傳統的心理學(xué)研究主要考察了外部導向的、任務(wù)誘發(fā)的認知過(guò)程／心理活動(dòng)，而很少關(guān)注個(gè)體內部驅動(dòng)產(chǎn)生的自發(fā)思維活動(dòng)。近年來(lái)由于腦成像技術(shù)特別是靜息態(tài)腦功能成像方法的發(fā)展，以及與自發(fā)活動(dòng)密切相關(guān)的默認網(wǎng)絡(luò )的發(fā)現，研究者越來(lái)越多地關(guān)注自發(fā)思維及其神經(jīng)機制。

　　自發(fā)思維（self-generated thought）是個(gè)體沒(méi)有特定目的地產(chǎn)生的一系列動(dòng)態(tài)變化的思維活動(dòng)，是一種普遍而復雜的現象，與大腦的內在活動(dòng)密切相關(guān)。自發(fā)思維主要是內源性的，獨立于外部刺激，與外部感知覺(jué)過(guò)程相分離 (Smallwood & Schooler, 2015)，，因而很難對其進(jìn)行有效操縱和準確測量。既往研究中，研究者常使用經(jīng)驗取樣（Experience sampling）方法來(lái)測量自發(fā)思維，如探針?lè )?、自我發(fā)現法和回顧法。然而，這些方法要么無(wú)法直接全面測量自發(fā)思維的內容，要么測量操作會(huì )干擾自發(fā)思維的心理過(guò)程，這些局限性一直在制約著(zhù)自發(fā)思維研究領(lǐng)域的發(fā)展。目前，探究問(wèn)題的增多促使研究人員對自發(fā)思維進(jìn)行更豐富的研究，探針?lè )ǖ娜秉c(diǎn)也相應地擴大了。

　　針對這一現狀，中國科學(xué)院行為科學(xué)重點(diǎn)實(shí)驗室嚴超贛研究組采用出聲匯報（Think-aloud method）的方式來(lái)實(shí)時(shí)考察個(gè)體的自發(fā)思維流，并結合自然語(yǔ)言處理(Natural language processing, NLP)的方法對自發(fā)思維內容進(jìn)行量化分析。研究首先驗證了出聲匯報方法的可行性，基于方法的可行性，進(jìn)一步采用NLP對收集到的自發(fā)思維內容特征進(jìn)行量化分析，探究其內容特征與個(gè)體特質(zhì)之間的關(guān)系。

　　參與者在整個(gè)實(shí)驗過(guò)程中處于自然的休息狀態(tài)，沒(méi)有任何外界刺激誘導。實(shí)驗任務(wù)共包括三個(gè)階段，每階段10分鐘。第一階段要求參與者發(fā)現腦中有新想法時(shí)（話(huà)題發(fā)生轉換）按下“H”鍵。第二階段為自由匯報階段：參與者盡可能地說(shuō)出他們腦中出現的任何想法和畫(huà)面。第三階段參與者除了說(shuō)出腦中出現的想法外，在意識到想法的話(huà)題發(fā)生轉換時(shí)按下“H”鍵。每個(gè)階段結束后參與者需要回顧評估其整個(gè)階段的思維內容特點(diǎn)（時(shí)間、社會(huì )、情緒、心理表征維度）。此外，每個(gè)參與者在不超過(guò)一周的時(shí)間內完成了兩次相同的實(shí)驗，以評估實(shí)驗的可重復性。研究結果顯示，出聲匯報并沒(méi)有顯著(zhù)改變自發(fā)思維的頻率和內容特征，具有較高的生態(tài)效度和較好的可重復性。

　　基于方法的可行性，研究進(jìn)一步探討了使用NLP計算的反應自發(fā)思維內容特征的指標是否具有行為意義，并考察了特質(zhì)反芻和自發(fā)思維之間的關(guān)系。研究使用Google團隊于2018年發(fā)布的基于Wikipedia包含的各種語(yǔ)言?xún)热蓊A先訓練的BERT模型，將每個(gè)自發(fā)思維情節中包含的句子映射成768維固定長(cháng)度的向量，定量地計算時(shí)間段之間思維內容的差異性（圖1.Section 1）。此外，該研究訓練了一個(gè)基于BERT模型的文本情感分類(lèi)器來(lái)檢測思維內容中的悲傷情緒表達（圖1. Section 2）。

　　研究結果表明，由NLP定量計算的思想內容指標是有效的。同時(shí)，研究驗證了自發(fā)思維和反芻之間的關(guān)系，并發(fā)現反芻子維度——反思（reflection）和沉思(brooding)可以通過(guò)檢測自發(fā)思維的內容差異性和悲傷情緒表達來(lái)識別。

　　圖1.出聲匯報自然語(yǔ)言處理分析流程圖

Section 1: 使用BERT模型將每個(gè)自發(fā)思維片段中包含的句子映射成768維的向量。出聲匯報的10分鐘階段被分成兩個(gè)5分鐘的片段，基于兩個(gè)片段的和向量計算弧度差以檢測兩個(gè)片段之間思想內容的差異性

Section 2: 基于24400個(gè)微博句子訓練情緒識別模型，該模型在8類(lèi)情緒識別任務(wù)中準確率達到了78%。將出聲匯報的內容輸入該情緒分類(lèi)器中以量化報告的悲傷想法的程度

　　該研究提供了一個(gè)新的框架，即采用自然語(yǔ)言處理檢測靜息狀態(tài)下的自發(fā)思維，擴展了對自發(fā)思維內容的研究，并適用于靜息狀態(tài)的大腦功能成像。

　　該研究目前已在線(xiàn)發(fā)表于Behavior Research Methods。心理所李慧嫻和魯彬為共同第一作者，心理所研究員嚴超贛為通訊作者。

　　該研究受到國家重點(diǎn)研發(fā)計劃(2017YFC1309902)、國家自然科學(xué)基金(1671774, 81630031)、“十三五”信息化規劃抑郁癥靜息態(tài)功能磁共振成像特色數據庫(XXH13505)、北京市科技委員會(huì )(Z161100000216152)等的資助。

　　論文信息：

　　Li, HX., Lu, B., Chen, X. et al. Exploring self-generated thoughts in a resting state with natural language processing. Behav Res (2021). https://doi.org/10.3758/s13428-021-01710-6

　　參考文獻：

　　Smallwood, J., & Schooler, J. W. (2015). The Science of Mind Wandering: Empirically Navigating the Stream of Consciousness. Annual Review of Psychology, Vol 66, 66, 487-518. https://doi.org/10.1146/annurev-psych-010814-015331