编者按
本期推送的是Peter A Gloor等人在JOURNAL OF SYSTEMS SCIENCE AND SYSTEMS ENGINEERING上发表的ARISTOTLE SAID “HAPPINESS IS A STATE OF ACTIVITY”——PREDICTING MOOD THROUGH BODY SENSING WITH SMARTWATCHES一文的下篇。该文章介绍了通过使用连接智能手表的身体感应应用程序测量和预测幸福的状态。研究中收集个人的情绪状态，并将其与身体感应数据（如加速度、心率、光照水平数据和位置）关联起来，他们发现快乐和活跃度与心跳和光照水平呈负相关。当人们在周末活动更激烈，感觉不太活跃时，往往会更快乐。还发现，责任心低、神经质强、随和度高的人更容易快乐。此外，较低的经验开放度和较高的愉悦感和责任感可以预测更多的信息。同时，还发现追踪人们的地理坐标可能在预测快乐和激活方面起着重要的作用。
这是社论前沿第S1451次推送
微信号：shelunqianyan
01
实验设置和研究变量
样本
实验从2016年12月19日到2017年2月3日开始，共有17人戴着智能手表。样本包括研究生、研究人员、教职员工、顾问和商业界领袖，年龄从23岁到56岁不等。他们的国籍是德国、瑞士和美国。下载Happimeter应用程序时，参与者同意参与此项研究，并通过智能手机发送指令。参与者每天通过智能手表的振动进行4-7次调查，并被提示输入他们的情绪状态。
但也意识到，与随机抽样相比，自愿应答样本存在偏差，因为一些预期人群的成员不太可能被包括在内。同时，研究的目标不是推断身体传感器会如何影响这些人。研究旨在探索一种基于智能手表记录的数据识别情绪变化的新方法。
测量
研究在两个维度上实现了一个四结果网格“愉悦”和“活跃”，依赖于情感的包围模型（Posner, Russell人， 2005）。基于“高愉悦低愉悦”和“高活跃低活跃”两个维度，构建了一个系统。与幸福相关的情绪状态的例子有：感觉内容、平静、放松；活跃的感觉以感觉警觉、兴奋等状态为例(Posner, Russell等人，2005)。
类似于情感的迂回模型，假设所有的情绪状态都可以理解为两个维度的线性组合，一个与价格有关，另一个与唤醒或警觉有关（Barrett ，2006；Rafaeli，Rogers等人，2007）。我们的模型，如图3所示，反映了特定情绪与这两个连续体中的激活模式相关的假设。正如Posner、Russell等人提出的那样（2005）快乐可以被概念化为“一种情绪状态，它是与正价或快乐相关的神经系统中的强烈激活以及与觉醒相关的神经系统中的适度激活的产物。除快乐之外的情感状态同样来自同一个两个神经生理系统，但激活的程度不同”。
（温馨提示：点击查看大图）
研究收集了四种不同的情绪状态，分别是两个层次的愉悦和两个层次的活跃度。这类似于likamwa和liu等人（2013）在构建moodscope时所采用的方法，moodscope是一种基于智能手机使用方式测量用户心理状态的传感器。
在图3所示的四个结果网格中，根据Russell（1980）和Posner等人（2005）研究的结果，将幸福定位在一个非常接近高快乐的角度上。如Russell（1980）所证明的，情感空间是双极性的，相反的位置大约为180°：“从7.8°开始快乐，我们可以看到，在这一点上，角度的增加对应于活跃的增加和愉悦的轻微减少”。
本研究把幸福当作一个二元变量，不快乐的记为0，快乐的记为1。图3展示了四个结果网格，这是Russell（1980）和Posner等人（2005）提出的模型的组合，他们认为幸福与高度快乐是一致的。
情绪状态是一个分类变量，用于对快乐和活跃的四种可能组合进行分类。如果快乐和活跃都是1，则情绪状态的值为1；如果两个因变量得分均为0，则情绪状态的值为4；如果快乐为0，活跃为1，则情绪状态的值为3；如果活跃为0，且快乐为1，则情绪状态的值为2。
其他变量由智能手表直接记录。在测量时，环境光照水平，范围从0到5。BPM测量每分钟的平均心跳次数。加速度表示人在物理空间中的移动幅度，VMC（矢量幅度计数）是智能手表记录的总移动量的一种度量：更剧烈的移动产生更高的VMC值。
第一个控制变量是基于记录的时间，代表了周末和节假日之间的区别。在实验期间，有两个主要的节日：圣诞节和除夕夜。测量每分钟的平均心跳次数也显示了它在数据记录方面的实用性。事实上，可能会发生智能手表传感器传输的数值不完全可靠的情况，原因可能有几个，包括内部故障、电池电量不足或个人在收集数据时没有佩戴智能手表。
其他控制变量为年龄、性别和体重（以千克表示）。平均年龄29岁，平均体重72公斤（157磅）。大约30%的受访者是男性。性别是一个有趣的变量，因为它可以洞察智能手表技术的不同用途，一项关于性别和信息获取的满足感的研究（Zhang&Rau，2015）也印证了这一点。分享个人数据，如体重和年龄，可能会让人感到不舒服；因此，实验数据是完全匿名的，并且在分析中从未与个人姓名相关联。
过去的研究表明，幸福感还受其他几个因素的影响，如性格（Cheng & Furnham，2001；Demir &Weitekamp，2007；Tkach & Lyubomirsky，2006）。因此，该研究要求受访者完成5大人格测试，以评估他们的人格特征（McCrae&Costa，2003）。本研究采用五因素人格模型，并根据国际人格项目库（Goldberg，Johnson等人，2006）。特别是，本次研究使用了IPIP-NEO的120项版本，涵盖了传统的五大领域，即神经质、外向、认真、随和和和开放的经验（Johnson ，2014）。
（温馨提示：点击查看大图）
03
结论
两个因变量——幸福感和活跃度——都与心跳呈显著负相关，这可能表明快乐的人更放松。这似乎与关于幸福和创造力的研究相一致，研究表明，幸福的人更放松，更乐于接受新的体验，这有助于提高创造力（Pannells&Claxton ，2008）。快乐和活跃与光的水平呈负相关，这是由于漫射光可能起到镇静作用，因为昏暗的光通常与工作后的放松有关（Meier，Robinson等人，2007）。
观察人格特质，发现与人的愉悦性呈正相关，这表明人越善良和合作，他们就会越快乐和活跃。我们还发现VMC（矢量幅度计数）与心跳、活动和光照水平呈正相关。这并不奇怪，因为环境中光线的增加可能导致身体运动的更多变化，心跳加快和更多的活动（Meier，Robinson等人，2007；Xu&Labroo，2014）。当人们移动得更剧烈时，似乎也会更快乐，尽管与加速度的相关性很低。这两个因变量之间具有高度的相关性。最后，似乎人们在周末感觉不太活跃，这可以归因于生活节奏的放松。
在表2a和表2b中，首先分别显示每个因变量的空模型（幸福和激活）；在模型2、3和4中，测试控制变量的影响；在模型5中，测试传感器数据的预测能力；最后，在模型6中，结合了重要的预测变量以获得最佳模型。研究中没有一起测试所有的人格特征，因为当在同一模型中包含神经质和体验开放性时，发现了一个多重共线性问题（它们在样本中呈现出很高的负相关性）。
（温馨提示：点击查看大图）
比较模型1和模型6，AIC和BIC分数都显著降低。当心跳和光照水平较低，加速度和VMC较高时，快乐和活跃度似乎都较高。然而，从加速度计数据（VMC和加速度）中推断出的变量有一个非常小的，几乎可以忽略不计的影响大小。在人格特征方面，责任心和神经质较低、随和性较高的人更容易快乐。另一方面，较低的经验开放度和较高的愉悦感和责任感可以预测更多的活跃度。周末的活跃率似乎也较低，男性受访者的活跃率平均较高。研究中没有看到年龄、体重和运动性对因变量的影响。
考虑到科恩卡帕（Cohen's Kappa）的良好价值，这些结果很有希望，取决于受访者的位置。除去位置参数（纬度，经度和海拔），分类模型的准确性仍然很好，但下降到了较低的值，如表3所示。因此，我们保持追踪受访者确切位置并在未来研究中对这些位置进行分类的重要性。
（温馨提示：点击查看大图）
04
讨论
研究结果支持通过智能手表收集的测量数据的有效性，智能手表用于探索一些促进幸福和活跃的因素。研究的主要目标不是确定哪些因素对幸福感的影响最具预测价值。积极心理学领域有大量的文献，旨在揭示幸福的助推器（Argyle，2001；Lyubomirsky，King等人，2005）。在这项研究中，确定了一些积极幸福感和幸福感的关键触发因素，这些可以通过更大的样本进行进一步的探索，包括频繁的运动、心跳、室内照明的变化，乐于助人、善待他人的倾向，以及特定的经纬度。本研究的另一个贡献是探索传统与非传统幸福相关变量之间的关系。例如，更高的宜人性和幸福感之间的紧密联系证实了先前在积极心理学中的研究表明，表现利他主义或善良的行为会促进幸福感。在Lyubomirsky等人（2005）的研究中，每周做五种行为，尤其是一天做五种行为，对幸福感有明显的促进作用。同样，Seligman（2004）发现，通过培养乐观、善良、慷慨、独创性和幽默等“内在特征”，个人可以发展出持久的幸福水平。我们还发现低责任感的人比其他人更快乐。同样的研究发现，有证据表明，责任心比外向性更能预测生活满意度。关于人格和自我报告健康的文献也发现神经质和责任感与慢性病（Goodwin & Friedman， 2006）和身体健康（Lóckenhoff，Sutin等人，2008）有关。
此外，研究还发现，更高的宜人性和责任心可以预测高活跃率。这可以解释为，高度自觉的个人倾向于有组织、严格、有纪律、可靠、有条不紊，这可能导致比其他人对环境因素更加警觉、警惕和关注。另一方面，人们发现，和蔼可亲的人在涉及挫折感的情况下能够更好地控制愤怒和负面影响，而且他们在解决冲突过程中经常发挥作用；这可以解释为什么他们比其他人更容易感到兴奋和警觉（Costa、McCrae等人，1991；Graziano，Jensen Campbell等人，1996）。
虽然研究结果似乎与之前探索幸福决定因素的研究一致，但本实验的附加价值是应用创新的方法和工具，这些方法和工具具有重要的实际贡献。如今，健康计划已成为普遍现象，90%以上的大中型公司采取了一些措施，提供某种激励（通常是金钱激励），以改善员工健康，降低与健康保险索赔相关的雇主成本（Cawley&Price， 2013）。本研究提供了一些见解，可以被人力资源经理用来增加这些计划的无形收益，利用“幸福感”作为对员工的额外激励。除了为报告和分享个人数据而挣钱外，员工还可以有机会反思自己的幸福水平，并了解哪些因素是影响幸福的主要因素。方法和应用为员工解释与公司共享的数据提供了新的途径。更多地控制共享数据的感觉和他们获得的可操作的洞察力可能是增加参加和使用健康计划的人比例的一个额外因素。控制变量，即年龄、体重和运动，对感觉快乐或兴奋没有影响。令人惊讶的是运动性的结果，因为运动和锻炼与增加幸福感有关（Argyle，2001；Hills&Argyle，1998）。
本研究对室内照明效果的研究结果与之前的研究结果一致，即光线会增强情绪反应。在一项研究中，Xu和Labroo（2014）证明了光是热感知的基础，而热感知反过来会触发热情绪系统。因此，关小灯可以减少情绪，导致更理性的决定。与Xu和Labroo（2014）的发现不同，关于明亮环境与清醒或活跃之间不太可能存在的联系，相关结果似乎表明，感到更放松和不活跃的个体是被昏暗光线包围的原因造成的。
05
局限与未来研究
本研究能够收集的控制变量仅限于年龄、性别、体重、运动性、个性特征、周末与节假日以及GPS坐标（纬度、经度和海拔）。在未来，还计划包括基于以下变量，例如：个人与谁共度时光，他们是工作还是退休，生病还是健康，以及有助于控制照明和报告情绪之间相关性的天气条件。在最初的实验中，无法对位置进行分类，以确定特定的坐标是否对应于每个人的特定位置（家、工作场所、大学或图书馆）。这可能是未来研究的一个建议，以测试特定地点对快乐和活跃度的影响或控制。另一个局限是非随机选择的小样本（17名参与者），建议在更大的随机选择样本上进行该实验，包括不同年龄和来自同质群体的人，控制其他变量，如工作、精神病史和婚姻状况。
本研究的方法在将来的应用可能有助于更准确地自动测量情绪状态的变化，目标是将此方法与分析个人参与的社交网络相结合，并调查哪些关系能改善幸福感。该方法也有一定的市场应用价值，如评价顾客对广告的反应和店铺布局的效果。
正如Christakis和Fowler（2013）在他们关于友谊、家庭、配偶、邻居和同事关系的研究中所证明的那样，被几个快乐的人包围的人——他们也是社交网络的核心——更有可能在未来快乐。他们的研究尤其重要，因为它显示了幸福是如何在各种各样的社会关系中传播的。
亚里士多德说过“幸福是一种活动状态”。正如在此研究中发现的，快乐的人更积极。
