在个人层面上，研究表明，封锁与自杀意念、焦虑障碍、噩梦、抑郁、孤独和心理健康状况不佳有关[ 7- 12］．在社会层面，封锁的不利影响表现为离婚、性暴力[ 13]，以及家庭暴力[ 14］．所有这些影响对个人和社会的稳定和福祉构成相当大的威胁。因此，了解COVID-19封锁下的这些有害行为是一项紧迫的任务。

心理学的其他研究集中在封锁前和封锁后心理健康的恶化[ 7］．作者通过比较封锁前和封锁后的调查数据，观察到封锁后1个月某些健康行为的增加。然而，作者并没有分析禁闭和这些行为之间的因果关系。

情感是人类行为的主要驱动力之一。更有攻击性的心态会导致家庭暴力和性暴力等攻击性行为，这是合理的。有影响的挫折-攻击理论[ 15的研究表明，攻击性行为是由于个人目标受挫引起的挫败感造成的。在大流行的最初几个月，封锁导致许多计划被取消，目标未能实现。因此，封锁和攻击性增加之间的因果关系是合理的。

值得注意的是，一项研究调查了封锁和攻击性增加之间的相关性[ 2］．Killgore等人进行了问卷调查[ 2］．在美国大流行的最初几个月里，他们使用巴斯·佩里攻击问卷来测量处于封锁状态和未处于封锁状态的患者的攻击水平。他们发现，在封锁组和非封锁组之间，以下4种攻击在统计上显著增加:身体攻击、言语攻击、愤怒和敌意。然而，由于传统问卷调查方法的局限性，例如在大流行前缺乏数据，这项研究无法评估封锁和攻击性增加之间的因果关系。此外，由于调查管理的实际限制，作者不得不在每次抽样中调查不同的参与者，这提供了额外的不确定性来源。

使用自然语言处理(NLP)对推文进行在线分析，为健康相关研究提供了有价值的信息。对封锁期间人们的情绪进行了一般情绪分析[ 16， 17］．

有些与特定主题有关，例如疫苗接种[ 18- 20.]，而另一些则与特定地区或国家有关[ 21］．然而，据我们所知，大多数研究都没有分析封锁和情绪之间的关系。苏等[ 22分析了两个进入封锁状态的城市的心理语言学特征。虽然这可以捕捉到推文词汇的特定上升趋势，但词汇频率分析方法并不能捕捉到每个单词的上下文。因此，它无法像神经网络模型那样准确地预测情绪[ 23］．

我们选择GoEmotions数据集来训练愤怒分类模型[ 26］．它是最大的手动注释数据集之一，有58,000个英文Reddit评论。在数据集中，每个句子都被标注，以识别28种相对常见的情绪的存在。为了训练BERT模型进行二元分类，我们选择了6000个包含愤怒的句子和6000个不包含愤怒的句子的随机样本。我们选择了1000个其他注释注释进行测试。基于GoEmotions，愤怒被定义为“一种强烈的不满或对抗的感觉。”

攻击性语言是指包含不可接受的语言(亵渎)，对弱势群体有潜在伤害的言论。我们选择了“自动侦测仇恨言论及冒犯性语言问题”[ 27]数据集作为我们的训练数据集，其中包含24,802条人工标记的推文。我们随机抽取了7750个句子进行训练，613个句子进行测试。这项研究将具有真正有害意图的仇恨言论与一般攻击性词汇区分开来。例如，许多青少年经常随意地使用“f*ck”和“b*tch”这样的词，并没有恶意。AHSD为攻击性语言和更有害的仇恨言论提供注释数据。

与一般的攻击性语言不同，仇恨言论是一种更具体的语言，会造成故意伤害。为了训练我们的仇恨模型，如前所述，我们将AHSD数据集与大规模人群Sourcing [ 28数据集提供了额外的2067条被人类标记为可恶的推文。我们随机抽取了6450个句子用于训练，639个用于测试。这两个数据集都将仇恨言论确定为对目标群体表达仇恨的语言，目的是贬损、侮辱和羞辱。这个定义在之前的研究中被广泛使用[ 30.- 32］．

为了理解推文中的攻击性水平，我们测量了所有随机采样的推文中包含攻击性的推文的比例。首先，我们为每种攻击性情绪(即愤怒、攻击性和仇恨)使用单独的BERT模型来分析我们采样的Twitter数据。分析结果是3个数据集，每个数据集代表一种攻击性情绪。在每个数据集中，对于50个州中的每个州，我们计算了从2019年1月到2020年10月的92周内包含攻击性情绪的推文的百分比。该分析得到3个数据集，每个数据集有4600个数据点。

虽然我们的数据由不同时空设置下的攻击性推文数量组成，但我们分析了攻击性推文在总推文中的比例，而不是攻击性推文的数量，以调查推特上的攻击性水平。这是因为攻击性推文数量的增加可能是由于推文总量的增加，这并不一定意味着攻击性水平更高。测量攻击性推文的比例可以更准确地描述推特上的攻击性水平。

经过3个阶段的观察和分析，我们从不同的角度看待数据。在第一部分中，我们比较了大流行前6个月不同封锁状态组之间的攻击水平。在那之后，我们把注意力集中在那些经历了封锁的州，我们观察了他们封锁前后的攻击水平。最后，我们使用差异中的差异分析来估计封锁对攻击性增加的影响。

为了了解封锁对攻击性情绪的影响，我们调查了每个特定时间和地点的攻击性推文比例，并比较了处于封锁状态下和未处于封锁状态下的人的比例。为此，我们设计了第一个目标。在2019年1月1日至2020年10月1日的92周内，我们将封锁州和非封锁州分为两组。然后，我们分别汇总了攻击性推文的数量和推文总数。基于综合数据，我们计算了这两个组每周的攻击性推文百分比，持续了92周。请注意，每个州的用户代表处于封锁状态的患者，而不是基于该州当前的封锁状态而处于封锁状态的患者。

在前一节中，我们观察并比较了被封锁和未被封锁的组之间的攻击性情绪。在本节中，我们重点了解了封锁州的趋势。更具体地说，我们通过比较封锁前后的数据，研究了封锁后攻击性的增加。我们根据封锁的第一周按时间顺序排列了每个封锁州的数据。更具体地说，对于每个经历过封锁的州，封锁开始的那一周被记为第0周。其他的周也相应地编号(例如，第0周之后的第一周是第1周，第0周之前的第一周是第- 1周，依此类推)。使用这种方法，我们可视化了封锁后攻击性的增加。请注意，这仅仅是对封锁前后侵略趋势的观察。它没有衡量封锁状态对侵略程度的净影响。为了具体衡量影响并调查因果关系，我们在下一节中应用了差异中的差异估计，以统计方式量化封锁组和非封锁组之间的攻击水平差异。

研究因果关系的传统方法是在随机分配的受试者中进行实验，参与者随机分为两组。一组接受治疗，另一组不接受。然而，在许多情况下，包括我们的实验，由于实际或伦理原因，实验是不可行的。例如，我们不能随机分配人员，并将他们长期封锁。一些社会科学研究人员使用多元回归来解决这个问题，当感兴趣的自变量， X等相关变量， Z₁ 、…… Z_k ，共同行动决定结果， Y．虽然这种方法可以控制选定的效果 Z变量，其他一些潜在的相关变量可能缺乏数据或难以识别，导致重要变量可能没有被考虑。为了解决这个问题，科学家们使用了“差中差法”。

正如Callaway和Sant 'Anna指出的那样，“差异中的差异(DID)已成为用于评估政策干预中的因果效应的最流行的研究设计之一”[ 33］．差异中的差异是指治疗组和对照组在特定时间(T1)与另一个时间(T2)的差异，其中2倍被特定干预隔开。该方法比较T1 ( D_T1)， T2处的差值( D_T2)，并测量两者之间的差异 D_T1而且 D_T2(差异中的差异)与干预有因果关系。简而言之，差异中的差异衡量的是干预是否会对差异产生因果影响 D_T1而且 D_T2［ 34］．在这项研究中，治疗组指的是那些被封锁的Twitter用户，对照组指的是那些没有被封锁的用户。干预措施是封锁我们的目的是比较这两组之间的攻击水平的差异( D_T2)与封锁前两组之间的差异( D_T1)，并测量两者之间的差异 D_T1而且 D_T2与禁闭有因果关系

为了实现时间序列数据中的差分估计，我们使用固定效应模型。固定效应模型通过控制每个地理和时间数据组(简称数据组)中的平均值来处理不可见变量。每个数据组的平均值由许多因素构成，包括那些我们可能知道或不知道的Z变量。换句话说，我们需要控制的Z变量的影响是在每个数据组的平均值中捕获的。通过从每个数据组的结果中减去平均值，固定效应模型控制了杂Z变量的影响，并测量了X变量对Y变量的贡献的净增加。以“国家的固定效应”为例，不同政治倾向和种族构成导致的侵略水平差异体现在各州的平均侵略水平中。在减去平均值之后，我们现在测量了相对于每个州的标准，攻击性水平是如何增加的。本研究中使用的固定效应模型“比普通回归分析更接近于实现无偏倚的因果效应估计”[ 35］．

为了实现上面的固定效应模型，我们需要将固定效应添加到最适合我们数据的回归模型中。因为我们最初的观察是在特定时空设置中发布的攻击性推文的数量，所以我们的数据代表了一种计数数据。因此，对于固定效应的计数数据，我们选择了经典的泊松模型[ 36］．最初使用的公式如下:

在这种情况下， 攻击性推文计数_{s t} 是在特定时间(t)下，特定状态(s)下的攻击性推文的数量。 α₀是标准回归模型中的常数。变量 α₁表示治疗效果 在封锁关于咄咄逼人的推文。 在封锁是一个二进制变量(本实验中的解释变量)，其值为0表示未被锁定，值为1表示被锁定。模型还包括状态固定效应和时间固定效应，如下所示: μ_状态 而且 σ_时间 ．这两个变量没有特定的范围，而是代表它们对应的数据组的平均值(例如，某个州或特定周的数据)。 ε误差项是否包含在所有统计回归中。

然而，正如前面提到的，攻击性推文数量的增加可能是由于发布的推文总数的增加，这并不一定表明攻击性水平更高。测量攻击性推文的比例可以更准确地描述推特上的攻击性水平。因此，为了使用这种基于计数的模型来测量攻击性推文的比例，我们通过添加术语ln( 总计)，将系数固定为1，得到方程。此操作是为类似我们的情况而设计的，并得到了 暴露()stata17软件中的选项[ 37］．更具体地说，我们现在的方程如下:

为了理解ln( 总计_{s t} )允许我们估计比例而不是计数，我们可以这样看这个方程:当我们减去ln( 总计_{s t} )，则该估计相当于对攻击性推文的比例进行建模。方程如下:

我们的模型更接近于捕捉观察数据中感兴趣的自变量对因变量的无偏因果效应[ 35］．由于大多数其他可能影响结果的独立因素，如季节和区域因素，已经被时间和状态固定效应所吸收，这种差异中的差异分析的显著结果不仅可以表明具体的正相关，而且可以强烈地表明因果关系。所有分析均使用Stata BE Edition 17.0 (StataCorp)进行。

就强烈的不满或对抗感而言，2020年5月推文数量突然增加，在封锁期间尤其明显。自4月以来的前9周，被封锁的一组的平均愤怒水平比另一组高出2%-3%。 图3显示2019年愤怒推文的比例在20%左右波动。到2020年5月，这一比例升至34%。在2020年夏天，愤怒水平下降，两组人的愤怒推文比例相似。

对于可能伤害弱势群体的不可接受的语言，自2020年4月以来的7周内，推文的比例急剧上升( 图2)．2019年，攻击性水平在6%左右波动( 图3)．在第7周，未被封锁组和未被封锁组的攻击性推文比例分别飙升至12.2%和9.8%。之后，数量开始逐渐减少。虽然在未被封锁的组和未被封锁的组中都看到了类似的趋势，但被封锁的推文百分比始终比另一组高2%-3%。

对于旨在向目标群体表达仇恨的贬损、羞辱和侮辱性言论，推文比例在2020年4月1日起的第8周达到峰值( 图2)．仇恨言论的比例从大流行开始时的3%左右飙升至封锁期间和未被封锁期间的8%和6%。比例在2020年夏季有所下降，随后几个月逐渐稳定下来。与攻击性语言的趋势类似，仇恨推文的百分比在下降后大大高于2019年的数值( 图3)．在最初的激增之后，封锁下的仇恨言论比例比另一组高出1%-2%。

三种攻击性情绪的攻击性水平都大幅上升，在2020年4月1日起的6-8周左右达到峰值( 图2)．在整个过程中，被封锁的人比不被封锁的人表现出更激进的倾向。没有被封锁的人经历了与被封锁的人相似的趋势，但程度不那么严重。在攻击性增加的初始峰值之后，所有三种情绪推文的比例都下降到一个相对稳定的平台。这种稳定可能表明人们正在逐渐适应这种情况，与封锁初期的突然不满相比，情绪相对缓和。尽管攻击性推文的比例暂时下降，但仍远高于2019年的水平( 图3)．

了解攻击性情绪的趋势是理解大流行期间与攻击性行为相关的各种社会问题的第一步。受Killgore等人的问卷研究启发[ 2]，我们使用NLP作为信息监视方法，观察大流行最初几个月的在线攻击趋势。我们希望该方法能够支持传统的心理调查，利用计算机技术提供一种更有效的理解人群情绪的方法。

通过使用全州封锁状态来分析推文，我们可以在很长一段时间内捕捉攻击水平的峰值和低谷。我们还可以确定具有不同锁定状态的组之间的攻击水平差异。在观察的时间段内，有几个特别明显的攻击性水平峰值。这些偏差或许可以解释各种社会事件对公众情绪的影响。从2020年4月初大多数州实施封锁到同年5月下半月，攻击水平上升的幅度是2019年所没有的，被封锁的人比其他人表现出更严重的上升。全国新冠肺炎死亡者从3月末的每天100人以下激增到4月中旬的2000多人，情绪和生活方式受到了前所未有的冲击。通过封锁，死亡人数在接下来的几个月里稳步下降，并在6月达到较低的平衡。所有三种攻击性情绪都在全国大流行最严重的月份达到顶峰，当时各州正在经历高死亡人数和内乱。

经过大约2个月的封锁后，侵略程度有所下降。这种下降可能是由于流行疲劳，使人们感到压力更小，表现出更少的攻击性[ 38］．根据世界卫生组织的一份报告，“在危机开始时，大多数人 人能够利用他们的激增能力——一种人类在剧烈压力情况下为短期生存而利用的心理和身体适应系统的集合。然而，当糟糕的情况一拖再拖时，他们不得不采取不同的应对方式，结果可能是疲劳和丧失动力。 39］．尽管人数有所下降，但被封锁的人仍然比未被封锁的人表现出更高的攻击性水平。

尽管这三种攻击性情绪的攻击趋势大致遵循相同的模式，但每种情绪都有一些略有不同的特征，这揭示了每种情绪的独特性。愤怒是三种情绪中最常见的情绪。在最初的高峰之后，不同封锁状态组之间的攻击线在接下来的几个月里交织在一起。攻击性和仇恨比愤怒更常见。然而，在大流行的前6个月里，被封锁者的攻击性和仇恨水平一直高于未被封锁者的水平。

我们的信息监测研究捕捉了人们在特定时间段内情绪的波动，为政策制定者和公共卫生专业人员提供了重要信息。

我们的估计表明，封锁和攻击性增加之间存在因果关系。用于计数数据的泊松回归分析适用于估计在一段时间内发布的攻击性推文的数量。时间和状态固定影响能够解决除锁定状态以外的因素对结果的不希望看到的影响。使用这个严格的统计模型，我们可以展示封锁状态对攻击性推文增加的净影响。在所有三种攻击性情绪(愤怒: P=。002，offensive: P<措施，hate: P=.005)与我们信息监视研究中的观察相匹配，即处于封锁状态的人具有更高的攻击水平。封锁期间的攻击性情绪会导致家庭暴力和离婚等社会问题。我们的发现为理解大流行期间攻击性情绪的原因提供了重要信息。

统计数据和科学证据在大流行期间的理性决策中发挥着至关重要的作用[ 40］．利用大数据来检测封锁和攻击行为之间的潜在因果关系，可以指导政府在封锁期间实施心理健康支持政策。过去，心理健康支援有各种不同形式，包括但不限于家庭暴力保护[ 41]、学校辅导[ 42]、心理咨询[ 43］．我们希望我们对侵略趋势的时空检测可以促进更有效地将公共资源分配到最需要的地区。此外，我们希望激励未来的研究人员使用机器学习来检测社会趋势，从而引发适当的政策反应。此外，我们希望我们的因果分析可以提高社会和政治对大流行期间精神卫生政策重要性的认识。