基于Twitter转帖内容的自杀意念者愿望动态变化研究：从“求死”到“求解”的情感振荡分析

针对自杀预防的紧迫性，日本研究人员通过分析Twitter上含“#shinitai”标签的推文及后续1小时内转帖（RTs），揭示自杀意念者的愿望动态。研究发现60%的RTs呈负面情绪，但通过对应分析和共现网络分析，发现用户愿望在“求死”与“求解”间波动。该研究为理解自杀意念的实时波动提供了新方法，成果发表于《Computers in Human Behavior》。

论文解读

自杀是全球重大公共卫生问题，每年夺走超过70万人的生命。在亚洲，日本、韩国等国家自杀率居高不下，传统研究方法如问卷调查和访谈存在回忆偏差和样本选择性局限。更棘手的是，近50年来的365项研究表明，自杀意念和行为仍难以预测。这促使研究者转向社交媒体数据，试图捕捉自杀意念者实时的心理动态。

Twitter作为日本广泛使用的社交平台，已成为自杀意念表达的“数字窗口”。此前研究证实，含“#shinitai（想死）”的推文与实际自杀风险相关，甚至可能成为“数字遗书”。然而，单纯分析推文内容难以全面反映用户复杂心理。转帖行为（RTs）因其隐含的共情与认同特性，为研究者提供了新视角——通过分析自杀意念者发布推文后1小时内的RTs内容，可窥见其愿望的瞬时波动。

日本筑波大学的研究团队利用Twitter API收集了2022年8-9月间的数据，聚焦普通用户（粉丝<1000）含“#shinitai”的推文及其后续RTs，并与非自杀意念用户的RTs对照。通过情感分析、对应分析和共现网络分析，揭示了三个关键发现：

技术方法
研究采用Twitter学术API进行大规模数据采集，筛选含“#shinitai”的推文及用户1小时内RTs作为目标组（n=1,104），对照组为非自杀用户的RTs。通过LIWC词典进行情感分析，采用对应分析（Correspondence Analysis）和共现网络分析（Co-occurrence Network Analysis）探究词语关联及时序变化。

研究结果

1. 自杀推文的昼夜节律
   数据显示，自杀推文高峰出现在晚间10点，凌晨5点达最低值，与人类情绪昼夜波动规律一致。

2. RTs的负面情感主导
   目标组RTs中60%为负面内容，负面情绪词频率显著高于对照组（p<0.001），印证自杀意念者的消极认知偏向。

3. 愿望的动态振荡
   随时间推移，高频词从“死亡”“痛苦”等逐渐转向“帮助”“朋友”等求助类词汇。对应分析显示，RTs内容在“求死愿望”与“问题解决愿望”间周期性波动，支持“内部辩论假说”（Internal Debate Hypothesis）。

结论与意义
该研究首次通过RTs动态分析揭示自杀意念者的愿望振荡，证实了应变理论（Strain Theory of Suicide, STS）中“未满足愿望”的核心作用。方法学上，突破传统研究的时间分辨率限制，实现分钟级的情感波动追踪。实践层面，为开发实时风险预警系统和精准心理干预提供依据。未来可结合生态瞬时评估（EMA）验证Twitter数据的临床预测效度，并探索跨文化差异。

值得注意的是，研究存在样本局限于日本用户、未区分自杀企图严重程度等局限。但作为社交媒体数据应用于自杀预防的探索，其创新性地将数字足迹转化为心理危机“晴雨表”，为全球自杀预防工作开辟了新路径。