基于多粒度粗糙集的微媒体错失焦虑分析研究_蔡天使.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2022-01-09稿件编号：202201049基金项目：国家级大学生创新创业训练计划项目（202110304024Z）作者简介：蔡天使（2002），女，江苏连云港人。研究方向：数据分析，粗糙集。5G时代正在来临，信息技术的快速发展使得用户在网络环境下可以随时随地通过手中的电子产品参与交互。面对海量的信息，用户逐渐对社交微媒体产生依赖，进而可能导致用户产生负面心理，为错过资讯感到焦虑、不安，这种心理被称为错失焦虑(FOMO)1。随着信息化时代的发展，各类社交媒体都有可能让用户产生错失焦虑2。目前，对于错失焦虑影响因素的研究多为定性研究，对于如何将社交微媒体用户的错失焦虑倾向量化成可视化数据的问题尚未解决。基于此，围绕内容类移动社交媒体抖音设计调查问卷，将多种复杂的错失焦虑情况粒化为八大类，并将调查的结果量化为粗糙集模型能够处理的数基于多粒度粗糙集的微媒体错失焦虑分析研究蔡天使，周子洵，吴星昙，苏俊杰，鞠恒荣（南通大学 信息科学技术学院，江苏 南通 226019）摘要：随着信息技术的快速发展，多种短视频类交互平台赢得用户青睐，针对用户面对海量数据可能产生错失焦虑心理的问题，为了量化用户错失焦虑(Fear Of Missing Out，FOMO)的程度，利用多粒度决策粗糙集模型，借助期望确认理论，将通过李克特量表采集到的数据量化成离散数据，借助条件概率和粗糙代价矩阵计算出具体焦虑情况的评估值。同时将评估值与实际调查结果进行对比，得出该模型可以量化用户当前焦虑程度并挖掘潜在焦虑倾向的结论，为错失焦虑影响因素的研究和错失焦虑心理的发现与治疗提供更多的依据。关键词：错失焦虑；多粒度决策粗糙集；量化焦虑倾向；期望确认中图分类号：TN01文献标识码：A文章编号：1674-6236（2023）06-0139-05DOI：10.14022/j.issn1674-6236.2023.06.029Research of FOMO in micromedia based on multigranularity rough setCAI Tianshi，ZHOU Zixun，WU Xingtan，SU Junjie，JU Hengrong（School of Information Science and Technology，Nantong University，Nantong 226019，China）Abstract:With the rapid development of information technology，a variety of short video interactiveplatforms are winning usersfavor.Faced with massive data，users are very likely to have missed anxiety.In order to quantify the degree of missed anxiety(Fear Of Missing Out，FOMO)，this paper quantifies thedata collected by Likert scale into the data that can be processed by Rough Set based on the expectationconfirmation theory and the multigranularity decision rough set.Conditional probability and cost matrixare used to calculate the evaluation value of a specific state of anxiety.At the same time，the evaluationvalue is compared with the actual survey results，and the conclusion is drawn that the model can quantifythe current anxiety degree of users and explore the potential anxiety tendency.The conclusion of thispaper will provide more evidence for the study of the influencing factors of FOMO and the discovery andtreatment of FOMO.Keywords:FOMO；multigranularity decision rough set；quantification of anxiety tendencies；expectationconfirmation-139电子设计工程 2023年第6期据，在粗糙集3的算法下实现影响因素的定量分析。文中基于内容类移动社交媒体抖音，根据期望确认理论4-6与粗糙集理论7相关知识，为内容类移动社交媒体的使用与错失焦虑8影响因素的研究提供更多的依据。1多粒度粗糙集理论1.1传统粗糙集模型在粗糙集理论框架下，将决策信息系统定义为一个四元组S=，其中U表示每个对象的一个非空受限集合体，称U=x1,x2,xN为论域；L代表每个条件属性的非空受限集合a1,a2,an；D代表决策属性的非空有限集合d1,d2,dm，且LD=；V=UaCDVa，Va代表属性a的值域；定义f:ULDV是 一 种 信 息 函 数，且aLD,xU,f(x,a)Va，即对于每个等价关系，在S中一定有一个属性ai(i=1,2,n)与其对应。在信息系统S中，若对于na,aLD,xU,yU，且其属性值相同，即f(x,n)=f(y,n)，则可定义x,y对属性值n的等价关系为：IND(a)=(x,y)|na,f(x,n)=f(y,n)（1）对属性集 L中存在同样等价关系的所有其他元素集合都叫等价类，即：xa=y|(x,y)IND(a)（2）定义 1设S是一种决策系统，对于XU，BL，X基于等价关系IND的下近似集合-B(X)与上近似集合B(X)分别定义如下：-B(x)=xiU:xiINDX（3）B(X)=xiU:xiINDX（4）定义 2根据上下近似集的概念可以定义x的正域、负域及边界域：1）正域：POSB(x)=B(x)，这个区域中的元素完全属于x；2）负域：NEGB(x)=U-B(x)，这个区域中的元素不属于x；3）边界域：BNB(x)=B(x)-B(x)，这个区域中的元素不能被准确分类。1.2柔性多粒度决策粗糙集模型Qian等人通过引入贝叶斯决策理论，构建多粒度决策粗糙集9-10模型。在前文S=决策信息系统基础上，XU，A1,A2,AmLD，引入表示在不同的信息粒中，对象xi采取行动ei要付出的代价。对于构建一种粒度下的代价矩阵，设不同粒度下的代价矩阵不相同11-13。假设在概念下，采取行动eP，则代价为PPi；采取行动eB，则代价为BPi；采取行动eN，则代价为NPi。假设在概念X下，采取行动eP，则代价为PNi；采取行动eB，则代价为BNi；采取行动eN，则代价为NNi。由上述代价可求得在该粒度下的i和i：i=(PNi-BNi)(PNi-BNi)+(BPi-PPi)（5）i=(BNi-NNi)(BNi-NNi)+(NPi-BPi)（6）引入贝叶斯理论后，可以计算出条件概率。定义 3论域U在等价关系IND下被划分为若干等价类xAi，xAi被称为包含对象x的等价类。假设一个概念XU，则X和等价类xAi之间的条件概率定义为：P(X|xAi)=XxAi|xAi（7）由于采用“求同存异”策略的乐观多粒度决策粗糙集的下近似要求较宽松，而采用“求同排异”的悲观多粒度决策粗糙集的上近似要求过于严格，因此容易出现分类不准确的问题10，为了解决这一问题，文献14基于特征函数，提出了柔性多粒度决策粗糙集模型，在一定程度上弥补了乐观和悲观多粒度决策粗糙集在上下近似集分类时的不足。定义4根据S=决策信息系统，A1,A2,AmLD，对XU，xU，特征函数可定义为：fXi(x)=1,P(X|xAi)i0,其他,im（8）gXi(x)=1,P(X|xAi)i0,其他,im（9）定义5根据S=决策信息系统，A1,A2,AmLD，以fXi(x)和gXi(x)为特征函数，对XU,xU，那么X关于A1,A2,Am柔性多粒度决策粗糙集的下、上近似集定义为：-i=1mACi(X)=x|i=1mfXi(x)mk,0k1（10）-i=1mACi(X)=x|i=1mgXi(x)m1-k,0k1（11）-140考虑到前文中每个粒度有不同的代价，依据上下近似集，可以得到每个对象xi对于X的评估值：eva(xi)=i=1mfXi(x)m（12）2错失焦虑的影响因素分析模型2.1错失焦虑的影响因素期望确认模型广泛应用于了解使用者对技术发展的评价，以及与技术持续应用间的关系关联4-5。文中基于短视频 APP 的用户体验，提出了五个影响期望确认度的影响因素(A1-A5)和三个影响压力知觉的影响因素(B1-B3)。A1：个人技能训练与任务挑战相匹配；A2：清晰目标；A3：即时反馈；A4：感知享乐；A5：感知实用价值；B1：专注于所做的事；B2：失去自我意识；B3：时间失真体验。图 1为该研究的基于期望确认理论的面向社交微媒体错失焦虑形成的概念模型。图1社交微媒体错失焦虑形成的概念模型2.2错失焦虑数据的形式化表征和粒化机理使用多粒度决策粗糙集模型进行统计时,首先对影响错失焦虑的主要原因进行细粒化处理，将大量复杂的可以衡量错失焦虑程度的问题项如上述分析分成几大块，以此实现数据粒化。此外，选用五点李克特量表15进行测量。受访者可按照题项的说明结合自身的实际经历和感受，在非常同意、同意、一般、不同意、非常不同意中选择最符合的一项。从非常同意到非常不同意的有利项目得分依次对应为 1、2、3、4、5 分，对不利项目的得分也相应为 5、4、3、2、1分。通过这种方式将用户对错失焦虑的感知数据化，为具体计算做准备。2.2.1等价类与粒度分层根据前文的定义可假设给定两种对象X1和X2，则五点李克特量表问卷调查表的【1】、【2】、【3】三个小问题中从非常同意到非常不同意的有利项目得分分别为 1、2、3、4、5 分，对不利项目的得分也相应为5、4、3、2、1分。X1和X2在A1下的每个小问题得分相同，则称X1和X2在A1下等价，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，则称X1和X2在A下等价，B同理；X1的A、B和X2的A、B得分相同，X1和X2组成一个等价类。文中根据自顶向下的方法将错失焦虑的影响因素划分为三层粒度11，第三层为A，B；第二层为A1,A2,A3,A4,A5,B1,B2,B3；第一层为第二层中的每一个项划分为1，2，3个相关现实问题。2.2.2模型在错失焦虑程度评估的应用多粒度性是影响错失焦虑因素最显著的特点。为此，依托前文提出的多粒度粗糙集模型对文中所列出的错失焦虑的影响因素进行评估。选取第二粒度层上的信息粒度A1-A5、B1-B3进行讨论。此时，这八组信息粒度分别用三个更细的属性描述。对于焦虑程度这一决策属性，属性值为 0 表示用户不焦虑，该影响因素对此用户影响较小；1表示用户中等焦虑，影响因素对此用户产生的影响中等；2表示用户严重焦虑，该影响因素对此用户产生较大影响。假定获取的10组信息粒度的决策属性如表1所示，对于焦虑程度选取D=2进行计算。步骤一：划分等价类，并给出属性表及风险代价。对象x1,x2,x3,x4,x5,x6,x7,x8,x9,x10在粒度A1,A2,A3,A4,A5,