使用实时社交媒体技术监测大学生感知压力和情绪状态的水平:一项基于网络的问卷研究

简介

背景

大学对许多新生来说压力很大，因为他们要应对各种各样的学术、个人和社会压力。1］．虽然不是所有的压力都是消极的，但一定程度的压力对提高表现是有益的。然而，过多的压力会对健康产生不利影响。2］．根据对美国新生的年度调查，在过去的十年里，感到不知所措和有压力的学生人数稳步增加。3.］．超过50%的大学生在一个典型的大学学期里承受着巨大的压力。4］．

众所周知，高水平的压力会对一个人的情绪健康产生负面影响，因为它会增加负面情绪(如愤怒、恐惧)的程度，降低积极情绪(如爱、幸福)的程度。5］．在大学生中，压力生活事件水平的增加已被证明与焦虑、抑郁和自杀意念有关[6-8］．过度的压力也会对身体健康产生负面影响，例如睡眠障碍加重、免疫功能下降和食欲不振[9-11］．因此，有必要找到具有创新性和成本效益的策略，以帮助早期识别那些经历高度压力和负面情绪的学生，以便他们能够接受适当的治疗，以预防未来的精神疾病[4］．

Twitter和Facebook等社交媒体的使用一直在迅速增长，研究已经表明，来自这些技术的数据可以用于公共卫生监测的新方法[12-15］．从2012年到2014年，年轻人使用Twitter的人数增加了16%。目前，在18-29岁的成年人中，有32%的人在使用Twitter，并且在未来这一比例将会稳步上升[12-15］．

人们经常需要分享他们的情感和经历。16］．研究人员已经建立了理论，情感分享可以通过引起关注、情感和社会支持来满足社会情感需求。因此，这可能有助于个人应对他们的情绪，并提供即时的缓解[16］．用户经常在这些社交媒体平台上分享他们的想法、感受和观点，因此，社交媒体数据可能被用来实时监测大学生的压力和情绪状态[17］．先前的研究表明，推特数据可用于监测广泛的健康结果，如检测人类免疫缺陷病毒感染爆发，预测个人患抑郁症的风险[12，18］．例如，De Choudhury等人进行了第一批使用个人推文预测抑郁症风险的研究之一[18］．作者发现，从一个人一年多的推特中提取的某些特征与成年人患抑郁症的风险高度相关，比如推特中负面情绪的增加，频繁提到抗抑郁药物，以及更多地表达了宗教信仰。目前，还没有研究研究Twitter数据是否可以用来监测大学生的压力水平和情绪状态。研究这一课题很重要，因为大量来自大学生频繁使用社交媒体的社交媒体数据可以用来帮助大学官员和研究人员监测和减轻大学生的压力[19］．

目标

因此，我们研究的主要目标是调查学生感知到的压力水平是否与他们的推文的情绪和情绪有关。第二个目标是探索学生的情绪状态是否与他们的推文的情绪和情绪有关。由于新生的压力很大，我们决定在他们上学的第一季度对这一群体进行研究。我们假设，更高水平的压力、愤怒和恐惧与更大比例的负面情绪和情绪(愤怒和恐惧)的推文有关。相反，我们假设，更高水平的爱和幸福与更大比例的积极情绪和情感(爱和幸福)的推文有关。

方法

概述

这是2015年秋季学期进行的一项纵向观察性研究。加州大学洛杉矶分校共招募了181名大一新生。为了有资格参加这项研究，参与者必须是大一新生，有一个推特账户，每周至少发两条推特，并愿意分享他们的推特账号。提取2015年11月2日至11月8日的数据进行分析。该研究获得了加州大学洛杉矶分校研究伦理委员会的伦理批准。

招聘及学习计划

2015年9月14日至10月12日期间，参与者通过社交媒体网站和加州大学洛杉矶分校校园的传单被告知这项研究。同意的参与者被要求完成一份基于网络的问卷，评估他们过去7天的压力水平和情绪状态。研究人员构建了压力的心理测量方法，以评估个人发现自己的生活超负荷的程度。参与者要用1-5李克特量表(1=完全没有压力，2=低压力，3=平均压力，4=高压力，5=极高压力)来确定他们过去7天的总体压力水平和压力来源。之前的研究已经确定了人类的基本情绪，包括愤怒、恐惧、爱和快乐。20.，21］．参与者被要求用1-5李克特量表(1=极低，2=低，3=一般，4=强烈，5=强烈)对他们过去7天的情绪状态(愤怒、恐惧、爱和幸福的感觉)进行评分。所有问卷都在48小时内完成。收集了人口统计信息，包括年龄、性别、种族和学生的学习领域。从那一周(2015年11月2日至8日)，参与者发布的所有推文都被挖掘出来，并根据他们表达的情绪(积极、消极、中性)和情绪(愤怒、恐惧、爱、幸福)进行手动分类。参与者完成调查后将获得一张5美元的礼品卡。

推特情绪与情感分析

所有参与者的推文都是使用Twitter流应用程序编程接口提取的。为了保证编码的准确性，首先从推文中随机选择一个子集(n=100)。然后，这些推文由两位领域专家(SL和SY)根据推文的情绪和情绪独立编码。评分者间的信度为。83。在意见有冲突的情况下，以协商一致的方式解决。域专家(SL)然后手动编码其余的推文。

这些推文最初被编码为表达积极、消极和中立的情绪。为了确保编码的质量，在情感标签之前，使用亚马逊Mechanical Turk上的工人公开提供的一组标记的推文(n=150)作为参考[22］．然后，这些推文被分为4种主要情绪:愤怒、恐惧、爱和快乐，以反映学生在一周内的情绪状态。基于Ekman之前的基本情绪列表[21]和鹦鹉对情绪的分类[23，我们创建了一个编码方案，将其他导致或可能包含在愤怒、恐惧、爱和快乐这4种主要情绪中的情绪进行分类。例如，(1)爱的情感还包括感情、善良、激情和渴望;(2)幸福的情绪还包括喜悦、快乐和兴奋的情绪;(3)愤怒情绪还包括厌恶、折磨和评判情绪;(4)恐惧情绪还包括紧张、压力、悲伤等情绪。无法理解的模棱两可的推文被标记为未知。转发被排除在分析之外，因为它是一个挑战来解释情绪和情绪。例如，目前尚不清楚参与者转发推文是因为他们认同最初发布推文的人的情绪，还是他们转发推文是为了支持那个人。

统计分析

描述性统计数据用于总结基线人口统计学特征、压力水平、情绪健康，以及积极、中性、消极、愤怒、恐惧、爱和快乐推文的数量。使用顺序回归来评估每周的压力和情绪状态(愤怒、恐惧、爱、幸福)水平是否与积极、中性、消极、愤怒、恐惧、爱或幸福推文的百分比相关。由于少数参与者在每周压力和情绪健康的李克特量表上得分为1(极低)或5(极高)，因此通常将细胞[24］．我们将1分(极低)和2分(低)以及5分(极高)和4分(高)结合起来。因此，自我报告压力和情绪状态的有序回归因变量包含3个层次(低、平均和高)。为了解释人们发布推文数量的差异，我们计算了表达积极、消极和中性情绪的推文的百分比，以及愤怒、恐惧、爱和快乐的情绪，这些情绪将被包括在回归分析中。基于先前的研究，所有模型都对包括年龄、种族和性别在内的协变量进行了调整[25-28］．在评估整体模型拟合时，使用拟合优度度量(-2 log似然)。-2对数似然测度值越小，模型拟合越好[29］．数据使用SPSS version 21 (IBM Corp)进行分析。数据以均数(SD)报告，在P≤0。。

结果

参与者

共有121名参与者完成了调查，并纳入了我们的分析。基线参与者特征显示在表1．在这项研究中，白人和亚裔族群的患病率被低估，而非裔美国人和拉丁裔族群在加州大学洛杉矶分校的分布中被高估[30.］．这可能是由于推特在非裔美国人和拉丁裔美国人中使用得很普遍。19］．

压力水平和情绪状态

压力水平和情绪状态的分布表现在表2．大多数参与者(~80%)报告了平均或高水平的压力。学生们最常报告的压力源与上课、完成作业和处理自我形象有关。总的来说，大多数参与者(约50%-70%)报告的愤怒和恐惧水平较低，而爱和幸福水平平均较高。压力与愤怒显著相关(r=。P=.05)和恐惧(r= .51,P<措施)。愤怒情绪也与恐惧呈正相关(r= .41点,P<措施)。与此同时，幸福情绪与爱显著相关(r=点,P<措施)。

推文的情感与情感分析

我们总共分析了1879条推文。其中正面情绪推文490条(26.08%)，负面情绪推文410条(21.82%)，中性推文590条(31.40%)，未知推文389条(20.70%)。在积极情绪推文中，201条推文表达了爱、善良、支持、灵感或渴望的情绪，例如，“每天结束时都有祝福”;“上帝啊，我有这么了不起和支持我的朋友”;289条推文表达了幸福、喜悦或兴奋的情绪，例如，“期中考试终于结束了”;“我刚刚在In N Out的westwood餐厅和扎扎·帕楚利亚一起吃饭!!”在负面情绪推文中，124条表达了愤怒、侮辱、教条或评判的情绪，例如，“我发誓这些人只是盯着我看，很烦人”;“我非常讨厌随笔.．.”;有286条推文表达了恐惧、压力或悲伤的情绪，例如，“大学压力太大了”;“我选择了Netflix和睡觉学习，现在离考试还有1小时，我恨自己。”参与者在7天内平均发布了14条推文(SD 23，范围2-144)。每个人包含积极、消极和中性情绪的推文平均数量分别为3.7 (SD 3.4，范围0-35)、3.1 (SD 5.9，范围0-43)和4.5 (SD 8.2，范围0-52)。每个人包含愤怒情绪的推文平均数量为1.1 (SD 1.9，范围0-10)，包含恐惧情绪的推文平均数量为2.2 (SD 4.3，范围0-33)。

个体的压力水平、情绪状态与推文中表达的情绪和情绪之间的关系如图所示表3．在我们的有序回归分析中，我们发现，每周压力水平越高，负面情绪推文、包含恐惧的推文和包含爱的推文的比例就越高。预测每周压力水平最合适的模型是使用与恐惧情绪相关的推文(-2 log似然=181.3;χ²₇= 21.2;P= 04)。愤怒程度越高，积极情绪和推文与幸福情绪的比例就越低。最适合预测每周愤怒水平的模型是使用与快乐情绪相关的推文(-2 log似然=161.3;χ²₇= 7.1;P= 03)。恐惧程度越高，负面情绪的比例就越高，尤其是包含恐惧情绪的推文比例越大。预测每周恐惧水平的最佳拟合模型是使用与恐惧情绪相关的推文(-2 log似然=180.0;χ²₇= 18.2;P= . 01)。报告爱的程度越高的参与者发表负面情绪推文的比例越小(-2对数可能性=217.8;χ²₇= 15.1;P= 03)。最后，快乐情绪与快乐情绪相关的推文比例呈正相关，与负面情绪推文和恐惧情绪相关的推文比例呈负相关。预测每周快乐情绪的最佳模型是使用与恐惧情绪相关的推文(-2 log似然179.0;χ²₇20.1;P= .005)。

讨论

主要研究结果

这项研究的主要发现是，推特情绪与参与者未来对他们的情绪和压力的调查有关。具体来说，压力和恐惧情绪的水平越高，负面情绪和与恐惧有关的推文的比例就越大。与此同时，爱和幸福的情绪与负面情绪的百分比以及与恐惧情绪相关的推文的百分比呈负相关。有趣的是，压力的感知水平也与爱和希望的推文比例呈正相关。总的来说，这些发现为实时社交媒体数据可以用来监测大学生的心理健康提供了证据。

此前有研究表明，可以提取带有地理标记的推文内容(如关键词的频率)，以预测人口水平的疾病爆发[12，15，18］．然而，目前还缺乏研究来检验社交媒体数据的内容是否可以用于监测个人层面的心理健康。在这项研究中，我们建立了之前分析推文的研究方法[12，31］．据我们所知，这是最早的研究之一(1)根据情绪状态(如愤怒、恐惧、爱、快乐)的粒度度对推文进行分类，(2)发现个人推文中表达的某些情绪更好地预测了压力水平和情绪状态。与我们的假设相反，这项研究中一个有趣的发现是，当人们经历更高程度的压力时，他们更有可能发布与恐惧和爱或希望有关的推文。对此，一个可能的解释是，个人可能会发布与爱和希望有关的推文作为一种应对机制，可能会发现在经历更高水平的压力时，这是一种安慰。18，32］．

这项研究的结果有几个研究意义。首先，这些发现进一步加深了我们对可以从社交媒体数据中提取的信息类型的理解，并用于监测个人的压力水平和情绪健康。其次，我们的研究结果表明，有可能创建一种新的公共健康监测工具来监测和预测大学生的压力水平和情绪状态。这个新工具可以帮助学校管理人员对那些有高度心理困扰风险的人实施有针对性的健康干预。因此，这有助于改善学生的整体健康状况，并增强他们的学术体验。最后，这项研究的发现可以帮助创建一个新的研究领域，学到的方法可以应用于其他人群(例如，有心脏病风险的人)。

限制

这项研究的一个局限性是样本量有限，而且只包括大一学生。当参与者知道他们是研究的一部分时，他们可能会改变他们的网络行为(即霍桑效应)。性格和特征的差异也可能影响在社交媒体上发布内容的频率和类型。总的来说，这些因素可能会限制我们推广研究结果的能力。另一个限制是所使用的心理测量问卷之前没有经过验证。我们也排除了转发，在我们的分析中只包括了一周的推文。个人可能在他们的转发中或在推文被捕获的时间框架之外表达了他们的压力水平和情绪状态。因此，未来的研究需要研究分析转发的方法，以及需要捕捉推文的最佳时间框架，以便准确预测个人的压力水平和情绪健康。此外，这项研究中的推文被手动分为4种类型的情绪。为了将推文作为一种具有成本效益的监测方法，并作为一种深入了解个人健康的工具，需要开发自然语言处理和机器学习技术，以准确地将推文归类为各种情感类别。 Finally, levels of stress and emotional state were measured at only one time point in this study. Future research needs to examine how observed changes in the measures of emotions extracted from Twitter data predict changes in the levels of stress and emotional well-being. We plan to pursue this in future studies by collecting Twitter data and psychological measures of college students in a longitudinal study.

结论

利用实时社交媒体数据提供健康监测的能力具有重要的公共卫生应用。这项研究的结果表明，推文中表达的情绪和情绪有可能为大学生的压力水平和情绪健康提供实时监测。未来的研究可以建立在本研究中使用的方法的基础上，进一步完善利用实时社交媒体数据监测压力和情绪健康水平的方法。