结合精神分析概念与计算机科学方法论：情绪与拉康话语关系的经验研究

《Frontiers in Psychology》：Combining psychoanalytic concepts and computer science methodologies: an empirical study of the relationship between emotions and the Lacanian discourses

　　

本研究旨在探讨精神分析与计算机科学之间的跨学科互动，并提出一种互惠互利的交流。实际上，精神分析概念可以丰富涉及人因（human factor）的技术应用，例如社交媒体及其他交互式数字平台。通过提供对沟通中难以捉摸的无意识（unconscious）方面的更深入洞察，精神分析方法能够增强以内容为中心的应用，包括假新闻检测和心理健康诊断。相反，计算机科学，尤其是人工智能（Artificial Intelligence，AI），可以为精神分析提供定量概念和方法，用于识别人类表达中的模式和情绪线索。具体而言，本研究旨在应用计算机科学方法，建立情绪与拉康话语（Lacanian discourses）之间的基本关系。研究人员通过经验调查和统计分析来识别这些关系，并最终通过理论（精神分析）解释进行验证。值得注意的是，尽管情绪在拉康理论中已有零星研究，但缺乏对其作用系统而详细的探讨。这种对情绪作用的精细理解，也能使拉康话语的识别在实践中更加有效和简便。研究人员的方法指出了在相应话语中具有最高区分力的情绪；反之，研究人员为每种话语确定了其所容许的最具特征性情绪。研究人员将这种方法命名为拉康话语发现（Lacanian Discourse Discovery，LDD），它通过系统化方式简化了文本中拉康话语的识别。尽管本研究的主要贡献本质上是理论性的（精神分析的），但它也能促进交互式数字系统中的重大实际应用。实际上，研究人员的方法可以使用能有效识别文本中情绪（及相应话语）的人工智能方法实现自动化。

**论文解读：情绪与拉康话语关系的经验研究——精神分析与计算机科学的跨学科对话**

**1. 研究背景与问题提出**

精神分析学，自弗洛伊德（S. Freud）以来，始终致力于探索人类心灵的无意识（unconscious）动力。拉康（J. Lacan）通过结构语言学、拓扑学和数学逻辑重新阐释了弗洛伊德的理论，提出了著名的四种经典话语理论——主人话语（Master Discourse）、大学话语（University Discourse）、分析家话语（Analyst Discourse）和癔症话语（Hysteric Discourse），以及后期发展的资本主义话语（Capitalist Discourse）。这些话语构成了主体间社会联系（social bond）的形式化模型，揭示了知识、享乐（jouissance）及主体位置在沟通中的运作方式。然而，尽管情绪（emotions）和情感（affects）在弗洛伊德和拉康的理论中占有核心地位，尤其在拉康的理论中，焦虑（anguish）被视为“不会说谎的情感”，但情绪与拉康话语之间的系统关系尚未得到充分研究。已有的研究多为零散的探讨，缺乏精细化的、经验性的实证考察。

与此同时，计算机科学，特别是自然语言处理（Natural Language Processing，NLP）和人工智能（Artificial Intelligence，AI）领域，发展出了强大的工具用于分析人类语言中的情感模式。这些方法能够从海量文本数据中提取特征，识别情绪线索，并在情感计算（affective computing）等领域取得了显著进展。然而，当前的技术应用往往停留在表面层面的情感分析，缺乏对沟通背后无意识结构和深层动力的洞察。

因此，本研究旨在填补这一研究空白，开展精神分析与计算机科学之间的跨学科研究（interdisciplinary research）。研究提出的核心问题是：能否通过计算机科学的经验方法，系统地建立情绪与拉康话语之间的内在关系？即，对于每种拉康话语，其最典型的情绪组合是什么？反之，哪些情绪组合在区分不同话语时具有最强的辨别力？通过回答这些问题，本研究期望一方面为拉康理论中的情绪角色提供实证支持，另一方面，通过引入情绪这一更易识别的指标，为拉康话语的自动化识别提供可能，从而推动在假新闻检测、心理健康诊断等数字交互系统中的实际应用。

该论文发表在《Frontiers in Psychology》。

**2. 关键技术与方法概述**

为开展这项研究，研究人员采用了一套结合文本分析、主观标注与概率建模的混合方法。

首先，研究人员选取了**DAILY DIALOG**开源数据集，该数据集包含40个日常对话（共264个句子），因其反映了真实、自然的交流，符合拉康话语研究中对沟通双方互动的需求。

其次，研究人员确立了情绪分类体系。经过对比论证，研究选用了**GoEmotions**数据集，该数据集包含27种细粒度情绪标签，并额外补充了精神分析文献中关键的“焦虑（anguish）”和“焦虑（anxiety）”两种情绪，形成共30种情绪的标注集。该选择基于其统计有效性、广泛的社区认可度以及对拉康话语分析所需复杂情绪的覆盖能力。

研究方法的核心在于**人工标注（annotation）与投票（voting）机制**。三位熟悉拉康话语理论的标注者，在自建平台上对每个句子独立完成两项任务：一是从30种情绪中选择最多3种并赋予置信度（Confidence Score）；二是识别其中存在的拉康话语，并赋予置信度和权重（Weight）。随后，研究人员设计了一种“共同用户（Common user）”算法，通过预设规则处理三位标注者的分歧，将不一致的标注视为信息多样性，并综合生成一个更可靠、信息量更丰富的标注结果。

基于整合后的标注数据，研究人员构建了**概率模型**。核心公式是条件概率Prob(d₁, d₂, …, d_n | e₁, e₂, …, e_l)，即给定一组情绪组合（e₁, e₂, …, e_l）时，某一特定话语组合（d₁, d₂, …, d_n）出现的概率。为了更精准地衡量关系强度，研究人员进一步定义了**关系强度（Relation Intensity，RI）**指标（见定义3.3），该指标通过将条件概率与话语权重（Weight level）相乘并归一化，得到了一个介于0到1之间的量化值，用以表征情绪与话语之间的关联紧密程度。

**3. 研究结果**

**4.1 实验过程（Experimental procedure）**
通过40个对话共264个句子的标注，三位标注者对五种拉康话语的标注一致性通过Krippendorff alpha系数进行了评估，总体处于中等到较高水平，其中分析家话语的一致性最高（0.70），癔症话语最低（0.52）。这反映了话语识别的主观性和挑战性。研究通过“共同用户”算法有效处理了标注分歧，保留了有价值的差异性信息。

**4.2 票数处理（Votes processing）**
利用“共同用户”的标注结果，研究人员生成了所有情绪与话语组合的条件概率表，并进一步计算了关系强度（RI），通过热图（heat map）形式直观呈现。结果表明，情绪识别在判断话语类型方面具有极强的辨别力，67个情绪组合行中，仅有7行对应不止一个非零的RI值。

**4.3 发现与讨论（Findings and discussion）**
* **癔症话语（Hysteric Discourse）**：被10种情绪组合唯一识别，且RI值最高（0.33-0.82），其中“（羡慕、认可、兴奋）”组合的RI值高达0.82。这表明，癔症话语（主体$）在渴望知识、表达个人感受时，常伴随高度的情绪激活和兴奋感。
* **主人话语（Master Discourse）**：同样被10种情绪组合唯一识别，RI值范围为0.25-0.38。情绪以判断（认可/不认可）、自尊（骄傲）、狂喜（joy）和期待（焦虑/紧张）为特征。这与主人能指（S₁）占据发话者位置，展示权威和自我形象相符。
* **大学话语（University Discourse）**：被8种情绪组合唯一识别，RI值范围0.20-0.40。其核心特征是中立（neutral，RI=0.78），常伴随认知和判断性情绪，符合知识（S₂）作为发话者，追求客观事实并服务于制度化目标的特点。
* **分析家话语（Analyst Discourse）**：被5种情绪组合唯一识别，但RI值普遍较低（0.08-0.20）。情绪组合以关心（caring）、好奇（curiosity）和中立为主。这反映了在日常对话中，人们很少扮演纯粹中立、无判断的分析家角色，揭示了该话语识别的难度。
* **资本主义话语（Capitalist Discourse）**：仅被一个情绪组合“（认可、欲望、喜悦）”唯一识别，RI值为0.20。这符合该话语中主体（$）绕过他者，直接通过商品（物）来满足内在需求、寻求即时享乐的特征。
* **混合话语**：研究也识别了多种话语共存的模式，如“主人-癔症”组合最常见（89%的RI值），情绪中常包含“（烦恼、失望、不认可）”。这表明日常话语中，权力和自我表达往往是交织的。

**4.4 样本量稳定性分析（Sample size stability analysis）**
通过基于90%置信水平和5%误差边际的计算，研究验证了264个句子的样本量（所需最小为271）是适当的。进一步的模拟研究（图3-7）表明，随着样本量增加，模拟概率、累积标准差（standard deviation）和滚动标准差均快速收敛并保持极低水平，相对标准误差（Relative Standard Error，RSE）始终小于1%，证明本研究的结论具有良好的稳定性。

**4. 总结与讨论**

**结论翻译**（来自研究结论部分，Section 5）：
本研究的主要贡献本质上是精神分析的：建立了情绪与拉康话语之间的系统关系。
本研究的主要发现可总结如下：
* 已经建立了情绪组合与拉康话语之间关系的经验证据；
* 情绪在识别文本中存在的独特拉康话语方面具有强大的辨别力；
* 情绪在识别文本中存在的混合拉康话语方面同样具有强大的辨别力；
* 所识别出的关系可以从精神分析角度进行解释。

本研究的发现受到实验程序中所用对话集规模较小的限制。然而，该程序已被证明是强有力的，并可应用于更大规模的数据集以完善结果。研究人员猜想，将发现新的关系，而已发现的关系将得到确认。

**讨论部分总结**：
讨论部分首先强调了研究发现的初步性，受限于实验程序的规模和所选方法的某些决策（如仅使用文本、使用日常对话数据集）。研究指出，将句子作为一个完整陈述进行分析，而非分解成更小单元，导致了情绪组合的出现，这比单一情绪更能反映话语特征。研究发现，情绪识别对话语辨别具有强大的区分能力，并分别对每种单一话语和混合话语组合的特征性情绪组合进行了详细解读，其解读结果与拉康理论高度一致。例如，癔症话语的高情绪激活、主人话语的判断性、大学话语的客观中立性、分析家话语中关心与好奇的微妙性，以及资本主义话语中通过物欲满足的享乐主义倾向。研究还指出，某些基本情绪（如愤怒Anger）和次级认知情绪（如悲伤Grief）在样本中未出现，可能源于样本规模限制或标注偏好。研究者承认结果的初步性，但认为定性发现具有显著意义。未来工作将通过更大规模的标注、面向研究者和学生的开放平台、以及利用MentaLLaMA等大语言模型（LLMs）实现自动化情绪识别来进一步改进和验证当前模型（{ei, ej, ek}RI{da, db, dc}），并探索将LDD方法与精神障碍的言语图谱分析（如Mota等人的研究）相结合，开发实际的临床诊断应用程序。