婚礼上哭，葬礼上笑，中外觉别扭：跨文化情绪表达一致性
文：文非
来源：京师心理大学堂（ID：bnupsychology）
原文标题：婚礼上哭，葬礼上笑，中外友人都觉得别扭 | 跨文化情绪表达一致性
学堂君周末参加了一个文化沙龙，沙龙上有很多来自不同国家的小伙伴们。
席间学堂君谈到自己的一个猜想，说不同文化中对于同一件事情，应该有着同样的情绪表达，比如参加葬礼，中国人都会大声哭泣。
小白：是的是的，我们都会排队祭奠，大哭一场呢。
小黑：这可不一定，在我们老家加纳，大家都是在葬礼上跳舞欢笑呢。
学堂君小小的脑袋有大大的问号：在不同文化下的同一情境中，我们的情绪表达是具有一致性，还是具有差异性呢？
情绪种类具有跨文化一致性吗
我们要了解情绪表达是否具有跨文化的情境一致性，首先要看看情绪种类是否具有跨文化一致性。
也就是说，在不同文化中，人们的情绪种类大致是相同的吗？
19世纪时，法国科学家Duchenne假设人类通过控制面部肌肉的活动，能够做出至少60种通用表情。
心理学家Paul Ekman则通过研究新几内亚原始部落居民的面部表情提出，对于六种基本情绪，高兴、惊奇、生气、厌恶、恐惧、悲伤，存在跨文化的一致性，即各个文化下的人们具有相同几种的情绪。这一观点至今被广泛认可。
但是在以往关于情绪的研究中，科学家们大多采用分发问卷进行调查的形式，让参与者通过观看表情图片，从而对图片根据情绪进行分类。
这一方法存在一定的缺陷——研究本身受到问卷所用语言种类的限制(如不同语言在表达方式上存在限制，分类时一般只对情绪给出几个单词的描述，容易产生歧义)，以及研究的参与者人数相对较少(小于1000人)。
为了解决情绪研究存在的这两方面缺陷，心理学家们在最新的研究中引入机器学习作为新的实验方法，对动态的视频中的情绪表达进行分析，而非先前研究大多采用的对静态的图片进行分析；从而分析现实场景下的，动态的情绪表达。
什么是机器学习？
机器学习是一种寻找大量数据中内在模式并运用寻找出的模式进行预测的研究方法和算法。它需要大量的数据来进行运算和学习。
机器学习如今被应用于人工智能，数学，心理学，生物学和经济学等众多领域中。
机器学习的工作方式可归纳为以下六个步骤：
① 选择数据：将数据分成三组：训练集、验证集和测试集。
② 数据建模：使用训练集里的数据来构建向适应的模型。
③ 验证模型：使用验证集里的数据来评估构建的模型。
④ 测试模型：使用测试集里的数据来测试模型在具体数据中的表现。
⑤ 使用模型：使用训练好的模型在新数据上做出预测。
⑥ 优化模型：运用更多数据、不同的特征值或参数调整来提升模型的性能表现。
简而言之，机器学习是一种寻找事物内部规律的方法。
机器学习如何揭示跨文化背景中
情绪表达的情境一致性？
首先，他们招募了参与者对186744段时长1至3秒的视频中的人表现出的情绪进行分类，视频的内容涉及现实生活中的各种情景，如婚礼、球赛。
而后这些视频作为神经网络的训练集，用于训练网络，使网络能够用16种情绪标签(痛苦、惊讶等)对视频中的面部活动进行分类。我们称这个神经网络为表情网络，它说明神经网络发现人们的表情有这16种内在模式。
同时，他们运用了另一个神经网络分析了144个不同国家和地区的3000000段视频，想要归类出每段视频中的社会情境。
由此，网络能够对653个不同的社会情境(如婚礼、举重等)进行分类。为了方便起见，我们称这个神经网络为情境网络。
然后，科学家们使用表情网络对这3000000段视频片段进行分析，目的是探究特定的情绪在相似的社会情境下是否被一致表达，如人们在看到玩具时是否都表现出了高兴的情绪。
结果显示，在全球12个地区中，这16种情绪标签均分别在某些情境下被一致表达了，即情绪表达与情境之间产生了一致性的连接。
如表情网络会将“消遣”这一情绪标签更多地与“恶作剧”这一情境进行联系，也会将“高兴”的情绪标签与“玩具”情境联系。
说明神经网络发现了，在某些特定的情境下世界各地的人们都会做出某种特定情绪反应，这一内在模式。
但是，这一研究结果并不能得出一些关于情绪背后的心理动机和产生原因的结论。
科学家们承认如今尚未能找到表情和情绪以及内部动机之间的映射关系。
这意味着，我们无法通过仅仅一个人的面部表情，来精确推断出他此时此刻是怎样的一种情绪，他是出于怎样一种动机，而产生了这种情绪。
但是，将机器学习应用于情绪跨文化下的情境一致性研究，可以带来一些可预见的应用及对社会的益处。
比如专家们可以通过对面部表情的识别，来判断一个人是否具有自杀倾向，从而进行预警。又或是在临床咨询的过程中，咨询师通过面部表情的识别，对来访者的抑郁程度进行测量。
学堂君点了点头，机器学习果真是“求真至善”呢！