从情感到价值观：基于词汇分析法的情感体验对中国人价值观发展的影响研究

本文推荐一项采用词汇分析法探索情感对价值观发展影响的研究。作者开发并验证了中文个人价值观词典（CPVD），结合横断面数据（N=230）与社交媒体实时面板数据（N=14,020），发现积极情感（positive affect）显著促进焦虑无关价值观（OTC开放改变、ST自我超越）发展，而焦虑相关价值观（CON保守、SE自我增强）与情感的关系更为复杂。研究为理解价值观形成机制提供了新视角，凸显了语言分析在心理学研究中的应用价值。

　　

1 引言

个人价值观作为生活中的指导原则，被认为与情感体验存在密切联系。然而过去研究主要关注价值观对情感的影响方向，而非反向路径。本研究通过识别理论框架提出从情感到价值观的因果路径，并采用词汇分析方法对这一路径进行验证。

研究基于人类基本价值观理论（Schwartz, 1992）指出，焦虑是区分焦虑相关价值观和焦虑无关价值观的关键来源。焦虑相关价值观（SE自我增强和CON保守）为应对焦虑而发展，而焦虑无关价值观（OTC开放改变和ST自我超越）则在没有焦虑时出现。同时，动机视角认为情感为感官系统提供反馈，信号外部环境中的奖励或惩罚存在（Frijda, 1988; Lang & Bradley, 2010），这种反馈促进追求与动机目标一致的价值观。

尽管理论成立，但关于日常情感如何影响我们追求目标的研究却被 largely 忽视。现有研究多使用横断面数据或面板数据，但混合结果阻碍了明确结论的得出。作为传统自我报告测量的替代方案，本研究旨在开发中文文本的个人价值观测量工具，并通过词汇分析方法考察过去情感在价值观发展中的作用。

1.1 价值观的概念与结构

研究采用得到广泛接受的人类基本价值观理论（Sagiv & Schwartz, 2022; Schwartz, 1992），将价值观定义为指导态度和行为的理想目标。价值观按重要性排序，形成理想目标的框架，指导个体跨情境和时间的认知和行为（Skimina et al., 2018）。

由于价值观表达的目标之间存在兼容和冲突程度，它们形成环形连续体。相邻价值观（如刺激与自我导向）共享兼容目标，而较远价值观（如权力与普世主义）反映更多冲突目标。这个环形连续体产生10个基本价值观类型和4个高阶价值观维度（Schwartz, 1992）。四个高阶价值观维度包括：开放改变（OTC）、自我超越（ST）、保守（CON）和自我增强（SE）。

1.2 情感作为相对价值层次的来源

人们基于情感体验确定价值观的优先级。Schwartz（2016a）指出，焦虑是区分焦虑基础价值观和焦虑无关价值观的关键来源。焦虑基础价值观（SE和CON）源于控制或避免焦虑的动机，被认为是由对生活不满意的个体优先考虑（Schwartz & Sortheix, 2018）。相反，焦虑无关价值观（OTC和ST）反映成长和自我扩展，被认为由对生活满意的个体优先考虑，因为这些个体拥有追求这些目标所需的情绪资源。

情感体验也可能基于寻求奖励或避免惩罚的动机影响价值观（Fischer & Karl, 2023）。情感反映我们的状态（Tamir et al., 2016），信号环境中潜在的奖励和威胁。人们依赖当前感受启发式地让这些感受影响判断和决策（Schwarz & Clore, 1983; Zeelenberg et al., 2008）。根据情绪反应，个体可能通过保持与或远离主题或事件来调整目标（Frijda et al., 1989; Scherer & Moors, 2019）。

1.3 情感对价值观影响的实证发现

尽管理论成立，大多数关于个人价值观与情感关系的研究关注反向因果路径，探索价值观如何影响我们的期望感受（如Tamir et al., 2016; Tsai et al., 2007）和实际感受（如Brosch et al., 2011; Conte et al., 2023; De Leersnyder et al., 2018）。关于过去情感如何塑造个人价值观的证据仍然有限。

现有价值发展研究主要测试幸福感与价值观之间的相互作用（如Fischer & Karl, 2023; Oppenheim-Weller et al., 2018; Williams et al., 2015）。作为主观幸福感的关键组成部分，情感幸福感——特别关注快乐和悲伤（Boer, 2017）——可能为我们的情感体验研究提供宝贵见解。

使用横断面数据（如Hanel et al., 2023; Sagiv & Schwartz, 2000; Sortheix & L?nnqvist, 2015）和面板数据（如Fischer & Karl, 2023; Williams et al., 2015）的研究得出混合结果，限制得出明确结论的能力。

1.4 心理概念的词汇分析方法

人们通过语言传达和理解彼此的内部思想和感受（Iliev et al., 2015; Tausczik & Pennebaker, 2010）。词汇分析方法使用从词典中提取的单词列表检查语言中的心理概念（Angleitner et al., 1990）。在过去一个世纪中，心理学家使用这种方法研究心理构建，包括人格、情感和情绪、道德以及个人价值观。

词汇分析基于的假设是，更重要的特征更可能在语言中表达（Goldberg, 1981）。因此，词频统计通常作为使用词汇分析的心理学研究的起点，提供语言使用的基本定量测量。词汇分析从与特定概念相关的词典中的单词列表开始（De Raad et al., 2016）。通过计算个体或给定文本中使用的单词的频率和分布，研究人员可以识别模式并提取关于个体心理特征、认知过程或情绪状态的初步见解。

1.5 当前项目

基于不同理论，我们假设焦虑无关、追求奖励的价值观与过去积极情感相关，而焦虑相关、避免惩罚的价值观与过去消极情感相关。当前研究的目标有两个：首先，为测量中文文本中的情感和价值观，我们通过翻译原始个人价值观词典开发并初步验证了一个理论驱动的中文个人价值观词典（研究1，阶段1和阶段2）。其次，为检验情感在价值发展中的作用，我们使用横断面和重复测量设计收集数据，使用自我报告测量或词汇分析方法。

2 研究1

研究1包括三个阶段的工作。为使用中文词汇分析方法检验情感对价值观的影响，研究1阶段1开发了一个理论驱动的中文个人价值观词典（CPVD）。研究1阶段2提供了初步验证结果。研究1阶段3旨在使用类似于现有研究（如Sagiv & Schwartz, 2000; Sortheix & L?nnqvist, 2015）的横断面设计测试回忆情感在价值发展中的作用。

2.1 阶段1：开发中文个人价值观词典

遵循Schwartz跨文化验证的基本价值观环形结构（如Schwartz & Bilsky, 1990; Schwartz et al., 2012; Skimina et al., 2018），我们通过将原始PVD（Ponizovskiy et al., 2020）从英语翻译成中文来开发CPVD。翻译方法反映了已建立词典的开发方法（如LIWC的传统中文版本；Huang et al., 2012），并确保与先前工作的性能可比性。

开发CPVD的过程包括三个步骤：翻译、清理和扩展。翻译由两个翻译器执行：基于GPT-4模型的AI聊天机器人和熟悉个人价值观的人类翻译。人类翻译审查GPT-4生成的列表，删除不适当的翻译并添加更合适的翻译。整个过程最终产生一个包含8906个中文词的扩展价值词典，涵盖10个基本价值观类型，命名为中文个人价值观词典（CPVD）。

2.2 阶段2：验证中文个人价值观词典

在开发CPVD后，我们通过比较使用词汇分析从文本计算的价值分数（文本基础价值观）与相同个体的自我报告价值观来测试其性能。我们通过Credamo在线调查平台招募了230名母语为中文的参与者。

为测量文本基础价值观，参与者完成了两个写作任务。在第一个任务中，参与者写下关于他们核心生活指导原则的内容；在第二个任务中，他们描述他们渴望追求的活动。使用CPVD进行词频统计，通过加权上下文语气计算价值分数。

为测量自我报告价值观，我们使用了21项肖像价值观问卷（21-PVQ; Schwartz & Bardi, 2001）。参与者在一个从1（完全不像我）到6（非常像我）的尺度上表示他们与描绘个体的相似程度。

结果显示，文本基础分数与自我报告原始分数在OTC、ST和SE上呈正相关。文本基础分数与MRAT分数（反应风格或社会期望的代理）显示对四个高阶价值观无关，表明文本基础分数的反应风格偏差最小。

验证性多维缩放分析表明，文本基础价值观表现出与理论配置相似的相对位置。与自我报告相比，文本基础分数产生较小的Tucker一致性系数，表明与理论配置的较弱对齐。这一结果可能源于中国文化中ST和CON的概念联系。

2.3 阶段3：使用横断面数据研究回忆情感对价值观的作用

为测试回忆情感对价值观的影响，研究1阶段3使用了与研究1阶段2相同的230名参与者的自我报告价值观和文本基础价值观。除了价值分数，我们还纳入了自我报告情感和从另一个写作任务中得出的文本基础情感分数。

为测量文本基础情感，参与者被要求写一段描述他们过去一个月的整体情感体验和重要情感事件的短文。使用中文情感词典（CSLI; Zhao et al., 2019）进行情感词汇分析。

为测量自我报告情感，我们使用了情感评估指数（AVI; Tsai et al., 2006）。参与者在一个从1（从未）到5（一直）的尺度上报告他们在过去一个月中平均感受每个项目的程度。

多变量模型分析结果显示，积极情感与OTC和ST呈正相关，表明回忆更多过去一个月积极情感体验的个体报告了更高水平的OTC和ST。消极情感仅与SE呈正相关，表明回忆更多消极体验的个体报告了更高水平的SE。

文本基础分数分析显示，与自我报告发现类似，积极情感与ST呈正相关，表明使用更多积极情感词汇描述过去体验的个体也使用了更多ST相关词汇。但与假设相反，积极情感显示与SE呈正相关，表明使用更多积极情感词汇的个体也使用了更多SE相关词汇。

3 研究2：现实生活社交媒体数据中情感对价值观的影响

为测试过去情感体验与价值发展之间的时间关系，研究2分析了在COVID-19大流行期间武汉封城前后从相同个体重复收集的实时社交媒体数据。