摘 要 該研究考查了微信即時(shí)交流中人格判斷的非語言線索，并運(yùn)用透鏡模型分析檢驗(yàn)了這些線索在不同互動(dòng)時(shí)長條件下對人格判斷準(zhǔn)確性的影響。結(jié)果表明：（1）除神經(jīng)質(zhì)外，大五人格其余四種特質(zhì)總體的自我—他人一致性（SOA）均達(dá)到顯著水平，平均SOA 隨互動(dòng)時(shí)長增加而遞增；（2）微信交流的非語言線索非常廣泛，很多非語言線索在觀察者的人格判斷中是有效的和可用的；（3）在10min 和20min 組中，“字?jǐn)?shù)”和“消息量”是外傾性的診斷性線索，“表情符號(hào)”和“文字重復(fù)”是宜人性與開放性的診斷性線索；（4）觀察者對10min 組的宜人性和外傾性線索以及20min 組所有特質(zhì)的線索敏感性均顯著，且隨互動(dòng)時(shí)長增加而同步提高。

關(guān)鍵詞 微信交流 人格判斷 非語言線索 透鏡模型分析 自我—他人一致性

1 問題提出

計(jì)算機(jī)媒介交流（簡稱CMC）是指以計(jì)算機(jī)互聯(lián)網(wǎng)絡(luò)之間信息傳遞和存儲(chǔ)為基礎(chǔ)的人際通信技術(shù)集群，常見的CMC 有電子郵件、即時(shí)通訊、社交網(wǎng)站等，其中也包括微信交流（Wu amp; Zheng，2019）。研究發(fā)現(xiàn)，CMC 中非語言線索比較普遍（Kalman amp; Gergle，2014）。交流者不是將非語言線索轉(zhuǎn)化為語言，而是通過設(shè)計(jì)新的非語言線索來代替面對面的非語言線索，例如用大寫字母代替“叫喊”，用多個(gè)感嘆號(hào)（?。。。┐媾d奮，用表情符號(hào)代替面部表情等（Harris amp; Paradice，2007），都統(tǒng)稱為CMC 非語言線索（Vandergriff，2013）。此外，消息的時(shí)間特性如詞數(shù)、編寫消息的時(shí)間和消息編輯的頻率這些即時(shí)性的線索也可以作為非語言線索（Walther，2007）。隨著技術(shù)不斷進(jìn)步，CMC 中非語言線索的使用日益增多，可用線索的數(shù)量和種類也越來越豐富（Riordan amp; Kreuz，2010）。

CMC 中的非語言線索使用通常與情緒表達(dá)有關(guān)（Liu amp; Sun，2020），與典型的情緒詞有較強(qiáng)的相關(guān)性（Hu et al.， 2016）。狀態(tài)和特質(zhì)準(zhǔn)確性模型指出，準(zhǔn)確識(shí)別目標(biāo)的情緒狀態(tài)有助于準(zhǔn)確判斷他人的人格（Hall et al.， 2017）。研究發(fā)現(xiàn)，與視頻通話相比，在線約會(huì)中使用基于文本的CMC 互動(dòng)的參與者之間感知到的社會(huì)吸引力更大（Antheunis et al.，2020）。實(shí)際上，CMC 中個(gè)體會(huì)將互動(dòng)對方的積極行為歸因?yàn)閷λ麄兊南矏郏╓alther et al.， 2016）。研究發(fā)現(xiàn)，在文字末尾添加表情符號(hào)能讓接收者在信息瀏覽時(shí)感到更加輕松舒服和更容易被理解（Forbesamp; Buchanan，2019），同時(shí)也更容易被認(rèn)為對此次交流很感興趣（Rodrigues et al.， 2017）。因此CMC中非語言線索的使用可以增加互動(dòng)雙方的親密度，在交流中有可能透露更多相關(guān)人格信息，從而提高判斷的準(zhǔn)確性。

國外關(guān)于社交網(wǎng)站非語言線索的研究發(fā)現(xiàn)，大五人格的宜人性與國外社交軟件中自我報(bào)告的表情符號(hào)使用呈正相關(guān)，積極表情符號(hào)的使用與參與者對目標(biāo)的宜人性、盡責(zé)性和開放性評價(jià)呈正相關(guān)（Wall et al.， 2016）。一項(xiàng)來自86702 名國外社交軟件用戶表情符號(hào)使用的研究顯示，外傾性、宜人性和神經(jīng)質(zhì)與表情符號(hào)使用的總數(shù)量正相關(guān)（Oleszkiewicz et al.， 2017）。Marengo 等人（2017）對人格特質(zhì)和表情符號(hào)使用的探索性研究發(fā)現(xiàn)，外傾性與積極表情符號(hào)的使用相關(guān)，神經(jīng)質(zhì)與消極情緒表情符號(hào)相關(guān)?？刂圃谖谋灸┪蔡砑拥姆钦Z言線索的效價(jià)，積極非語言線索條件下的被試被感知為高外傾性和宜人性；在消極的非語言線索條件下則被認(rèn)為是神經(jīng)質(zhì)的（Krishna amp; Hunt，2021）。而在線上客服回復(fù)中添加表情符號(hào)的客服人員會(huì)認(rèn)為更熱情，但能力水平更低（Li et al.， 2019）。這表明CMC 中的非語言線索影響人格印象的形成。

研究發(fā)現(xiàn)，在聊天室和國外社交軟件中交流一段時(shí)間后，觀察者可以準(zhǔn)確判斷用戶的外傾性與開放性（Markey amp; Wells，2002；Wall et al.， 2016）。不僅如此，在判斷信息發(fā)送者的意圖和情緒表達(dá)方面，CMC 中的標(biāo)點(diǎn)符號(hào)也能發(fā)揮重要作用（Riordanamp; Kreuz，2010）；在某些語境中，省略號(hào)、感嘆號(hào)和問號(hào)似乎比表情符號(hào)的作用更明顯（Vandergriff，2013）。透鏡模型認(rèn)為，知覺者在特定情境下會(huì)借助可知覺的線索來推斷目標(biāo)的人格特質(zhì)（陳少華，2017）。與面對面交流中微妙復(fù)雜的面部表情或肢體語言相比，在CMC 聊天界面出現(xiàn)的表情符號(hào)、標(biāo)點(diǎn)符號(hào)等非語言線索更直觀，更有利于編碼，從而為透鏡模型分析創(chuàng)造了有利條件。

本研究借助于透鏡模型分析，旨在考查微信交流中非語言線索（如表情符號(hào)、標(biāo)點(diǎn)符號(hào)等）在不同互動(dòng)時(shí)長條件下對人格判斷準(zhǔn)確性的影響，并嘗試從這些非語言線索中找出大五人格特質(zhì)的診斷性線索。我們預(yù)期，微信交流中不僅存在廣泛的非語言線索，而且某些非語言線索在觀察者判斷某種人格特質(zhì)時(shí)是有效的和可利用的；隨著交流時(shí)長的增加，觀察者人格判斷的準(zhǔn)確性和對線索的敏感性也將隨之提高。

2 研究方法

2.1 被試

從廣州某高校隨機(jī)抽取156 名大學(xué)生被試，將其隨機(jī)分配到三個(gè)一對一微信互動(dòng)小組：5min 組、10min 組、20min 組。最終的有效被試為146 名：5min 組（N = 50 名）、10min 組（N = 46 名）、20min 組（N = 50 名），其中女性133 名，男性13 名，平均年齡19.80 ± .97 歲。

2.2 工具

中國大五人格問卷簡式版（CBF-PI-B），該問卷含五個(gè)維度40 個(gè)條目，采用Likert6 點(diǎn)評定，各維度Cronbach α 系數(shù)在.76～.81 之間，間隔10 周的重測信度為.67～.81（神經(jīng)質(zhì)）之間，各因子與完整版量表對應(yīng)因子的相關(guān)均在.85 以上，具有較好的信效度（王孟成等，2011）。

本研究使用的CBF-PI-B 分自評和他評兩個(gè)版本，他評時(shí)將自評條目中的第一人稱“我”改為“他/ 她”，其它完全相同。信度分析表明，本研究CBF-PI-B 自評版各維度的α 系數(shù)在.71～.85 之間；他評版各維度的α 系數(shù)在.77～.87 之間。

2.3 程序

首先，要求目標(biāo)被試完成自評版CBF-PI-B 測試，獲得大五人格特質(zhì)的自評分?jǐn)?shù)。然后將156 名被試分為三組：5min（N = 52 名）、10min（N = 50 名）、20min（N = 54 名），組內(nèi)參與者進(jìn)行兩兩隨機(jī)配對。實(shí)驗(yàn)前將目標(biāo)安排在兩個(gè)相鄰的房間，且沒有告知對方任何信息。要求目標(biāo)被試使用微信進(jìn)行面對面建群，組建一個(gè)兩人群聊。

其次，在成功進(jìn)群后要求參與者報(bào)告是否認(rèn)識(shí)對方，若相識(shí)則重新進(jìn)行調(diào)整。之后要求被試在接下來的時(shí)間可以與對方“聊任何喜歡的話題”（Letzring et al.， 2006），三組聊天時(shí)間分別為5min、10min 與20min。

最后，實(shí)驗(yàn)結(jié)束時(shí)被試填寫CBF-PI-B 他評量表，要求他們各自判斷剛才聊天對象的大五人格特質(zhì)，同時(shí)通過電子郵件將聊天記錄截屏發(fā)送給主試。由于有10 位被試不愿意將聊天記錄發(fā)送給研究者，最終得到有效被試146 名，其中5min 組50 名、10min組46 名、20min 組50 名。

2.4 透鏡線索編碼

通過對所有146 位參與者聊天記錄的分析和編碼，我們找到了16 條非語言線索，其中有2 條與時(shí)間相關(guān)的線索和14 條CMC 線索，CMC 線索中包括表情符號(hào)線索（9 條）、標(biāo)點(diǎn)符號(hào)線索（2 條）、文字重復(fù)線索（2 條）以及1 條CMC 線索個(gè)數(shù)（表情符號(hào)線索+ 標(biāo)點(diǎn)符號(hào)線索+ 文字重復(fù)線索）。為了平衡同一組內(nèi)在字?jǐn)?shù)與消息量上的個(gè)體差異，我們將個(gè)體在相同時(shí)間內(nèi)使用的各種表情符號(hào)數(shù)除以該個(gè)體的總消息量，將各個(gè)標(biāo)點(diǎn)符號(hào)與文字重復(fù)數(shù)除以總字?jǐn)?shù)，這樣得到的非語言線索數(shù)據(jù)衡量的是互動(dòng)消息回復(fù)中的出現(xiàn)頻率。

2.5 數(shù)據(jù)分析

所有數(shù)據(jù)經(jīng)SPSS 23.0 統(tǒng)計(jì)分析，采用相關(guān)分析、t 檢驗(yàn)和透鏡模型分析方法。

3 結(jié)果分析

3.1 描述性統(tǒng)計(jì)

將146 位參與者聊天記錄（ 共計(jì)5831 條消息）中出現(xiàn)的非語言線索進(jìn)行統(tǒng)計(jì)編碼。結(jié)果顯示，微信交流中發(fā)送的表情符號(hào)共1424 個(gè)，標(biāo)點(diǎn)符號(hào)1252 個(gè)，文字重復(fù)578 個(gè)，非語言線索總數(shù)為3254。以消息量為單位，平均每發(fā)送2 條消息就有1 條非語言線索。微信系統(tǒng)自帶的表情符號(hào)占41%，其中[ 捂臉] 、[ 破涕為笑] 、[ 齜牙]三個(gè)占系統(tǒng)自帶表情符號(hào)的56%。同一個(gè)體在單次聊天中重復(fù)使用完全相同的表情符號(hào)個(gè)數(shù)為418，平均重復(fù)率為29.4%。標(biāo)點(diǎn)符號(hào)中問號(hào)、感嘆號(hào)、逗號(hào)以及空格鍵（代替逗號(hào)使用）占85%，其中問號(hào)最高，占29%。文字重復(fù)中“哈哈哈”重復(fù)占73%。

3.2 人格判斷的準(zhǔn)確性

將大五人格問卷中各維度的自評與他評分?jǐn)?shù)進(jìn)行相關(guān)分析，并將得到的自我—他人一致性（selfotheragreement， SOA）作為判斷準(zhǔn)確性的標(biāo)準(zhǔn)（陳少華，2016），表1 列出了三種互動(dòng)時(shí)長中人格判斷的SOA。數(shù)據(jù)顯示，在微信即時(shí)交流中，除神經(jīng)質(zhì)以外，其他特質(zhì)總體的SOA 均達(dá)到顯著水平，相關(guān)系數(shù)r 在.25～.30 之間?？傮w平均SOA 系數(shù)的顯著性（r =.25，p lt;.01）也表明，基于微信交流的人格判斷具有一定的準(zhǔn)確性。隨著互動(dòng)時(shí)長的增加，平均SOA 系數(shù)呈平緩增長趨勢。在互動(dòng)時(shí)長相差5min 時(shí)，外傾性的SOA 增幅最大；而在互動(dòng)時(shí)長相差15 min 時(shí)，宜人性與開放性的SOA 增幅最大。

3.3 人格判斷的透鏡模型分析

在進(jìn)行Brunswik（1956）透鏡模型分析時(shí)，首先將編碼的線索數(shù)據(jù)分別與自我報(bào)告和互動(dòng)對象報(bào)告的大五人格分?jǐn)?shù)進(jìn)行相關(guān)分析，將得到的相關(guān)系數(shù)作為線索有效性與線索利用性的指標(biāo)，將有效性和利用性相關(guān)都顯著的線索作為診斷性線索（Hallet al.， 2014）。然后將線索有效性與線索利用性的相關(guān)系數(shù)r 轉(zhuǎn)換成Zr，并對每一特質(zhì)的兩列Zr 進(jìn)行相關(guān)分析，所得相關(guān)系數(shù)作為線索敏感性的指標(biāo)。

3.3.1 線索有效性和利用性分析

非語言線索的透鏡模型分析（見表2）表明，5min 組中所有特質(zhì)都沒有發(fā)現(xiàn)診斷性線索。在10min 組中，發(fā)現(xiàn)兩條與時(shí)間相關(guān)的診斷性線索，即單位時(shí)間內(nèi)回復(fù)的字?jǐn)?shù)與消息量。在20 min 中，宜人性、開放性與外傾性都存在三條診斷性線索?！氨砬榉?hào)總個(gè)數(shù)與字?jǐn)?shù)的比值”是三種特質(zhì)共同的診斷性線索，其平均值具有診斷性（r =.28，p lt;.05；r =.36，p lt;.01）?？傊白?jǐn)?shù)”與“消息量”是10min 組外傾性判斷的診斷性線索，包括“表情符號(hào)總個(gè)數(shù)和字?jǐn)?shù)的比值”與“‘哈哈哈’重復(fù)個(gè)數(shù)”在內(nèi)的五條非語言線索是20min 組宜人性、開放性與外傾性判斷的診斷性線索，其中宜人性更多取決于表情符號(hào)線索，而開放性與外傾性主要取決于文字重復(fù)線索。

3.3.2 線索敏感性分析

表3 是微信即時(shí)交流中不同互動(dòng)時(shí)長的線索敏感性。結(jié)果表明，5min 組中所有特質(zhì)的線索敏感性均不顯著。10min 組中觀察者對宜人性（r = .74，plt; .01）與外傾性線索（r =.73，p lt; .01）最敏感。20min 組所有特質(zhì)的線索敏感性都顯著，其中宜人性的線索敏感性最高（r = .92，p lt; .001），其次是開放性（r =.84，p lt; .001），這主要?dú)w因于觀察者對多數(shù)線索的正確利用。

4 討論

4.1 微信交流中的非語言線索

本研究首次考查了表情符號(hào)、標(biāo)點(diǎn)符號(hào)等非語言線索在微信交流中的使用情況，與國外CMC 研究中非語言線索低出現(xiàn)率不同的是（Tossell et al.，2012），本研究發(fā)現(xiàn)微信交流中非語言線索出現(xiàn)率非常高，達(dá)55.8%。研究發(fā)現(xiàn)，人們在日常生活中使用智能手機(jī)的頻率越高，他們就越覺得表情符號(hào)能讓對話變得有趣（Chen amp; Siu，2017），這促進(jìn)了非語言線索的使用。非系統(tǒng)自帶表情符號(hào)的廣泛使用反映了個(gè)體微信交流的個(gè)性化，即使是同一個(gè)體的使用重復(fù)率也不超過30%。這種個(gè)性化的表情符號(hào)為人格判斷提供了有效線索。人們非常習(xí)慣發(fā)送表情符號(hào)，也更容易理解他人表情符號(hào)發(fā)送的意義與意圖，在吸引接受者注意力的同時(shí)，也間接提高了交流的效率以及信息解讀的準(zhǔn)確性（Troiano amp;Nante，2018）。

4.2 人格判斷與透鏡分析

4.2.1 神經(jīng)質(zhì)

本研究表明，無論是哪個(gè)交流組，神經(jīng)質(zhì)的SOA 均不顯著，這與已有的研究結(jié)果吻合，即在所有大五人格特質(zhì)中，神經(jīng)質(zhì)的判斷最不準(zhǔn)確（Tskhayamp; Rule，2014）。非語言線索的透鏡分析顯示，三個(gè)互動(dòng)組的所有16 條線索中沒有發(fā)現(xiàn)神經(jīng)質(zhì)的診斷性線索和顯著的線索利用性。研究發(fā)現(xiàn)，5 min 組的“‘哈哈哈’重復(fù)個(gè)數(shù)”與神經(jīng)質(zhì)負(fù)相關(guān)，說明這種口語化的快樂情緒表達(dá)與個(gè)體的低神經(jīng)質(zhì)有關(guān)。狀態(tài)和特質(zhì)準(zhǔn)確性模型認(rèn)為，判斷不良情緒的準(zhǔn)確性與對神經(jīng)質(zhì)判斷的準(zhǔn)確性呈正相關(guān)（Hall et al.，2017）。但似乎很難將CMC 非語言線索同消極情緒相聯(lián)系，事實(shí)上，常用的絕大多數(shù)表情符號(hào)都是積極的（Novak et al.， 2015）?？傊?，非語言線索在神經(jīng)質(zhì)判斷中是有效的，但似乎并沒有被觀察者利用。

4.2.2 外傾性與盡責(zé)性

透鏡分析表明，“字?jǐn)?shù)”與“消息量”是外傾性的診斷性線索，更多文字?jǐn)?shù)與消息回復(fù)量體現(xiàn)了個(gè)體更為積極主動(dòng)的交際行為。外傾性的判斷主要依賴于人際信息如朋友的數(shù)量以及與他人互動(dòng)的相關(guān)線索，而不是語言信息（Moore amp; McElroy，2012）。研究發(fā)現(xiàn)，接收者似乎很容易通過對方表情符號(hào)的使用錯(cuò)誤估計(jì)其外傾性水平，亦即將發(fā)送更多的表情符號(hào)與低外傾性有關(guān)。這和以往表情符號(hào)與對發(fā)送者高熱情的感知不符（Li et al.， 2019）。我們認(rèn)為這可能與表情符號(hào)的語境適合性有關(guān)。表情符號(hào)需要結(jié)合語境進(jìn)行解讀（Betz et al.， 2019），合適的表情符號(hào)會(huì)讓人感覺舒服（Chen amp; Siu，2017），而為了選擇合適的表情符號(hào)可能需要花費(fèi)更多的精力。

分析還發(fā)現(xiàn)，在20min 組中，個(gè)體的盡責(zé)性與“表情符號(hào)個(gè)數(shù)與字?jǐn)?shù)的比值”以及“文字重復(fù)”相關(guān)較高，而觀察者卻傾向于在5min 組與10min 組使用這兩條線索判斷目標(biāo)的盡責(zé)性，表明微信交流中盡責(zé)性的判斷準(zhǔn)確性與通過語言表達(dá)的線索有關(guān)（Qiuet al.， 2012）。有研究認(rèn)為，情緒線索的存在會(huì)影響盡責(zé)性的判斷，而在純文本對話中更容易捕捉盡責(zé)性相關(guān)的有效線索（Krishna amp; Hunt，2021）。在消息回復(fù)中出現(xiàn)語法或文字錯(cuò)誤會(huì)降低接收者對勤奮程度、團(tuán)隊(duì)精神以及能力水平的感知（Bleske-Recheket al.， 2019），但容易被大量CMC非語言線索掩蓋，或被當(dāng)成是有意為之。因此盡管盡責(zé)性同時(shí)擁有較高的線索有效性和線索利用性，但觀察者并沒有找到真正有效的非語言線索。

4.2.3 開放性與宜人性

本研究結(jié)果顯示，20min 組的開放性和宜人性的SOA 最顯著，診斷性線索最多，線索的敏感性也最高。這表明開放性和宜人性的準(zhǔn)確判斷與非語言線索高度相關(guān)。研究發(fā)現(xiàn)，短暫的非結(jié)構(gòu)化互動(dòng)能捕捉到更多開放性的相關(guān)線索（Tseng amp; Hsieh，2019）。相對私密的環(huán)境，表情符號(hào)使用的豐富性與巨大自由度都有利于開放性相關(guān)線索的呈現(xiàn)。研究證實(shí)，國外社交軟件中表情符號(hào)的使用與宜人性呈正相關(guān)（Oleszkiewicz et al.， 2017）。所不同的是，本研究中表情符號(hào)相關(guān)線索與開放性和宜人性判斷的有效性及利用性都呈現(xiàn)負(fù)相關(guān)，亦即觀察者和目標(biāo)知道微信中表情符號(hào)的使用可能會(huì)產(chǎn)生消極影響。與真實(shí)微笑相反，CMC 中一個(gè)笑臉表情符號(hào)并不會(huì)增加人們的感知溫暖，反而與低能力水平的判斷相關(guān)（Glikson et al.， 2018）。這表明10～20min 之間，個(gè)體沒有刻意控制自我呈現(xiàn)的形象，他們似乎并不在意他人的負(fù)面反饋，這種表情符號(hào)的獨(dú)特效果為觀察者對開放性和宜人性的準(zhǔn)確判斷提供了有效和可用的非語言線索。

4.3 透鏡分析與互動(dòng)時(shí)長

本研究中各特質(zhì)的平均SOA 與線索敏感性在時(shí)間上的變化同步，表明非語言線索在人格判斷準(zhǔn)確性中發(fā)揮了作用。增加一倍的互動(dòng)時(shí)長（5～10min），觀察者在與時(shí)間相關(guān)的線索即“字?jǐn)?shù)”和“消息量”的線索有效性與線索利用性增加，同時(shí)外傾性被準(zhǔn)確判斷。繼續(xù)增加一倍的互動(dòng)時(shí)長（10～20min），“字?jǐn)?shù)”與“消息量”的平均線索有效性（.20 vs. 18；.22vs. 19）與線索利用性（.40 vs. 36；.31 vs. 27）差別不大。相反，表情符號(hào)相關(guān)線索與文字重復(fù)線索的有效性和利用性顯著增加，同時(shí)宜人性與開放性被準(zhǔn)確判斷。換言之，外傾性、開放性和宜人性判斷準(zhǔn)確性的增加與互動(dòng)時(shí)長有關(guān)，這可歸因于非語言線索的有效性和利用性隨互動(dòng)時(shí)間的增加而提高。事實(shí)證明，只有提供足夠長的交流時(shí)間，目標(biāo)才能呈現(xiàn)出有效的非語言線索，并被觀察者正確利用以推斷相關(guān)特質(zhì)，從而做出準(zhǔn)確判斷。

5 不足與展望

首先，本研究女性被試比例較高，而女性在微信交流中可能更偏向于使用表情符號(hào)一類的非語言信息。有研究表明，在即時(shí)通訊中女性會(huì)比男性使用更多的CMC 線索，更傾向于通過非語言線索來傳達(dá)社會(huì)情感內(nèi)容（Oleszkiewicz et al.， 2017）。未來的研究需平衡被試的性別比例，進(jìn)一步考察CMC中非語言線索的性別差異。

其次，本研究與真實(shí)的微信交流有一定差別。因?yàn)楝F(xiàn)實(shí)中陌生人之間的微信互動(dòng)通常會(huì)圍繞某件事情展開并帶有更強(qiáng)目標(biāo)性，互動(dòng)時(shí)長是個(gè)體自行控制的。當(dāng)個(gè)體通過微信交流達(dá)到自己目的以后可能會(huì)選擇直接結(jié)束聊天。未來研究可選擇恰當(dāng)?shù)幕?dòng)話題或任務(wù)，控制互動(dòng)次數(shù)而不是互動(dòng)時(shí)長，以還原真實(shí)互動(dòng)情境。

最后，本研究只對一些客觀信息量進(jìn)行了簡單分析，神經(jīng)質(zhì)和盡責(zé)性的判斷準(zhǔn)確性似乎無法通過非語言線索來解釋。因此，未來的研究可以采用“語言探測與字詞統(tǒng)計(jì)”（LIWC）工具以及開放式詞匯分析方法考察網(wǎng)絡(luò)交流中的非言語線索對人格判斷的影響（Park et al.， 2015）。

6 結(jié)論

本研究表明：（1）微信交流中普遍存在非語言線索，其出現(xiàn)頻率為55.8%；（2）除神經(jīng)質(zhì)外，大五人格的其余四種特質(zhì)總體的自我—他人一致性（SOA）均達(dá)到顯著水平，且平均SOA 隨互動(dòng)時(shí)長增加而遞增；（3）基于微信交流的人格判斷中，許多非語言線索對觀察者是有效的和可用的；（4）在10 min 和20 min 組中，“字?jǐn)?shù)”和“消息量”是外傾性的診斷性線索，表情符號(hào)和文字重復(fù)線索是宜人性與開放性的診斷性線索；（5）觀察者對10 min組的宜人性和外傾性線索以及20 min 組所有特質(zhì)的線索敏感性均顯著，且隨互動(dòng)時(shí)長增加而同步提高。

參考文獻(xiàn)

陳少華. （2016）. 人格判斷的自我- 他人一致性： 熟悉度和親密度的作用.

心理學(xué)探新， 36 （4）， 343-348.

陳少華. （2017）. 人格判斷的透鏡模型分析. 廣州大學(xué)學(xué)報(bào) （ 社會(huì)科學(xué)版），

16 （8）， 51-58.

王孟成， 戴曉陽， 姚樹橋. （2011）. 中國大五人格問卷的初步編制Ⅲ ： 簡式

版的制定及信效度檢驗(yàn). 中國臨床心理學(xué)雜志， 19 （4）， 454-457.

Antheunis， M. L.， Schouten， A. P.， amp; Walther， J. B. （2020）. The hyperpersonal

effect in online dating： Effects of text-based CMC vs. videoconferencing

before meeting face-to-face. Media Psychology， 23 （6）， 820-839.

Betz， N.， Hoemann， K.， amp; Barrett， L. F. （2019）. Words are a context for mental

inference. Emotion， 19 （8）， 1463-1477.

Bleske-Rechek， A.， Paulich， K.， Shafer， P.， amp; Kofman， C. （2019）. Grammar

matters： The tainting effect of grammar usage errors on judgments of

competence and character. Personality and Individual Differences， 141， 47-

50.

Brunswik， E. （1956）. Perception and the representative design of psychological

experiments . University of California Press.

Chen， X.， amp; Siu， K. W. M. （2017）. Exploring user behaviour of emoticon use among

Chinese youth. Behaviour and Information Technology， 36（6）， 637-649.

Forbes， F. J. M.， amp; Buchanan， E. M. （2019）. “Textisms”： The comfort of the

recipient. Psychology of Popular Media Culture， 8（4）， 358-364.

Glikson， E.， Cheshin， A.， amp; van Kleef， G. A. （2018）. The dark side of a smiley：

Effects of smiling emoticons on virtual first impressions. Social Psychological

and Personality Science， 9 （5）， 614-625.

Hall， J. A.， Gunnery， S. D.， Letzring， T. D.， Carney， D. R.， amp; Colvin， C. R. （2017）.

Accuracy of judging affect and accuracy of judging personality： How and when

are they related？ Journal of Personality， 85 （5）， 583-592.

Hall， J. A.， Pennington， N.， amp; Lueders， A. （2014）. Impression management and

formation on Facebook： A lens model approach. New Media and Society，

16 （6）， 958-982.

Harris， R. B.， amp; Paradice， D. （2007）. An investigation of the computer-mediated

communication of emotions. Journal of Applied Sciences Research， 3 （12），

2081-2090.

Hu， Y.， Zhao， J. C.， amp; Wu， J. J. （2016）. Emoticon-based ambivalent expression： A

hidden indicator for unusual behaviors in Weibo. PLoS ONE， 11 （1）， 1-14.

Kalman， Y. M.， amp; Gergle， D. （2014）. Letter repetitions in computer-mediated

communication： A unique link between spoken and online language.

Computers in Human Behavior， 34， 187-193.

Krishnan， A.， amp; Hunt， D. S. （2021）. TTYL ：-） nonverbal cues and perceptions

of personality and homophily in synchronous mediated communication.

Information， Communication and Society， 24（1）， 85-101.

Letzring， T. D.， Wells， S. M.， amp; Funder， D. C. （2006）. Information quantity and

quality affect the realistic accuracy of personality judgment. Journal of

Personality and Social Psychology， 91（1）， 111-123.

Li， X.， Chan， K. W.， amp; Kim， S. （2019）. Service with emoticons： How customers

interpret employee use of emoticons in online service encounters. Journal of

Consumer Research， 45 （5）， 973-987.

Liu， S. Y.， amp; Sun， R. J. （2020）. To express or to end？ Personality traits are

associated with the reasons and patterns for using emojis and stickers.

Frontiers in Psychology， 11， 1076.

Marengo， D.， Giannotta， F.， amp; Settanni， M. （2017）. Assessing personality using

emoji： An exploratory study. Personality and Individual Differences， 112， 74-

78.

Markey， P. M.， amp; Wells， S. M. （2002）. Interpersonal perception in internet chat

rooms. Journal of Research in Personality， 36（2）， 134-146.

Moore， K.， amp; McElroy， J. C. （2012）. The influence of personality on Facebook

usage， wall postings， and regret. Computers in Human Behavior， 28（1）， 267-

274.

Novak， P. K.， Smailovi?， J.， Sluban， B.， amp; Mozeti?， I. （2015）. Sentiment of emojis.

PLoS ONE， 10 （12）， 1-22.

Oleszkiewicz， A.， Karwowski， M.， Pisanski， K.， Sorokowski， P.， Sobrado， B.， amp;

Sorokowska， A. （2017）. Who uses emoticons？ Data from 86 702 Facebook

users. Personality and Individual Differences， 119， 289-295.

Park， G.， Schwartz， H. A.， Eichstaedt， J. C.， Kern， M. L.， Kosinski M.， Stillwell， D. J.，

amp; Seligman， M. E. P. （2015）. Automatic personality assessment through social

media language. Journal of Personality and Social Psychology， 108 （6）， 934-

952.

Qiu， L.， Lin， H.， Ramsay， J.， amp; Yang， F. （2012）. You are what you tweet： Personality

expression and perception on twitter. Journal of Research in Personality，

46 （6）， 710-718.

Riordan， M. A.， amp; Kreuz， R. J. （2010）. Cues in computer-mediated communication：

A corpus analysis. Computers in Human Behavior， 26（6）， 1806-1817.

Rodrigues， D.， Lopes， D.， Prada， M.， Thompson， D.， amp; Garrido， M. V. （2017）. A

frown emoji can be worth a thousand words： Perceptions of emoji use in text

messages exchanged between romantic partners. Telematics and Informatics，

34 （8）， 1532-1543.

Tossell， C. C.， Kortum， P.， Shepard， C.， Barg-Walkow， L. H.， Rahmati， A.， amp;

Zhong， L. （2012）. A longitudinal study of emoticon use in text messaging from

smartphones. Computers in Human Behavior， 28（2）， 659-663.

Troiano， G.， amp; Nante， N. （2018）. Emoji： What does the scientific literature say

about them？ A new way to communicate in the 21th century. Journal of

Human Behavior in the Social Environment， 28（4）， 528-533.

Tseng， T. H.， amp; Hsieh， S. H. （2019）. Determinants of emoticon usage in mobile

instant messaging： A construal level theory perspective. Behaviour and

Information Technology， 38 （3）， 289-301.

Tskhay， K. O.， amp; Rule， N. O. （2014）. Perceptions of personality in text-based

media and OSN： A meta-analysis. Journal of Research in Personality， 49， 25-

30.

Vandergriff， I. （2013）. Emotive communication online： A contextual analysis of

computer-mediated communication （CMC） cues. Journal of Pragmatics， 51，

1-12.

Wall， H. J.， Kaye， L. K.， amp; Malone， S. A. （2016）. An exploration of psychological

factors on emoticon usage and implications for judgement accuracy.

Computers in Human Behavior， 62， 70-78.

Walther， J. B. （2007）. Selective self-presentation in computer-mediated

communication： Hyperpersonal dimensions of technology， language， and

cognition. Computers in Human Behavior， 23（5）， 2538-2557.

Walther， J. B.， Kashian， N.， Jang， J. W.， amp; Shin， S. Y. （2016）. Overattribution of

liking in computer-mediated communication： Partners infer the results of their

own influence as their partners' affection. Communication Research， 43 （3），

372-390.

Wu， T.， amp; Zheng， Y. （2019）. Is impression management through status updates

successful？ Meta-accuracy and judgment accuracy of big five personality

traits based on status updates from social network sites in China. Frontiers in

Psychology， 10， 1192.