武汉封城事件的情绪剖析——基于微博数据的情绪分析gydF4y2Ba

介绍gydF4y2Ba

背景gydF4y2Ba

2019年12月，新冠肺炎疫情在中国爆发，武汉市是疫情中心。为了遏制病毒的传播，中国政府于2020年1月23日对武汉实施封锁，限制进出武汉[gydF4y2Ba1gydF4y2Ba]。在接下来的几周内，逐步实施了更严格的封锁措施，包括限制户外活动和社区封锁[gydF4y2Ba2gydF4y2Ba]。虽然封锁可以有效地限制病毒的传播[gydF4y2Ba3.gydF4y2Ba]，这些措施严重干扰了市民的日常生活和社会交往[gydF4y2Ba4gydF4y2Ba]。研究发现，旅行限制和保持社交距离会导致痛苦、愤怒和恐惧等负面情绪[gydF4y2Ba5gydF4y2Ba，gydF4y2Ba6gydF4y2Ba]。在这项研究中，我们试图以微博作为我们的数据来源，全面绘制武汉封城期间中国人的情绪轨迹。gydF4y2Ba

了解突发公共卫生事件中人们的情绪非常重要。在个人层面上，情绪体验与心理健康有关。研究发现，大流行期间的负面情绪(如敌意和恐惧)可以调节暴露于压力事件(如经历封锁和目睹亲人死亡)与焦虑和抑郁症状之间的正相关性[gydF4y2Ba7gydF4y2Ba]。相比之下，积极情绪与心理弹性呈正相关，且在前一周经历过较高水平消极情绪的人群中，这种相关性更强[gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba]。高觉醒情绪(如愤怒和恐惧)被发现与大流行期间睡眠质量差、压力和焦虑有关。gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba]。虽然低唤醒性的情绪(如平静和无聊)使人感到放松，但研究发现它们与抑郁有关。gydF4y2Ba12gydF4y2Ba]以及生活意义的丧失[gydF4y2Ba13gydF4y2Ba]。在突发公共事件中，人们的情绪也可能影响行为结果。例如，有证据表明，在大流行期间，愉快的情绪(如幸福)和不愉快的情绪(如恐惧和焦虑)与遵守社交距离措施有关[gydF4y2Ba14gydF4y2Ba-gydF4y2Ba17gydF4y2Ba]。Heffner等[gydF4y2Ba18gydF4y2Ba研究发现，由有关COVID-19的亲社会信息引发的高觉醒的愉快情绪与更大程度上遵守社交距离相关。研究发现，无情和重复的生活环境与大流行期间低觉醒情绪(如无聊)和大流行后冲动购买等寻求刺激的行为有关[gydF4y2Ba19gydF4y2Ba]。虽然封锁措施明显影响了人们的情绪，但研究结果还远远没有定论。gydF4y2Ba

为什么要研究武汉的封锁?gydF4y2Ba

尽管许多国家在疫情期间实施了封锁措施[gydF4y2Ba20.gydF4y2Ba)，人们在武汉封城后的情绪反应是独一无二的，原因有几个。首先，武汉的封锁发生在大流行开始时。由于公众对一种新型疾病的爆发缺乏认识和准备，突然的封锁引发了特别强烈的情绪反应，包括恐惧、焦虑和绝望[gydF4y2Ba21gydF4y2Ba]。第二，中国的封锁措施比世界上任何地方都要严格，因为动员了广泛的地方机构(如居民委员会和物业管理公司)。[gydF4y2Ba22gydF4y2Ba]。第三，武汉的封城措施是在中国农历新年前夕实施的。行动限制使个人无法参与家庭团聚等重要活动，导致强烈的情绪反应(如焦虑、失望、愤怒和敌意)，并使心理健康状况恶化[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba23gydF4y2Ba，gydF4y2Ba24gydF4y2Ba]。gydF4y2Ba

研究武汉居民的情绪反应很重要，因为那些受到封锁措施身体限制的人在情绪上更容易受到与大流行相关事件的影响。研究发现，武汉和湖北省其他地区的居民对里程碑事件(如2020年1月23日的封城公告和2020年2月7日李文亮医生去世)较为敏感，在封城后表达的负面情绪比中国其他地区的人更多[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba]。在本研究中，我们使用微博数据的情绪分析和情感的环复模型来检验中国人的情绪反应，特别是武汉居民。gydF4y2Ba

为什么要用社交媒体帖子来审视武汉的封锁?gydF4y2Ba

在疫情期间，社交媒体成为了解公众对封锁反应情绪的主要信息来源[gydF4y2Ba27gydF4y2Ba]。与依赖回顾性自我报告的调查不同，社交媒体数据包括来自各种各样的人的实时自发感受，并且没有回忆偏差和需求特征[gydF4y2Ba25gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba29gydF4y2Ba]。自新冠肺炎疫情爆发以来，新浪微博(中国最受欢迎的社交媒体平台之一)上掀起了一股大规模的讨论浪潮。gydF4y2Ba2gydF4y2Ba，gydF4y2Ba27gydF4y2Ba]。2022年3月，微博月活跃用户5.82亿，日活跃用户2.52亿[gydF4y2Ba30.gydF4y2Ba]。微博中嵌入的情绪信息为研究人员调查武汉封城后的情绪提供了独特的数据来源。因此，在本研究中，我们使用微博来绘制封锁前后中国人的情绪轨迹。gydF4y2Ba

利用社交媒体数据，最近的研究发现，恐惧、恐慌、内疚、愤怒和失望等负面情绪有所增加。gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba31gydF4y2Ba以及武汉封城后幸福感、希望感、钦佩感、鼓励感等积极情绪的增加[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba26gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]。在封锁后，中国人的情绪似乎有所增加，愉快和不愉快的情绪也有所增加。然而，研究人员使用了几种离散的情感类别来编码社交媒体数据。例如，Su等[gydF4y2Ba26gydF4y2Ba]使用了《简体汉语语言调查与字数统计》词典中的消极情绪和影响类别[gydF4y2Ba31gydF4y2Ba]。苏等[gydF4y2Ba28gydF4y2Ba]和Yu等人[gydF4y2Ba25gydF4y2Ba从情感词汇本体中选取了“抑郁”、“喜欢”、“不喜欢”、“愤怒”、“悲伤”、“恐惧”、“享受”、“厌恶”和“惊讶”等词[gydF4y2Ba33gydF4y2Ba]。沈等[gydF4y2Ba2gydF4y2Ba手动编码语料库中的情感词，如“愤怒”、“恐惧”、“中性”、“鼓励”和“希望”。Cao等[gydF4y2Ba32gydF4y2Ba使用Ortony, Clore和Collins模型和Ekman的6种情绪将情绪分为“喜悦”，“希望”，“痛苦”，“恐惧”，“钦佩”，“责备”和“中性”。以前的研究中使用的有限的情绪类型可能不足以构建武汉封锁期间情绪反应的完整图景。本研究采用基于圆周效应模型的情绪分析方法，试图绘制武汉封城期间中国人的综合情绪轨迹。gydF4y2Ba

圆周效应模型gydF4y2Ba

情感的圆周模型在笛卡尔空间中定义了2个独立维度的情感，并在各种文化背景中得到了支持[gydF4y2Ba34gydF4y2Ba-gydF4y2Ba37gydF4y2Ba]。横轴，效价，表示愉快和不愉快的程度，纵轴，唤起，表示激活和失活的程度。一种情绪是由不同层次的效价和唤起组成的。例如，虽然两者gydF4y2Ba冷静gydF4y2Ba和gydF4y2Ba鼓励gydF4y2Ba如果是愉快的情绪，前者比后者更不活跃。在分类模型中，情绪被限制在一定数量的类别中，与之相比，环状模型允许潜在的无限数量的情绪，从而能够在情绪分析中对情绪进行更细粒度的分析[gydF4y2Ba38gydF4y2Ba]。gydF4y2Ba

尽管先前的研究结果表明，在大流行期间，愉快和不愉快的情绪都与遵守社交距离有关，但情绪循环模型的唤醒维度在很大程度上被忽视了。例如，Shen等[gydF4y2Ba2gydF4y2Ba]将情绪分为“积极”、“消极”和“中性”三类，而忽略了唤醒维度。研究人员主要关注高唤起的不愉快情绪，如恐惧、恐慌和愤怒。gydF4y2Ba28gydF4y2Ba]而忽略了低唤醒的情绪，如平静和忧郁[gydF4y2Ba36gydF4y2Ba]。为了全面了解中国民众应对武汉封城事件的情绪轨迹，本研究使用了基于圆周效应模型的词汇进行情绪分析。gydF4y2Ba

目标gydF4y2Ba

了解公民对封锁等极端社会距离措施的情绪反应，有助于了解政府如何有效应对大流行。武汉的封锁无疑促进了对受封锁措施影响者情绪的研究，但研究结果仍远未得出结论。本研究的目的是使用情感分析方法来研究微博上表达的情感轨迹。具体来说，我们试图回答三个研究问题:(1)武汉封城期间，中国人的情绪轨迹是什么?中移动(1);(2)武汉人和非湖北地区人对封锁的即时情绪反应是否有差异?中移动(2);(3)封锁对武汉人和非湖北地区人情绪反应的长期影响是否存在差异?(RQ 3)。gydF4y2Ba

方法gydF4y2Ba

数据集gydF4y2Ba

概述gydF4y2Ba

为了探究中国人的情绪反应，我们从微博中提取了两组数据，每组数据都使用了一组不同的关键词。从这两个数据集中，我们提取了封锁宣布前两周至两周(即2020年1月9日至2020年2月6日)创建的帖子，并删除了缺失效价值和唤醒值的帖子。当帖子包含未在词典中编码的单词时，将分配缺失值。gydF4y2Ba

我们将封锁前的两周纳入分析，以创建封锁前情绪轨迹的完整图像。选择封锁宣布后两周为限，是为了避免2020年2月7日举报人李文亮博士去世的潜在影响[gydF4y2Ba25gydF4y2Ba]。与此同时，以愤怒、恐惧、惊讶和抑郁等负面情绪为特征的帖子和内容数量急剧增加[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba27gydF4y2Ba这可能会影响封锁宣布后的情绪轨迹。gydF4y2Ba

数据集1gydF4y2Ba

数据集1中的数据是通过微博内置的高级搜索工具收集的，通过搜索工具可以通过指定关键词、时间框架和类别(如原创或转发)来优化搜索。开发了一个爬虫gydF4y2BahttrgydF4y2Ba和gydF4y2Ba房车gydF4y2Ba程式包(R Foundation for Statistical Computing) [gydF4y2Ba39gydF4y2Ba，gydF4y2Ba40gydF4y2Ba]。搜索中使用了关键词“武汉”。该数据集创建于2020年6月，包含2020年1月1日至2020年2月15日期间396054名用户发布的602737篇原创帖子。在删除缺失值的帖子并提取封锁宣布前2周至2周内创建的帖子后，最终数据集包括24.2023万用户的35.9190万条帖子。gydF4y2Ba

数据集2gydF4y2Ba

数据集2中的数据提取自一个名为Weibo- cov2的公开数据集，该数据集包含了2019年12月至2020年12月2000万活跃用户发布的bb0.65万条微博[gydF4y2Ba41gydF4y2Ba]。微博cov2的作者将活跃用户定义为在数据收集前30天内拥有50名粉丝和50名粉丝的活跃用户。不活跃用户因为在疫情期间没有发布任何帖子而被排除在外。作者首先建立了一个活跃用户池，他们的帖子使用492个与大流行相关的关键词进行筛选。作者使用的492个关键词[gydF4y2Ba41gydF4y2Ba包括事件(例如，“”，意思是“武汉封锁”)，药品和用品(例如，“”，意思是“口罩”)，专家和医生(例如，“”，意思是“钟南山”)，以及政府政策(例如，“”，意思是“推迟学校开学”)。在本研究中，我们提取武汉封城公告前2周至2周的微博cov2数据，并删除缺失效价和唤醒值的帖子。由于我们的目的是探索个人在封锁前后的情绪反应，因此只发布了一个帖子的用户的数据被排除在外。最终，数据集2包含219,446个独立用户发布的974,317条帖子，其中282,442条(28.99%)发布在封城公告之前，691,875条(71.01%)发布在封城公告之后，每个用户在封城之前和之后至少发布了一条帖子。gydF4y2Ba

比较两个数据集gydF4y2Ba

我们的两个数据集各有优势和局限性。它们共同为解决我们的三个rq提供了一个有效的平台。gydF4y2Ba

首先，使用不同的关键字来创建每个数据集。数据集1的关键词“武汉”可以让我们了解微博上与疫情相关的话题传播之前的日常情绪轨迹，提供一个基线测量。相比之下，数据集2的大流行相关关键词使我们能够探索人们对大流行的情绪。2020年1月20日，确诊人传人后，微博每日发布的新冠病毒数量急剧增加[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba41gydF4y2Ba]。为了全面描绘封锁期间中国人的情绪轨迹，有必要同时使用数据集1和2。gydF4y2Ba

其次，两个数据集的结构不同。数据集1中的数据本质上是横断面的，包括不同人在一段时间内发布的帖子。大多数用户id(208,389/242,023, 86.1%)只有1个对应的帖子。这些横断面数据提供了中国人在不同时间点的情绪快照。相比之下，由于数据集2包含了每个用户发布的所有与大流行相关的帖子，我们能够绘制出他们在封锁之前、期间和之后的情绪图。gydF4y2Ba

我们使用数据集1探索武汉实施封锁前后的情绪轨迹(RQ 1)。使用数据集2，我们比较了武汉人和非湖北人对封锁的即时情绪反应(RQ 2)及其长期情绪影响(RQ 3)。gydF4y2Ba

道德的考虑gydF4y2Ba

为了保护人类参与者的隐私，我们在分析过程中对所有用户的个人信息进行了匿名化处理。这项研究的重点是在聚合层面上的人类情绪，这意味着个人层面的信息是在用户之间平均的，没有个人信息被披露。gydF4y2Ba

数据清理gydF4y2Ba

在分配情绪分数之前，我们清理了帖子。gydF4y2Ba图1gydF4y2Ba总结了数据清洗和情感分析的过程。微博有两种主要形式:原创和转发。原始帖子包含用户的原始评论。转发通常有三部分:被转发的原始消息，其他用户对原始帖子的评论，以及转发用户对原始帖子的评论。由于之前的研究发现，将被转发的消息纳入情绪分析可以显著降低微博帖子中的不愉快情绪，因此我们排除了被转发的原始消息和之前用户的评论，只分析了转发用户的评论[gydF4y2Ba42gydF4y2Ba]。例如，转发可能会读到，“嘿，伙计们，这些是我们医院新的消毒指南，请转发让更多的人知道。”转发理由:很好。非常感谢!//@PriorUser1:听起来不错，谢谢。”在这个转发中，只有“非常好”这句话。非常感谢!是转发用户的原创评论，我们会对其进行情绪分析。但是，如果转发用户没有添加评论，我们对之前所有用户的评论进行情感分析来代表转发用户的评论，因为之前的研究发现，微博用户只有在同意其他用户的评论时才会转发[gydF4y2Ba43gydF4y2Ba，gydF4y2Ba44gydF4y2Ba]。gydF4y2Ba

在数据清理过程中，我们首先保留了原始帖子和转发用户的评论。然后，我们从每篇文章中删除标签、用户名和web链接，因为这些内容会给分析增加噪音。每个帖子的剩余内容被保留用于情感分析。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

情绪分析gydF4y2Ba

我们进行了基于词典的情感分析，以互联网中文情感词典(CSLI)为基础，为每个帖子分配一个效价分数和一个唤醒分数[gydF4y2Ba45gydF4y2Ba]，由7088个中文单词组成，每个单词都被标注了价态评分为−4到4分，唤醒评分为0到8分。gydF4y2Ba

我们的情感分析过程总结在gydF4y2Ba图1gydF4y2Ba．的gydF4y2BaJiebaRgydF4y2BaR [gydF4y2Ba46gydF4y2Ba]用于标记化，这涉及从每篇文章中提取CSLI中列出的情感词。遵循Zhao等人的程序[gydF4y2Ba45gydF4y2Ba]，我们使用加权平均值计算每个帖子的效价和唤醒分数。对于每篇文章，每个情绪词的效价分数乘以它的频率——将一篇文章中所有情绪词的乘积相加，然后除以该文章中所有情绪词的总频率。同样的方法被应用于计算唤醒评分。平均效价和唤醒分数被分配给每个帖子，以表明其情绪。Zhao等人利用微博[gydF4y2Ba45gydF4y2Ba通过比较参与者对相同帖子的预测CSLI分数的效价和唤醒分数，验证了这种情绪分析方法。效价收敛为0.70，唤醒收敛为0.59。由于CSLI词典中的价目值范围为- 4到4，因此我们将价目值<0的文章定义为gydF4y2Ba不愉快的gydF4y2Ba并且得到了100个agydF4y2Ba愉快的gydF4y2Ba．同样，由于觉醒的范围为0到8，我们将觉醒分数<4的帖子定义为gydF4y2Ba低唤醒gydF4y2Ba他的得分是bb40 agydF4y2Ba高唤醒gydF4y2Ba．gydF4y2Ba

在随后的分析中，我们使用CSLI词典产生的帖子的效价和唤醒分数计算了两种类型的日常情绪得分。一个是人的日常情感。例如，通过对用户当天发布的所有帖子的平均分来计算用户的每日价分数。每个人每天的觉醒分数也是用同样的方法计算的。另一种类型的每日情绪评分是按天计算的。每天的效价得分是通过在特定的一天创建帖子的用户中平均所有的每日效价得分来计算的。用同样的方法计算每天的唤醒分数。gydF4y2Ba

地理位置:武汉与非湖北gydF4y2Ba

受到封锁措施身体限制的人可能与不在封锁区域的人有不同的情绪反应。此前的一项研究发现，在疫情期间，湖北居民比中国其他地区的居民表现出更多的负面情绪[gydF4y2Ba2gydF4y2Ba]。为了检验武汉和非湖北地区对武汉封城的反应情绪差异，我们根据封城后的地理位置，将数据集2中的微博用户分为武汉组(即封城地区)和非湖北组(即非封城地区)。之所以使用非湖北地区，而不是武汉地区，是因为武汉不是2020年1月23日之后湖北省唯一一个被封锁的城市。截至2020年1月27日，湖北共有15个城市逐步实施了类似的限制措施[gydF4y2Ba47gydF4y2Ba]。因此，为了比较封锁前后的公告时间，我们决定重点关注非湖北地区，而不是非武汉地区。gydF4y2Ba

为了区分武汉用户和非湖北用户，在公告后发布的包含地理标签(即用户设备的GPS坐标，包括经纬度)的帖子的用户id被过滤为地理信息[gydF4y2Ba48gydF4y2Ba]。由于武汉实施封城后，人们无法进出武汉，因此我们可以通过用户的GPS信息评估封城后用户的实际地理位置。gydF4y2Ba

我们使用数据集2来探索武汉组和非湖北组的情绪反应。我们首先使用地理标签将用户id划分为武汉组和非湖北组。然后提取具有这些用户id的所有帖子，得到武汉1236名用户生成的6665篇帖子和湖北以外12714名用户生成的51,020篇帖子。这些用户在封锁之前和之后都至少发了一条帖子。值得注意的是，微博用户可以从位置列表中选择地理标签，从而谎报自己的实际位置。这个函数是微博数据的一个不幸的缺点，应该被视为错误的来源[gydF4y2Ba48gydF4y2Ba]。gydF4y2Ba

多级建模gydF4y2Ba

我们使用数据集2来研究人们的日常情绪从封锁前两周到实施封锁后两周的演变情况。由于数据集2具有嵌套数据结构，其中情绪评级的重复测量嵌套在每个用户中，我们使用多层建模[gydF4y2Ba49gydF4y2Ba]。多层模型将样本的残差方差分为人内(水平1)和人间(水平2)方差[gydF4y2Ba50gydF4y2Ba]。多层建模允许数据依赖[gydF4y2Ba51gydF4y2Ba，gydF4y2Ba52gydF4y2Ba]，这意味着一个人的测量结果会比另一个人的测量结果更相似。此外，社交媒体数据并不总是完整的，这意味着如果一个人在某些日子没有发布任何内容，就会有缺失的观察结果。多层建模适用于社交媒体数据，因为它可以容忍缺失的观测值[gydF4y2Ba51gydF4y2Ba]。gydF4y2Ba

分段多级模型可以捕捉不同阶段群体的变化[gydF4y2Ba53gydF4y2Ba]，因此可以用来比较武汉和非湖北人群在封城前后的情绪轨迹变化。数据集2在2020年1月20日之前的帖子数量很少，因为与大流行相关的话题尚未开始广泛讨论[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba41gydF4y2Ba]。确保每天对用户的情绪评分有足够的观察(即每天50至50名用户)[gydF4y2Ba54gydF4y2Ba]，我们使用了从2020年1月20日开始的数据集2数据进行多层次建模。R包gydF4y2Balme4gydF4y2Ba［gydF4y2Ba55gydF4y2Ba]用于估计多水平模型。gydF4y2Ba

结果gydF4y2Ba

情感地图gydF4y2Ba

数据集1中的数据包括242,023名用户发布的359,190篇帖子。为了绘制微博帖子的情绪分布，我们使用每个帖子的效价和唤醒分数来绘制散点图gydF4y2Ba图2gydF4y2Ba．效价和觉醒组合用频率来描述。职位分类如下:gydF4y2Ba不愉快的gydF4y2Ba当它们的效价分数<0和为gydF4y2Ba愉快的gydF4y2Ba当他们的价电子分数是100时。职位分类如下:gydF4y2Ba低唤醒gydF4y2Ba当他们的唤醒分数<4和as时gydF4y2Ba高唤醒gydF4y2Ba当他们的觉醒分数是bb40时。gydF4y2Ba

总的来说，帖子中的情绪分布在价格唤醒平面上，涵盖了愉快和不愉快的区域。效价和唤醒分数的高频率组合聚集在低唤醒区域，并倾向于平面的愉悦部分。在愉快象限和高唤醒象限(效价>0;唤起> 4)。gydF4y2Ba

在359,190篇帖子中，248,757篇(69.25%)落在愉快和低唤醒象限(效价>0;唤醒<4)，72773例(20.26%)落在不愉快和低唤醒象限(效价<0;唤醒<4)，32,850人(9.15%)下降在愉快和高唤醒象限(效价>0;唤醒bbbb4)和2023(0.56%)在不愉快和高唤醒象限(效价<0;唤起> 4)。其余0.78%(2787/359,190)的帖子的效价为中性或唤醒程度为4。结果表明，在所有效价和唤醒组合中，2020年1月9日至2020年2月6日发布的帖子中，大多数是愉快的(282,068/359,190,78.53%)，其中低唤醒情绪多于高唤醒情绪。gydF4y2Ba

为了评估微博帖子的效价与激励之间的关系，对359,190条微博进行二次回归拟合。结果显示，效价与觉醒之间存在显著的二次关系(gydF4y2BaFgydF4y2Ba_{2359187年gydF4y2Ba}= 1.554×10gydF4y2Ba^5gydF4y2Ba；gydF4y2BaPgydF4y2Ba<措施;gydF4y2BaRgydF4y2Ba^2gydF4y2Ba= 0.464)。回归方程为觉醒= 2.156 + 0.046 ×效价+ 0.368 ×效价gydF4y2Ba^2gydF4y2Ba．如图所示gydF4y2Ba图2gydF4y2Ba，愉快和不愉快的情绪都伴随着激活(参考Yik等人的研究[gydF4y2Ba37gydF4y2Ba])。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

封锁前后的每日情绪轨迹gydF4y2Ba

为了探索封锁前后的情绪轨迹(rq1)，对数据集1中的数据进行了分析。我们将每天发布的所有帖子的效价取平均值，并绘制出4周内的每日效价得分。gydF4y2Ba图3gydF4y2BaA显示价态(- 4到+4)的日轨迹。2020年1月20日，COVID-19确诊人传人[gydF4y2Ba25gydF4y2Ba]，出现拐点，到2020年1月23日，价值呈上升趋势，之后进入平台期，在较高水平上趋于稳定。2020年2月3日，即所有SARS-CoV-2感染或疑似感染患者被要求隔离的第二天[gydF4y2Ba25gydF4y2Ba)，价格上涨至比宣布封城后一周更高的水平，达到第二次平台期。结果显示，从2020年1月20日(封城前3天)开始，微博上表达的情绪变得更加积极。在封锁实施后，尽管效价在低水平(觉醒<4)下通常是愉快的(效价>0)，但表达了更高水平的愉快情绪。在2020年1月23日至2020年2月2日和2020年2月3日至2020年2月6日观察到两次价平稳期。gydF4y2Ba

同样，我们将每天发布的所有帖子的唤醒性平均，并绘制出4周内每天的唤醒性得分。gydF4y2Ba图3gydF4y2BaB为唤醒评分的每日轨迹(0 ~ 8)。从图中可以看出，唤醒的拐点出现在2020年1月19日，之后唤醒增加，直到2020年1月23日，然后达到第一个平台并趋于稳定。从2020年2月3日起，人们的兴奋程度上升到比实施封锁后一周更高的水平，并达到了第二次平台期。这些结果表明，微博用户表达的情绪在封锁期间变得更加活跃，尽管日常唤醒水平普遍较低。我们观察到两个觉醒平台期:一个是2020年1月23日至2020年2月2日，另一个是2020年2月3日至6日。gydF4y2Ba

为了研究封锁期间两次效价和唤醒平台期的原因，我们对在两个平台期使用的所有单词的词频进行了单独的词汇分析。词云，更频繁使用的单词以更大的字体出现，被用来可视化词频和展示帖子的主题[gydF4y2Ba56gydF4y2Ba]。封锁前两周(2020年1月9日至2020年1月22日)使用频率最高的100个单词见gydF4y2Ba图4gydF4y2BaA.单词gydF4y2Ba兄弟gydF4y2Ba（gydF4y2Ba兄弟gydF4y2Ba)是封锁前两周最常用的词，因为乐队的粉丝们叫gydF4y2Ba摩登兄弟gydF4y2Ba（gydF4y2Ba现代的兄弟gydF4y2Ba)正在做推广活动。该结果提供了封锁前微博话题的图片，在封锁期间，微博上的人们进行名人推广活动，讨论的话题不是COVID-19大流行[gydF4y2Ba57gydF4y2Ba，gydF4y2Ba58gydF4y2Ba]。gydF4y2Ba

如图所示gydF4y2Ba图4gydF4y2BaB，在宣布封城后两周内(2020年1月23日至2020年2月6日)使用频率最高的100个单词中，gydF4y2Ba加油gydF4y2Ba（gydF4y2Ba加油gydF4y2Ba或gydF4y2Ba添加石油gydF4y2Ba(鼓励词)出现频率最高，占所有情感词的4.32%(819669 / 1895476)。的流行gydF4y2Ba加油gydF4y2Ba从2020年2月3日至6日增加到6.48%(57,239/883,447)。值得注意的是,gydF4y2Ba加油gydF4y2Ba在封城前2周，情感词汇仅占0.53%(6734/1,277,449)。在CSLI词典中，gydF4y2Ba加油gydF4y2Ba效价得分为2.000(范围从- 4到+4)，唤醒得分为5.143(范围从0到8)。封锁期间，微博帖子的效价不断上升，可能是由于使用了更多的鼓励词汇，如gydF4y2Ba加油gydF4y2Ba．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

武汉与非湖北居民的情感轨迹gydF4y2Ba

数据集2包括1236名武汉居民在封城前2周至封城后2周内发布的6665条微博，12714名非湖北居民发布的51,020条微博。每个用户在公告之前和之后至少发布了一个帖子。为了研究武汉和非湖北居民的日效价轨迹，我们将每天用户的日效价取平均值，以生成武汉和非湖北组的日效价得分。使用相同的方法生成武汉和非湖北居民的日常唤醒轨迹。gydF4y2Ba图5gydF4y2BaA为同期武汉组和非湖北组的日价轨迹。在2020年1月20日确认病毒人际传播之前，武汉组的价态波动比非湖北组更大，可能是因为数据点以每天个体间的少量数据为主。2020年1月20日之前，武汉组每天新增发帖人数为1 - 45人，非湖北组每天新增发帖人数为11 - 91人。gydF4y2Ba

从2020年1月20日开始，武汉和非湖北群体每天的发帖人数都大幅增加，每天至少有162人，这与Lu等人的研究结果一致[gydF4y2Ba27gydF4y2Ba]， Hu等[gydF4y2Ba41gydF4y2Ba]，他在2020年1月20日之后报告了微博cov2数据的急剧增长。从2020年1月20日开始，武汉组和非湖北组的每日价格平行并稳步上升，直到2020年1月23日宣布封城，非湖北组的价格达到峰值，但武汉组的价格保持在与前一天相似的水平。2020年1月23日之后，两组的日效价增加，并且在几天内变得相似。值得注意的是，与非湖北组不同，武汉组在封锁当天并没有表现出更愉快的情绪。gydF4y2Ba

图5gydF4y2BaB为同期武汉组和非湖北组的日觉醒轨迹图。2020年1月20日以后，两组的觉醒轨迹趋于平行并增强，1月23日出现分化，非湖北组的觉醒达到峰值，武汉组的觉醒保持稳定。2020年1月23日实施封锁后，两组人的日常唤醒轨迹稳定在较高水平，并在几天内趋于平行。与非湖北组不同，武汉组在封城当天并没有表现出更活跃的情绪。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

武汉和非湖北微博用户对武汉封城的即时情绪反应gydF4y2Ba

初步分析gydF4y2Ba

为了比较武汉和非湖北居民对封锁(rq2)的即时情绪反应，使用数据集2进行了多层次建模。描述性统计资料载于gydF4y2Ba表1gydF4y2Ba．偏度范围为- 0.188 ~ 1.633，峰度范围为0.892 ~ 3.982，均在数据正态性可接受范围内(偏度为- 2 ~ +2，峰度为- 7 ~ +7)。gydF4y2Ba59gydF4y2Ba，gydF4y2Ba60gydF4y2Ba]。唤醒评分的偏度范围为1.393 ~ 1.633，峰度范围为2.499 ~ 3.982，均在数据正态性可接受范围内。gydF4y2Ba

多级建模gydF4y2Ba

为了检验人与人之间和人与人之间的水平所占的价态方差比例，我们首先使用了一个只有随机截距的空多水平模型[gydF4y2Ba51gydF4y2Ba]。结果显示显著的人间方差为0.332 (gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_4gydF4y2Ba= 1187.2;gydF4y2BaPgydF4y2Ba<措施)。类内相关系数为0.134，说明人间方差占方差的13.40%。同样的分析被重复用于唤醒分数。结果显示，人与人之间的显著差异为0.252 (gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_4gydF4y2Ba= 699.6;gydF4y2BaPgydF4y2Ba<措施)。组内相关系数为0.098，表明唤醒的人间方差占方差的9.77%。这些结果证明了在第1层(人与人之间)和第2层(人与人之间)进行多层次分析是合理的。gydF4y2Ba

为了比较武汉和非湖北居民(rq2)对封锁的情绪反应，我们在多层模型中引入了4个斜率。确保每天对用户的情绪评分有足够的观察(即每天50至50名用户)[gydF4y2Ba54gydF4y2Ba]，我们在数据集2中使用了2020年1月20日之后的数据。斜率1模拟了2020年1月20日至2020年1月22日(就在封锁之前)之间的情绪轨迹。为了比较武汉和非湖北居民对封锁的即时情绪反应，我们在模型中引入了斜率2和3。斜率2测试封城当天(2020年1月23日)的情绪与封城前一天(2020年1月22日)的情绪是否不同;斜率3测试封锁当天(2020年1月23日)的情绪与第二天(2020年1月24日)的情绪是否不同。为了比较封城后武汉居民和非湖北居民的长期情绪影响，我们使用斜率4来模拟封城后两周(即2020年1月24日至2020年2月6日)的情绪变化。gydF4y2Ba图6gydF4y2Ba总结了4个斜率的编码方案。斜坡开始日期之前或之前的日期编码为0，斜坡开始日期之后的日期根据与开始日期的距离用顺序整数编码。例如，斜率4从2020年1月24日开始，1月24日或之后的日期被编码为1,1月25日为1,1月26日为2，以此类推。gydF4y2Ba

所有模型的结果都是用每个人的日常情绪数据(即，效价或唤醒)来测试的。当位置被包括作为人与人之间(2级)的预测因子时，它被虚拟编码为1，表示武汉组，或0，表示非湖北组。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

在RQs模型中引入了斜率的随机效应。为了比较武汉和非湖北群体在封城前一天和封城后的即时情绪反应，我们估计了斜率2(2020年1月22日至1月23日的情绪趋势)和斜率3(2020年1月23日至1月24日的情绪趋势)的随机效应(即武汉和非湖北群体用户之间的变异性)。位置被引入作为二级预测因子。在该模型中，我们检查了斜率1(2020年1月20日至2020年1月22日)和斜率4(实施封城后两周)的固定效应，以测试武汉和非湖北群体的整体变化。在所有的模型中，gydF4y2Ba我gydF4y2Ba表示个体，和gydF4y2BatgydF4y2Ba表示日期。多级模型1如图gydF4y2Ba文本框1gydF4y2Ba．gydF4y2Ba

价gydF4y2Ba

以价价为结果变量的多层模型的结果总结在上面板gydF4y2Ba表2gydF4y2Ba．封锁前，武汉和非湖北居民的总体效价系数为0.123，表明2020年1月20日至1月22日期间，武汉和非湖北居民的平均效价上升(SE 0.013;gydF4y2BaPgydF4y2Ba<措施)。gydF4y2Ba

在多层次模型1中，由于位置是斜率2和斜率3的调节因子，斜率2和斜率3的主要影响表明，在位置为0(即非湖北组)时，情绪趋势是有条件的。为了测试对封锁反应的情绪变化，我们选择了2号斜坡。斜率2的主效应为正(gydF4y2BaγgydF4y2Ba_20.gydF4y2Ba= 0.118;SE 0.021;gydF4y2BaPgydF4y2Ba<.001)，说明非湖北组的效价评分较前一天有所提高。斜率2的随机效应不显著(SD 0.259;gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_3.gydF4y2Ba= 3.8;gydF4y2BaPgydF4y2Ba=.28)，这意味着武汉组和非湖北组的斜率2在个体之间没有显著变化。然而，坡度2和位置之间的交互作用产生了显著的结果- 0.172 (SE 0.052;gydF4y2BaPgydF4y2Ba=措施)。这种显著的位置缓和与不显著的随机效应可以解释为武汉和非湖北群体之间的系统性差异[gydF4y2Ba53gydF4y2Ba]。武汉组和非湖北组个体的价态趋势没有差异，但非湖北组个体的平均价态增幅高于武汉组。换句话说，非湖北居民对封锁的反应比武汉居民更积极。gydF4y2Ba

为了测试封锁实施后人们的情绪变化，我们选择了3号坡。斜率3的主效应为负(gydF4y2BaγgydF4y2Ba_30.gydF4y2Ba=−0.146;SE 0.020;gydF4y2BaPgydF4y2Ba<.001)，说明非湖北居民的效价评分在封城一天后下降。斜率3的随机效应显著(SD 0.260;gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_3.gydF4y2Ba= 24.7;gydF4y2BaPgydF4y2Ba<.001)，这意味着武汉和非湖北群体的坡度在个体之间存在差异。地理位置显著地调节了斜率3，因此武汉用户的效价得分下降幅度不如非湖北用户(gydF4y2BaγgydF4y2Ba_31gydF4y2Ba= 0.109;SE 0.047;gydF4y2BaPgydF4y2Ba= .02点)。换句话说，非湖北居民的效价得分下降幅度大于武汉居民。gydF4y2Ba

唤醒gydF4y2Ba

以觉醒为结果变量的多层模型的结果总结在下面板gydF4y2Ba表2gydF4y2Ba．2020年1月20日至1月22日，武汉组和非湖北组的总体唤醒趋势为正系数(gydF4y2BaγgydF4y2Ba_10gydF4y2Ba= 0.089;SE 0.011;gydF4y2BaPgydF4y2Ba<.001)，表明平均觉醒增加。gydF4y2Ba

斜率2的主效应为正(gydF4y2BaγgydF4y2Ba_20.gydF4y2Ba= 0.293;SE 0.022;gydF4y2BaPgydF4y2Ba<.001)，说明非湖北人在封城当日的唤醒评分较前一天有所提高。斜率2的随机效应显著(SD 0.569;gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_3.gydF4y2Ba= 333.2;gydF4y2BaPgydF4y2Ba<.001)，这意味着在武汉和非湖北群体中，斜率2在个体之间存在差异。显著缓和斜坡2 (gydF4y2BaγgydF4y2Ba_21gydF4y2Ba=−0.262;SE 0.053;gydF4y2BaPgydF4y2Ba<.001)，表明非湖北用户对封锁的反应比武汉用户更强烈。gydF4y2Ba

斜率3的主效应系数为- 0.315 (SE 0.021;gydF4y2BaPgydF4y2Ba<.001)，说明非湖北居民的唤醒评分在封城一天后下降。斜率3的随机效应显著(SD 0.607;gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_3.gydF4y2Ba= 403.4;gydF4y2BaPgydF4y2Ba<.001)，说明武汉种群和非湖北种群的坡度在个体间存在差异。显著缓和斜坡3 (gydF4y2BaγgydF4y2Ba_31gydF4y2Ba= 0.218;SE 0.050;gydF4y2BaPgydF4y2Ba<.001)，表明非湖北用户对封锁的反应比武汉用户的觉醒程度下降更大。gydF4y2Ba

综上所述，非湖北用户的情绪受到武汉封城的影响，变得更加愉悦和兴奋。然而，这种影响是暂时的。封城当天，非湖北组的效价和觉醒均立即下降，且下降幅度显著大于武汉组。换句话说，武汉居民的情绪受到封锁的影响较小。gydF4y2Ba

武汉封城对武汉和非湖北微博用户的长期情绪影响gydF4y2Ba

多级建模gydF4y2Ba

为了研究封锁的长期情绪影响(rq3)，我们比较了武汉组和非湖北组在实施封锁后两周(即2020年1月24日至2020年2月6日)的情绪轨迹。我们在之前的模型中包含了所有4个测试的斜率。我们测试了斜率4的随机效应(即武汉和非湖北组用户之间的可变性)。位置被引入作为二级预测因子。我们还测试了剩余斜坡的固定效果。多级模型2如图gydF4y2Ba文本框2gydF4y2Ba．gydF4y2Ba

价gydF4y2Ba

以价价为结果变量的多水平模型2的结果总结在上面板gydF4y2Ba表3gydF4y2Ba．由于在多层次模型2中引入了地理位置作为斜率4的调节因子，斜率4的主要影响表明地理位置为0(即非湖北组)的情绪趋势。从2020年1月24日起，价态斜率4的主效应为0.000 (SE 0.001;gydF4y2BaPgydF4y2Ba= 0.71)，表明非湖北组在封城后2周内平均没有价态变化。斜率4的随机效应显著(SD 0.021;gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_2gydF4y2Ba= 15.8;gydF4y2BaPgydF4y2Ba<.001)，说明武汉种群和非湖北种群的坡度在个体间存在差异。然而，位置并不适中，坡度4 (gydF4y2BaγgydF4y2Ba_41gydF4y2Ba=−0.004;SE 0.003;gydF4y2BaPgydF4y2Ba=.16)，说明武汉人群与非湖北人群在长期效价趋势上存在差异，但这种差异不能用区位差异来解释。gydF4y2Ba

唤醒gydF4y2Ba

以觉醒为结果变量的多层模型的结果总结在下面板gydF4y2Ba表3gydF4y2Ba．从2020年1月24日起，斜率4的主效应为0.001 (SE 0.001;gydF4y2BaPgydF4y2Ba=.56)，说明非湖北组在封城后2周内，唤醒状态无明显变化。斜率4的随机效应不显著(SD 0.016;gydF4y2BaχgydF4y2Ba^2gydF4y2Ba_2gydF4y2Ba= 5.9;gydF4y2BaPgydF4y2Ba= 0.05)，这意味着没有足够的证据表明武汉和非湖北群体的坡度在个体之间存在差异。位置没有明显缓和坡度4 (gydF4y2BaγgydF4y2Ba_41gydF4y2Ba= 0.003;SE 0.003;gydF4y2BaPgydF4y2Ba=.26)，说明武汉组和非湖北组之间的长期觉醒变化没有差异。gydF4y2Ba

总体而言，没有足够的证据表明，在实施封锁后的两周内，无论地理区域如何，情绪效价和觉醒都发生了长期变化。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

我们以武汉的封锁为背景，试图了解封锁措施与中国不同地区居民情绪之间的相互作用。我们的研究结果表明，在封锁期间，微博上的大多数帖子都是令人愉快的，唤醒程度较低。与封城前的帖子相比，封城后的帖子的效价和唤醒度更高，表明情绪更愉快、更活跃。词云分析显示，鼓励词的使用增加了gydF4y2Ba加油gydF4y2Ba在封锁实施之后，这可能解释了价态和觉醒的增加。非湖北用户在封城当日的效价和唤醒度均显著高于封城前后一天。相比之下，武汉居民在武汉封城后的情绪几乎没有立即发生变化。总体而言，在封锁后的2周内，微博用户的效价和唤醒分数保持不变，而不受地理位置的影响。gydF4y2Ba

与在封城期间观察到更多负面情绪的研究相反，我们的整体情绪轨迹表明，微博用户在封城后表现出更愉快和活跃的情绪。对于我们的结果与之前的研究结果之间的差异，一个可能的解释是编码数据时选择单词的差异。在封锁实施后，报告更多负面情绪的研究倾向于使用“压力”、“敌意”、“失望”、“惊讶”、“恐惧”、“内疚”和“指责”等情绪类型[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba4gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]，而那些在封锁后报告积极情绪的人往往包括“鼓励”、“钦佩”、“希望”和“幸福”等情绪类型。[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba28gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]。单词的选择可能会使他们的结果偏向于由所选择的单词类别决定的结论。我们没有把重点放在几个选定的情绪类别上，而是选择了一个基于情感循环模型的词汇，在这个模型中，它的两个维度(效价和唤醒)是大多数(如果不是全部的话)情绪的基础。gydF4y2Ba34gydF4y2Ba-gydF4y2Ba36gydF4y2Ba]。在这个模型中，情绪由效价和唤醒组成，这意味着具有不同唤醒水平的愉快情绪和不愉快情绪都被涵盖了。gydF4y2Ba

与受到严重影响的非湖北人不同，武汉人对封锁事件的情绪变化较小。与封锁当天非湖北地区的价态和激振出现暂时高峰不同，武汉人的价态和激振变化不大。这个结果似乎支持gydF4y2Ba心理台风眼效应gydF4y2Ba，它描述了一种现象，即离毁灭性事件的中心更近的人对它的心理反应不那么强烈[gydF4y2Ba61gydF4y2Ba]。Zhang等[gydF4y2Ba62gydF4y2Ba得出的结论是，距离疫情更近的人在应对COVID-19大流行时表现出更少的心理健康问题，因为他们对形势有更准确的估计，并因反复暴露于压力而脱敏。gydF4y2Ba

武汉人在封城当天的情绪虽然比非湖北人稳定，但长期的情绪变化与非湖北人相似。总体而言，无论是否处于封城状态，中国微博用户在封城后2周内情绪稳定，效价和兴奋度均高于封城前。这一结果与Zhao等人的研究结果形成鲜明对比[gydF4y2Ba4gydF4y2Ba]，他们发现武汉的积极情绪词汇(如“幸福”)比非湖北地区少，消极情绪词汇(如“恐惧”和“痛苦”)比非湖北地区多。这种差异可能源于这样一个事实，即与我们的研究不同，我们的研究选择了封锁实施后最多两周(即2020年1月23日至2020年2月6日)的数据，他们的数据涵盖了更长的封锁后时期(2020年1月23日至2020年2月16日)，其中包括2020年2月7日李文亮博士去世这一重大事件。李的死伴随着微博数量的急剧增加和负面情绪的表达，如“愤怒”、“恐惧”、“惊讶”和“沮丧”[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba25gydF4y2Ba，gydF4y2Ba27gydF4y2Ba]，而这一事件可能会对宣布封城后的情绪轨迹产生负面影响。gydF4y2Ba

在控制了坡2和坡3位置的调节作用后，我们没有观察到武汉组和非湖北组在效价和唤醒评分上的系统差异。也就是说，每天每个人的效价和唤醒的平均得分在封锁内和封锁外的人之间没有差异。这一发现与Meock等人最近的一项研究不同[gydF4y2Ba63gydF4y2Ba比较了澳大利亚封锁期间人们的情绪反应。在这项研究中，参与者(包括被封锁的和没有被封锁的)在一周内每天记录他们的情绪7到9次。与未被封锁的人相比，被封锁的人的负面情绪略多，积极情绪略少。对结果差异的一种可能解释是数据收集的时间，如Meock等[gydF4y2Ba63gydF4y2Ba在澳大利亚封锁的后期阶段收集数据。我们的研究重点是武汉封城的前两周，在此期间，情绪上的后果可能尚未显现。gydF4y2Ba

在COVID-19大流行等突发公共卫生事件中，预期负面情绪是合理的，但积极情绪的力量不应被忽视。我们的研究结果强调了在突发公共卫生事件中集体的积极情绪反应。尽管微博用户发布的微博有愉快的，也有不愉快的，但在调查的4周内，他们的平均每日情绪是愉快的，并且情绪较低。在封锁期间，不愉快的帖子仅占所有帖子的20.82%(74,796/359,190)。这些发现与Pan等人的发现相似[gydF4y2Ba64gydF4y2Ba]，他们发现疫情期间微博上有50%的评论是正面的，而Arora等[gydF4y2Ba29gydF4y2Ba的研究发现，在封锁期间，印度推特用户表达的最普遍的情绪是快乐，占用户帖子的40%。保持积极的情绪状态可能有助于改善心理健康，并在面对压力事件时更好地应对[gydF4y2Ba62gydF4y2Ba，gydF4y2Ba65gydF4y2Ba]。研究发现，在新冠肺炎大流行期间，“冷静”、“希望”、“爱”和“感激”等积极情绪与弹性心态呈正相关，而且在负面情绪(如“愤怒”、“焦虑”、“遗憾”和“悲伤”)水平较高的人群中，这种关系比负面情绪水平较低的人群更强。gydF4y2Ba9gydF4y2Ba]。gydF4y2Ba

为什么封锁得到了积极的回应?gydF4y2Ba

为什么中国微博用户对封锁后的不利形势做出积极回应?东方文化中人们的认知过程受到东方naïve辩证法的驱动，这表明人们倾向于在坏中看到好的一面，在好的一面看到坏的一面[gydF4y2Ba66gydF4y2Ba，gydF4y2Ba67gydF4y2Ba]。因此，从跨文化的角度来看，在疫情期间，中国人比西方人更容易接受逆境。研究发现，疫情期间情绪反应存在文化差异。Yap等人[gydF4y2Ba68gydF4y2Ba于2020年3月和2020年4月在中国和加拿大收集了关于情感、乐观、幸福和生活意义的数据。与加拿大参与者相比，中国参与者报告的积极情绪更多，消极情绪更少，更乐观，心理更健康，在大流行期间更有意义。我们发现，在实施封锁后，人们的心理效价和兴奋度都有所提高，同时还有大量的鼓励话语，比如gydF4y2Ba加油gydF4y2Ba新证据表明，中国民众对新冠肺炎疫情的反应更加乐观。未来的研究可以收集来自不同国家的社交媒体数据，比较不同文化背景的人如何应对突发公共卫生事件。gydF4y2Ba

在外部危机之后，人们倾向于与陌生人建立联系，产生一种对新兴群体的归属感[gydF4y2Ba69gydF4y2Ba，gydF4y2Ba70gydF4y2Ba]。这种集体凝聚力和共同特性使我们能够在大流行病等不利情况下相互支持[gydF4y2Ba71gydF4y2Ba]。研究结果还表明，在2019冠状病毒病大流行期间，积极情绪的集体体验有助于增强复原力和改善心理健康[gydF4y2Ba8gydF4y2Ba]。武汉封城期间也发现了类似的集体行为。在Qian和Hanser的深度访谈中[gydF4y2Ba21gydF4y2Ba武汉居民反映，在突然宣布封城后，他们很快就适应了现实，邻里之间在bb0群里和社区里相互支持。我们的研究结果进一步证明了这种集体行为，人们在微博上大喊大叫gydF4y2Ba加油gydF4y2Ba共同支持彼此，共同应对疫情带来的不确定性。这一发现与Elcheroth和Drury [gydF4y2Ba71gydF4y2Ba社会关系的连续性可能有助于人们在流行病和封锁等社会危机期间管理负面情绪。gydF4y2Ba

影响和限制gydF4y2Ba

尽管之前的研究已经研究了武汉封城期间的情绪轨迹，但它们关注的是有限类型的情绪。我们没有使用有限类型的情绪对社交媒体数据进行编码，而是使用基于情感循环模型的效价和唤醒维度的词汇来探索对封锁的情绪反应[gydF4y2Ba34gydF4y2Ba-gydF4y2Ba36gydF4y2Ba]。因此，我们的编码并不局限于特定数量的情绪。相反，我们试图涵盖大部分(如果不是全部的话)情感。gydF4y2Ba

本研究具有重要的现实意义。除了提供描述微博用户的效价和觉醒的情绪图外，我们还为情绪反应模式的变化提供了解释。我们强调基于网络的社会凝聚力的力量，这可以解释武汉居民在实施封锁期间和之后的两周内情绪状态的稳定性。这些发现为政策制定者考虑封锁措施的合理长度提供了见解。gydF4y2Ba

然而，我们的研究并非没有局限性。首先是审查制度对我们数据集的潜在影响。违反微博规定的帖子通常会在发布后24小时内被删除，这意味着实时数据抓取对于了解网络上的完整情感画面至关重要。gydF4y2Ba27gydF4y2Ba]。观察到，从封锁之日起被审查的帖子受到的批评程度高于支持程度，而未经审查的帖子受到的批评和支持程度相似[gydF4y2Ba27gydF4y2Ba可能表明封锁实施后的真实价比我们研究中检测到的要低。为了克服这一问题，未来的研究可以考虑使用实时或事件发生后24小时内收集的微博数据。此外，由于一些帖子包含未在CSLI词典中编码的单词，数据集1中7.38%(28,601/387,791)的帖子被排除在情感分析之外。这些帖子可能包含情绪信息。在未来，研究人员可以使用机器学习和深度学习算法来捕捉嵌入在词典中未编码的单词中的情感，并绘制出情感轨迹[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]。gydF4y2Ba

结论gydF4y2Ba

在本研究中，我们对2组微博数据集应用情感循环模型，探讨武汉封城前后的情绪反应。我们的研究结果表明，即使面对封锁的不利情况，微博上表达的整体聚合情绪也是愉快的，并且唤醒性较低。随着时间的推移，网上的讨论包含了更多鼓舞人心的信息。此外，武汉居民在封城当天的情绪相对较远地区更为稳定，但在封城后的2周内，武汉居民的情绪变化与非湖北居民相似。有趣的是，尽管武汉居民的身体受到了限制，但封锁似乎并没有平息他们的情绪。封锁实施后，岗位的价值和积极性有所提高，这可能表明，在不利情况下，人们相互支持的集体凝聚力。在封锁和突发公共卫生事件期间，决策者可以考虑通过各种方式建立和维持社会联系，以相互鼓励和更好地调整。gydF4y2Ba