Интересное исследование связанное со сном

1) Diurnal variations of psychometric indicators in Twitter content (Суточные вариации психометрических показателей в контенте Твиттера)

Fabon Dzogang,Stafford Lightman,Nello Cristianini

Published: June 20, 2018 https://doi.org/10.1371/journal.pone.0197002

Психологическое состояние человека характеризуется когнитивными и эмоциональными переменными, которые можно определить с помощью психометрических методов. Используя списки слов из лингвистического опроса и подсчет слов, предназначенный для заключения о ряде психологических состояний, мы изучили временные изменения в среднем выражении психологических черт в общей популяции. Они состоят из слов, используемых для измерения определенных аспектов нашей психологии. В общей сложности 73 психометрических переменных были определены и связаны со списком слов.  Среди 73 психометрических переменных различают те, которые приписываются индивидуальным психологическим процессам, и те, которые обозначают более широкие метапроцессы. Когнитивные процессы (cogproc) в целом измеряются одной психометрической переменной, указывающей на выражение метапроцесса. Далее они делятся на индивидуальные психометрические переменные, каждая из которых указывает на отдельный процесс(понимание, причина, расхождения, предположительность, уверенность, дифференциация). Дальнейшие уровни уточнения сделаны, например, аффективные процессы (аффект) включают как положительные эмоции (посемо), так и отрицательные эмоции (негемо), причем последние сводятся к тревоге, грусти и гневу. Другие уточнения включают основные стремления (власть, достижения, принадлежность, фокус-риск, сосредоточение-вознаграждение), личные проблемы (работа, досуг, дом, деньги, религия, смерть), социальные проблемы (семья, друзья, женские-референты, мужчины-референты), ориентация времени (фокус-настоящее время, фокус- в прошлое, фокус-будущее). Мы проводили выборку содержимого Twitter в Соединенном Королевстве с ежечасными интервалами в течение четырех лет. Контент Twitter из 54 крупнейших городов Великобритании собирался каждый час с помощью API поиска Twitter, без указания ключевых слов или хэштегов и в соответствии с Условиями обслуживания Twitter (https://twitter.com/en/tos). Для каждого твита мы собирали анонимный текстовый контент, дату и время сбора, а также информацию о местонахождении твита (в пределах 10 км от одного из 54 городских центров). Мы автоматически удалили сообщения, содержащие стандартные поздравления с праздником, поскольку они содержали слова, связанные с настроением, но не обязательно отражающие настроение (см. Материалы и методы- Приветственные сообщения). Мы не можем исключить наличие данных, размещенных учетными записями ботов, но мы контролируем этот риск различными способами. Сначала мы проверили вручную выборку данных, оценка того, что твиты, созданные для продвижения ссылок на новости, составляли менее 1,5% в каждый заданный час дня. Из-за проблем в коллекции мы удалили из нашего анализа 2012 год, ноябрь и декабрь 2014 года. В результате мы получили 800 миллионов отдельных твитов и 7 миллиардов слов, охватывающих промежутки времени с января 2010 года по ноябрь 2014 года. Гиперссылки, упоминания и хэштеги были отброшены, а также знаки препинания и слова, содержащие только специальные символы (например, смайлики).

Мы выявили сильный суточный ритм в большинстве психометрических переменных и обнаружив, что два независимых фактора могут объяснить 85% дисперсии за 24-часовой период.  Первый имеет пиковое время выражения, начинающееся с 5 часов утра до 6 часов утра, оно соотносится с показателями аналитического мышления, языком влечения (например, сила и достижения) и личными проблемами. Он антикоррелирован с языком негативных эмоций и социальных проблем. Второй фактор имеет максимальное время выражения, начинающееся с 3 часов ночи до 4 часов ночи, он коррелирует с языком экзистенциальных проблем и антикоррелирует с выражением положительных эмоций.

Все 73 профиля вариаций представлены на рис. 2, где показаны 73 DVP, отсортированные таким образом, чтобы подчеркнуть их корреляцию. Строки представляют в оттенках красного (соответственно синего) значения выше (соответственно ниже) среднего 24-часового значения. Рисунок показывает, что большинство индикаторов, как правило, группируются в несколько широких категорий, причем многие индикаторы временно коррелированы друг с другом.

Первый ведущий фактор (F1) достигает пика утром с максимальной экспрессией между 6 и 10 часами утра (см. Рис. 3 - F1) и составляет 64,8% дисперсии между 73 профилями. Второй ведущий фактор (F2) достигает пика поздней ночью с максимальной экспрессией между 3 и 5 часами утра (см. Рис. 3 - F2) и объясняет 20,6% вариации по профилям. (*) Наши результаты показывают, что время между 3:00 и 10:00 как важный момент изменений в нашем психическом состоянии (см. Рис. 3 - F1F2)

Стабильность по дням недели

Мы вычислили DVP двух скрытых факторов для разных дней недели, чтобы проверить, влияют ли на эти факторы изменения в распорядке дня, связанные с разными днями. Мы обнаружили, что общее поведение этих двух факторов стабильно в течение недели, хотя между выходными и рабочими днями наблюдаются небольшие различия. (см. рис. 6). Чтобы обеспечить точные сравнения, мы вычисляем оценку начальной загрузки 95% доверительного интервала (N = 100 выборок) для сообщаемого количества, и мы предоставляем как среднее значение начальной загрузки, так и 95% доверительный интервал. В каждом случае мы сообщаем об изменениях фактора, полученных путем стандартизации временного паттерна в 24-часовом интервале.

В целом, мы видим убедительные доказательства того, что наш язык резко меняется между днем ​​и ночью, отражая изменения в нашем состоянии и лежащих в его основе когнитивных и эмоциональных процессах. Эти сдвиги происходят время от времени, связанного с серьезными изменениями нервной активности и гормонального фона.

Это удивительно, насколько сильно суточные ритмы влияют на слова, которые мы используем для того, чтобы описать своё состояние. Я никогда не замечал такого языкового деления в эти промежутки времени. Что интересно, так это то, что время в течение которого показатель F2 имеет свой пик, а это с 4 до 5 утра, совпадает со временем, когда люди обычно спят. Кто не спит в этот промежуток? Вряд ли дети от 13-17 лет (они составляют 32% пользователей в твиттере) за ними следят родители и вряд ли люди за 65 лет, так как количество людей за 65 лет в твиттере крайне маленькое (8 %) да и к чему им не спать в этот время? Хоть процентные данные взяты для всей платформы в целом, думаю я не столь ошибусь если экстраполирую то же процентное соотношение на великобританию. Остаётся пласт из людей в возрасте от 18 лет до 64 составляющий 60% аккаунтов в твиттер. Именно они и играют большое значение в F2. Причём уточнить диапазон возрастов людей, которые вносят наибольший вклад в F2 без серьёзных статистических ошибок я не могу. А почему они не спят? Думаю большинство из них по причине сбитого режима сна, остальные это люди после ночных развлечений, студенты, готовяющиеся к экзамену и так далее. В таком случае становится ясным, почему показатель F2 антикоррелирует с положительными эмоциями. С покзателем F1 для меня не всё так однозначно. Понятно, что для более точных выводов необходимы дополнительные исследования, но пытаться зацепиться за возможные причины и в будущем узнать, что ты ошибся или дал верный ответ, всегда приятно. Было бы интересно посмотреть на людей, которые не вписываются в эту модель. Измерить их мозговую активность, измерить показатели гормонов в сыворотке крови, посмотреть на их образ жизни, распросить об их взглядах на окружающий мир для того, чтобы разобраться, чем они отличаются от остальных. Также было бы интересно посмотреть на результаты подобного исследования в других странах.