基于多粒度粗糙集的微媒體錯失焦慮分析研究

蔡天使，周子洵，吳星曇，蘇俊杰，鞠恒榮

（南通大學(xué)信息科學(xué)技術(shù)學(xué)院，江蘇南通 226019）

5G 時代正在來臨，信息技術(shù)的快速發(fā)展使得用戶在網(wǎng)絡(luò)環(huán)境下可以隨時隨地通過手中的電子產(chǎn)品參與交互。面對海量的信息，用戶逐漸對社交微媒體產(chǎn)生依賴，進而可能導(dǎo)致用戶產(chǎn)生負面心理，為錯過資訊感到焦慮、不安，這種心理被稱為錯失焦慮(FOMO)[1]。隨著信息化時代的發(fā)展，各類社交媒體都有可能讓用戶產(chǎn)生錯失焦慮[2]。

目前，對于錯失焦慮影響因素的研究多為定性研究，對于如何將社交微媒體用戶的錯失焦慮傾向量化成可視化數(shù)據(jù)的問題尚未解決。

基于此，圍繞內(nèi)容類移動社交媒體抖音設(shè)計調(diào)查問卷，將多種復(fù)雜的錯失焦慮情況粒化為八大類，并將調(diào)查的結(jié)果量化為粗糙集模型能夠處理的數(shù)據(jù)，在粗糙集[3]的算法下實現(xiàn)影響因素的定量分析。文中基于內(nèi)容類移動社交媒體抖音，根據(jù)期望確認(rèn)理論[4-6]與粗糙集理論[7]相關(guān)知識，為內(nèi)容類移動社交媒體的使用與錯失焦慮[8]影響因素的研究提供更多的依據(jù)。

1 多粒度粗糙集理論

1.1 傳統(tǒng)粗糙集模型

在粗糙集理論框架下，將決策信息系統(tǒng)定義為一個四元組S=＜U,L∪D,V,f＞，其中U表示每個對象的一個非空受限集合體，稱U={x1,x2,…,xN}為論域；L代表每個條件屬性的非空受限集合{a1,a2,…,an}；D代表決策屬性的非空有限集合{d1,d2,…,dm}，且L∩D=?；V=Ua∈C∪DVa，Va代表屬性a的值域；定義f:U×L∪D→V是一種信息函數(shù)，且?a∈L∪D,x∈U,f(x,a)∈Va，即對于每個等價關(guān)系，在S中一定有一個屬性ai(i=1,2,…,n)與其對應(yīng)。在信息系統(tǒng)S中，若對于?n∈a,a∈L∪D,x∈U,y∈U，且其屬性值相同，即f(x,n)=f(y,n)，則可定義x,y對屬性值n的等價關(guān)系為：

對屬性集L中存在同樣等價關(guān)系的所有其他元素集合都叫等價類，即：

定義1 設(shè)S是一種決策系統(tǒng)，對于?X?U，B?L，X基于等價關(guān)系IND 的下近似集合與上近似集合分別定義如下：

定義2 根據(jù)上下近似集的概念可以定義x的正域、負域及邊界域：

1.2 柔性多粒度決策粗糙集模型

Qian 等人通過引入貝葉斯決策理論，構(gòu)建多粒度決策粗糙集[9-10]模型。在前文S=＜U,L∪D,V,f＞決策信息系統(tǒng)基礎(chǔ)上，?X?U，A1,A2,…,Am?L∪D，引入λ表示在不同的信息粒中，對象xi采取行動ei要付出的代價。對于構(gòu)建一種粒度下的代價矩陣，設(shè)不同粒度下的代價矩陣不相同[11-13]。假設(shè)在概念下，采取行動eP，則代價為λPPi；采取行動eB，則代價為λBPi；采取行動eN，則代價為λNPi。假設(shè)在概念～X下，采取行動eP，則代價為λPNi；采取行動eB，則代價為λBNi；采取行動eN，則代價為λNNi。

由上述代價可求得在該粒度下的αi和βi：

引入貝葉斯理論后，可以計算出條件概率。

定義3 論域U在等價關(guān)系IND 下被劃分為若干等價類被稱為包含對象x的等價類。假設(shè)一個概念X?U，則X和等價類之間的條件概率定義為：

由于采用“求同存異”策略的樂觀多粒度決策粗糙集的下近似要求較寬松，而采用“求同排異”的悲觀多粒度決策粗糙集的上近似要求過于嚴(yán)格，因此容易出現(xiàn)分類不準(zhǔn)確的問題[10]，為了解決這一問題，文獻[14]基于特征函數(shù)，提出了柔性多粒度決策粗糙集模型，在一定程度上彌補了樂觀和悲觀多粒度決策粗糙集在上下近似集分類時的不足。

定義4 根據(jù)S=＜U,L∪D,V,f＞決策信息系統(tǒng)，A1,A2,…,Am?L∪D，對?X?U，x∈U，特征函數(shù)可定義為：

定義5 根據(jù)S=＜U,L∪D,V,f＞決策信息系統(tǒng)，A1,A2,…,Am?L∪D，以和為特征函數(shù)，對?X?U,x∈U，那么X關(guān)于A1,A2,…,Am柔性多粒度決策粗糙集的下、上近似集定義為：

考慮到前文中每個粒度有不同的代價，依據(jù)上下近似集，可以得到每個對象xi對于X的評估值：

2 錯失焦慮的影響因素分析模型

2.1 錯失焦慮的影響因素

期望確認(rèn)模型廣泛應(yīng)用于了解使用者對技術(shù)發(fā)展的評價，以及與技術(shù)持續(xù)應(yīng)用間的關(guān)系關(guān)聯(lián)［4-5］。

文中基于短視頻APP 的用戶體驗，提出了五個影響期望確認(rèn)度的影響因素(A1-A5)和三個影響壓力知覺的影響因素(B1-B3)。

A1：個人技能訓(xùn)練與任務(wù)挑戰(zhàn)相匹配；

A2：清晰目標(biāo)；

A3：即時反饋；

A4：感知享樂；

A5：感知實用價值；

B1：專注于所做的事；

B2：失去自我意識；

B3：時間失真體驗。

圖1 為該研究的基于期望確認(rèn)理論的面向社交微媒體錯失焦慮形成的概念模型。

圖1 社交微媒體錯失焦慮形成的概念模型

2.2 錯失焦慮數(shù)據(jù)的形式化表征和粒化機理

使用多粒度決策粗糙集模型進行統(tǒng)計時,首先對影響錯失焦慮的主要原因進行細粒化處理，將大量復(fù)雜的可以衡量錯失焦慮程度的問題項如上述分析分成幾大塊，以此實現(xiàn)數(shù)據(jù)粒化。

此外，選用五點李克特量表[15]進行測量。受訪者可按照題項的說明結(jié)合自身的實際經(jīng)歷和感受，在非常同意、同意、一般、不同意、非常不同意中選擇最符合的一項。從非常同意到非常不同意的有利項目得分依次對應(yīng)為1、2、3、4、5 分，對不利項目的得分也相應(yīng)為5、4、3、2、1 分。通過這種方式將用戶對錯失焦慮的感知數(shù)據(jù)化，為具體計算做準(zhǔn)備。

2.2.1 等價類與粒度分層

根據(jù)前文的定義可假設(shè)給定兩種對象X1和X2，則五點李克特量表問卷調(diào)查表的【1】、【2】、【3】三個小問題中從非常同意到非常不同意的有利項目得分分別為1、2、3、4、5 分，對不利項目的得分也相應(yīng)為5、4、3、2、1 分。X1和X2在A1下的每個小問題得分相同，則稱X1和X2在A1下等價，A1,A2,A3,A4,A5,B1,B2,B3同理；X1和X2在A下的A1,A2,A3,A4,A5得分相同，則稱X1和X2在A下等價，B同理；X1的A、B和X2的A、B得分相同，X1和X2組成一個等價類。

文中根據(jù)自頂向下的方法將錯失焦慮的影響因素劃分為三層粒度[11]，第三層為A，B；第二層為A1,A2,A3,A4,A5,B1,B2,B3；第一層為第二層中的每一個項劃分為1，2，3 個相關(guān)現(xiàn)實問題。

2.2.2 模型在錯失焦慮程度評估的應(yīng)用

多粒度性是影響錯失焦慮因素最顯著的特點。為此，依托前文提出的多粒度粗糙集模型對文中所列出的錯失焦慮的影響因素進行評估。選取第二粒度層上的信息粒度A1-A5、B1-B3進行討論。此時，這八組信息粒度分別用三個更細的屬性描述。對于焦慮程度這一決策屬性，屬性值為0 表示用戶不焦慮，該影響因素對此用戶影響較小；1 表示用戶中等焦慮，影響因素對此用戶產(chǎn)生的影響中等；2 表示用戶嚴(yán)重焦慮，該影響因素對此用戶產(chǎn)生較大影響。

假定獲取的10 組信息粒度的決策屬性如表1 所示，對于焦慮程度選取D=2 進行計算。

表1 決策屬性表

步驟一：劃分等價類，并給出屬性表及風(fēng)險代價。對象{x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}在粒度{A1,A2,A3,A4,A5,B1,B2,B3}和對象{x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}不同焦慮程度的等價類計算如下：

步驟二：計算各個對象的條件概率PO

根據(jù)式（7）可計算出各對象在不同影響因素下的條件概率。

步驟三：計算各信息中風(fēng)險代價參數(shù)以及各對象在信息粒的評估值。

根據(jù)式（5）和（6）可計算出A1,A2,A3,A4,A5,B1,B2,B3對應(yīng)參數(shù)的α，β。

由于X=U/({D=2})={x1,x5,x8}，表示該對象非常焦慮，因此可以得到在此情況下各對象在各信息粒的評估值。

步驟四：結(jié)合前文計算內(nèi)容，計算出每個對象非常焦慮的評估值。

考慮到每個對象有不同的代價，根據(jù)式(12)可以得到每個對象對于非常焦慮X的評估值，如表2所示。

由表2 結(jié)果可見，評估值越大，偏向于非常焦慮的程度越大，根據(jù)柔性多粒度決策粗糙集模型計算出的評估值與實際調(diào)查結(jié)果也基本一致。從上述實際表格可知對象{x1}在影響錯失焦慮程度的因素上得分都偏高，評估值0.625 也表示該對象焦慮程度較高。起初根據(jù)表1 劃分D=2 的對象有{x1,x5,x8}，對比表2 得出的評估值可以判定劃分無誤區(qū)，同時該模型更細致地得出原本人工判定為一般焦慮的對象{x3,x7}，其實際上有非常焦慮的傾向，如果不給予措施將會演變?yōu)榉浅＝箲]，所以通過該模型可以挖掘未表露的焦慮傾向。

表2 各對象的整體評估值

3 結(jié)論

該項目基于內(nèi)容類移動社交媒體抖音，根據(jù)期望確認(rèn)理論與粗糙集理論相關(guān)知識，對影響FOMO行為的因素進行篩選與分析。數(shù)據(jù)結(jié)果表明，基于期望確認(rèn)理論提出的假設(shè)與計算結(jié)果一致，說明期望確認(rèn)理論對于該實驗的適用度較高，粗糙集模型的構(gòu)建與計算較為成功，實驗結(jié)果具有一定的指導(dǎo)意義。

通過以上柔性多粒度粗糙集模型計算出的結(jié)果，不僅可以與實際調(diào)查結(jié)果相匹配，得出具體的焦慮指數(shù)，同時可以判斷出隱性焦慮傾向，防止錯失焦慮進一步發(fā)展造成負面影響，為醫(yī)學(xué)治療提供更多科學(xué)依據(jù)和參考數(shù)據(jù)；與此同時，為內(nèi)容類移動社交媒體的使用與錯失焦慮影響因素的研究提供更多的依據(jù)。