情感清晰度与情绪智力：基于情绪图片分类任务的行为指标研究

本研究通过情绪图片分类任务，探讨了情绪智力(EI)和情感清晰度(EC)与行为指标（反应时变异性sdRT、置信度、次选情绪概率PSE和主导反应百分比PDR）的关联。研究发现sdRT、PSE和置信度均与PDR显著相关，且EI和EC仅与积极情绪刺激的PDR存在正相关。该研究为理解特质水平情绪能力与即时情绪加工过程的关系提供了重要实证依据，凸显了情绪标注在情绪功能中的核心作用。

　　

在情感科学领域，我们究竟是会思考的机器，还是带着情感去思考的生命体？神经科学家安东尼奥·达马西奥曾言：“我们不是会感受的思考机器，而是会思考的感受机器”，这句话深刻地揭示了情绪在人类生活中的核心地位。情绪不仅影响着人际关系的质量，也关乎职业表现和整体心理健康。为了适应复杂的社会环境，个体不仅需要体验情绪，更需要准确识别、解读并调节它们——这些能力构成了情绪智力(Emotional Intelligence, EI)的核心。然而，尽管情绪智力与情感清晰度(Emotional Clarity, EC)被视为情绪能力的关键组成部分，但它们的行为关联仍未被充分探索。特别是在情绪识别过程中，人们如何对情绪刺激进行快速而准确的分类？这种即时加工能力又与个体稳定的人格特质有何联系？这些问题成为当前情感科学研究的重要前沿。

为了回答这些问题，来自以色列本-古里安大学的三位研究者——Tehila Nadav、Ilona Glebov-Russinov和Avishai Henik开展了一项创新性研究，成果发表在《Personality and Individual Differences》上。他们设计了一项情绪图片分类任务，让参与者对具有不同效价（积极/消极）的情绪图片进行分类，并测量了多项行为指标，包括反应时变异性(sdRT)、置信度评分、选择第二情绪的概率(PSE)以及与主流分类一致的主导反应百分比(PDR)。同时，参与者还完成了测量特质情绪智力(EI)和情感清晰度(EC)的自我报告量表。

研究采用了在线实验平台Gorilla实施，招募了154名成年人参与者（女性112人，平均年龄26.01岁）。实验材料选自分类情感图片数据库(Categorized Affective Pictures Database)，包含8个情绪类别：4个积极（快乐、爱、自豪、平静）和4个消极（恐惧、厌恶、愤怒、悲伤）。每位参与者需要对371张图片（204张积极，167张消极）进行情绪分类，首先选择主导情绪，然后评价自己的确信程度（1-9分），最后还可选择第二情绪。从这些行为数据中提取了sdRT、PSE、置信度和PDR四个关键指标。特质测量使用了Wong和Law的情绪智力量表(EIS)和Salovey等人的特质元情绪量表(TMMS)的清晰度分量表。数据分析采用结构方程模型(SEM)，分别对积极和消极情绪建立了四个模型，检验行为指标与特质测量的关系。

研究结果呈现出丰富而有趣的模式。首先，描述性统计显示参与者对积极情绪刺激的表现明显优于消极情绪：积极情绪条件下的主导反应百分比(PDR)更高(0.455 vs. 0.412)，置信度评分更高(7.18 vs. 7.04)，反应时变异性(sdRT)更低(729.04 vs. 773.88ms)，这些差异均达到统计显著水平。然而，选择第二情绪的概率(PSE)在两种效价间无显著差异。

相关分析显示，情绪智力(EI)与情感清晰度(EC)呈中等程度正相关(r=0.40)，表明这两个结构既有重叠又各自独立。更重要的是，所有行为指标间存在显著相关：sdRT与PDR负相关，置信度与PDR正相关，PSE与PDR负相关，这些关系在积极和消极情绪条件下均成立。

结构方程模型揭示了更为精细的结果。在Model 1（EIS，消极情绪）中，置信度(β=0.24)、sdRT(β=-0.18)和PSE(β=-0.39)均显著预测PDR，但特质EI对PDR的直接路径不显著，模型解释方差为25.8%。Model 2（EIS，积极情绪）则显示所有预测变量均显著：EIS(β=0.23)、置信度(β=0.24)、sdRT(β=-0.19)和PSE(β=-0.39)，模型解释方差提高到34.9%。类似地，Model 3（TMMS，消极情绪）中，仅特质EC对PDR的路径不显著，而Model 4（TMMS，积极情绪）中所有路径均显著，包括EC对PDR的直接影响(β=0.25)。

此外，EI与置信度之间存在显著的正向关联，而EC与置信度的关系则不显著，这一发现提示EI可能更涉及情绪判断中的元认知确信度。

讨论部分深入解读了这些发现的理论意义。研究表明，情绪分类任务中的行为指标确实能够捕捉即时情感清晰度(momentary EC)的个体差异。反应时变异性(sdRT)作为反应一致性的指标，与主导反应百分比(PDR)负相关，这与情绪动态学研究一致，表明性能波动比集中趋势指标更能敏感地反映情绪能力。

选择第二情绪的概率(PSE)与PDR负相关，这可能反映了情绪体验中的不确定性或模糊性，而非情绪分化的精细性。这一发现强调了在情绪识别研究中区分情绪复杂性与情绪模糊性的重要性。

最引人注目的是情绪效价的调节作用——特质EI和EC仅与积极情绪的分类表现相关。这种不对称性可能源于积极和消极情绪涉及不同的认知加工过程。积极情绪通常强度较低，与认知灵活性相关，可能促进更准确的标注并增强EC。根据拓展-建构理论(Broaden-and-Build Theory)，积极情绪扩展认知灵活性并拓宽思维-行动库，支持EC和EI。相反，消极情绪需要更多的认知和调节资源，语境依赖性更强，认知控制要求更高，神经激活模式更不 distinct，这些因素使它们更难区分。

情绪智力与情感清晰度的关系也值得关注。两者间中等程度的相关表明它们共享情绪加工的基础能力，但又各有侧重：EC更强调自我内部情绪的识别与区分，而EI则涵盖更广泛的情绪技能，包括人际动态和情绪调节。这种区分与Mayer和Salovey的能力模型一致，该模型认为准确的情绪识别是理解和管理情绪等高阶情绪过程的基础。

研究的理论意义在于它将特质水平的情绪能力与即时情绪加工过程联系起来，为情感清晰度的动态测量提供了行为指标。方法上，采用基于共识的PDR而非二元准确度，为情绪识别研究提供了更灵敏的指标。实践上，这些发现对情绪识别训练、情绪障碍干预和情绪教育具有启示价值。

当然，研究也存在一些限制。样本相对同质可能影响结果的普适性；横断面设计无法推断因果关系；尽管使用真实场景图片提升了生态效度，但静态呈现方式仍与动态社交情境有差距。这些限制为未来研究指明了方向：扩大样本多样性、采用纵向设计、引入更动态的情绪刺激等。

总之，这项研究通过创新性地结合行为实验与自我报告测量，揭示了情绪智力与情感清晰度如何体现在情绪分类的即时加工中。它不仅证实了情绪效价在情绪加工中的调节作用，还提供了测量即时情感清晰度的行为指标，为情感科学的理论发展和实际应用提供了重要贡献。特别是在人工智能情感识别、心理健康干预和情绪教育等领域，这些发现都具有潜在的应用价值。未来研究可进一步探索这些行为指标与神经生理测量的结合，以及它们在不同文化背景和临床群体中的表现，从而深化我们对人类情绪能力的理解。