《Journal of Affective Disorders Reports》：Correspondence in emotionality between spoken words and ecological momentary assessment in individuals varying in depression and anhedonia
编辑推荐：
心理健康研究近期采用口语词汇的情感分析（sentiment analysis，利用自然语言处理/NLP量化情绪性）以降低与传统自我报告方法相比的被试负担。尽管有证据支持情感（sentiment）与心理健康之间存在关联，但语音/口语文本的情感分析尚未与情绪性的重
心理健康研究近期采用口语词汇的情感分析（sentiment analysis，利用自然语言处理/NLP量化情绪性）以降低与传统自我报告方法相比的被试负担。尽管有证据支持情感（sentiment）与心理健康之间存在关联，但语音/口语文本的情感分析尚未与情绪性的重复测量建立关系。本研究将约10分钟访谈转录文本的情感分析与生态瞬时评估（Ecological Momentary Assessment，EMA）的积极与消极情感评分相关联。患有中重度抑郁（moderate-to-severe depression）的成人（N=115）在访谈前完成连续8天EMA，被询问近期情绪与经历。EMA中报告更多积极情感的参与者，在访谈言语中也表现出更高的积极情感（positive sentiment）倾向。抑郁、快感缺失（anhedonia）与EMA评定的消极情感均与情感分析（sentiment）无关。这些结果支持将访谈中表达的情感作为访谈前日常积极情感的标志物。
研究背景方面，重性抑郁障碍（Major Depressive Disorder，MDD）患病率高、致损性强且成本高昂，快感缺失（anhedonia，对通常活动兴趣或愉悦感降低）是抑郁核心症状并显著干扰社会心理功能。既往多数抑郁相关研究依赖自我报告数据，近年利用被动感知数据降低被试负担的努力增多，自然语言处理（Natural Language Processing，NLP）可作为被动指标，情感分析（sentiment analysis）是NLP分支，用于分析情绪与态度。已有研究多在一般人群中将书面语言NLP与总体心理健康或诊断状态关联，且经验取样法（Ecological Momentary Assessment，EMA）可于日常半随机时点捕捉体验、减少回忆偏差。但绝大多数研究用书面文本，口语NLP与EMA情绪关联研究很少，且样本多为一般人群，抑郁与快感缺失群体中口语情感与日常情绪是否一致尚不清楚，因此研究人员开展该项二次数据分析。
研究人员在OPTIMA（Operationalizing Digital Phenotyping in the Measurement of Anhedonia）项目中，纳入南加州18至65岁、英语流利、拥有iOS智能手机、PHQ≥11且低到高快感缺失的参与者，最终N=115完成8天EMA与约10分钟录音访谈。访谈含7个开放式问题，转录后用基于roBERTa-base微调的BERT情感分类模型输出每题负性、正性、中性概率；研究人员构造“积极情感倾向（Tendency towards positive sentiment）”＝各题（正性概率?负性概率）的均值。EMA每日10:00–19:00发5次，共40次，积极情感含energetic、happy、motivated、engaged四项，消极情感含sad、stressed、anxious、annoyed/irritated、lonely五项，均1–5评分后求各时点总分再取平均。访谈日用PHQ-14测抑郁、PVSS-21测快感缺失作为协变量。研究人员用RStudio 4.3.2做多重线性回归，以积极情感倾向为因变量，平均积极/消极情感为预测变量，抑郁与快感缺失为协变量；并进行敏感性分析：分正性/负性情感为结局，以及只用两正两负问题子集。
研究结果部分保留小标题如下。
4.1 Descriptive Statistics：研究人员对平均EMA积极情感、平均EMA消极情感、积极情感倾向、抑郁、快感缺失做描述统计，用于说明样本分布与后续建模基础。
主要回归结果：研究人员通过多重线性回归发现，EMA平均积极情感越高，访谈口语的积极情感倾向越高；而抑郁、快感缺失以及EMA平均消极情感与积极情感倾向无显著关联。假设1成立，假设2不成立。
Sensitivity Analysis：研究人员通过将BERT输出分为正性情感与负性情感两个结局，以及使用两正两负访谈问题子集重复分析，结果方向与主分析一致，说明结论不因合并指标或题目平衡而改变。
讨论部分中，研究人员指出：口语情感分析可在抑郁/快感缺失样本中反映访谈前数日的日常积极情感，但未能捕获消极情感、抑郁严重度或快感缺失水平；这可能与模型在推特数据上微调、口语语境不同、抑郁群体消极表达更隐晦有关。研究人员强调，访谈言语的正性情感可作为日常积极情感的可扩展、低负担标志物，对数字表型（digital phenotyping）与情绪监测有实践意义；但研究为观察性二次分析、样本来自南加州iOS用户、因果与泛化需谨慎。
研究结论部分翻译：在抑郁与快感缺失个体中，约10分钟访谈口语表达出的积极情感（positive sentiment）与访谈前8天经验取样法（EMA）评定的日常积极情感相一致；抑郁、快感缺失与EMA消极情感未与口语情感分析关联。结果表明，简短访谈中的言语情感可作为抑郁群体日常积极情感的有效标记，且相较于书面NLP，口语NLP在被动感知与数字心理健康评估中具有补充价值。
论文发表于《Journal of Affective Disorders Reports》。
