社交媒体话语中的同理心实践：多维度和关系性视角

文献标题

Empathy Practices in Social Media Discourse: A Multidimensional and Relational Perspective

出版信息

• 主题领域: 在线社交媒体互动中的共情实践
• 关键词: 共情、在线社区、社交媒体、Reddit、Stack Exchange、语言模型、多维分析、关系动态、微调、在线话语

背景与问题

• 问题/挑战: 现有研究通常将在线互动中的共情视为二元或单一维度的构造，忽视了其多维性和关系性。这限制了对不同语境中共情如何被引发和表达的理解。
• 重要性: 理解在线社区中的共情实践对于改进平台设计、促进支持性互动以及应对共情的认知和情感成本至关重要。
• 动机与相关工作: 先前的研究已在特定语境（如心理健康论坛）中探讨了共情，但往往缺乏细致性、关系视角和语境意识。本文基于心理学理论和计算方法来弥补这些不足。

解决方案

• 提出的方法: 提出一个用于研究在线社区中共情实践的多维和关系框架，并结合微调语言模型（LMs）以大规模检测这些实践。
• 创新点:
  1. 开发一个全面的框架，用于捕捉帖子和回复中的不同共情实践。
  2. 创建一个高质量的Reddit和Stack Exchange互动注释数据集。
  3. 微调语言模型以识别多维共情实践，实现比现有模型更高的细致性和语境敏感性。
  4. 对平台和社区特定的共情实践模式进行实证分析。
• 流程和关键技术:
  • 通过主题分析定义六种共情寻求实践和七种共情给予实践。
  • 对1,302对帖子–回复进行这些实践的注释。
  • 使用4-bit量化技术微调语言模型（Phi-3-Medium-Instruct、Llama-3.1-8B-Instruct、Mistral-Nemo-Instruct）。
  • 将表现最佳的模型应用于一个大规模数据集（21,432个帖子和97,071个回复）进行统计分析。

结果

• 具体发现:
  • 微调语言模型在共情主题上的宏F1得分达到0.72–0.90，优于少样本基线模型。
  • 系统性地识别出帖子和回复中的共情实践，其中某些主题（如“寻求建议”）比其他主题（如“表达认可”）更容易检测。
  • 平台差异：Reddit更注重情感共情，而Stack Exchange则强调信息性和任务导向的共情。
  • 社区差异：育儿和社交技能社区表现出更高的情感和认知共情，而与工作相关的社区则较低。
• 相较基线的优势:
  • 微调模型始终优于随机、主要类别和少样本基线，证明了任务特定微调的价值。
• 实验/评估:
  • 数据集：来自六个社区（Reddit和Stack Exchange各三个）的21,432个帖子和97,071个回复。
  • 评估指标：分类任务的宏F1得分。
  • 分析了共情寻求与共情给予实践之间的相关性，以及它们对互动（如回复数量、原帖作者回应）的影响。
• 局限性与未来工作:
  • 某些主题（如“寻求情感支持”）的代表性有限。
  • 主要关注显性共情实践，隐性信号仍需进一步探索。
  • 需要纵向研究以评估共情对社区健康和用户留存的长期影响。

总结

本研究提出了一个用于分析在线社区中共情实践的多维和关系框架，并结合微调语言模型进行支持。该框架捕捉了六种共情寻求实践和七种共情给予实践，从而实现了对Reddit和Stack Exchange互动的细致分析。微调语言模型在检测这些实践方面表现出色，揭示了平台和社区特定的模式。研究结果挑战了共情始终为正面的假设，突出了其语境可变性。本文为平台设计、社区支持和基于AI的工具提供了可操作的见解，同时为隐性共情信号和长期影响的未来研究铺平了道路。