，还没有研究直接调查对网络自杀和线下自杀的污名化态度的差异。此外，态度不仅可以表现在特定的态度类型(它到底说了什么)上，还可以表现在语言表达的语言特征(它是如何说的)上[26-29］．最近的研究证实，通过分析社交媒体帖子中表达的语言特征，可以识别出与健康相关的污名化态度(例如，阿尔茨海默病、抑郁症和直播自杀)[30.-32］．更重要的是，心理健康问题中污名化态度的差异也可以反映在不同的语言使用模式上[33］．因此，除了病耻感类型的差异外，还需要研究病耻感表达语言特征的差异。

客观的

为了通过分析社交媒体数据(新浪微博，一个类似于Twitter的中国社交媒体网站)来解决这些问题，本研究试图直接和系统地调查网络自杀和线下自杀在态度类型和语言特征方面的污名化态度差异。

值得注意的是，网络自杀是一种新兴的自杀形式。公众可能对不同类型的网络自杀并不一样熟悉。在中国，由于直播自杀的流行和媒体报道，与其他类型的网络自杀相比，公众预计会更熟悉并更有可能在社交媒体上讨论直播自杀。因此，为了收集足够的社交媒体数据进行进一步分析，本研究将直播自杀作为网络自杀的典型代表，并与线下自杀进行比较。

方法

研究过程

研究过程包括以下三个步骤:(1)数据收集，(2)数据预处理，(3)数据分析。数据采集和预处理过程如图所示图1．

‎ 查看此图

数据收集

首先，创建了活跃微博用户的参与者池。根据之前的一项研究，1,953,485名活跃的微博用户被确定为潜在参与者[34］．新浪微博的应用程序编程接口(API)平台使用户能够程序化地访问用户选择与公众分享的微博数据。由于新浪微博对API请求进行了限制和配额，在所有潜在参与者中，最终有106万有可用数据的活跃用户被纳入参与者池。

其次，构建微博帖子数据库。2020年5月，通过API，参与者池中106万活跃用户自注册以来公开发布的大量微博(2020年官方月活跃用户和日活跃用户分别为5.11亿和2.24亿)[35])下载。

第三，通过数据库搜索，确定了几条相关的微博。为了获得反映人们对网络自杀和线下自杀态度的帖子，研究人员使用了两组关键词来搜索数据库，包括liverstream自杀（直播自杀而且自杀直播),自杀（自杀)．值得注意的是，虽然网络自杀是一种迅速发展的自杀形式，但绝大多数自杀事件仍然发生在线下。例如，2003年至2016年，中国发生了193起直播自杀事件[20.]，而在2019年，中国自杀人数已达116,324人[1］．因此，除非另有说明，中国人普遍使用这个词自杀参照传统的线下自杀。

数据库搜索的过程包括以下三个步骤:(1)有关键词的帖子共4460个liverstream自杀被搜索并获得(网络自杀组);(2)共有933,172条带有关键词的帖子自杀(但没有关键词)liverstream自杀)被搜索并获得(线下自杀组);(3)为了平衡各组的帖子数量，采用简单随机抽样的方法，从线下自杀组的933172条帖子中随机抽取4500条(网络自杀:4460条，线下自杀:4500条)。

数据预处理

数据采集完成后，对原始数据进行预处理，为进一步分析做好准备。

首先，为了排除不相关的帖子并重新分类错误的帖子，对收集到的数据进行人工审查。

在这项研究中，不相关的帖子被认为是:(1)描述虚构作品(如电影、电视节目和小说)中自杀的帖子，(2)关注非人类动物(如狗)自杀的帖子，以及(3)出于非自杀目的(如打赌)使用自杀相关关键词的帖子。删除无关帖子后，还保留了7244个帖子(网络自杀:4460 - 136 = 4324，线下自杀:4500 - 1580 = 2920)。

随后，线下自杀群中的77条帖子被重新归类为与网络自杀相关的帖子(直播自杀:n=69, 90%帖子;自杀游戏: n=4, 5%岗位;自杀网站和论坛:n= 2,3%的帖子;网络自杀协议:n= 2,3%的帖子)。由于本研究主要关注直播自杀，而不是其他类型的网络自杀，因此将其他3种类型的网络自杀相关的8个帖子排除在进一步分析之外。

因此，本研究的最终样本包括7236个帖子(网络自杀:4324 + 69 = 4393;离线自杀:2920 - 69 - 8 = 2843)。最终样本中参与者的人口统计学特征显示在表1．

其次，使用简体中文版本的语言查询和单词计数软件，自动从7236篇帖子中提取心理语言学特征。简体中文版《语言查询与字数统计》是一个可靠而有效的文本分析工具，可自动估计多种心理意义类别的词频，包括语言过程(如人称代词)、心理过程(如情感过程)、个人关注(如成就)、口语类别(如同意)和标点类别(如句号)[36］．特征提取完成后，对心理语言学特征进行标准化值估计，以供进一步分析。

数据分析

人类的编码

为了探索网络自杀和线下自杀在污名化态度类型上的差异，对所有7236个帖子进行了内容分析，以确定每个帖子是否都反映了污名化。编码框架是根据专家共识和现有证据制定的。具体而言，在本研究中，一位研究者(AL)回顾了相关研究[25，37]，然后对所有7236篇文章进行归纳内容分析，形成初步的编码框架。随后，另外两名研究人员(DJ和TZ)对初始框架进行了修改。使用经修订的框架(表S1)多媒体附件1)，招募并训练2名独立的人类编码员来分析所有7236个帖子。科恩衡量了两名程序员之间的一致程度k系数，分歧由研究者(AL)的决定解决。所有参与编制编码框架和对员额进行手工编码的人员都有相当丰富的定性材料编码经验。

分类模型的构建

为了探讨网络自杀和线下自杀中侮辱性表达的语言差异，使用怀卡托知识分析环境(3.9.4版;怀卡托大学)软件。Waikato知识分析环境提供了开发机器学习技术并将其应用于实际数据挖掘问题的工具。

第一组分类模型的建立是为了调查网络自杀和线下自杀之间在总体上的污名化表达(即与网络自杀相关的污名化或与线下自杀相关的污名化整体)是否存在语言差异。将人类编码结果作为分类模型验证的基础真理。本研究存在数据不平衡的问题。例如，属于线下自杀类的污名化帖子(少数类:588篇)明显低于属于网络自杀类的帖子(多数类:1556篇)。不平衡的数据集对机器学习建模提出了挑战，因为这个问题可能导致模型的预测性能较差，特别是对于少数类。为了解决这一问题，采用简单随机抽样的方法，从多数类中随机选取一定数量的帖子，得到一个平衡良好的数据集。随后，为了提高分类精度，选择了心理语言学特征子集用于模型构建。具体来说，是一系列的双尾独立t进行了测试，以比较网络自杀和离线自杀组中侮辱性帖子之间所有提取的心理语言学特征的值，然后是效应大小(Cohend系数)由估计值计算t值。特征在0.05处有统计学意义，且有Cohend>0.20或< - 0.20被认为是关键特征。最后，利用四种不同的机器学习算法(Naïve贝叶斯、支持向量机、多层感知器神经网络和随机森林[RF])，基于所选关键特征构建了4个分类模型。使用5倍交叉验证技术，对所建立模型的分类性能进行评估，包括精密度、查全率和F测量。

值得注意的是，第一组模型的良好分类性能可能是由于网络自杀和线下自杀在负面刻板印象的数量和分布上存在差异，而不是网络自杀和线下自杀在污名化表达上存在语言差异。为了澄清这一问题，建立了第二组分类模型，以调查网络自杀和离线自杀中某些负面刻板印象的表达是否存在语言差异。为了获得足够的数据作进一步分析，在本研究中，反映两种负面刻板印象(即愚蠢浅薄而且美化和正常化)进行了检查。使用上述方法获得平衡良好的数据集、关键特征和分类模型。

伦理批准

本研究方案经中国科学院心理研究所机构评审委员会审议通过(方案号:H15009)。由于本研究基于公开数据，不涉及个人身份数据的收集或分析，因此未获得知情同意。

结果

人类的编码

科恩k系数为的态度而且消极的刻板印象分别达到0.88和0.81，表明几乎完全一致[38］．人类编码的结果显示在表2．

总体而言，关于网络自杀的帖子比关于线下自杀的帖子更有可能包含侮辱性的表达(χ²₁= 179.8;P<措施)。不同性别和地区的研究结果也类似，包括男性(χ²₁= 66.7;P<.001)，女性(χ²₁= 121.0;P<.001)，华北(NC;χ²₁= 37.2;P<.001)，华东(EC;χ²₁= 56.4;P<.001)，华中地区(CC;χ²₁= 10.4;P=.001)，华南(SC;χ²₁= 37.6;P<.001)，西南地区(SWC;χ²₁= 11.8;P=措施)。

对于消极的刻板印象，关于网络自杀的帖子通常被编码为愚蠢浅薄(528/1556, 33.93%)虚假的表象(387/1556, 24.87%)，而线下自杀的帖子通常被编码为美化和正常化(195/588, 33.2%)和愚蠢浅薄(129/588, 21.9%)。此外，关于网络自杀的帖子比关于线下自杀的帖子更有可能被编码为愚蠢浅薄（χ²₁= 28.9;P<措施),虚假的表象（χ²₁= 144.4;P<.001)，而关于离线自杀的帖子比关于网络自杀的帖子更有可能被编码为软弱又可怜（χ²₁= 20.4;P<措施),美化和正常化（χ²₁= 177.6;P<措施)不道德的（χ²₁= 11.8;P=措施)。不同性别和地区的研究结果也类似。具体而言，编码为的职位比例有显著差异软弱又可怜观察女性担任的职位(χ²₁= 21.0;P<.001)和NC (χ²₁= 10.6;P=.001)及EC (χ²₁= 3.9;P= .048)。编码为的职位比例有显著差异愚蠢浅薄由男性观察职位(χ²₁= 12.6;P<.001)和女性(χ²₁= 16.0;P<.001)和NC (χ²₁= 9.1;P=.003)， ec (χ²₁= 7.9;P=.005)， sc (χ²₁= 5.4;P=.02)，以及SWC (χ²₁= 8.0;P= .005)。编码为的职位比例有显著差异虚假的表象由男性观察职位(χ²₁= 86.4;P<.001)和女性(χ²₁= 59.5;P<.001)和NC (χ²₁= 25.5;P<.001)，中国东北(费雪精确检验:P=.004)， ec (χ²₁= 48.2;P<.001)， CC (Fisher精确检验:P=.006)， sc (χ²₁= 16.5;P<.001)， SWC (χ²₁= 8.1;P=.004)，西北地区(Fisher精确检验:P= .003)。编码为的职位比例有显著差异美化和正常化由男性观察职位(χ²₁= 127.3;P<.001)和女性(χ²₁= 55.1;P<.001)和NC (χ²₁= 37.5;P<.001)，中国东北(费雪精确检验:P<.001)， ec (χ²₁= 60.7;P<.001)， CC (Fisher精确检验:P=.01)， sc (χ²₁= 17.6;P<.001)，以及SWC (χ²₁= 21.5;P<措施)。编码为的职位比例有显著差异不道德的由男性观察职位(χ²₁= 7.8;P=.005)和女性(χ²₁= 3.9;P=.048)和来自EC (χ²₁= 4.8;P=.03)和西北地区(费雪精确检验:P= .008)。此外，关于线下自杀的帖子比关于网络自杀的帖子更有可能被编码为疯了女性担任的职位(χ²₁= 5.4;P=.02)和CC(费雪精确检验:P=.04)和SC (Fisher精确检验:P= 03)。

分类模型的构建

病耻感

为了探究网络自杀和线下自杀在总体污名化表达上的语言差异，为了获得平衡的数据集，从网络自杀组的帖子中随机选取了600篇污名化帖子(网络自杀:600篇，线下自杀:588篇)。共选择了6个关键特征用于模型构建(表S2)多媒体附件1)．RF模型表现出最好的分类性能(精密度=0.86，召回率=0.85，和F测量= 0.85;表3)．

愚蠢和肤浅

的语言表达差异愚蠢浅薄在网络自杀和线下自杀之间，为了达到一个平衡的数据集，总共有150个愚蠢浅薄从网络自杀组(网络自杀:150条，线下自杀:129条)的帖子中随机抽取相关帖子。共选择了4个关键特征用于模型构建(表S2)多媒体附件1)．RF模型表现出最好的分类性能(精密度=0.84，召回率=0.84，和F测量= 0.84;表3)．

光荣和正常化

探讨的语言表达上的差异美化和正常化在网络自杀和线下自杀(网络自杀:148条帖子和线下自杀:195条帖子)之间，选择了28个关键特征用于模型构建(表S2)多媒体附件1)．RF模型表现出最好的分类性能(精密度=0.81，召回率=0.81，和F测量= 0.81;表3)．

讨论

主要研究结果

据我们所知，这项研究首次系统分析了对网络自杀和离线自杀的污名化态度的差异。这项研究的结果对减少对自杀的耻辱感有一定的意义。

首先，有必要正视并减少网络自杀的污名。在这项研究中，很大一部分与网络自杀相关的帖子和线下自杀相关的帖子被编码为耻感(1556/4393，分别为35.42%和588/2843，分别为20.68%)，尽管大多数关于这两种自杀类型的帖子都没有明显的污名化。网络自杀可以让有自杀意图的人在死亡前的最后时刻与观众互动。如果观众对有自杀倾向的人作出适当的反应，死亡的可能性就会降低。39-41］．污名化的盛行可能会妨碍听众对有自杀意图的人作出有效回应[25，42-44］．因此，网络自杀值得关注反污名运动。

其次，公众对网络自杀和线下自杀的反应不同。在态度类型方面，本研究发现，网络自杀比线下自杀背负更多的污名(网络自杀:1556/4393,35.42%;线下自杀:588/2843,20.68%;χ²₁= 179.8;P<.001)，这意味着公众对网络自杀的反应可能比线下自杀更消极。这与之前两项探索观众对网络自杀和线下自杀事件反应的研究一致[24，45］．此外，与线下自杀相比，网络自杀更容易被认为是愚蠢浅薄（χ²₁= 28.9;P<措施),虚假的表象（χ²₁= 144.4;P<.001)，不太可能被认为是软弱又可怜（χ²₁= 20.4;P<措施),美化和正常化（χ²₁= 177.6;P<措施)不道德的（χ²₁= 11.8;P=措施)。不同性别和地区的调查结果也相似。这表明，针对线下自杀的反污名运动可能无法有效地改变人们对网络自杀的污名态度，这表明有必要开展专门针对网络自杀的公众意识运动。此外，两种自杀类型之间最显著和最明显的区别是在虚假的表象病耻感(网络自杀:387/1556,24.87%，线下自杀:13/588,2.2%)。网络自杀不是真实存在的错误信念可能会影响主要由自杀死亡本身的价值判断引起的污名化反应，而不是由对自杀动机、原因和方法的感知引起的。例如，自杀的美化和不道德代表了两种截然不同的价值观:故意结束自己的生命是对的还是错的。然而，将网络自杀视为一种非真实的情况与这两种耻辱的假设相矛盾，即自杀是一种真实的情况。这可能就是为什么网络自杀不太可能被认为是美化和正常化而且不道德的比线下自杀更重要。同样值得注意的是，网络自杀通常被认为是愚蠢浅薄(528/1556, 33.93%)虚假的表象(387/1556, 24.87%)，而线下自杀通常被认为是美化和正常化(195/588, 33.2%)和愚蠢浅薄(129/588, 21.9%)。根据先前的研究，不恰当的观众反应与更大的虚假表现污名化有关[25]，而自杀意念和自杀传染都与更美化自杀有关[46，47］．这表明，减少对网络自杀的耻辱感可能更有助于改善观众的反应，而减少对线下自杀的耻辱感可能更有助于防止自杀企图。

除了态度类型的差异外，网络自杀和线下自杀在污名化表达上也存在语言差异。这种差异不仅存在于一般的污名化层面，而且存在于消极刻板印象层面。在这项研究中，F分类模型的-measure值在0.81 ~ 0.85之间。与其他类似研究相比[48，49]，分类模型达到了满意的精度。这些结果支持了这样一个结论，即人们看待网络自杀的方式与人们看待线下自杀的方式非常不同，这意味着网络自杀可能与线下自杀有不同的结构[10］．

第三，使用语言分析方法可以促进大众媒体中自杀相关病耻感的识别。大众传媒是传播不正确信息的主要因素，可能会加强人们对精神疾病的负面成见[50-52］．如果开展大众媒体运动来提高公众意识并挑战对精神疾病的污名化，那将是非常有帮助的。然而，由于大众媒体中信息量巨大，人类编码人员很难有效地识别和分析污名化信息，这表明需要对污名化进行自动检测。语言分析方法可用于理解污名化表达的语言使用模式，并构建自动检测污名化的计算模型[30.，33，53］．例如，在这项研究中，网络自杀的污名化表达与更频繁地使用与休闲(如聊天)和工作(如传播)相关的词汇有关，这可能是因为网络自杀使自杀行为高度公开化，与公众对自杀的看法相矛盾。相比之下，线下自杀的污名化表达与更频繁地使用与成就相关的词汇(例如，英雄)有关，这可能归因于自杀美化的患病率更高(网络自杀:148/1556,9.51%，线下自杀:195/588,33.2%)。构建的机器学习模型在分类网络自杀和离线自杀的污名化方面表现良好。这表明，理解网络自杀和离线自杀之间的侮辱性表达的语言差异，将使自动检测更加精确。自动病耻感检测将进一步改善抗病耻感工作。互联网信息的传播有助于促进与健康有关的行为的改变[54，55］．然而，当网络活动有针对性时，效果最好。在自动检测和机器学习算法的帮助下，应该更容易有效地设计和向人群传递特定目标的信息，并将提高公众的心理健康意识。

限制

本研究有一定的局限性。首先，本研究主要关注直播自杀的污名化。因此，目前尚不清楚这些发现是否适用于其他类型的网络自杀。其次，社交媒体用户并不能代表所有中国人。因此，研究结果可能不适用于非用户。第三，新浪微博的API只允许我们下载一定数量的注册用户的帖子。因此，这些发现需要在未来更大范围、更多样化的人群中进一步得到证实。第四，由于缺乏自杀倾向者的帖子，本研究无法分析自杀倾向者对自己的污名化(即自我污名化)。第五，由于缺乏用户类型(如名人和普通用户)的信息，本研究无法调查不同类型用户的态度差异，也无法比较不同类型用户自杀死亡引发的态度反应。

结论

本研究采用非侵入式方法，直接系统地考察了对网络自杀和线下自杀的污名化态度的差异。这项研究的结果支持了这样的结论，即人们看待网络自杀的方式与人们看待线下自杀的方式非常不同，并为减少对自杀的耻辱感提供了见解。