悲伤还是只是嫉妒？使用经验抽样法理解并检测Instagram上的负面情绪体验

文献标题

Sad or just jealous? Using Experience Sampling to Understand and Detect Negative Affective Experiences on Instagram

文献信息

• 主题领域: 社交媒体上的情绪体验与检测，尤其是 Instagram 上的负面情绪
• 关键词: 情绪检测，社交媒体，智能手机，体验采样法，Instagram

研究背景与问题

• 问题与挑战:

  1. 社交网络服务（SNS）的使用可能引发多种情绪体验，正面和负面情绪并存。
  2. 尤其是负面情绪（如嫉妒和外貌比较）可能对用户情绪以及心理健康产生深远影响。
  3. 虽然情绪对 SNS 体验的重要性已被广泛承认，但系统化记录与检测用户情绪的方法尚不发达。

• 研究重要性:

  • 理解 SNS 使用引发的情绪及其影响可以揭示如何设计支持情绪管理的社交平台。
  • 自动化情绪检测有助于开发能够有效调整负面情绪体验的干预系统。

• 研究动机与相关工作:

  • 经验采样法（Experience Sampling Method, ESM）是一种广泛应用于日常环境下记录情绪的技术。
  • 现有 ESM 方法存在回忆偏差和操作负担问题，尤其是在负面情绪情境下。
  • 结合智能手机传感器数据有助于弥补被动采样的不足，但这些研究多局限于实验室环境，未在真实的 SNS 使用情境中验证其适用性。

解决方案

• 方法与解决方案:

  1. 第一项研究: 使用一种改进的 ESM 方法，开发了手机应用实时采集 Instagram 使用后的情绪状态，记录外貌比较、嫉妒等具体情绪体验。
  2. 第二项研究: 捕捉智能手机传感器数据（如触摸和运动数据），通过机器学习模型检测上述具体情绪类别。

• 创新之处:

  • 提出了上下文触发的 ESM 方法，能够在用户使用 Instagram 后立刻记录情绪反应，从而减少回忆偏差。
  • 开发了一种完整系统，基于智能手机的传感器数据，能够实时检测负面情绪的触发点，这在真实使用环境中尚属首次。

• 实施步骤与关键技术:

  • 第一步: 使用问卷和量表捕获外貌比较、嫉妒等负面情绪的自评数据。
  • 第二步: 收集传感器数据并进行特征提取，包括运动和触摸数据的最低值、最大值、均值等统计学特征。
  • 第三步: 使用机器学习分类器（如 SVM）基于传感器数据预测负面情绪类别，并评估模型性能。

研究成果

• 具体成果:

  1. 第一项研究: 发现 Instagram 使用期间外貌比较和嫉妒是用户经历较多的负面情绪，占所有情绪的16.6%和17%。
  2. 第二项研究: 使用传感器数据，成功实现了对外貌比较（准确率高达95.78%）和嫉妒（准确率高达93.95%）的自动检测。

• 与现有解决方案的比较:

  • 研究证明，结合智能手机传感器进行情绪检测的可行性，即使在日常情境中，仍能达到高分类准确率。
  • 与传统 ESM 方法相比，新方法显著减少了回忆偏差，提高了描述情绪的时间精度。

• 实验或评估结果:

  • 对于外貌比较和嫉妒的高精确检测显示了基于运动数据的传感器特征的优越性。
  • 分类器在少量训练数据上的鲁棒性能（尤其使用了 SVM 作为分类器）为未来应用上线提供了支撑。

• 局限性与未来方向:

  1. 采样数据主要来自年轻人群体（尤其是大学生），可能限制了普遍适用性。
  2. 对 Instagram 的特定依赖可能难以延展至其他 SNS 平台或媒体风格。
  3. 建议未来研究增强 SNS 功能整合，使得类似 Instagram 的受试功能更加全面。
  4. 可进一步探索其他情绪检测技术（如生理传感器）以提高情绪分类的精度。

总结

本研究开创性地将 ESM 和基于智能手机传感器的数据结合，用以检测 SNS 使用中的负面情绪，结果验证了其高效性和实用性，为开发依赖情绪感知的 SNS 服务奠定了基础。