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

（南通大學信息科學技術學院，江蘇南通 226019）

5G 時代正在來臨，信息技術的快速發展使得用戶在網絡環境下可以隨時隨地通過手中的電子產品參與交互。面對海量的信息，用戶逐漸對社交微媒體產生依賴，進而可能導致用戶產生負面心理，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展，各類社交媒體都有可能讓用戶產生錯失焦慮[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據的問題尚未解決。

基于此，圍繞內容類移動社交媒體抖音設計調查問卷，將多種復雜的錯失焦慮情況?；癁榘舜箢悾⒄{查的結果量化為粗糙集模型能夠處理的數據，在粗糙集[3]的算法下實現影響因素的定量分析。文中基于內容類移動社交媒體抖音，根據期望確認理論[4-6]與粗糙集理論[7]相關知識，為內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。

1 多粒度粗糙集理論

1.1 傳統粗糙集模型

在粗糙集理論框架下，將決策信息系統定義為一個四元組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，且?a∈L∪D,x∈U,f(x,a)∈Va，即對于每個等價關系，在S中一定有一個屬性ai(i=1,2,…,n)與其對應。在信息系統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的等價關系為：

對屬性集L中存在同樣等價關系的所有其他元素集合都叫等價類，即：

定義1 設S是一種決策系統，對于?X?U，B?L，X基于等價關系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＞決策信息系統基礎上，?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。對于構建一種粒度下的代價矩陣，設不同粒度下的代價矩陣不相同[11-13]。假設在概念下，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格，因此容易出現分類不準確的問題[10]，為了解決這一問題，文獻[14]基于特征函數，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S=＜U,L∪D,V,f＞決策信息系統，A1,A2,…,Am?L∪D，對?X?U，x∈U，特征函數可定義為：

定義5 根據S=＜U,L∪D,V,f＞決策信息系統，A1,A2,…,Am?L∪D，以和為特征函數，對?X?U,x∈U，那么X關于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

期望確認模型廣泛應用于了解使用者對技術發展的評價，以及與技術持續應用間的關系關聯［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：個人技能訓練與任務挑戰相匹配；

A2：清晰目標；

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 錯失焦慮數據的形式化表征和?；瘷C理

使用多粒度決策粗糙集模型進行統計時,首先對影響錯失焦慮的主要原因進行細?；幚恚瑢⒋罅繌碗s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，以此實現數據?；?。

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合自身的實際經歷和感受，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為1、2、3、4、5 分，對不利項目的得分也相應為5、4、3、2、1 分。通過這種方式將用戶對錯失焦慮的感知數據化，為具體計算做準備。

2.2.1 等價類與粒度分層

根據前文的定義可假設給定兩種對象X1和X2，則五點李克特量表問卷調查表的【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 個相關現實問題。

2.2.2 模型在錯失焦慮程度評估的應用

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??；1 表示用戶中等焦慮，影響因素對此用戶產生的影響中等；2 表示用戶嚴重焦慮，該影響因素對此用戶產生較大影響。

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：計算各信息中風險代價參數以及各對象在信息粒的評估值。

根據式（5）和（6）可計算出A1,A2,A3,A4,A5,B1,B2,B3對應參數的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：結合前文計算內容，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 結果可見，評估值越大，偏向于非常焦慮的程度越大，根據柔性多粒度決策粗糙集模型計算出的評估值與實際調查結果也基本一致。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，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為非常焦慮，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 結論

該項目基于內容類移動社交媒體抖音，根據期望確認理論與粗糙集理論相關知識，對影響FOMO行為的因素進行篩選與分析。數據結果表明，基于期望確認理論提出的假設與計算結果一致，說明期望確認理論對于該實驗的適用度較高，粗糙集模型的構建與計算較為成功，實驗結果具有一定的指導意義。

通過以上柔性多粒度粗糙集模型計算出的結果，不僅可以與實際調查結果相匹配，得出具體的焦慮指數，同時可以判斷出隱性焦慮傾向，防止錯失焦慮進一步發展造成負面影響，為醫學治療提供更多科學依據和參考數據；與此同時，為內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。