《Applied Psychology: Health and Well-Being》:Pandemic emergency: A multi-level AI framework for analyzing psychological impact through public discourse
编辑推荐:
应急管理(Emergency Management)近年来已成为一个被广泛讨论的话题,尤其是在气候变化、自然灾害、公共卫生和武装冲突等不同类型紧急事件的背景下。COVID-19大流行(COVID-19 pandemic)引发了前所未有的不确定性,触发了一场全球
应急管理(Emergency Management)近年来已成为一个被广泛讨论的话题,尤其是在气候变化、自然灾害、公共卫生和武装冲突等不同类型紧急事件的背景下。COVID-19大流行(COVID-19 pandemic)引发了前所未有的不确定性,触发了一场全球性紧急状态,其引发的担忧不仅关乎健康,还涉及社会、经济和环境的稳定。在心理学重新审视其在紧急情况下支持变革进程中的角色之际,质性研究方法能够对人口所凸显的需求做出具体回应。本研究考察了从2020年4月到2021年5月,超过一年的时间里,意大利人口在社交媒体上分享的与COVID-19大流行紧急状态相关的话语产出(discursive productions),以观察其对公共健康的影响并识别临床启示。研究采用了一种基于24种话语模式(discursive modalities)的标注系统进行文本分析(该系统由两名人类标注员和一名机器学习模型通过特定培训学习掌握)。研究还使用了IRaMuTeQ进行内容检测和下降层级分类(Descending Hierarchical Classification,DHA)。分析揭示了基于个体表达其经历和担忧的方式,在临床层面和社会政治干预层面均存在支持需求。具体而言,人们的话语倾向于僵化地坚持现状,对“此时此地”的关注阻碍了面向未来的健康目标的制定。此外,通过将对制度的批评置于个人责任之上,个体采纳了被动观察者的角色,而非在管理自身及社区福祉方面的积极参与者。这些结果突显了机器学习模型如何能够帮助临床医生在紧急情况下更好地理解人口的健康需求,为操作决策提供更高的精确性和速度。
本文深入剖析了在COVID-19大流行期间,意大利威尼托大区(Veneto Region)人口通过社交媒体表达的公共话语,旨在揭示其心理健康状态及应对危机的模式。研究背景源于大流行紧急状态(PHEIC)对全球社会造成的深远影响,不仅限于生理健康,更严重冲击了社会互动、心理健康与整体福祉。现有的公共卫生响应往往聚焦于病毒传播的生物医学层面,而对民众如何通过话语建构健康、感知威胁以及其心理社会影响的机制关注不足。传统的内容分析方法虽能识别主题,但常忽略互动语境下话语的动态建构过程。因此,本研究的核心问题是:在持续的紧急状态下,民众的话语如何反映其心理健康配置?这些话语模式又蕴含哪些关键的临床与社会干预启示?论文发表在《Applied Psychology: Health and Well-Being》期刊。
为系统性地回答上述问题,研究人员采用了一种整合了计算语言学与质性文本分析的多层次方法论框架。关键的技术路径主要有两条:一是运用基于R语言的开源软件IRaMuTeQ进行文本的内容维度分析,包括词频统计、下降层级分类(DHA)以识别主题聚类,以及对应因子分析(CFA)构建语义地图,从而揭示话语的主要内容和主题结构。二是应用基于Transformer的预训练双向编码器表示模型(Bidirectional Encoder Representation from Transformer, BERT),这是一个先进的机器学习(ML)模型。研究人员使用经过人工标注的意大利语数据集对名为MADIT(Methodology for the Analysis of Computerized TextData)的BERT模型进行微调,该模型专门用于将自然语言文本分类到24种话语模式(Discursive Repertories, DRs)中。这些DRs被分为三大类:稳定型(Stabilization)、生成型(Generative)和混合型(Hybrid),用于深入剖析民众如何通过语言使用来“塑造”和描述其健康状态,而非仅分析文本的表面内容。研究数据来源于意大利社交媒体上与COVID-19大流行相关的公开文本语料库,时间跨度为2020年4月至2021年5月。
研究结果主要分为两部分呈现。首先是IRaMuTeQ的内容分析结果。通过对约60万词次的语料库进行分析,研究识别出四个核心主题聚类。聚类1“情绪与日常困境”主要讨论了个体在疫情期间的当前生活状态、情绪反应、日常活动的优缺点以及心理影响,反映了对“此时此地”困境的聚焦。聚类2“医疗保健”则集中于疫苗管理、筛查程序以及医生、护士等相关角色的功能,体现了对维持生命的医学程序的关注。聚类3“对机构的评论”和聚类4“紧急状态指南”的内容主要涉及对政府和管理部门决策的评论、建议与批评,讨论商店重新开放、限制措施有效性、基本需求等问题。对应因子分析(CFA)将这四个聚类定位在语义空间的不同象限,进一步证实了它们作为独立主题领域但彼此间存在一定关联的结构。这些内容聚类揭示了民众讨论的焦点集中在当下情境、医学程序以及对外部管理责任的评价上。
其次是基于BERT模型的机器学习分析结果,它深入剖析了话语的“意义建构”维度,即话语模式。模型分析显示,稳定型话语模式(Stabilization DRs)占据了绝对主导地位,比例高达57.89%,远超生成型(16.43%)和混合型(25.68%)的总和。在具体话语模式中,使用频率最高的是稳定型模式“确认现实”(Certify Reality, 15.86%),它体现了一种坚定且不容置疑的立场陈述,可能阻碍对其他观点的开放性。“评论”(Comment, 12.41%)和“判断”(Judgment, 7.79%)作为另外两种高频稳定型模式,共同占据了超过20%的份额。“评论”常将话题引向无关方面,限制了可行建议的提出;“判断”则基于个人道德标准判定是非,难以形成集体健康目标。在生成型模式中,仅“描述”(Description, 14.7%)具有较高频率,它能清晰呈现问题,但其比例远低于稳定型模式,且其他生成型模式(如“预期”、“提议”、“考量”)的使用率极低(接近0%)。这表明民众虽能描述问题,但极少提出面向未来的行动构想或具体解决方案。混合型模式如“评价”(Evaluation, 5.98%)和“规定”(Prescription, 5.41%)则具有双面性,其效果取决于所依赖的上下文话语模式。
综合以上两方面的结果,论文的讨论部分进行了深入阐释。研究发现,民众在紧急状态下的话语配置呈现出显著的静态性与保守性。稳定型话语模式的盛行,特别是对“确认现实”、“评论”和“判断”的依赖,构建了一种难以改变的叙事框架。人们倾向于基于个人化的、基于道德评判的标准来讨论健康与限制措施,而非以达成共享的、面向未来的健康目标为导向。这种“此时此地”的聚焦,将健康体验锚定在当下情境中,缺乏对危机后恢复或适应性改变的规划视角。对“医疗保健”聚类的分析也显示,讨论多局限于生物医学层面(如疫苗),而忽略了健康作为生物、心理与社会动态互动过程的整体性。对“机构评论”和“指南”聚类的分析表明,民众大量使用评价性和规定性话语,实质上是将健康管理的责任委派给政府和机构,自身则处于被动观察和评论的位置,而非积极的共同行动者。这种委派和被动立场可能导致社会疏离感、无力感,并削弱个体在促进自身及社区福祉方面的主动性和责任感。
论文结论部分总结指出,本研究通过整合机器学习模型(MADIT/BERT)与质性文本分析软件(IRaMuTeQ),成功揭示了COVID-19大流行紧急状态下社区话语处理与回应模式的核心特征。研究证实,民众的话语产出以维持现状的稳定型模式为主导,缺乏面向未来的目标设定和生成性思考。健康管理被普遍视为外部机构的责任,个人则倾向于以静态、个人化的视角描述困境并进行评判。这种话语配置存在重要临床与社会效益:它可能固化消极应对模式,限制适应性心理与行为反应的发展,并可能加剧无助感和社会孤立。研究强调,在应对持续且不确定的紧急状况时,必须超越纯粹的生物医学或机构管理视角,转而促进一种整合的健康观——即承认健康是在个体、人际与社会动态交互中不断建构的过程。未来的干预措施应着力于提升个体在自身健康管理中的能动性(Agency),培养共享的危机应对意识,并通过支持灵活、交互式的健康目标设定与行动,来增强个体与社区在面对未来不确定挑战时的心理弹性(Resilience)与适应能力。本研究也存在局限,如数据的非概率抽样性质限制了结论向更广泛人群的推广,未来研究可考虑区分临床与非临床样本,并纳入更多社会人口学变量进行细化分析。