论文部分内容阅读
语言和情感是心理咨询的重要内容,与咨询过程、结果紧密相关。随着自然语言处理的发展,语言探索和词频统计(Language Inquiry and Word Count,LIWC)被广泛用于探索语言使用的心理意义。情感倾向分析(Sentiment Analysis)能够自动化挖掘文本的情感态度。本研究将LIWC和情感倾向分析运用于中文情境的心理咨询文本中,并考察当事人的语言使用和情感倾向对当事人症状的预测作用,以及咨询师和当事人的语言风格匹配、情感相似性对咨询师的会谈技术和当事人的会谈感受的预测作用,为计算机分析咨询过程和结果提供新的角度。研究收集了 28名当事人的咨询录音,及每次会谈当事人的症状、对咨询师的技术水平评估、会谈感受相关的问卷结果,有效会谈录音154次。将所有录音人工转录为文本,并进行数据清洗、划分谈话轮和分词等文本分析预处理。研究一使用LIWC抽取当事人的语言特征,进行主成分降维分析,结果获得8个主成分因子,解释了总体方差的75.11%。8个因子当中,躯体感受、功能词、情绪、认知和口语赘词对当事人的症状得分具有显著的预测作用。使用K-means对整个会谈文本聚类,对说话人的预测率达到99%。当事人会谈文本获得3个不同的类。方差分析显示不同语言风格聚类之间的症状得分有显著差异(p<0.001)。抽取好效果与坏效果个案,分析LIWC因子、LIWC聚类在第一次咨询和最后一次咨询的变化趋势,结果呈现了好坏效果咨询的LIWC特征变化趋势及差异。在多层线性模型分析中,LIWC因子中的躯体感受、情绪和LIWC语言聚类能够预测当事人的症状变化。研究二使用百度情感倾向分析、基于依存句法和情感词典的情感倾向分析,两种算法自动化计算咨询会谈的情感倾向。从文本中抽样进行情感倾向的人工编码,分析两种算法的精度。Kappa系数显示,百度情感倾向分析和人工编码一致性为0.51,基于依存句法和情感词典的情感倾向分析和人工编码的一致性为0.62。基于依存句法和情感词典的情感倾向分析模型优于百度情感倾向分析。进一步分析当事人情感倾向对当事人症状的预测。结果显示,当事人的消极情感倾向对于当事人的症状有显著的预测作用(β=0.26,p<0.01)。研究三关注当事人和咨询师的互动,在研究一和研究二的基础上,根据咨询师和当事人的功能词使用差异计算语言风格匹配度,根据当事人和咨询师的情感倾向差异计算情感相似性,并进一步检验语言风格匹配和情感相似性对咨询过程中,对咨询师的会谈技术水平及当事人的会谈感受的预测作用。结果显示,咨询师和当事人的消极情感相似性正向预测咨询师的会谈技术水平(β=0.60,p<0.05),积极情感相似性也正向预测咨询师的会谈技术水平(β=0.59,p<0.05)。另外,积极情感相似性正向预测当事人的会谈感受(β=0.56,p<0.05)。咨询师与当事人的语言风格匹配度对咨询师的会谈技术水平、当事人的会谈感受没有显著的预测作用。最后,本研究就研究价值、研究方法和研究设计的不足进行了讨论,并进一步提出未来的研究展望。