《Advances in Methods and Practices in Psychological Science》：Multiple Methods for Visualizing Human Language: A Tutorial for Social and Behavioral Scientists
编辑推荐：
人类使用语言交流心理体验。自然语言处理（natural language processing, NLP）的进展使研究人员能够通过语言定量研究和评估心理状态与行为。此类语言分析的洞见通常最适合通过可视化传达。关于语言如何与心理维度统计相关的数据驱动可视化，可帮
人类使用语言交流心理体验。自然语言处理（natural language processing, NLP）的进展使研究人员能够通过语言定量研究和评估心理状态与行为。此类语言分析的洞见通常最适合通过可视化传达。关于语言如何与心理维度统计相关的数据驱动可视化，可帮助解释评估分数、发现有意义的模式，并理解语言使用与心理状态之间的复杂关系。可视化可用于区分相关构念（例如，与抑郁和焦虑相关的语言有何差异？），理解评估工具的效度（例如，与高抑郁严重度相关的语言是否与抑郁理论相符？），并解释基于语言的评估（例如，在基于语言的评估中，哪些语言指示更高的抑郁严重度？）。在本教程中，研究人员演示如何使用R中的text和topics包将语言数据转化为可视化洞见。研究人员提供基于不同语言分析技术创建四类可视化的实践指导，考察语言使用模式如何与心理构念统计相关。研究人员可视化（a）个体词和短语（n-grams），（b）主题（词簇），（c）词嵌入空间（word-embedding space）中的词，以及（d）相关语言示例。不同可视化提供互补视角，从个体词到总体主题和文本示例可视化语言元素。其底层方法从个体词之间的相关到更高级技术，包括主题建模（topic modeling）和大型语言模型（large language models, LLMs）。通过使这些方法易于使用，研究人员旨在赋能研究者利用语言可视化获得有意义的、数据驱动的洞见。
研究背景与意义：语言在组织情绪与思想、分享体验和理解他人视角中具有重要作用；语言使用模式可反映个体的状态、特质和心理体验。自然语言处理（natural language processing, NLP）的进展使研究者能够通过语言定量评估心理状态与行为，而语言分析结果常需借助可视化传达。数据驱动的语言可视化可帮助解释评估分数、揭示有意义的模式，并阐明语言使用与心理状态和行为之间的统计关系；其可用于区分相近构念、检验评估工具效度以及解释基于语言的评估。已有研究较多比较不同语言分析技术的输出与应用，但面向可视化实施的技术指导仍有限，研究者常缺乏创建可视化的具体方法。为此，研究人员开展本教程，使用R中的text和topics包，提供从个体词到主题和文本示例的四类数据驱动语言可视化分步指导，旨在使社会与行为科学研究者能够以可及方式创建语言可视化并获得有意义的、数据驱动洞见。论文发表在《Advances in Methods and Practices in Psychological Science》。
关键技术方法（不超过250字）：教程采用R及text、topics包，基于差分语言分析（differential language analysis，考察语言使用模式与心理构念或行为的统计关联）展示n-grams结构化和点互信息（pointwise mutual information, PMI）过滤、潜在狄利克雷分配（latent Dirichlet allocation, LDA，一种概率主题模型）与BERTopic（基于词嵌入聚类的主题建模方法）、预训练语言模型生成词嵌入（word embeddings，词的数值向量表示）、监督维度投影（supervised dimension projection，将词嵌入投影到与目标变量相关的维度）、岭回归和嵌套10折交叉验证训练语言评估模型，并用假发现率（false-discovery rate, FDR）校正多重比较并控制年龄和性别。示例数据来自Gu et al.的研究，N=500，经Prolific在线招募，包含自报重度抑郁障碍（major depressive disorder, MDD）或广义焦虑障碍（generalized anxiety disorder, GAD）筛查人群和未筛查人群；参与者围绕过去两周抑郁或担忧问题写出5个描述词或短语，并采集患者健康问卷-9（Patient Health Questionnaire-9, PHQ-9）、年龄和性别等变量。
研究结果：在“Visualizations of words and phrases (n-grams)”中，作者通过topicsGrams()构建n-grams、topicsTest()进行回归检验、topicsPlot()生成差异词云，发现低抑郁严重度与“happy”（β=-0.34）和“relaxed”（β=-0.24）显著相关，高抑郁严重度与“sad”（β=0.14）和“scared”（β=0.15）显著相关，结果与抑郁理论预期相符并提供面效度。在“Visualizations of topics (word clusters)”中，作者通过主题建模和回归检验主题与抑郁严重度的关系；其中“Visualizations of topics using LDA”依次涉及Structure the data into a matrix、Identify topics using the LDA algorithm、Apply the LDA model to assess topic prevalence、Significance test the topics、Visualize the significant topics，发现“happy”主题与较低抑郁严重度相关（β=-0.47），“hopeless”主题与较高抑郁严重度相关（β=0.19）；“Visualizations of topics using BERTopic”依次涉及Generate topic representations by clustering embeddings、Significance test the topics、Visualize the significant topics，发现“sunshine”“smile”“healthy”主题与较低抑郁严重度相关（β=-0.45），“lonely_sad”“melancholy”“apathetic”主题与较高抑郁严重度相关（β=0.17）。在“Visualizations of words in the word-embedding space”中，作者通过Transform the data into word embeddings、Preprocess the data for plotting、Visualize the significant words in the word-embedding space，使用textEmbed()、textProjection()和textProjectionPlot()展示词嵌入空间中的词，发现“happy”“calm”“cheerful”与较低抑郁严重度相关，“sad”“suicidal”“despair”与较高抑郁严重度相关，“work”“health”不显著。在“Visualizations of language examples”中，作者通过Transform the data into word embeddings、Train the word embeddings to create the language-based assessment model、Identify example responses，使用textExamples()展示完整反应；textTrain()训练的基于语言的评估分数与PHQ-9评分相关r=.67（p<.001），平均绝对误差为4.56，示例反应为语言评估提供语境和面效度。在“Two-dimensional visualizations of language”中，作者展示“Two-dimensional visualizations of topics using LDA”“Two-dimensional visualizations of words in the word-embedding space”“Two-dimensional visualizations of language examples”：LDA二维图中“hopeless”“low”与抑郁语言及抑郁严重度相关，“anxious”“worried”与担忧语言及抑郁严重度相关；词嵌入二维图区分抑郁语言与担忧语言及严重度；语言示例二维散点图展示高估、低估及评估误差，为语言评估模型表现提供更细致信息。
讨论部分总结：作者在“Interpreting Language Visualizations”中指出，语言可视化虽直观，但解释时需考虑语言的高维性、多义性、反讽和文化表达等复杂性；建议“Employ multiple methods and triangulate”以多方法三角验证提高稳健性，“Anchor in context and theoretical frameworks”避免过度解释单个词或主题，“Consider the language source”关注语言来源和文本长度，“Specify exploratory versus confirmatory”明确探索性或验证性分析，“Take behavioral patterns into account”将语言模式视为行为性数据而非直接等同于临床状态，“Consider effect sizes carefully”谨慎解释效应量，因为单个词或主题的信号通常较小。作者在“Ethical Considerations”中讨论“Privacy and data sensitivity”“Bias in AI-based models”“Generalization and stigmatization”“Transparency and reproducibility”，强调保护隐私和敏感数据、审视并控制人工智能模型偏见、避免过度泛化和污名化，并记录数据处理、参数和可视化生成过程以增强透明性和可重复性。
研究结论部分翻译：在本教程中，研究人员介绍了四类互补的语言可视化，这些可视化可由R中的topics和text包创建。每种方法——词级分析、主题建模、词嵌入以及识别相关文本示例——都为语言使用模式与心理构念之间的关系提供独特洞见。研究人员建议结合不同可视化使用，并在解释时考虑语境和理论。通过整合稳健的方法实践与伦理责任，研究人员希望社会与行为科学家创建语言可视化，并推进其用于有意义的、数据驱动的洞见。
