社交反馈如何放大在线直播聊天中的情绪语言——基于多元霍克斯过程的情感传染动力学研究

《Communications Psychology》：Social feedback amplifies emotional language in online video live chats

　　本研究针对在线交互中情绪传染机制不明确的问题，通过构建多元霍克斯自激励点过程模型，量化了YouTube直播聊天中六种基本情绪的动态传播。研究发现，用户互动对情绪表达的影响是视频内容的四倍，积极情绪传染性更强而消极情绪持续时间更长，揭示了社交反馈在情绪放大中的核心作用，为在线情绪管理提供了理论依据。

　　

在数字化浪潮席卷全球的今天，越来越多的人际互动转移到线上平台。与面对面交流不同，网络环境具有匿名性、责任减弱和非语言线索缺失等特点，这使得数字交互中的情绪表达和感知往往被放大和扭曲。尽管情绪传染在数字环境中已有较多研究，但不同情绪间的相互作用机制，以及它们在多大程度上受外部刺激或社交反馈驱动，仍然缺乏深入理解。

现有研究存在四个主要局限：首先，关于在线平台存在积极还是消极情绪偏差的研究结果不一，需要进一步比较和整合；其次，大规模社交互动中不同情绪如何相互触发的研究较少；第三，大多数研究未考虑情绪传染中细微的时间依赖性；第四，在线参与塑造用户情绪状态的内在机制尚不明确，特别是难以区分内容驱动（外生）和同伴驱动（内生）的影响。

为了解决这些空白，罗奕珊（Yishan Luo）、迪迪埃·索尔内特（Didier Sornette）和桑德罗·克劳迪奥·莱拉（Sandro Claudio Lera）在《Communications Psychology》上发表了一项研究，他们创新性地使用多元霍克斯自激励点过程（Multivariate Hawkes Self-Exciting Point Process）来建模YouTube直播聊天中六种基本情绪（喜悦、惊讶、愤怒、厌恶、恐惧、悲伤）的时间表达。该框架同时捕捉了时间和跨情绪的依赖性，并允许研究者区分视频内容（外生）和同伴互动（内生）的影响。

研究人员收集了来自1,957个YouTube直播视频的673,551条聊天消息，经过筛选后最终分析了92,412条英文聊天消息，涉及397个视频，总时长780小时。他们使用基于Transformer的RoBERTa模型对文本进行多标签情绪分类，将情绪视为离散事件。通过拟合霍克斯过程强度函数λ^e(t) = μ₀^e + ∑_f∈Eν^e,fS^f(t) + ∑_f∈E∑_tj^f<>φ^e,f(t-t_j^f)，他们量化了外生（视频引发）和内生（聊天互动引发）情绪触发的相对贡献。

主要技术方法

研究采用多元霍克斯过程建模情绪事件的时间序列，使用RoBERTa模型进行文本情绪多标签分类，通过最大似然估计拟合模型参数，并利用自助法（Bootstrap）进行稳健性检验。视频内容的情感影响通过字幕时间序列S^f(t)进行参数化，使用对数正态函数刻画视频情绪对聊天情绪的延迟影响。

研究结果

量化外生与内生影响

研究发现，情绪动态主要由同伴互动而非视频内容驱动。内生影响平均占主导地位，喜悦情绪的内生比率最高，达75%，意味着喜悦被内生触发的可能性是外生触发的三倍。相比之下，惊讶情绪对外部刺激最敏感，约50%的强度由外生因素引发。

情绪传染与互动动力学

参数估计显示，自我激励明显主导情绪动态，其中喜悦的自我激励强度（0.77）最高，是愤怒和厌恶（约0.25）的三倍多。系统谱半径估计为0.80±0.008，处于亚临界状态，意味着每个外生情绪平均产生5个事件的内生级联。负面情绪（尤其是愤怒和厌恶）的特征衰减时间γ^e更长，表明其直接影响更持久。

跨视频类别的差异

对不同视频类别（如政治、体育、直播、播客）的子样本分析验证了主要发现的稳健性，同时揭示了特定模式。例如，政治视频中愤怒和厌恶的相互触发效应尤为显著，而播客视频中的惊讶内容能引发喜悦反应。

研究结论与讨论

本研究通过量化在线直播聊天中的情绪动力学，揭示了社交反馈在放大情绪表达中的核心作用。主要结论包括：情绪表达受同伴互动驱动程度是视频内容的四倍；积极情绪（喜悦）更具传染性，而消极情绪（愤怒、厌恶）持续时间更长；观察到情绪间不对称的交叉激发，特别是负面情绪触发正面情绪的"钓鱼"动态。

这些发现强调了社交互动在塑造在线情绪动态中的重要性，以及随着人机交互日益逼真，情绪操纵的风险正在增加。喜悦的高传染性表明促进积极内容和主动沟通有助于增强情感投入，但负面情绪的持久性要求平台实施及时干预。研究还指出，愤怒与厌恶的相互强化可能推动道德愤怒升级，而负面情绪触发喜悦的反直觉模式反映了在线去抑制环境中的反社会行为。

研究的局限性包括仅使用视频字幕近似情绪内容、未区分人类用户与机器人账户、将情绪建模为离散事件而忽略强度变化。未来研究可整合多模态数据，采用带标记的霍克斯过程（Marked Hawkes Process）捕捉情绪强度，甚至结合二次霍克斯过程（Quadratic Hawkes Process）研究情绪间的非线性相互作用。

这项工作为理解数字环境中情绪传染的精细机制提供了重要见解，对创建更健康的在线互动环境具有理论和实践意义。随着语言模型日益复杂，研究结果也警示了机器人模拟人类用户内生操纵集体情绪的潜在风险，呼吁平台设计在促进积极互动的同时有效管理有害内容。