摘 要：目的：基于社交媒體數據，探究易感人格語言特征與抑郁風險之間的關系，為抑郁預防與心理健康服務提供依據。方法：通過Python爬取新浪微博用戶在2016—2021年間的原創微博文本,并用易感人格與“文心”詞典提取詞類特征，構建多種機器學習模型進行抑郁分析與預測。結果:抑郁與非抑郁兩類用戶在易感人格語言的使用上存在顯著差異，表現為抑郁用戶在以下5維度的詞頻上顯著高于非抑郁用戶：封閉防御(F=700.32,P<0.001)、敏感好勝(F=671.50,P<0.001)、自我專注(F=590.09,P<0.001)、退讓順從(F=514.05,P<0.001)、嚴謹認真(F=48.57,P<0.001)；其次，基于易感人格特征進行抑郁預測，在準確率、精確率及F1分數上比“文心”高出0.4%~6.5%。本文考慮到兩類特征可能存在互補性，合并兩詞典中所有顯著的特征，在梯度提升樹分類器上預測效果最好，準確率達83.9%，F1分數達82.4%。結論:本文開發的抑郁易感人格詞典性能良好，提取的語言特征有利于解釋抑郁的成因，且能較為準確地對抑郁風險進行自動預測。
關鍵詞:抑郁易感人格;抑郁風險識別;心理詞典;社交媒體;
Analysis and Prediction of depression based on language characteristics of vulnerable
personality
HU Xiaojun ZHANG Peng GAN Guobing WU Bin ZHANG Shuo
School of Education,Tianjin Universty;Institute of Applied Psychology,Tianjin University College of
Inelligence and Computing,Tianjin University Atificial Inelligence Chology Qishuo (Tianjin)
Intelligent Technology Limited Company
Abstract：Objectives: To explore the relationship between linguistic characteristics of vulnerable personality and depression risk in social media, which provides evidence for depression prevention and mental health services. Methods: Python was used to crawl the microblog texts of Sina Weibo users from 2016 to 2021, and a variety of machine learning models were built to analyze and predict depression based on the feature of word class in vulnerable personality and TextMind. Results: There were significant differences between depressed and non-depressed users in the use of language of vulnerable personality. The word frequency of depressed users was significantly higher than that of non-depressed users in the following five dimensions: such as defensiveness (F=700.32, P<0.001), emulousness (F=671.50, P<0.001), self-absorption (F=590.09, P<0.001), compliance (F=514.05, P<0.001), perfectionism (F=48.57, P<0.001). Secondly, compared with the features of Text Mind, the prediction of depression based on the feature of vulnerable personality is better in accuracy, precision, and F1 score. Considering the possible complementarity of the two types of features, this paper combines all the significant features in the above dictionaries. The best prediction results are achieved on the Gradient Boosting Decision Tree, with an accuracy of 83.9% and an F1 score of 82.4%. Conclusion: The performance of the lexicon of personality vulnerability to depression in this paper is good. The linguistic features extracted from the lexicon are helpful to explain the causes of depression and predict the risk of depression automatically more accurately.
Keyword：Vulnerable personality to depression; Depression risk identification; Psychological lexicon; Social media;
截至2021年，世界上近2.8億人患抑郁癥，在中國約為9500萬人[1]，嚴重者會選擇自殺。由于心理健康意識薄弱及精神疾病污名化，很多人錯過了治療的最佳時期[2]。顯然，抑郁患者早期的風險識別非常重要。一般臨床醫生通過量表與訪談的方式對用戶的抑郁狀態進行評估，這容易受到患者回憶不準確及主觀填寫的影響；此外，人工處理方式耗時耗力，難以做到在不引起被試防備情況下，大規模展開抑郁癥篩查與診斷[3,4]。隨著互聯網與通信技術的普及，人們常常使用社交媒體分享個人的情緒、觀點及生活狀態。研究人員通過分析社交媒體用戶的文本數據，并結合機器學習分類器能夠較為準確地實現對抑郁風險的自動預測，這為輔助臨床醫生診斷與治療抑郁癥提供了可能[4,5,6]。
文本內容一般通過詞匯、語法、句法和語義等展現[3]，可以反應用戶的心理狀態和精神病理學特征[7]。詞典（由詞類名稱及范例詞構成）常被用來提取文本中的語言特征[3]。國外研究基于LIWC詞典[8]，發現抑郁人群更頻繁地使用第一人稱單數代詞、負性情緒詞和軀體癥狀詞等[7,9]。“文心”詞典[10]常被國內研究用來分析心理健康問題，其主要將用戶文本中的用詞與詞典內容進行比較，計算情感歷程、思維過程、社會關注等詞類的詞頻。桑雪[11]基于該詞典發現微博中的抑郁群體也更多使用第一人稱單數代詞。鑒于國內分析抑郁文本的研究較少，國外發現的語言標志是否完全適用于中國人，仍有待驗證。
“文心”這類通用型詞典，包含了心理過程詞類（認知、情緒與行為），但缺乏專屬于抑郁用戶的語言特征，為此也有研究者自行構建抑郁詞典。這種做法有助于提升抑郁預測的準確性。方振宇[12]利用Word2Vec詞嵌入技術，構造抑郁癥詞典，涵蓋軀體癥狀、行為特征和一級抗抑郁藥物名稱等中性詞，幫助預測模型在F1分數上達到了83%。然而抑郁詞典以抑郁的癥狀和藥物為關鍵特征，這些特征只有在抑郁發展到一定程度后才會出現，不適用于抑郁風險的早期識別。
人格與心理過程共同作為心理學主要研究對象，但鮮有人格詞類被開發來識別抑郁。然而，研究者發現抑郁易感人格可以預測抑郁。國外的Mongrain等人[13]控制了最初的抑郁狀態，發現易感人格的兩維度即依賴性與自我批評可以預測大學生一整年的抑郁癥狀。同時易感人格能細微地捕捉到抑郁癥狀背后的不同原因，包括壓力事件、應對方式、依戀類型及感知社會支持等[14]。
國內，徐華春編制了中國人抑郁易感人格問卷[15]。研究表明與無抑郁癥病史者相比，有抑郁癥病史者在抑郁易感人格問卷總維度與分維度（敏感好勝、封閉防御、自我專注、退讓順從與嚴謹認真）的量表得分顯著更高。通過對308名大學生進行了間隔三個月的兩次評估，徐華春發現除封閉防御和嚴謹認真這兩個維度與應激的交互效應對抑郁有顯著的正向預測效果外，其余維度均有主效應，且正向顯著影響抑郁。
因此，本文考慮基于中國人抑郁易感人格問卷[15]來創建詞典分析工具，以提取社交媒體用戶的語言特征，進行抑郁識別。本研究假設抑郁與非抑郁兩類用戶的語言使用存在顯著差異，且抑郁用戶更頻繁使用易感人格語言。其次，該語言標志能夠對現有詞類進行有力擴充，有利于社交媒體抑郁風險的識別。
表1 抑郁用戶關鍵詞、短語及例句示例
1 對象與方法
1.1 對象
本文采用社交媒體抑郁預測研究中常用的數據收集方法，即依據文本陳述確定兩類用戶[5,16]。(1)對于抑郁組，本文利用Python從公開的微博數據中爬取自稱已被診斷為抑郁癥的用戶，該類用戶的文本內容包含“抑郁癥”等關鍵詞和短語，如表1所示。為保證數據質量，3名心理學碩士生嚴格篩選上述用戶，僅納入有臨床醫生開具抑郁癥診斷證明圖片或抑郁癥藥物的用戶，排除僅提到情緒抑郁或通過網上的測試結果顯示抑郁的用戶，最后共收集了941名抑郁用戶在2016—2021年間的文本數據。(2) 對于對照組，本文隨機爬取不包含上述關鍵詞和短語的用戶，并經過人工再次確認，排除對照組中任何有抑郁傾向的不符合要求的用戶，最終共獲取了1041名非抑郁用戶在2016—2021年間的數據。本文后續對兩類用戶的數據進行群體性分析，研究程序正當，已通過倫理審核。
1.2 方法
1.2.1 數據預處理
為保證研究對象是正常的微博個人用戶，本文剔除了粉絲數超過1000及原創微博文本數小于30的用戶。鑒于本文僅分析用戶的原創文本內容，我們對微博帖子中的話題標簽、定位信息、網頁鏈接等信息進行了過濾。此外，去除用戶分享的視頻及圖片內容，但保留用戶分享視頻或者圖片時編輯的文字內容。表2呈現了最終微博用戶數據的基本統計信息。
表2 微博數據統計情況
1.2.2 詞典構建
本文采用基于種子詞進行領域內自動擴展的方式[12,17,18]來構建抑郁易感人格詞典。具體步驟如下：首先專家從抑郁易感人格量表中篩選具有代表性的種子詞[18]，再利用Word2vec詞嵌入技術擴充種子詞，之后專家嚴格篩選擴充詞匯，最終確定詞典內容。
(1) 種子詞的篩選 徐華春編制的抑郁易感人格問卷共有49個條目，可歸類為5大維度，即敏感好勝、封閉防御、退讓順從、自我專注和嚴謹認真。通過為每個條目分別確定種子詞，本文共篩選出90個獨特且具有代表性的種子詞。主要招募三名研究抑郁癥且熟悉易感人格的碩士生來篩選種子詞。三名評委分別為每個條目給出2~4個能充分代表條目傾向的詞作為種子詞，例如條目的關鍵詞或概述詞，同時考慮社交網絡場景，盡量避免種子詞過于書面化。我們對兩人及以上共同認定的詞匯進行保留，而僅有一名評委認定的詞匯由三人討論后投票決定，且至少需要兩人同意[19]，種子詞示例如表3所示。
表3 抑郁易感人格量表對應種子詞示例
(2) 詞典擴充 本文基于Word2vec方法和騰訊開源的中文詞向量數據來進行詞典的擴充[20]。騰訊中文詞向量是在千億級大規?；ヂ摼W語料上訓練得到，我們在隨機爬取的1000萬條微博帖子上，使用Word2vec方法對這些中文詞向量進行了進一步的訓練。本文基于訓練后的詞向量數據，計算種子詞和其他詞的余弦相似度，選出最相似的前10、且相似度大于0.4的單詞作為備選詞。再招募3名研究抑郁癥且熟悉易感人格的碩士生對備選詞進行投票篩選，判斷依據為備選詞與種子詞之間是否相似并能體現條目內容。接著計算專家投票間的一致性系數[17,21]，α為0.933，一致性程度較高。最終將兩人及以上贊成的備選詞作為擴充詞加入易感人格詞典，擴充詞示例見表4。
表4 “自卑”相似詞和相似度
最終，抑郁易感人格詞典共包含710個不重復的詞語，其中在5維度上的分布情況如下：敏感好勝（205詞）、封閉防御（260詞）、自我專注（165詞）、嚴謹認真（148詞）、退讓順從（130詞）。每個維度囊括一些量表條目，每個條目的詞匯由相應的種子詞與擴充詞組成。
(3) 詞典效度驗證 被廣泛應用的LIWC詞典，主要通過分析專家評分與LIWC詞類特征的相關性來驗證有效性[8,22]。本文也采用上述方法對詞典效度進行驗證，隨機選擇60名微博用戶，獲取每人一個月內的原創微博帖子（平均30條），并計算和比較評委評分和字典評分。
我們招募3名心理學的碩士生，對每個用戶在各條目上獨立地進行評分，即判斷該用戶的微博內容在多大程度上體現了該條目的意思。評分基于7點李克特量表（“1”=非常不一致，到“7”=非常一致），最終評分為三名評委評分的均值。
易感人格詞典評分是統計60名用戶在各個詞類（對應不同條目）的詞頻，詞類的詞頻被定義為詞類下各個單詞的詞頻和。接著分別在不同條目上，利用皮爾遜積差相關，計算評委評分和詞典評分的相關性。
1.2.3 特征提取與選擇
(1) 特征提取 對每個用戶，本文將其微博文本中的詞匯與抑郁易感人格詞典進行一一比對。我們基于易感人格詞典，共提取出54個詞頻，包括5個維度和49個條目。此外，本文選擇“文心”詞典作為對照組，統計其102個詞類的詞頻。
(2) 特征歸一化 為了消除不同特征的量綱差異，本文采用Min-Max縮放法將所有詞類的詞頻映射到[0，1]范圍內。
(3) 特征篩選 考慮并非所有詞類都與抑郁屬性密切相關，本文使用方差分析（ANOVA）[23]來檢驗抑郁組和非抑郁組在各詞類特征上是否有顯著差異，篩選出最能區分抑郁與非抑郁的詞類特征（P<0.01）。
1.2.4 建立模型
上述被篩選出的有效特征，將被用于識別微博中的抑郁用戶。本文基于這些語言特征采用機器學習分類器進行訓練與預測，使用的機器學習模型如下：邏輯回歸、支持向量機、決策樹、隨機森林和梯度提升樹。
為了篩選出最佳的預測模型，我們選擇以下常用指標對模型性能進度量：準確率A （Accuracy）、精確率P（Precision）、召回率R（Recall）和F1分數。結合表5進行解釋：準確率即模型預測正確的用戶數占總數的比重，其表達式為TP+TN/(TP+TN+FP+FN)；精確率即實際為抑郁的用戶占模型預測為抑郁的用戶的比重，其表達式為TP/(TP+FP)；召回率即模型預測為抑郁的用戶占實際屬于抑郁的用戶的比重，該指標也叫做“敏感度”，能體現篩查“陽性”個體的有效性，其表達式為TP/(TP+FN)。F1分數是模型的綜合指標，被定義為精確率和召回率的調和平均數，表達式為F1=2RP/(R+P)。
為了充分利用數據集，避免分類過擬合，本文采用5折交叉驗證的方式進行訓練和測試，即將數據分成5等份，每次選其中4份作為訓練數據，剩余1份作為測試數據，在每個分類器上一共訓練和測試5次。各評價指標的結果為5次預測的均值。
表5 模型的預測結果及用戶的實際分布
1.3 統計處理
文中所有數據均使用 SPSS23.0 統計軟件進行處理，包括皮爾遜積差相關、方差分析等。
2 結果
2.1 詞典效度
詞典評分和專家評分的相關系數在0.189～0.690之間，除詞類“淡漠”（對應條目：“我常常與友人進行推心置腹的交流”）外，其余48個條目均顯著相關（P<0.05），詞典整體效度良好。
2.2 特征篩選
我們采用方差分析，從抑郁易感人格詞典的54個詞類特征（49個條目，及5個維度：敏感好勝、封閉防御、自我專注、嚴謹認真和退讓順從）中篩選出46個顯著特征，相關統計結果如表6所示，具體情況概括如下：
(1) 相比于非抑郁用戶，抑郁用戶更頻繁地使用易感人格詞典中5維度的詞匯。
(2) 詞典中的5個維度對兩類用戶的區分程度不一致，最能有效區分的維度是封閉防御，依次是敏感好勝、自我專注、退讓順從，最后是嚴謹認真維度。
(3) 每個維度中不同詞類對區分兩類用戶的貢獻程度不一致。抑郁用戶更常用封閉防御維度
表6 抑郁易感人格詞典全部特征值
中的“隱私、秘密”；敏感好勝維度中的“自尊心、敏感”；自我專注維度中的“固執、狹隘”；退讓順從維度中的“退縮、不敢”；嚴謹認真維度中的“反思、后果”。
同樣地，從對照組“文心”詞典的102個詞類中篩選出73個顯著特征，鑒于篇幅有限，表7僅放置部分統計結果，整體情況概括如下：
(1) 抑郁用戶更頻繁地使用第一人稱單數代詞、負向情緒詞（悲傷詞、焦慮詞與生氣詞）、健康詞、死亡詞與認知歷程詞。
(2) 非抑郁用戶較抑郁用戶更關注工作、成就、金錢與休閑等詞類。
2.3 易感人格和“文心”預測結果對比
本文基于易感人格語言特征進行抑郁預測，并將其和“文心”特征在不同的機器學習模型上進行對比。實驗結果如表8所示。
(1) 在準確率、精確率以及F1分數這三個指標上，基于易感人格語言特征進行抑郁預測，在所有的分類器上都優于“文心”特征。具體表現為，準確率上高出0.4%~2.5%，精確率上高出0.4%~6.5%，F1分數上高出0.5%~2.3%。在召回率上，除支持向量機外，易感人格語言特征在其他分類器都優于“文心”特征，結果上高出0.1%~2.1%。
(2) 為了進一步提升抑郁預測的效果，我們考慮到“文心”特征與易感人格特征間可能存在互補性，合并兩類詞典中所有顯著的特征，放入不同分類模型中進行訓練和預測。合并特征相比單獨的“文心”或易感人格特征，在大部分的模型上實現了更好的預測結果。尤其是梯度提升樹分類器上，其中準確率達83.9%、召回率達79.6%、精確率達85.4%、F1分數達82.4%。
表7 “文心”詞典特征值部分示例
表8 不同語言特征下的分類結果
3 討論
本研究旨在挖掘社交媒體中抑郁用戶更精細、且有利于抑郁風險早期篩查的語言特征，開發了抑郁易感人格詞典。為檢測詞典在識別抑郁風險中的性能，以通用的“文心”詞典作為對照組，篩選出兩詞典的有效特征，放入機器學習分類器中進行訓練和預測。
(1) “文心”詞類特征驗證了以往的研究結果。其中，抑郁用戶對第一人稱單數代名詞的使用頻率顯著高于非抑郁用戶，這說明抑郁用戶對自我關注較多。此外，健康詞、身體詞和死亡詞都與抑郁呈顯著正相關，這主要因為抑郁癥患者現實中常出現軀體癥狀，甚至還表述自殺意念與行為[24]。負向情緒詞、悲傷詞、焦慮詞與生氣詞被抑郁用戶廣泛使用，體現了抑郁個體消極偏向和積極缺陷的認知特點[7]。認知歷程詞類反應抑郁用戶反芻中的憂思部分，即當前狀態與期望但未達到狀態的消極比較[25]。相比于非抑郁用戶，抑郁用戶更少關注工作詞、成就詞、休閑詞與金錢詞，這與抑郁用戶興趣減退，做事動機不足相關。
(2) 相比“文心”，易感人格特征能反應抑郁癥背后的深層原因。諸如壓力事件、應對方式、依戀類型及感知社會支持等方面[14]。
其中，敏感好勝維度的詞類與抑郁顯著正相關，“自尊心、敏感、比較”等詞語更常被抑郁用戶使用。該類詞反應出個體常與他人比較但又怕被比較，對缺點與失敗過于敏感，易形成低自尊，相關研究顯示抑郁組大學生的自尊水平低于正常組[26]。
封閉防御維度的詞類與抑郁顯著正相關。“隱私、孤獨、掩飾”等詞頻在抑郁用戶中更高。該類詞強調個體的社會聯系有限或缺失，體現了社會隔離的特點。在對不同人群的多項研究中，社會隔離被認定與抑郁相關[27]。
自我專注維度的詞類與抑郁顯著正相關，“固執、狹隘、自我”等詞語更常被抑郁用戶使用。該類詞反應出個人極端關注個人內心的復雜體驗、需要與意愿，無法真實感受客觀世界的特點[15]。病態的自我關注使得承受力和認知靈活性降低，且伴隨著各種病理性失調[28]。
退讓順從維度的詞類與抑郁顯著正相關，“退縮、后悔、自責”等詞匯被抑郁用戶更常用，該類詞表明個體面對人際沖突時，更易膽小退縮，這不利于個體滿足自我決定理論提到的自主性需求，Jones和Prinz[29]發現了抑郁癥患者常報告較高的社會壓力和受控制感。
嚴謹認真維度中部分詞類與抑郁顯著正相關，諸如“反思、后果、教訓”，而一些詞類不能有效區分抑郁與非抑郁用戶，諸如“穩重、準確、可靠”。上述現象主要由于該維度體現了個體日常做事一絲不茍與盡善盡美的態度，符合個體的安全需要和社會期望，而過度追求完美與過度評判自我容易產生抑郁[30]。研究顯示嚴謹認真與應激的交互作用能顯著預測抑郁，即個體在遭遇應激時，更容易出現“不靈活和愛鉆牛角尖”等[15]。
(3) 易感人格語言特征有利于抑郁風險的識別。本文發現基于易感人格語言特征進行預測的模型準確率、精確率以及F1分數在71.8%~88.5%之間，在各機器學習分類器上均優于“文心”特征。這些指標達到了以往基于詞典識別社交媒體抑郁風險的水平[4]。我們的召回率在70.8%~77.4%，在大部分分類器上效果好于“文心”，可見易感人格語言特征能夠較好地識別抑郁風險。然而，我們的召回率和以往研究中所構建的專屬抑郁詞典相比仍有改進的空間。例如，方振宇[12]基于抑郁詞典、情感詞典與表情符號等特征進行抑郁預測，在邏輯回歸分類器上召回率達到了77.7%，高于我們在相應分類器上的結果74.6%。主要原因如下，前者的抑郁詞典涵蓋抑郁用戶的軀體癥狀、行為特征和抗抑郁藥物名稱，這些詞匯更常被看病就醫的患者使用，與數據收集時的用戶特征更匹配。事實上，這些特征并不適于患病初期且尚未就醫的有抑郁傾向的個體。
(4) 易感人格和“文心”特征相互補充，更有利于抑郁風險的識別。研究發現，融合了“文心”與易感人格詞典的語言特征后，預測效果比單方面的特征在F1分數上提升了2.4%~11.3%。這充分表明，綜合考慮人格詞類與心理過程詞類有助于提取更全面的抑郁用戶語言特征。
本研究重點從語言特征上對抑郁進行分析，并利用上述特征構建機器學習分類器進行抑郁預測。這里，我們采用機器學習方法而不是深度學習方法，主要因為深度學習方法[3]預測精度雖高，但無法提取有意義的語言特征、進一步對抑郁用戶的語言使用模式進行分析與解釋。此外，深度學習方法計算速度慢，不利于在社交網絡上進行大規模的抑郁篩查。未來，為改善抑郁預測效果，我們可以考慮融合更多與抑郁相關的語言特征、及其余特征例如用戶屬性、交互行為等；還可以考慮結合深度學習方法等更復雜的技術，進一步實現抑郁預測的準確性和可解釋性的平衡。
參考文獻
[1] Huang Y, Wang Y U, Wang H, et al. Prevalence of mental disorders in China: a cross-sectional epidemiological study[J]. The Lancet Psychiatry, 2019, 6(3): 211-224.
[2] Seeman N, Tang S, Brown A D, et al. World survey of mental illness stigma[J]. Journal of affective disorders, 2016, 190: 115-121.
[3] 李靜,劉德喜,萬常選,等.社會網絡用戶心理健康自動評估研究綜述[J].中文信息學報,2021,35(2):19-32.
[4] Liu D, Feng X L, Ahmed F, et al. Detecting and measuring depression on social media using a machine learning approach: systematic review[J]. JMIR Mental Health, 2022, 9(3): e27244.
[5] Liu S, Shu J, Liao Y. Depression tendency detection for microblog users based on SVM[C]//2021 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA). IEEE, 2021: 802-806.
[6] Hu Q, Li A, Heng F, et al. Predicting depression of social media user on different observation windows[C]//2015 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT). IEEE, 2015, 1: 361-364.
[7] 黃觀瀾，周曉璐.抑郁癥患者的語言使用模式[J].心理科學進展,2021,29(5):838-848.
[8] Pennebaker J W, Boyd R L, Jordan K, et al. The development and psychometric properties of LIWC2015[R]. 2015.
[9] Islam M, Kabir M A, Ahmed A, et al. Depression detection from social network data using machine learning techniques[J]. Health information science and systems, 2018, 6(1): 1-12.
[10] Gao R, Hao B, Li H, et al. Developing simplified Chinese psychological linguistic analysis dictionary for microblog[C]//International conference on brain and health informatics. Springer, Cham, 2013: 359-368.
[11] 桑雪.基于微博的抑郁癥群體語言特征研究[D].武漢大學,2022.
[12] 方振宇.基于抑郁詞典的社交網絡心理障礙檢測方法[J].電腦知識與技術,2017,13(7):244-247.
[13] Leather, F., & Mongrain, M. (2004). Personality vulnerability for depression and other diagnoses. Manuscript submitted for publication, York University, Toronto, Ontario, Canada.
[14] Zuroff D C, Mongrain M, Santor D A. Conceptualizing and measuring personality vulnerability to depression: comment on Coyne and Whiffen (1995)[J]. 2004.
[15] 徐華春.中國人抑郁易感人格的初步研究[D].重慶: 西南大學博士學位論文,2009.
[16] 門秀萍,魏瑞斌,吳小蘭. 社交網絡中的抑郁癥用戶語言和行為特征分析及檢測[J]. 現代情報, 2020, 40(6): 76-87.
[17] Lv M, Li A, Liu T, et al. Creating a Chinese suicide dictionary for identifying suicide risk on social media[J]. PeerJ, 2015, 3: e1455.
[18] Burkhardt H A, Alexopoulos G S, Pullmann M D, et al. Behavioral activation and depression symptomatology: longitudinal assessment of linguistic indicators in text-based therapy sessions[J]. Journal of Medical Internet Research, 2021, 23(7): e28244.
[19] Lin H, Jia J, Nie L, et al. What Does Social Media Say about Your Stress?[C]//IJCAI. 2016: 3775-3781.
[20] Song Y, Shi S, Li J, et al. Directional skip-gram: Explicitly distinguishing left and right context for word embeddings[C]//Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers). 2018: 175-180.
[21] Zhao N, Jiao D, Bai S, et al. Evaluating the validi-ty of simplified Chinese version of LIWC in detect-ing psychological expressions in short texts on soci-al network services[J]. PLoS One, 2016, 11(6): e0157947.
[22] Alpers G W, Winzelberg A J, Classen C, et al. Evaluation of computerized text analysis in an Internet breast cancer support group[J]. Computers in Human Behavior, 2005, 21(2): 361-376.
[23] Bakar Z A, Ispawi D I, Ibrahim N F, et al. Classification of Parkinson's disease based on Multilayer Perceptrons (MLPs) Neural Network and ANOVA as a feature extraction[C]//2012 IEEE 8th International Colloquium on Signal Processing and its Applications. IEEE, 2012: 63-67.
[24] Li A, Jiao D, Liu X, et al. A psycholinguistic analysis of responses to live-stream suicides on social media[J]. International journal of environmental research and public health, 2019, 16(16): 2848.
[25] Treynor W, Gonzalez R, Nolen-Hoeksema S. Rumination reconsidered: A psychometric analysis[J]. Cognitive therapy and research, 2003, 27(3): 247-259.
[26] 蔡華儉. 外顯自尊,內隱自尊與抑郁的關系[J].中國心理衛生雜志, 2003, 17(5): 331-336.
[27] Liu H, Zhang M, Yang Q, et al. Gender differences in the influence of social isolation and loneliness on depressive symptoms in college students: a longitudinal study[J]. Social psychiatry and psychiatric epidemiology, 2020, 55(2): 251-257.
[28] 高培霞.自我關注與情緒[J].首都師范大學學報: 社會科學版, 2006 (2): 115-119.
[29] Jones T L, Prinz R J. Potential roles of parental self-efficacy in parent and child adjustment: A review[J]. Clinical psychology review, 2005, 25(3): 341-363.
[30] Stoeber J, Otto K. Positive conceptions of perfectionism: Approaches, evidence, challenges[J]. Personality and social psychology review, 2006, 10(4): 295-319.
