摘 要：目的：基于社交媒体数据，探究易感人格语言特征与抑郁风险之间的关系，为抑郁预防与心理健康服务提供依据。方法：通过Python爬取新浪微博用户在2016—2021年间的原创微博文本,并用易感人格与“文心”词典提取词类特征，构建多种机器学习模型进行抑郁分析与预测。结果:抑郁与非抑郁两类用户在易感人格语言的使用上存在显著差异，表现为抑郁用户在以下5维度的词频上显著高于非抑郁用户：封闭防御(F=700.32,P<0.001)、敏感好胜(F=671.50,P<0.001)、自我专注(F=590.09,P<0.001)、退让顺从(F=514.05,P<0.001)、严谨认真(F=48.57,P<0.001)；其次，基于易感人格特征进行抑郁预测，在准确率、精确率及F1分数上比“文心”高出0.4%~6.5%。本文考虑到两类特征可能存在互补性，合并两词典中所有显著的特征，在梯度提升树分类器上预测效果最好，准确率达83.9%，F1分数达82.4%。结论:本文开发的抑郁易感人格词典性能良好，提取的语言特征有利于解释抑郁的成因，且能较为准确地对抑郁风险进行自动预测。
关键词:抑郁易感人格;抑郁风险识别;心理词典;社交媒体;
Analysis and Prediction of depression based on language characteristics of vulnerable
personality
HU Xiaojun ZHANG Peng GAN Guobing WU Bin ZHANG Shuo
School of Education,Tianjin Universty;Institute of Applied Psychology,Tianjin University College of
Inelligence and Computing,Tianjin University Atificial Inelligence Chology Qishuo (Tianjin)
Intelligent Technology Limited Company
Abstract：Objectives: To explore the relationship between linguistic characteristics of vulnerable personality and depression risk in social media, which provides evidence for depression prevention and mental health services. Methods: Python was used to crawl the microblog texts of Sina Weibo users from 2016 to 2021, and a variety of machine learning models were built to analyze and predict depression based on the feature of word class in vulnerable personality and TextMind. Results: There were significant differences between depressed and non-depressed users in the use of language of vulnerable personality. The word frequency of depressed users was significantly higher than that of non-depressed users in the following five dimensions: such as defensiveness (F=700.32, P<0.001), emulousness (F=671.50, P<0.001), self-absorption (F=590.09, P<0.001), compliance (F=514.05, P<0.001), perfectionism (F=48.57, P<0.001). Secondly, compared with the features of Text Mind, the prediction of depression based on the feature of vulnerable personality is better in accuracy, precision, and F1 score. Considering the possible complementarity of the two types of features, this paper combines all the significant features in the above dictionaries. The best prediction results are achieved on the Gradient Boosting Decision Tree, with an accuracy of 83.9% and an F1 score of 82.4%. Conclusion: The performance of the lexicon of personality vulnerability to depression in this paper is good. The linguistic features extracted from the lexicon are helpful to explain the causes of depression and predict the risk of depression automatically more accurately.
Keyword：Vulnerable personality to depression; Depression risk identification; Psychological lexicon; Social media;
截至2021年，世界上近2.8亿人患抑郁症，在中国约为9500万人[1]，严重者会选择自杀。由于心理健康意识薄弱及精神疾病污名化，很多人错过了治疗的最佳时期[2]。显然，抑郁患者早期的风险识别非常重要。一般临床医生通过量表与访谈的方式对用户的抑郁状态进行评估，这容易受到患者回忆不准确及主观填写的影响；此外，人工处理方式耗时耗力，难以做到在不引起被试防备情况下，大规模展开抑郁症筛查与诊断[3,4]。随着互联网与通信技术的普及，人们常常使用社交媒体分享个人的情绪、观点及生活状态。研究人员通过分析社交媒体用户的文本数据，并结合机器学习分类器能够较为准确地实现对抑郁风险的自动预测，这为辅助临床医生诊断与治疗抑郁症提供了可能[4,5,6]。
文本内容一般通过词汇、语法、句法和语义等展现[3]，可以反应用户的心理状态和精神病理学特征[7]。词典（由词类名称及范例词构成）常被用来提取文本中的语言特征[3]。国外研究基于LIWC词典[8]，发现抑郁人群更频繁地使用第一人称单数代词、负性情绪词和躯体症状词等[7,9]。“文心”词典[10]常被国内研究用来分析心理健康问题，其主要将用户文本中的用词与词典内容进行比较，计算情感历程、思维过程、社会关注等词类的词频。桑雪[11]基于该词典发现微博中的抑郁群体也更多使用第一人称单数代词。鉴于国内分析抑郁文本的研究较少，国外发现的语言标志是否完全适用于中国人，仍有待验证。
“文心”这类通用型词典，包含了心理过程词类（认知、情绪与行为），但缺乏专属于抑郁用户的语言特征，为此也有研究者自行构建抑郁词典。这种做法有助于提升抑郁预测的准确性。方振宇[12]利用Word2Vec词嵌入技术，构造抑郁症词典，涵盖躯体症状、行为特征和一级抗抑郁药物名称等中性词，帮助预测模型在F1分数上达到了83%。然而抑郁词典以抑郁的症状和药物为关键特征，这些特征只有在抑郁发展到一定程度后才会出现，不适用于抑郁风险的早期识别。
人格与心理过程共同作为心理学主要研究对象，但鲜有人格词类被开发来识别抑郁。然而，研究者发现抑郁易感人格可以预测抑郁。国外的Mongrain等人[13]控制了最初的抑郁状态，发现易感人格的两维度即依赖性与自我批评可以预测大学生一整年的抑郁症状。同时易感人格能细微地捕捉到抑郁症状背后的不同原因，包括压力事件、应对方式、依恋类型及感知社会支持等[14]。
国内，徐华春编制了中国人抑郁易感人格问卷[15]。研究表明与无抑郁症病史者相比，有抑郁症病史者在抑郁易感人格问卷总维度与分维度（敏感好胜、封闭防御、自我专注、退让顺从与严谨认真）的量表得分显著更高。通过对308名大学生进行了间隔三个月的两次评估，徐华春发现除封闭防御和严谨认真这两个维度与应激的交互效应对抑郁有显著的正向预测效果外，其余维度均有主效应，且正向显著影响抑郁。
因此，本文考虑基于中国人抑郁易感人格问卷[15]来创建词典分析工具，以提取社交媒体用户的语言特征，进行抑郁识别。本研究假设抑郁与非抑郁两类用户的语言使用存在显著差异，且抑郁用户更频繁使用易感人格语言。其次，该语言标志能够对现有词类进行有力扩充，有利于社交媒体抑郁风险的识别。
表1 抑郁用户关键词、短语及例句示例
1 对象与方法
1.1 对象
本文采用社交媒体抑郁预测研究中常用的数据收集方法，即依据文本陈述确定两类用户[5,16]。(1)对于抑郁组，本文利用Python从公开的微博数据中爬取自称已被诊断为抑郁症的用户，该类用户的文本内容包含“抑郁症”等关键词和短语，如表1所示。为保证数据质量，3名心理学硕士生严格筛选上述用户，仅纳入有临床医生开具抑郁症诊断证明图片或抑郁症药物的用户，排除仅提到情绪抑郁或通过网上的测试结果显示抑郁的用户，最后共收集了941名抑郁用户在2016—2021年间的文本数据。(2) 对于对照组，本文随机爬取不包含上述关键词和短语的用户，并经过人工再次确认，排除对照组中任何有抑郁倾向的不符合要求的用户，最终共获取了1041名非抑郁用户在2016—2021年间的数据。本文后续对两类用户的数据进行群体性分析，研究程序正当，已通过伦理审核。
1.2 方法
1.2.1 数据预处理
为保证研究对象是正常的微博个人用户，本文剔除了粉丝数超过1000及原创微博文本数小于30的用户。鉴于本文仅分析用户的原创文本内容，我们对微博帖子中的话题标签、定位信息、网页链接等信息进行了过滤。此外，去除用户分享的视频及图片内容，但保留用户分享视频或者图片时编辑的文字内容。表2呈现了最终微博用户数据的基本统计信息。
表2 微博数据统计情况
1.2.2 词典构建
本文采用基于种子词进行领域内自动扩展的方式[12,17,18]来构建抑郁易感人格词典。具体步骤如下：首先专家从抑郁易感人格量表中筛选具有代表性的种子词[18]，再利用Word2vec词嵌入技术扩充种子词，之后专家严格筛选扩充词汇，最终确定词典内容。
(1) 种子词的筛选 徐华春编制的抑郁易感人格问卷共有49个条目，可归类为5大维度，即敏感好胜、封闭防御、退让顺从、自我专注和严谨认真。通过为每个条目分别确定种子词，本文共筛选出90个独特且具有代表性的种子词。主要招募三名研究抑郁症且熟悉易感人格的硕士生来筛选种子词。三名评委分别为每个条目给出2~4个能充分代表条目倾向的词作为种子词，例如条目的关键词或概述词，同时考虑社交网络场景，尽量避免种子词过于书面化。我们对两人及以上共同认定的词汇进行保留，而仅有一名评委认定的词汇由三人讨论后投票决定，且至少需要两人同意[19]，种子词示例如表3所示。
表3 抑郁易感人格量表对应种子词示例
(2) 词典扩充 本文基于Word2vec方法和腾讯开源的中文词向量数据来进行词典的扩充[20]。腾讯中文词向量是在千亿级大规模互联网语料上训练得到，我们在随机爬取的1000万条微博帖子上，使用Word2vec方法对这些中文词向量进行了进一步的训练。本文基于训练后的词向量数据，计算种子词和其他词的余弦相似度，选出最相似的前10、且相似度大于0.4的单词作为备选词。再招募3名研究抑郁症且熟悉易感人格的硕士生对备选词进行投票筛选，判断依据为备选词与种子词之间是否相似并能体现条目内容。接着计算专家投票间的一致性系数[17,21]，α为0.933，一致性程度较高。最终将两人及以上赞成的备选词作为扩充词加入易感人格词典，扩充词示例见表4。
表4 “自卑”相似词和相似度
最终，抑郁易感人格词典共包含710个不重复的词语，其中在5维度上的分布情况如下：敏感好胜（205词）、封闭防御（260词）、自我专注（165词）、严谨认真（148词）、退让顺从（130词）。每个维度囊括一些量表条目，每个条目的词汇由相应的种子词与扩充词组成。
(3) 词典效度验证 被广泛应用的LIWC词典，主要通过分析专家评分与LIWC词类特征的相关性来验证有效性[8,22]。本文也采用上述方法对词典效度进行验证，随机选择60名微博用户，获取每人一个月内的原创微博帖子（平均30条），并计算和比较评委评分和字典评分。
我们招募3名心理学的硕士生，对每个用户在各条目上独立地进行评分，即判断该用户的微博内容在多大程度上体现了该条目的意思。评分基于7点李克特量表（“1”=非常不一致，到“7”=非常一致），最终评分为三名评委评分的均值。
易感人格词典评分是统计60名用户在各个词类（对应不同条目）的词频，词类的词频被定义为词类下各个单词的词频和。接着分别在不同条目上，利用皮尔逊积差相关，计算评委评分和词典评分的相关性。
1.2.3 特征提取与选择
(1) 特征提取 对每个用户，本文将其微博文本中的词汇与抑郁易感人格词典进行一一比对。我们基于易感人格词典，共提取出54个词频，包括5个维度和49个条目。此外，本文选择“文心”词典作为对照组，统计其102个词类的词频。
(2) 特征归一化 为了消除不同特征的量纲差异，本文采用Min-Max缩放法将所有词类的词频映射到[0，1]范围内。
(3) 特征筛选 考虑并非所有词类都与抑郁属性密切相关，本文使用方差分析（ANOVA）[23]来检验抑郁组和非抑郁组在各词类特征上是否有显著差异，筛选出最能区分抑郁与非抑郁的词类特征（P<0.01）。
1.2.4 建立模型
上述被筛选出的有效特征，将被用于识别微博中的抑郁用户。本文基于这些语言特征采用机器学习分类器进行训练与预测，使用的机器学习模型如下：逻辑回归、支持向量机、决策树、随机森林和梯度提升树。
为了筛选出最佳的预测模型，我们选择以下常用指标对模型性能进度量：准确率A （Accuracy）、精确率P（Precision）、召回率R（Recall）和F1分数。结合表5进行解释：准确率即模型预测正确的用户数占总数的比重，其表达式为TP+TN/(TP+TN+FP+FN)；精确率即实际为抑郁的用户占模型预测为抑郁的用户的比重，其表达式为TP/(TP+FP)；召回率即模型预测为抑郁的用户占实际属于抑郁的用户的比重，该指标也叫做“敏感度”，能体现筛查“阳性”个体的有效性，其表达式为TP/(TP+FN)。F1分数是模型的综合指标，被定义为精确率和召回率的调和平均数，表达式为F1=2RP/(R+P)。
为了充分利用数据集，避免分类过拟合，本文采用5折交叉验证的方式进行训练和测试，即将数据分成5等份，每次选其中4份作为训练数据，剩余1份作为测试数据，在每个分类器上一共训练和测试5次。各评价指标的结果为5次预测的均值。
表5 模型的预测结果及用户的实际分布
1.3 统计处理
文中所有数据均使用 SPSS23.0 统计软件进行处理，包括皮尔逊积差相关、方差分析等。
2 结果
2.1 词典效度
词典评分和专家评分的相关系数在0.189～0.690之间，除词类“淡漠”（对应条目：“我常常与友人进行推心置腹的交流”）外，其余48个条目均显著相关（P<0.05），词典整体效度良好。
2.2 特征筛选
我们采用方差分析，从抑郁易感人格词典的54个词类特征（49个条目，及5个维度：敏感好胜、封闭防御、自我专注、严谨认真和退让顺从）中筛选出46个显著特征，相关统计结果如表6所示，具体情况概括如下：
(1) 相比于非抑郁用户，抑郁用户更频繁地使用易感人格词典中5维度的词汇。
(2) 词典中的5个维度对两类用户的区分程度不一致，最能有效区分的维度是封闭防御，依次是敏感好胜、自我专注、退让顺从，最后是严谨认真维度。
(3) 每个维度中不同词类对区分两类用户的贡献程度不一致。抑郁用户更常用封闭防御维度
表6 抑郁易感人格词典全部特征值
中的“隐私、秘密”；敏感好胜维度中的“自尊心、敏感”；自我专注维度中的“固执、狭隘”；退让顺从维度中的“退缩、不敢”；严谨认真维度中的“反思、后果”。
同样地，从对照组“文心”词典的102个词类中筛选出73个显著特征，鉴于篇幅有限，表7仅放置部分统计结果，整体情况概括如下：
(1) 抑郁用户更频繁地使用第一人称单数代词、负向情绪词（悲伤词、焦虑词与生气词）、健康词、死亡词与认知历程词。
(2) 非抑郁用户较抑郁用户更关注工作、成就、金钱与休闲等词类。
2.3 易感人格和“文心”预测结果对比
本文基于易感人格语言特征进行抑郁预测，并将其和“文心”特征在不同的机器学习模型上进行对比。实验结果如表8所示。
(1) 在准确率、精确率以及F1分数这三个指标上，基于易感人格语言特征进行抑郁预测，在所有的分类器上都优于“文心”特征。具体表现为，准确率上高出0.4%~2.5%，精确率上高出0.4%~6.5%，F1分数上高出0.5%~2.3%。在召回率上，除支持向量机外，易感人格语言特征在其他分类器都优于“文心”特征，结果上高出0.1%~2.1%。
(2) 为了进一步提升抑郁预测的效果，我们考虑到“文心”特征与易感人格特征间可能存在互补性，合并两类词典中所有显著的特征，放入不同分类模型中进行训练和预测。合并特征相比单独的“文心”或易感人格特征，在大部分的模型上实现了更好的预测结果。尤其是梯度提升树分类器上，其中准确率达83.9%、召回率达79.6%、精确率达85.4%、F1分数达82.4%。
表7 “文心”词典特征值部分示例
表8 不同语言特征下的分类结果
3 讨论
本研究旨在挖掘社交媒体中抑郁用户更精细、且有利于抑郁风险早期筛查的语言特征，开发了抑郁易感人格词典。为检测词典在识别抑郁风险中的性能，以通用的“文心”词典作为对照组，筛选出两词典的有效特征，放入机器学习分类器中进行训练和预测。
(1) “文心”词类特征验证了以往的研究结果。其中，抑郁用户对第一人称单数代名词的使用频率显著高于非抑郁用户，这说明抑郁用户对自我关注较多。此外，健康词、身体词和死亡词都与抑郁呈显著正相关，这主要因为抑郁症患者现实中常出现躯体症状，甚至还表述自杀意念与行为[24]。负向情绪词、悲伤词、焦虑词与生气词被抑郁用户广泛使用，体现了抑郁个体消极偏向和积极缺陷的认知特点[7]。认知历程词类反应抑郁用户反刍中的忧思部分，即当前状态与期望但未达到状态的消极比较[25]。相比于非抑郁用户，抑郁用户更少关注工作词、成就词、休闲词与金钱词，这与抑郁用户兴趣减退，做事动机不足相关。
(2) 相比“文心”，易感人格特征能反应抑郁症背后的深层原因。诸如压力事件、应对方式、依恋类型及感知社会支持等方面[14]。
其中，敏感好胜维度的词类与抑郁显著正相关，“自尊心、敏感、比较”等词语更常被抑郁用户使用。该类词反应出个体常与他人比较但又怕被比较，对缺点与失败过于敏感，易形成低自尊，相关研究显示抑郁组大学生的自尊水平低于正常组[26]。
封闭防御维度的词类与抑郁显著正相关。“隐私、孤独、掩饰”等词频在抑郁用户中更高。该类词强调个体的社会联系有限或缺失，体现了社会隔离的特点。在对不同人群的多项研究中，社会隔离被认定与抑郁相关[27]。
自我专注维度的词类与抑郁显著正相关，“固执、狭隘、自我”等词语更常被抑郁用户使用。该类词反应出个人极端关注个人内心的复杂体验、需要与意愿，无法真实感受客观世界的特点[15]。病态的自我关注使得承受力和认知灵活性降低，且伴随着各种病理性失调[28]。
退让顺从维度的词类与抑郁显著正相关，“退缩、后悔、自责”等词汇被抑郁用户更常用，该类词表明个体面对人际冲突时，更易胆小退缩，这不利于个体满足自我决定理论提到的自主性需求，Jones和Prinz[29]发现了抑郁症患者常报告较高的社会压力和受控制感。
严谨认真维度中部分词类与抑郁显著正相关，诸如“反思、后果、教训”，而一些词类不能有效区分抑郁与非抑郁用户，诸如“稳重、准确、可靠”。上述现象主要由于该维度体现了个体日常做事一丝不苟与尽善尽美的态度，符合个体的安全需要和社会期望，而过度追求完美与过度评判自我容易产生抑郁[30]。研究显示严谨认真与应激的交互作用能显著预测抑郁，即个体在遭遇应激时，更容易出现“不灵活和爱钻牛角尖”等[15]。
(3) 易感人格语言特征有利于抑郁风险的识别。本文发现基于易感人格语言特征进行预测的模型准确率、精确率以及F1分数在71.8%~88.5%之间，在各机器学习分类器上均优于“文心”特征。这些指标达到了以往基于词典识别社交媒体抑郁风险的水平[4]。我们的召回率在70.8%~77.4%，在大部分分类器上效果好于“文心”，可见易感人格语言特征能够较好地识别抑郁风险。然而，我们的召回率和以往研究中所构建的专属抑郁词典相比仍有改进的空间。例如，方振宇[12]基于抑郁词典、情感词典与表情符号等特征进行抑郁预测，在逻辑回归分类器上召回率达到了77.7%，高于我们在相应分类器上的结果74.6%。主要原因如下，前者的抑郁词典涵盖抑郁用户的躯体症状、行为特征和抗抑郁药物名称，这些词汇更常被看病就医的患者使用，与数据收集时的用户特征更匹配。事实上，这些特征并不适于患病初期且尚未就医的有抑郁倾向的个体。
(4) 易感人格和“文心”特征相互补充，更有利于抑郁风险的识别。研究发现，融合了“文心”与易感人格词典的语言特征后，预测效果比单方面的特征在F1分数上提升了2.4%~11.3%。这充分表明，综合考虑人格词类与心理过程词类有助于提取更全面的抑郁用户语言特征。
本研究重点从语言特征上对抑郁进行分析，并利用上述特征构建机器学习分类器进行抑郁预测。这里，我们采用机器学习方法而不是深度学习方法，主要因为深度学习方法[3]预测精度虽高，但无法提取有意义的语言特征、进一步对抑郁用户的语言使用模式进行分析与解释。此外，深度学习方法计算速度慢，不利于在社交网络上进行大规模的抑郁筛查。未来，为改善抑郁预测效果，我们可以考虑融合更多与抑郁相关的语言特征、及其余特征例如用户属性、交互行为等；还可以考虑结合深度学习方法等更复杂的技术，进一步实现抑郁预测的准确性和可解释性的平衡。
参考文献
[1] Huang Y, Wang Y U, Wang H, et al. Prevalence of mental disorders in China: a cross-sectional epidemiological study[J]. The Lancet Psychiatry, 2019, 6(3): 211-224.
[2] Seeman N, Tang S, Brown A D, et al. World survey of mental illness stigma[J]. Journal of affective disorders, 2016, 190: 115-121.
[3] 李静,刘德喜,万常选,等.社会网络用户心理健康自动评估研究综述[J].中文信息学报,2021,35(2):19-32.
[4] Liu D, Feng X L, Ahmed F, et al. Detecting and measuring depression on social media using a machine learning approach: systematic review[J]. JMIR Mental Health, 2022, 9(3): e27244.
[5] Liu S, Shu J, Liao Y. Depression tendency detection for microblog users based on SVM[C]//2021 IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA). IEEE, 2021: 802-806.
[6] Hu Q, Li A, Heng F, et al. Predicting depression of social media user on different observation windows[C]//2015 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT). IEEE, 2015, 1: 361-364.
[7] 黄观澜，周晓璐.抑郁症患者的语言使用模式[J].心理科学进展,2021,29(5):838-848.
[8] Pennebaker J W, Boyd R L, Jordan K, et al. The development and psychometric properties of LIWC2015[R]. 2015.
[9] Islam M, Kabir M A, Ahmed A, et al. Depression detection from social network data using machine learning techniques[J]. Health information science and systems, 2018, 6(1): 1-12.
[10] Gao R, Hao B, Li H, et al. Developing simplified Chinese psychological linguistic analysis dictionary for microblog[C]//International conference on brain and health informatics. Springer, Cham, 2013: 359-368.
[11] 桑雪.基于微博的抑郁症群体语言特征研究[D].武汉大学,2022.
[12] 方振宇.基于抑郁词典的社交网络心理障碍检测方法[J].电脑知识与技术,2017,13(7):244-247.
[13] Leather, F., & Mongrain, M. (2004). Personality vulnerability for depression and other diagnoses. Manuscript submitted for publication, York University, Toronto, Ontario, Canada.
[14] Zuroff D C, Mongrain M, Santor D A. Conceptualizing and measuring personality vulnerability to depression: comment on Coyne and Whiffen (1995)[J]. 2004.
[15] 徐华春.中国人抑郁易感人格的初步研究[D].重庆: 西南大学博士学位论文,2009.
[16] 门秀萍,魏瑞斌,吴小兰. 社交网络中的抑郁症用户语言和行为特征分析及检测[J]. 现代情报, 2020, 40(6): 76-87.
[17] Lv M, Li A, Liu T, et al. Creating a Chinese suicide dictionary for identifying suicide risk on social media[J]. PeerJ, 2015, 3: e1455.
[18] Burkhardt H A, Alexopoulos G S, Pullmann M D, et al. Behavioral activation and depression symptomatology: longitudinal assessment of linguistic indicators in text-based therapy sessions[J]. Journal of Medical Internet Research, 2021, 23(7): e28244.
[19] Lin H, Jia J, Nie L, et al. What Does Social Media Say about Your Stress?[C]//IJCAI. 2016: 3775-3781.
[20] Song Y, Shi S, Li J, et al. Directional skip-gram: Explicitly distinguishing left and right context for word embeddings[C]//Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers). 2018: 175-180.
[21] Zhao N, Jiao D, Bai S, et al. Evaluating the validi-ty of simplified Chinese version of LIWC in detect-ing psychological expressions in short texts on soci-al network services[J]. PLoS One, 2016, 11(6): e0157947.
[22] Alpers G W, Winzelberg A J, Classen C, et al. Evaluation of computerized text analysis in an Internet breast cancer support group[J]. Computers in Human Behavior, 2005, 21(2): 361-376.
[23] Bakar Z A, Ispawi D I, Ibrahim N F, et al. Classification of Parkinson's disease based on Multilayer Perceptrons (MLPs) Neural Network and ANOVA as a feature extraction[C]//2012 IEEE 8th International Colloquium on Signal Processing and its Applications. IEEE, 2012: 63-67.
[24] Li A, Jiao D, Liu X, et al. A psycholinguistic analysis of responses to live-stream suicides on social media[J]. International journal of environmental research and public health, 2019, 16(16): 2848.
[25] Treynor W, Gonzalez R, Nolen-Hoeksema S. Rumination reconsidered: A psychometric analysis[J]. Cognitive therapy and research, 2003, 27(3): 247-259.
[26] 蔡华俭. 外显自尊,内隐自尊与抑郁的关系[J].中国心理卫生杂志, 2003, 17(5): 331-336.
[27] Liu H, Zhang M, Yang Q, et al. Gender differences in the influence of social isolation and loneliness on depressive symptoms in college students: a longitudinal study[J]. Social psychiatry and psychiatric epidemiology, 2020, 55(2): 251-257.
[28] 高培霞.自我关注与情绪[J].首都师范大学学报: 社会科学版, 2006 (2): 115-119.
[29] Jones T L, Prinz R J. Potential roles of parental self-efficacy in parent and child adjustment: A review[J]. Clinical psychology review, 2005, 25(3): 341-363.
[30] Stoeber J, Otto K. Positive conceptions of perfectionism: Approaches, evidence, challenges[J]. Personality and social psychology review, 2006, 10(4): 295-319.
