基于BERT语言模型的自由文本分析：量化自我关怀心理特征的新方法

本研究针对传统自我关怀(SCS/CEAS)量表测量易受问卷偏差影响的问题，开发了基于BERT模型的自由文本分析方法。研究人员通过收集挑战情境下的短文本(780名日本参与者)，成功预测SCS总分(r=0.67)和CEAS得分(r=0.42)，证实自然语言处理可有效量化心理特质，为心理评估提供更生态化的测量工具。

　　

在当代快节奏生活中，人们面临各种心理压力，如何善待自己成为重要课题。自我关怀(Self-compassion)作为心理学热点概念，指个体在困境中对自己保持善意和理解的能力。传统测量主要依赖自评量表如自我关怀量表(SCS)和关怀参与行动量表(CEAS)，但这些工具存在明显局限：问卷项目可能暗示"正确答案"，在东亚文化背景下尤其容易引发社会赞许性偏差；且固定选项难以捕捉个体表达的真实丰富性。

京都大学教育学研究科的研究团队创新性地将自然语言处理(NLP)技术引入心理测量领域。他们发现，人们在日常生活中更习惯用语言而非数字量表表达情感，自由文本可能提供更真实、更少偏差的心理状态反映。随着深度学习技术的发展，特别是基于Transformer架构的BERT模型在情感分析等任务中展现出强大性能，这为心理特质的文本量化提供了新可能。

研究团队通过日本众包平台招募780名参与者，设计12个情境化提示（如"当意识到自身缺点时，你通常会怎么想？"），收集短文本回答并同步测量SCS、CEAS等量表。采用嵌套交叉验证方法，对日文预训练BERT模型进行微调，建立从自由文本预测量表得分的回归模型。结果显示：关于"自我想法"的文本组合预测SCS总分准确度最高(r=0.67)，证实自我关怀特质能通过语言特征有效捕捉；而CEAS得分预测(r=0.42)显示行为导向量表的文本预测更具挑战性。预测得分与传统量表在抑郁(PHQ-9)、压力(PSS)等校标上呈现相似相关模式，验证了方法的效度。

关键技术包括：1) 设计情境化自由文本收集方案（3种困境×4类问题）；2) 使用日文预训练BERT-base模型进行微调；3) 采用嵌套5折交叉验证优化超参数；4) 通过文本组合策略提升预测性能。

主要研究发现：

"自我关怀总分预测"部分显示，涉及自我认知的文本（如"对自身的想法"）预测效果最佳，情境组合文本预测优于单一情境。特别是"意识到缺点时对自我的想法"提示获得最高预测精度(r=0.57)，表明该情境最能激发自我关怀的语言表达。

"SCS子量表预测"部分表明，自我评判(Self-Judgement)和过度认同(Over-Identification)子量表预测效果较好(r≈0.6)，而自我善意(Self-Kindness)预测较弱，可能反映日本文化中自我批评表达更普遍。

"CEAS总分预测"部分发现，行为描述文本预测效果(r=0.35-0.41)优于认知类文本，印证CEAS更侧重行为测量的特性。

"预测分数与传统量表关系"部分证实，BERT预测得分与PHQ-9、PANAS等变量的相关模式与传统量表基本一致，但相关系数绝对值偏小，反映文本测量与传统问卷既相关又独特的特性。

这项发表在《Scientific Reports》的研究具有多重意义：方法学上，首次证明短自由文本能有效量化复杂心理建构，突破传统量表限制；理论上，发现自我关怀表达存在情境特异性，支持动态特质观；应用层面，为减少测量偏差提供新思路，特别适合跨文化研究。未来可扩展至临床评估、员工心理监测等领域，但需注意样本的文化特异性。研究也提示，结合多种文本情境能提升预测效果，这为心理测量研究设计提供了重要启示。