这是一篇在知识共享署名许可(https://creativecommons.org/licenses/by/4.0/)条款下发布的开放获取文章,该许可允许在任何媒体上不受限制地使用、分发和复制,前提是原始作品首次发表在JMIR Formative Research上,并适当引用。必须包括完整的书目信息,到https://formative.www.mybigtv.com上原始出版物的链接,以及版权和许可信息。gydF4y2Ba
2020年1月23日,为应对COVID-19大流行,中国武汉市被封锁。研究发现,封锁与积极和消极情绪都有关系,尽管他们的发现并不是结论性的。在这些研究中,使用基于有限情绪类型的词汇来识别对武汉封锁的情绪反应。gydF4y2Ba
本研究旨在通过基于情感循环模型的词汇分析微博社交媒体数据,绘制中国人对武汉封城的情绪反应图,并将武汉居民的情绪与中国其他地区的人进行比较。gydF4y2Ba
收集武汉封城前2周至封城后2周(2020年1月9日至2020年2月6日)的微博社交媒体信息。每个帖子都用效价评分和唤醒评分进行编码。为了绘制研究期间的情绪轨迹,我们使用了359,190个帖子的数据集。为了比较武汉居民(n=1236)和非湖北居民(n= 12714)对封锁的即时情绪反应及其对长期情绪的影响,我们使用了第二组包含57,685个帖子的数据集进行多层次建模分析。gydF4y2Ba
在研究的封锁期间,大多数帖子(248,757/359,190,69.25%)表明情绪愉快,唤醒率低。观察到,在封锁之前,效价和觉醒都在逐渐增加。封锁后的帖子比封锁前的帖子有更高的效价和唤醒。在封锁当天,非湖北组的价格暂时上涨(gydF4y2Ba
在疫情初期,大多数微博都表现出心情愉悦、情绪低落的状态。在宣布封城后,帖子的价值和兴奋度整体上升,可能表明在公共卫生危机期间,网络社区的集体凝聚力和相互支持。与封城当日非湖北用户的价态和兴奋度暂时上升相比,武汉居民的情绪受封城公告的影响较小。总体而言,我们的数据表明,微博用户在封城公告后的2周内没有受到封城措施的影响。我们的研究结果为政策制定者提供了关于社会关系在维持受封锁影响的人的心理健康方面的有用性的见解。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[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[gydF4y2Ba
尽管许多国家在疫情期间实施了封锁措施[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[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[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。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[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[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
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[gydF4y2Ba
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gydF4y2Ba
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[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[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
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
在分配情绪分数之前,我们清理了帖子。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
数据清洗和情感分析的过程与后的例子。中文网络情感词典。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[gydF4y2Ba
我们的情感分析过程总结在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
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[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[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[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[gydF4y2Ba
分段多级模型可以捕捉不同阶段群体的变化[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
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(gydF4y2Ba
2020年1月9日至2020年2月6日,242023名微博用户359190条微博的情感地图(数据集1)。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
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
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[gydF4y2Ba
如图所示gydF4y2Ba
2020年1月9日至2020年2月6日的横截面情绪轨迹(数据集1)。gydF4y2Ba
(A)封城前两周内使用频率最高的100个单词和(B)封城后两周内使用频率最高的100个单词的单词云(数据集1)。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
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[gydF4y2Ba
2020年1月9日至2020年2月6日武汉和非湖北组日效价和激振轨迹(数据集2)。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
武汉组和非湖北组按人按天的价态和觉醒描述性统计(数据集2)。gydF4y2Ba
情绪反应和群体gydF4y2Ba | 用户,NgydF4y2Ba | 意思是(SD)gydF4y2Ba | 斜gydF4y2Ba | 峰度gydF4y2Ba | |||||
|
|||||||||
|
Non-HubeigydF4y2Ba | 12714年gydF4y2Ba | 0.555 (0.913)gydF4y2Ba | −0.188gydF4y2Ba | 0.892gydF4y2Ba | ||||
|
武汉gydF4y2Ba | 1236gydF4y2Ba | 0.453 (0.845)gydF4y2Ba | 0.004gydF4y2Ba | 1.220gydF4y2Ba | ||||
|
|||||||||
|
Non-HubeigydF4y2Ba | 12714年gydF4y2Ba | 2.544 (0.815)gydF4y2Ba | 1.393gydF4y2Ba | 2.499gydF4y2Ba | ||||
|
武汉gydF4y2Ba | 1236gydF4y2Ba | 2.446 (0.718)gydF4y2Ba | 1.633gydF4y2Ba | 3.982gydF4y2Ba |
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[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)[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
多层建模中斜率1至4的编码方案。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
1级:gydF4y2Ba
情感gydF4y2Ba它gydF4y2Ba=gydF4y2Ba
2级:gydF4y2Ba
以价价为结果变量的多层模型的结果总结在上面板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(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(gydF4y2Ba
基于多层模型的即时情绪反应,预测价或唤醒在第1层的斜率2和斜率3在第2层的位置(数据集2)。gydF4y2Ba
变量gydF4y2Ba | 固定效果gydF4y2Ba | 随机效应gydF4y2Ba | ||||||
|
系数gydF4y2Ba | SEgydF4y2Ba |
|
SDgydF4y2Ba | 卡方检验(gydF4y2Ba |
|
||
|
||||||||
|
拦截(gydF4y2Ba |
0.337gydF4y2Ba | 0.022gydF4y2Ba | <措施gydF4y2Ba | 0.452gydF4y2Ba | 656.8 (3)gydF4y2Ba | <措施gydF4y2Ba | |
|
斜坡1 (gydF4y2Ba |
0.123gydF4y2Ba | 0.013gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2BacgydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
斜率2 (gydF4y2Ba |
0.118gydF4y2Ba | 0.021gydF4y2Ba | <措施gydF4y2Ba | 0.259gydF4y2Ba | 3.8 (3)gydF4y2Ba | 陈霞gydF4y2Ba | |
|
斜坡3 (gydF4y2Ba |
−0.146gydF4y2Ba | 0.020gydF4y2Ba | <措施gydF4y2Ba | 0.260gydF4y2Ba | 24.7 (3)gydF4y2Ba | <措施gydF4y2Ba | |
|
斜坡4 (gydF4y2Ba |
0.000gydF4y2Ba | 0.001gydF4y2Ba | 获得gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
位置(gydF4y2Ba |
−0.037gydF4y2Ba | 0.032gydF4y2Ba | 。gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
坡度2×location (gydF4y2Ba |
−0.172gydF4y2Ba | 0.052gydF4y2Ba | 措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
坡度3×location (gydF4y2Ba |
0.109gydF4y2Ba | 0.047gydF4y2Ba | 02gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
||||||||
|
拦截(gydF4y2Ba |
2.365gydF4y2Ba | 0.019gydF4y2Ba | <措施gydF4y2Ba | 0.265gydF4y2Ba | 183.3 (3)gydF4y2Ba | <措施gydF4y2Ba | |
|
斜坡1 (gydF4y2Ba |
0.089gydF4y2Ba | 0.011gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
斜率2 (gydF4y2Ba |
0.293gydF4y2Ba | 0.022gydF4y2Ba | <措施gydF4y2Ba | 0.569gydF4y2Ba | 333.2 (3)gydF4y2Ba | <措施gydF4y2Ba | |
|
斜坡3 (gydF4y2Ba |
−0.315gydF4y2Ba | 0.021gydF4y2Ba | <措施gydF4y2Ba | 0.607gydF4y2Ba | 403.4 (3)gydF4y2Ba | <措施gydF4y2Ba | |
|
斜坡4 (gydF4y2Ba |
0.000gydF4y2Ba | 0.001gydF4y2Ba | .30gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
位置(gydF4y2Ba |
−0.042gydF4y2Ba | 0.026gydF4y2Ba | 厚gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
坡度2×location (gydF4y2Ba |
−0.262gydF4y2Ba | 0.053gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |
|
坡度3×location (gydF4y2Ba |
0.218gydF4y2Ba | 0.050gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba |
一个gydF4y2Ba卡方值计算为有随机效应的模型和没有随机效应的模型之间的- 2对数似然之差。gydF4y2Ba
bgydF4y2Ba斜率1:封锁前(2020年1月20日至2020年1月22日)的情绪趋势。gydF4y2Ba
cgydF4y2Ba当模型中不包括变量的随机效应时,细胞保持空。gydF4y2Ba
dgydF4y2Ba斜率2:2020年1月23日(封城日)和2020年1月22日之间的情绪差异。gydF4y2Ba
egydF4y2Ba斜率3:2020年1月23日(封城日)和1月24日之间的情绪差异。gydF4y2Ba
fgydF4y2Ba斜率4:封城后两周内的长期情绪趋势。gydF4y2Ba
ggydF4y2Ba位置:虚拟人编码,1代表武汉组,0代表非湖北组。gydF4y2Ba
以觉醒为结果变量的多层模型的结果总结在下面板gydF4y2Ba
斜率2的主效应为正(gydF4y2Ba
斜率3的主效应系数为- 0.315 (SE 0.021;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
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
1级:gydF4y2Ba
Emotionit =gydF4y2Ba
2级: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
基于多层模型的长期情绪影响,预测价态或唤醒在第一级的斜率为4,在第二级的位置(数据集2)。gydF4y2Ba
变量gydF4y2Ba | 固定效果gydF4y2Ba | 随机效应gydF4y2Ba | ||||||||||
|
系数gydF4y2Ba | SEgydF4y2Ba |
|
SDgydF4y2Ba | 卡方检验(gydF4y2Ba |
|
||||||
|
||||||||||||
|
拦截(gydF4y2Ba |
0.339gydF4y2Ba | 0.021gydF4y2Ba | <措施gydF4y2Ba | 0.356gydF4y2Ba | 946.8 (2)gydF4y2Ba | <措施gydF4y2Ba | |||||
|
斜坡1 (gydF4y2Ba |
0.124gydF4y2Ba | 0.013gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2BacgydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
斜率2 (gydF4y2Ba |
0.094gydF4y2Ba | 0.019gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
斜坡3 (gydF4y2Ba |
−0.128gydF4y2Ba | 0.018gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
斜坡4 (gydF4y2Ba |
0.000gydF4y2Ba | 0.001gydF4y2Ba | 点gydF4y2Ba | 0.021gydF4y2Ba | 15.8 (2)gydF4y2Ba | <措施gydF4y2Ba | |||||
|
位置(gydF4y2Ba |
−0.080gydF4y2Ba | 0.020gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
坡度4×location (gydF4y2Ba |
−0.004gydF4y2Ba | 0.003gydF4y2Ba | 16gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
||||||||||||
|
拦截(gydF4y2Ba |
2.378gydF4y2Ba | 0.018gydF4y2Ba | <措施gydF4y2Ba | 0.257gydF4y2Ba | 500.2 (2)gydF4y2Ba | <措施gydF4y2Ba | |||||
|
斜坡1 (gydF4y2Ba |
0.085gydF4y2Ba | 0.011gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
斜率2 (gydF4y2Ba |
0.261gydF4y2Ba | 0.017gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
斜坡3 (gydF4y2Ba |
−0.284gydF4y2Ba | 0.016gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
斜坡4 (gydF4y2Ba |
0.001gydF4y2Ba | 0.001gydF4y2Ba | 56gydF4y2Ba | 0.016gydF4y2Ba | 5.9 (2)gydF4y2Ba | 0。gydF4y2Ba | |||||
|
位置(gydF4y2Ba |
−0.109gydF4y2Ba | 0.017gydF4y2Ba | <措施gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | |||||
|
坡度4×location (gydF4y2Ba |
0.003gydF4y2Ba | 0.003gydF4y2Ba | 点gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba | - - - - - -gydF4y2Ba |
一个gydF4y2Ba卡方值计算为有随机效应的模型和没有随机效应的模型之间的- 2对数似然之差。gydF4y2Ba
bgydF4y2Ba斜率1:封锁前(2020年1月20日至2020年1月22日)的情绪趋势。gydF4y2Ba
cgydF4y2Ba当模型中不包括变量的随机效应时,细胞保持空。gydF4y2Ba
dgydF4y2Ba斜率2:2020年1月23日(封城日)和2020年1月22日之间的情绪差异。gydF4y2Ba
egydF4y2Ba斜率3:2020年1月23日(封城日)和1月24日之间的情绪差异。gydF4y2Ba
fgydF4y2Ba斜率4:封城后两周内的长期情绪趋势。gydF4y2Ba
ggydF4y2Ba位置:虚拟人编码,1代表武汉组,0代表非湖北组。gydF4y2Ba
以觉醒为结果变量的多层模型的结果总结在下面板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
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
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[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
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[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[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[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[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[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[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。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
中文网络情感词典gydF4y2Ba
研究问题gydF4y2Ba
香港研究资助局的一般研究基金(项目16601818及AoE/E-603/18)协助撰写论文。作者感谢Zoe Franklin, Felity Kwok, Ines Lin和James Pho在准备本文中的帮助。gydF4y2Ba
本研究收集的原始数据不公开,因为它们包含微博用户的个人信息。gydF4y2Ba
没有宣布。gydF4y2Ba