情绪是研究人员试图衡量自然或非自然灾害对人们影响的一种独特方式。然而，在一次大范围事件发生后，询问世界上每个人他们的感受是不切实际的。
但是，来自麻省理工学院、中国科学院和马克斯·普朗克人类发展研究所的科学家们找到了一个变通的方法。他们利用机器学习技术，对 100 个不同国家的社交媒体在 COVID-19 第一波疫情后的情绪转变进行了扫描，并实时了解与疫情相关的事件让世界各地的人们有多快乐或悲伤。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，但针对的是数百万人。他们的研究结果上周发表在《自然·人类行为》杂志上。
不出所料，研究人员发现，大流行的爆发导致了幸福感的急剧下降。为了让这种下降更有参照意义，可以想想在正常的一周里，人们通常在周末最快乐，在周一最不快乐。在大流行病开始时（约 2020 年 3 月），幸福感的下降程度是正常周末到周一幸福感平均下降幅度的四到五倍。大流行对情绪的整体影响比之前观察到的对飓风等自然灾害或气温急剧升高的情绪转变更大。根据研究人员对社交媒体的观察，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大流行的影响最小。
机器如何学会对帖子进行情绪评分？
在这项研究中，该团队使用了来自 Twitter 和微博的社交媒体数据，这些数据由哈佛大学地理分析中心地理推特档案（Harvard Center for Geographic Analysis Geotweet Archive）和麻省理工学院可持续城市化实验室（MIT Sustainable Urbanization Lab）收集。总而言之，他们的数据集包含 2020 年前五个月中 1056 万人的 6.54 亿条带地理标记的帖子。
为了教会机器衡量情绪，研究人员首先创建了一个情绪指数，类似于医生办公室的面部疼痛量表。这个情绪指数的范围从 0（非常不快乐）到 100（非常快乐）。该团队收集到的 Twitter 和微博上的每一条帖子都根据这个指数进行了评判。然后，研究人员可以将特定于帖子的情绪汇总成一个人的、一个社区的、一个城市或一个国家的情绪画像。
与面部疼痛量表不同的是，人们不会自己评价自己的帖子，也不会回答关于他们有多快乐的调查。相反，研究人员使用一种机器学习方法来为每条帖子分配一个主题和一个情绪评级。
所使用的机器学习方法是一种自然语言处理技术，称为 BERT，即双向编码器表示转换器（Bidirectional Encoder Representations from Transformers），它根据主题和情绪对帖子进行分类。（BERT 是由谷歌的工程师开发的。）
[相关：人工智能无处不在。这份报告展示了我们是如何走到今天的。]
麻省理工学院教授 Siqi Zheng 说：“我们想做这项全球性研究，以比较不同的国家，因为它们受到大流行的影响时间不同，而且它们的文化、政治体系和医疗保健系统也不同。”所有这些因素都可能影响人们的情绪如何受到大流行的影响。
由于他们想要进行多语言分析，他们无法使用他们之前使用的基于词典的方法，这种方法被用于他们 2019 年一项研究中，以量化中国空气污染的情感影响。基于词典的方法假定单词具有与特定情绪相关的内涵。它借鉴了 LIWC（语言查询和词数软件）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，并且他们需要为他们想要研究的每种语言制作不同的列表。
使用机器学习的优点在于它不特定于语言。在将这项技术应用于整个样本之前，研究人员先在一个小样本的帖子中对其进行了训练，并让研究人员检查其工作，让机器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 Zheng 实验室一个名为“全球情绪”的长期项目的一个成果，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有关主观幸福感的信息。她的实验室正在利用这种社交媒体情绪分析来研究对各种事件的反应，包括森林火灾、环境危害、自然灾害和新政策。
她说：“这是一种提供独特视角、不同维度来量化冲击影响的方法。”Zheng 和她的同事们在“全球情绪”网站上更详细地描述了他们研究中使用的代码和方法。
