人工智能证实了显而易见的事实：疫情让人们感到沮丧

情绪是研究人员衡量自然或非自然灾害对人们影响的独特方式。然而，询问世界上每个人在灾难发生后的感受是不切实际的。

但麻省理工学院、中国科学院和马克斯·普朗克人类发展研究所的科学家找到了一种解决方法。他们使用机器学习技术扫描社交媒体，了解 100 个不同国家在首波 COVID-19 疫情后的情绪变化，并实时了解与疫情相关的事件让世界各地的人们感到高兴或悲伤的程度。你可以将这个过程想象成一个由人工智能驱动的情绪戒指，但适用于数百万人。他们的研究结果于上周发表在《自然人类行为》杂志上。

不出所料，研究人员发现，疫情爆发导致人们的幸福感急剧下降。为了更好地理解这一下降趋势，我们可以想象一下，在正常的一周里，人们往往在周末感到最快乐，而在周一感到最不快乐。2020 年 3 月左右疫情爆发时，人们的幸福感下降幅度是正常周末到周一幸福感平均下降幅度的四到五倍。疫情导致的总体情绪变化大于之前观察到的飓风或气温急剧上升等自然灾害导致的情绪变化。根据研究人员在社交媒体上的观察，情绪下降幅度最大的国家是澳大利亚、西班牙、英国和哥伦比亚，而巴林、博茨瓦纳、希腊、阿曼和突尼斯似乎受疫情影响最小。

[相关：在这艰难时期我能给你提供一个不错的表情包吗？ ]

机器如何学会根据心情对帖子进行评分？

在这项研究中，该团队使用了哈佛大学地理分析中心 Geotweet 档案和麻省理工学院可持续城市化实验室收集的 Twitter 和微博社交媒体数据。总体而言，他们的数据集包含 2020 年前五个月来自 1056 万人的 6.54 亿条带有地理标记的帖子。

为了教会机器测量情绪，研究人员首先创建了一个情绪指数，就像医生办公室里的面部疼痛量表一样。这个情绪指数从 0（非常不开心）到 100（非常开心）。团队从 Twitter 和微博收集的每篇帖子都根据这个指数进行评判。然后，研究人员可以将帖子特定的情绪汇总成个人、社区、城市或国家的情绪档案。

与面部痛苦量表不同，个人不会对自己的帖子进行评分，也不会回答有关他们感觉有多快乐的调查。相反，研究人员使用机器学习方法为每个帖子分配一个主题和情绪评分。

所讨论的机器学习方法是一种名为 BERT（Transformers 的双向编码器表示）的自然语言处理技术，它根据主题和情绪对帖子进行分类。（BERT 由谷歌工程师开发。）

[相关：人工智能如今无处不在。本报告展示了我们如何走到今天。 ]

麻省理工学院教授郑思齐表示：“我们希望通过这项全球研究来比较不同国家，因为这些国家在不同时期遭遇疫情，而且文化、政治制度和医疗体系也各不相同。”所有这些因素都可能影响人们的情绪如何受到疫情的影响。

由于他们想进行多语言分析，所以无法使用之前基于字典的方法，2019 年的一项研究曾使用这种方法来量化中国空气污染造成的情感影响。字典方法假设单词具有与特定情感相关的内涵。它借鉴了 LIWC（语言查询和字数统计软件）和表情符号词典等工具。这种方法的缺点是研究人员需要编制大量的单词列表，并且他们需要为想要研究的每种语言制作不同的列表。

使用机器学习的优势在于它不局限于特定语言。在将这项技术应用于整个样本之前，研究人员先在一小部分帖子上对其进行了训练，并让人类研究人员检查其工作情况，方法是让其预测随机帖子的情绪，并将其准确率与词典模型进行比较。

这篇关于 COVID-19 相关社交媒体反应的论文只是郑教授实验室长期研究项目“全球情绪”的成果之一，该项目旨在利用自然语言处理技术从社交媒体帖子中提取主观幸福感信息。她的实验室正在利用这种社交媒体情绪分析来研究人们对各种事件的反应，包括野火、环境危害、自然灾害和新政策。

她说：“这是一种提供独特视角、量化冲击影响的不同维度的方法。”郑和她的同事在全球情绪网站上发布了他们研究中使用的代码和方法的更详细描述。