插值幸福：理解面部表情符号在不同文化中的强度差异

文献标题

Interpolating Happiness: Understanding the Intensity Gradations of Face Emojis Across Cultures

文献信息

• 主题领域: 人机交互、文化心理与视觉表情符号（表情符号/emoji）研究
• 关键词: emoji, 情感可视化, 跨文化研究, 强度分级, 表情符号, 用户多样性, HCI

研究背景与问题

• 问题与挑战:
  • 表情符号能够支持数字沟通中情感的表达与传递，其使用方式呈现了跨平台的普遍性和多样性。然而，现有研究尚未系统评估这些视觉符号在情感强度上的表现力，也缺乏对其跨文化感知的理解。
  • 某些情感（如快乐）可能被多种表情符号覆盖，而其他情感（如愤怒）可能缺少代表性强的表情符号。
• 重要性:
  • 情感表达是有效通信的一个基本构成。提升表情符号表达情感强度、减少误解并使其能适应各不同文化背景，对设计创新的数字工具和改进全球化沟通具有重要意义。
• 研究动机与相关工作:
  • 当前文献发现：表情符号的感知因情感类目和文化背景而异，同时存在设计误解和交互模糊性。
  • 文献空白：鲜有研究集中探讨特定表情符号的情感强度分级，现有分类系统较宽泛，未能揭示同类情感的细微强度区别。

解决方案

• 方法与解决方案:

  • 提出了表情符号的情感强度分级系统，为7种基本情感（快乐、愤怒、厌恶、悲伤、震惊、烦恼和爱）创建线性强度分组。
  • 全面分析了文化背景对表情符号强度感知的影响。
  • 设计并执行了一项大规模在线调研，基于对1195名全球参与者的回应，量化了68个表情符号的情感强度。

• 创新之处:

  • 提出并实现了情感强度的线性表情符号排序，这是一种尚未被探索的细粒度视觉工具方法。
  • 系统地评估了表情符号在多文化背景下的通用性及潜在文化差异影响。

• 实施步骤与技术:

  • 预研究: 确定主要情感类别（基于Ekman的基础情感）及筛选具情感相关性的表情符号。
  • 主研究设计: 使用在线问卷调查（英文），要求参与者对每个表情符号进行情感归类及强度评估（1-7分）。
  • 文化分组: 通过Lewis文化模型，将参与者分为线性活跃、多活动性和反应性三组，用来解析文化对强度感知的影响。

研究成果

• 具体成果:

  1. 情感归类: 68个表情符号中，有46个明确归属单一基础情感类别，多数与“快乐”、“震惊”和“悲伤”相关。
  2. 强度分级:
     • 确立了7种情感的线性强度分组，每种情感至少包含两个显著不同的强度集群。
     • “快乐”和“震惊”覆盖了较大强度范围，而如“愤怒”和“厌恶”则主要对应较高强度水平。
  3. 文化影响:
     • 总体情感归类在文化之间保持一致，但强度感知存在显著差异。
     • 线性活跃文化（如德国、英国）的参与者对表情符号情感强度的感知显著高于多活动性（如巴西、俄罗斯）和反应性（如印度尼西亚、新加坡）文化。
     • 文化影响主要体现在绝对强度评分，而非表情符号强度的相对排序。

• 优势:

  • 创立了符号化情感表达的可视化工具，适用于跨文化的表情符号设计与数字平台。
  • 研究结论得到了1195名参与者的大规模数据支持，具有较高的统计学说服力。

• 实验局限与未来方向:

  1. 平台一致性: 本研究基于iOS表情符号设计，其他平台（如安卓、Windows）的表情符号可能无法完全适用。
  2. 情感维度: 仅考察了有限的7种基本情感，未包含更复杂和细化的情感类别。
  3. 文化分组方法: 使用国家和Lewis模型将参与者归类，可能忽略了文化内异质性，并且部分文化（如非洲）数据不足。
  4. 问卷语言影响: 调查仅用英文呈现，有可能对非英语母语参与者构成语言偏差。
  5. 未来研究方向: 纳入更多平台设计的对比，探索复杂情感与情境依赖性对表情符号的影响。

总结与展望

本研究首次系统性探讨了表情符号在表现情感强度上的可适配性及文化通用性，提出了七种基础情感的强度分级工具，为未来跨文化的数字沟通工具设计和用户体验优化提供了重要参考。