一項對10種不同人類語言的大數據分析表明，這些語言的常用詞彙中，都是正面詞彙更多，並且這種現象不受詞彙使用頻率的影響。[1]研究論文於2月10日發表在《美國科學院院刊》（PNAS）上。果殼網科學人對論文第一作者，美國佛蒙特大學的彼得·謝裡丹·多茲（Peter Sheridan Dodds）進行了採訪。
早在1969年，就有心裡語言學家提出了波麗安娜假說（Pollyanna Hypothesis），該假說認為人類在交際過程中，普遍更喜歡使用帶有正面色彩的詞彙。然而，以往的研究都沒能對此進行有力證明。這一次，研究者們利用大數據分析，對這一假說進行了更深層次的探究。
研究者首先選取了10種來源和文化背景不同的語言，包括：英語、西班牙語（墨西哥）、法語、德語、葡萄牙語（巴西）、韓語、中文（簡體）、俄語、印尼語和阿拉伯語。在這些語言中，研究者重點關注了那些使用頻率最高的詞彙，「但由於不可能將一種語言中的所有詞彙都按使用頻率排序，因此我們分語料庫（corpus，在語言學上意指大量的文本，通常經過整理，具有既定格式與標記）進行研究。」多茲向科學人解釋說。研究共使用了24個語料庫，來源包括書籍、新聞報導、社交媒體、網絡、電視劇和電影字幕以及歌詞。
多茲表示：「我們以往對英語常用詞彙的研究發現，帶有正面色彩的詞彙更多，在此基礎之上，我們想要了解這一現象是否也存在於其它語言當中。」從各個語料庫中，研究者們最終選取了每種語言最常用的約1萬個詞彙，並讓以各語言為母語的人給每個詞彙的正面程度打分。最終，每個詞彙獲得了50次評分，總評分次數為500萬次。
評分示例。受調查者需要對每個詞語的正面程度打分（1為最負面，9為最正面，5為中性）。圖片來源：研究論文
分析結果顯示，所有語料庫中都是正面色彩的詞彙較多。不過，不同語言中詞彙的正面程度分布之間還是存在一些微小差異。多茲指出：「拉丁美洲的語料庫中（西班牙語、葡萄牙語），快樂程度的中值和其變化幅度（方差）都較大。而在快樂程度的方差上（下圖右側），4個英語語料庫的都排得很靠前，而中文和俄文詞語的方差則較小。」
10種語言，共24個語料庫的詞彙正面程度分布。從每個語料庫選取了最常用的5000個詞彙，黃色部分為得分>5的區域而藍色部分為得分<5的區域，灰色線連接各分布之間的十分位點。左圖為按評分中值大小（紅色豎線）排列，而右圖為按方差大小（分散程度）排列。圖片來源：研究論文
對各個語料庫的進一步分析發現，每個詞彙的正面程度得分與該詞彙的使用頻率基本沒有聯繫。研究者們以語料庫中使用頻率排名連續的500個詞彙為區間，發現各個區間內得分的十分位點基本一致，並未受到使用頻率的影響。
詞彙的正面程度與使用頻率之間並無聯繫，各個詞彙使用頻率排名區間的正面程度分布基本一致，顯示詞彙為隨機挑選。圖片來源：研究論文
另外，研究者們還進一步將10種語言兩兩配對（共45對），並利用谷歌翻譯找出其中意思相同的詞彙，並對它們的正面程度得分進行比較。結果顯示，在不同語言中，表達同一意思的詞彙得分也很一致。也就是說，對於那些研究中沒有涉及的語言，可以通過參考語言中某個詞彙在其他語言中對應詞彙的正面程度，做出大致估計。
研究者們通過大數據分析證明了波麗安娜假說，不過他們的目標不止這一個。多茲表示：「我們一開始想要測量文字中的情緒，並用這些信息開發工具，來測量各種大型文本中所用詞彙的正面程度。包括通過推特（Twitter）上的文字來分析人們的情緒，以及跟蹤文學作品中的情緒變化。」（這兩項功能可訪問hedonometer.org）他還說：「我們目前正在建設panometer.org網站，這個網站將會對推特上的各種話題進行分析，包括健康、飲食、睡眠不足等。我們的長期目標之一，就是用大數據來描繪人們生活的各個方面。而這些測量工具可以幫助決策者、城市管理者、記者、公司等獲得相關信息，比如消費者對某種產品的評價。」
hedonometer.or網站上英語推特詞彙的平均正面程度分析圖，可選擇時間跨度，點擊每個圓點還可以看到當天使用頻率最高的詞彙。圖片來源：hedonometer.org
多茲表示，研究團隊希望進一步研究更多的語言以及不同的語料庫，但由於研究難度大並且較昂貴，他們目前正在申請所需經費。（編輯：球藻怪）