自杀不仅仅是个人行为，更是重要的公共卫生和精神卫生问题^[1,2]。自杀可能性的评估对于自杀的预防起着关键作用。量表作为一种传统自杀可能性评估方法，时效性上有所欠缺。有自杀可能的人尽管很多不会主动寻求专业帮助^[3]，但在言语表达中往往存在对于自杀倾向的流露^[4]。近年来，随着社交网络飞速发展，人们越来越多地在虚拟集群中吐露感受和观点，微博等平台成为社会媒体用户自我表达的主要途径，其中也包含了与自杀有关的自我表达^[5]。研究人员开始关注通过这一新的平台收集个体的心理状态信息^{[6 ,7,8]}，但有关利用微博平台针对个体进行自杀可能性分析的研究较少。为此，本研究于2014年5—7月，在新浪微博“心理地图”问卷填写平台上通过随机抽样的方法对982名用户进行自杀可能性调查，比较不同程度自杀可能性用户在社交行为、语言使用上的差异，归纳高自杀可能用户的可识别特征，为建立用户自杀可能性在线预警系统提供参考依据。

邀请新浪微博用户参与在线问卷调查，并经过允许获得其公开微博数据。邀请用户参与研究的方式主要有3种：(1)在微博公共账号“心理地图Psymap”上发布招募通知；(2)通过随机给微博用户留言的方式发布邀请；(3)邀请微博认证名人帮助转发招募通知(如：用户“心理学张侃”，目前有超过97万名关注者)。共征集1 196名参与者，其中有效填写用户1 040人。根据伦理学的要求，只保留年满18周岁用户的数据，并且删除存在相同IP地址重复填写的账户，最终样本包含982名微博用户。本研究得到中国科学院心理研究所伦理委员会批准。

问卷采用Cull 和 Gill在1982年编制的“自杀可能性量表”(Suicide Probability Scale,SPS)^[9]，该量表对于14岁以上青少年及成人个体的自杀风险评估有很好的效果。中文版共计36个条目，分为4个分量表：敌意，自杀意念，负性自我评价和绝望，每题1~4计分，得分越高，表明自杀可能性越大。收到邀请并有意向参与调研的用户通过新浪微博账号可登录访问“心理地图”微博应用，签署研究知情同意书后在线填写SPS中文版以及人口统计学信息(性别，年龄等)。“心理地图”微博计算并导出用户的量表分数。依据国外学者对高自杀可能的筛出分数研究^[10]，并结合国内学者对于6 794名大学生样本测试的得分分布^[11]，将70分作为高自杀可能和低自杀可能的分组标准，获得高自杀可能组用户446人(45.4%)，量表平均得分(80.1±8.4)分，低自杀可能组用户536人(54.6%)，量表平均得分(61.0±5.7)分。

通过填写问卷用户的微博ID，在新浪微博数据开放平台的接口可以下载到用户公开发布的微博数据。(1)行为特征提取：根据用户的自我表达，与其他用户的互动，以及活跃周期等方面提取10类微博用户行为数据(见表 1)。由于微博用户的登陆周期不尽相同，为排除时间因素对用户数据的影响，行为特征指标大多采用比率数据或平均每篇微博的特征计数值。(2)语言特征提取：本研究使用中文心理分析词典，是诸多计算机化文本分析工具中的一种，可以对心理学研究和实践中产生的大量有潜在价值的文本信息进行便利分析，同时兼顾词语使用的内容和形式，可以用来研究人们的口头与书面语言背后的认知、情绪和结构成分^[12]。在原英文词典语言查询与词汇计数(linguistic inquiry and word count，LIWC)基础上，高锐等^[13]编制了简体中文词典，涉及词类包括总体描述词、语言过程词、心理过程词、个人关切词等共计88种特征。语言特征的分析由中国科学院心理研究所计算机网络心理课题组研发的“文心中文心理分析系统”完成，输出88类词语使用频率百分数。

表 1

表 1 行为特征及操作定义 行为特征 操作定义 自我描述长度 显示在用户主页顶端简短自我描述的字节 微博原创率 用户原创微博数与微博总数的比值 微博链接率 用户含有链接微博数与微博总数比值 微博互动率 用户平均每篇微博@其他人的次数 集体关注度 用户平均每篇微博使用的第一人称复数次数 自我关注度 用户平均每篇微博使用的第一人称单数次数 夜间活跃度 用户在22:00至次日06:00发布微博数与微博 总数比值 积极表情图片使用率a 用户平均每篇微博使用的积极表情次数 消极表情图片使用率 用户平均每篇微博使用的消极表情次数 社交活跃度 用户与其他人互相关注数与被关注数比值 注：a 从新浪微博下载所有种类表情图片1 983个，邀请5名心理学硕士分别对图片进行标注，挑选出5人一致认可的积极表情45个，消极表情图片110个，另对16个有争议的积极表情图片和9个有争议的消极表情图片重新表决，最终一共确定积极表情图片48个，消极表情图片118个。

表 1 行为特征及操作定义

采用SPSS 17.0软件进行性别差异分析、二列相关分析和特征值组间差异分析。在差异分析中，对于样本服从正态分布的，使用独立样本t检验；对于不服从正态分布的，采取非参数检验中的Mann-Whitney U秩和检验。

982名用户中，女性608人(61.9%)，男性374人(38.1%)；平均年龄(24.2±4.9)岁，其中18~25岁737人(75.1%)，26~35岁215人(21.9%)，>35岁30人(3.0%)。在446名高自杀可能用户中，女性277人(62.1%)，男性169人(37.9%)；平均年龄(24.2±4.9)岁，其中18~25岁326人(73.1%)，26~35岁109人(24.4%)，>35岁11人(2.5%)。在536名低自杀可能用户中，女性331人(61.8%)，男性205人(38.2%)；平均年龄(24.2±4.9)岁，其中18~25岁411人(76.7%)，26~35岁106人(19.8%)，>35岁19人(3.5%)。

表 2

表 2 微博用户自杀可能性得分的性别比较(分，x±s) 项目 男性(n=374) 女性(n=608) t值 P值 敌意 12.7±2.4 13.2±2.6 -3.07 0.002 自杀意念 11.3±3.1 11.7±3.3 -1.92 0.055 负性自我评价 20.7±4.4 20.5±4.4 0.68 0.496 绝望 25.0±4.7 24.4±4.7 2.05 0.041 自杀可能性总分 69.6±11.5 69.7±12.1 -0.10 0.919

表 2 微博用户自杀可能性得分的性别比较(分，x±s)

将自杀可能性水平(高或低)与行为、语言特征值之间作二列相关分析，共有2种行为特征和3种语言特征与自杀可能性水平的相关系数有统计学意义。在行为特征中，高自杀可能组与低自杀可能组的“社交活跃度”分别为0.22、0.27，自杀可能性水平与“社交活跃度”负相关(r=-0.082,P=0.010)；高自杀可能组与低自杀可能组的“夜间活跃度”分别为0.17、0.15，自杀可能性水平与“夜间活跃度”正相关(r=0.081,P=0.011)。在语言特征中，高自杀可能组与低自杀可能组的“第三人称单数词”(例如：他，她，这位)使用频率分别为0.18%、0.17%，自杀可能性水平与“第三人称单数词”使用频率正相关(r=0.077,P=0.016)；高自杀可能组与低自杀可能组的“否定词”(例如：不要，未必，没有)使用频率分别为0.07%、0.06%，自杀可能性水平与“否定词”使用频率正相关(r=0.066,P=0.040)；高自杀可能组与低自杀可能组的“将来词” (例如：之后，即将，将来)使用频率分别为0.08%、0.10%，自杀可能性水平与“未来词”使用频率负相关(r=-0.073,P=0.023)。

K-S检验结果表明，行为特征数据均不符合正态分布(P<0.05)，因而对行为特征进行Mann-Whitney U秩和检验。结果表明，“社交活跃度”、“集体关注度”和“夜间活跃度”特征差异有统计学意义(P<0.05)。

表 3

表 3 行为特征秩和检验结果 行为特征 高自杀可能组(n=446) 低自杀可能组(n=536) U值 W值 Z值 P值 M QR M QR 社交活跃度 0.22 0.26 0.27 0.24 106 960.0 206 641.0 -2.84 0.005 集体关注度 0.05 0.04 0.06 0.04 104 536.5 204 217.5 -3.39 0.001 夜间活跃度 0.17 0.13 0.15 0.12 108 919.0 252 835.0 -2.40 0.017 注：M：中位数；QR：四分位数间距；U：Mann-Whitney U；W：Wilcoxon W。

表 3 行为特征秩和检验结果

K-S检验结果表明，语言特征中的“功能词”、“时态标定词”和“其他标点符号词”数据服从正态分布(P>0.05)。因而对这些语言特征进行独立样本t检验，结果表明高分组和低分组在这些特征上的差异均无统计学意义(P>0.05)。对其余语言特征进行Mann-Whitney U秩和检验。结果表明，高分组和低分组在“死亡词”(如：亡故，自杀，遗嘱)和“未来词”(如：之后，即将，将来)的使用频率差异有统计学意义(P<0.05)。

表 4

表 4 语言特征秩和检验结果 语言特征 高自杀可能组(n=446) 低自杀可能组(n=536) U值 W值 Z值 P值 M QR M QR 死亡词 0.12 0.07 0.11 0.06 109 677.5 253 593.5 -2.23 0.026 未来词 0.08 0.07 0.10 0.08 105 328.0 205 009.0 -3.21 0.001 注：M：中位数；QR：四分位数间距；U：Mann-Whitney U；W：Wilcoxon W。

表 4 语言特征秩和检验结果

本研究结果显示，高自杀可能组与低自杀可能组相比在微博上社交程度更低，夜间(22点到次日6点)更加活跃，与已有研究结果一致，低水平社交互动被认为是高自杀风险的重要表现之一^[14,15]；精神病学报告也反映出自杀与夜间睡眠障碍之间的强关联^[16]。国内学者曾在微博抑郁检测模型中使用“夜间活跃度”特征，也取得一定的效果^[17]。这说明不论是在现实生活中还是网络社交平台，社会交往程度与夜间活跃程度可能是反映个体心理健康水平，进一步反映自杀可能性的重要行为评估指标。

本研究结果还显示，高自杀可能组更频繁地使用与死亡相关的词语，其中也包含与自杀有关的词汇。已有研究反映出相似的结果，有自杀倾向的诗人在作品中更多使用与死亡有关的词汇^[18]。本研究发现高自杀可能组更少地使用指向未来的词语。这表明高自杀可能的用户对未来感受到更多的无助、无望^{[19 ,20]}，并且在网络上有所表达。

已有研究揭示了高自杀可能人群表达更多消极情感^[21,22,23]。本研究中高自杀可能组对应更高频率的否定词语使用，这表明从认知角度高自杀可能的个体也会产生更多消极表达。已有研究表明，有高自杀风险的个体更加关注自我而提及周围环境较少^[17,24]。本研究发现高自杀可能组对应更高频率的第三人称单数指代，与以往研究结果不尽相同；但这可能与中国文化表达习惯有关，今后的自杀语言研究中应予以特别注意。

国内学者运用SPS量表的主要施测对象为大学生群体^[11,25]，本研究首次将其应用到微博平台。根据新浪微博发布的用户调研报告，18岁以下青少年和35岁以下成年人占用户数目的90%左右，总体较年轻。本研究的量表得分分布与大学生样本的分布高度一致，因而作为探索性研究，可以认为SPS也可用于鉴别微博用户的自杀可能性。今后在进一步开展相关研究的过程中可以考虑检验SPS在网络用户群体中的信效度，推广应用范围。本研究招募用户的方式可能会吸引更关注自身心理健康水平的用户，女性样本更多。但由于研究主要关注不同程度自杀可能性用户间的特征比较，且男性与女性自杀可能性总分没有差异，因而并不对研究结果产生影响。

当代自杀预防工作迫切需要时间效率更高、渗透更广的方法，而网络社交平台很可能成为解决这一需求的突破口。本研究揭示了高自杀可能性用户在微博的一些行为表现以及语言表达上和其他用户存在差异，这在今后的工作中可能从一定程度上帮助研究人员鉴别具有较高自杀可能性的个体。