Prose_我的画像：使用ChatGpt 4.0辅助文本分析

我一直想对自己的日记与博文做一个系统的定量分析，但限于精力，始终未抽出功夫。最近稍有空闲，即着手做了这件事。如果说一个人的精神发育史就是他的阅读史，那俏皮些讲，对自我文字痕迹的分析，亦无妨视为是对自我的民族志。从2015年至2024年，近十年的分析跨度，基本反映了我本科以来的思想变化。本文全部代码可复现，见文末。

我的画像：博文与日记

鉴于博文（Post）与日记（Diary）不同，前者包括日记，系全部博客文章数据，后者仅指Diary类别下日记数据，如下统计图均为分别绘制，后不再赘述。

一、数量：博客的逐日 / 逐季度活动强度

本节绘制了博文、日记的逐日与逐季度活动强度图，按字符数计算，共四张。2020年的活动强度十分明显的高于其余年份，较前两年大幅回调，但整体上，随着年龄增长，我的吐槽欲望写作强度有明显下降。

Figure 1. 博文逐日活动强度 Figure 2. 日记逐日活动强度 Figure 3. 博文逐季度活动强度 Figure 4. 日记逐季度活动强度

二、情绪：日记的逐季度情绪均值

本节调用了百度情感分析接口^[1]以分析日记情绪变化，剔除NA后^[2]有1503日被有效识别。按-1为消极、0为中立、1为积极，下图是我的情绪变化。数据化的情绪变迁与我的心理日程基本符合。
有三个有意思的事情，其一是情绪倾向比我预想的要积极很多，这可能是因为百度识别的误差，但也说明俺还算阳光男高！其二是与逐日活动的对照很有意思，2020年的偏消极的情绪与较多的记录，确为难忘的一年。
其三可单列一段，我对季度情绪均值与季度字符数及其二次项拟合，模型显示截距项显著、二次项模型边际显著。截距显著说明情感均值不为零（这不废话嘛！）。二次项的显著性（P值 = 0.092）让我不得不面对一个可能的残酷现实：快乐的男高越写越悲伤（或许我在搬砖），或者是越悲伤的诗人越勤奋（诗人我穷而后工？）。这段情感的起伏与字符数的关系可以用以下的二次回归方程来描述：

$$y = -0.1919x^2 + 0.3945x + 0.2882$$

Table 1. 回归方程

参数	估计值	标准误差	t 值	P 值
Intercept	0.2882	0.1236	2.331	0.0256 *
character_count	0.3945	0.2691	1.466	0.1516
I(character_count^2)	-0.1919	0.1108	-1.732	0.0920 .

其中 $x$ 是以万为单位的字符数。根据模型，我的情绪均值首先随写作量的增加而上升，但达到某个临界点后，就开始走下坡路了。好像我的人生一样。峰值的计算显示，当字符数达到约 $1.03$ 万时，我的情绪均值达到最高点约 $0.49$。超过这个点，每增加1万字符，我的情绪均值降幅可以描述为：

$$\Delta y \approx -0.2$$

考虑到情绪均值的区间是$[-1,1]$，这样的变化幅度确实挺大。科学的、历史的数据提醒我，当我每季度的日记字数接近1万时（大约每天113字），就可以摸鱼了！如果工作量超过每日100字，我就会开始疲倦。果然开摆的人生才是我的归宿。

Figure 5. 日记的逐季度情绪变化 Figure 6. 日记的逐季度字符数与情绪值拟合线

四、词汇：博客的逐年关键词

本节绘制了逐年的博文关键词与日记关键词。明显区别是学术梦碎2024。近两年关键词的变迁很好地反映了我的关注点变化，其一是从社会学转入人口学，其二是业余生活因在京畿地区，参览了很多的古建筑和佛造像。
四月廿四日晚，我和孙畅亦聊起我这两年的转变，其一是将工作和生活分开，其二便是我的审美会追求一些永恒性的东西，佛造像及其背后的文化，在人类个体短暂的生命尺度里，是一种具有永恒性价值的地标，尽管这一地标及其内涵在不断流变。

Figure 7. 博客的逐年关键词 Figure 8. 日记的逐年关键词

五、地图：博客的逐年旅行足迹

本节绘制了逐年的旅行地图。2015年以后，我的大部分旅行都会撰写一份对应的旅记。原本旅行地图放在简介/About中，但俺感觉简介像裹脚布一样又臭又长，挪在这里似乎更合适。

Figure 9. 博客的旅行地图

六、阅读旨趣：博客的分类统计

本节绘制了汇总的博文分类图与标签统计图。
前者按Figure 10与Figure 11，基本反映了我的阅读兴趣。如果加入时间因素，大概我早期的阅读兴趣是都市社会学，最近两年转为健康研究方面，阅读兴趣的转变或可以参照我六年前的自陈与一年前的书单。（六年前好遥远哦！）
后者按Figure 12，数量排在前三位的tag系一级tag，是互斥的book、prose、paper，再加上未被列入的log（2篇），就是我的全部博文数量。数据反映了我的写作内容是围绕着书、随笔以及论文展开，其中关于书的讨论是最多的。除这三个一级tag外，二级tag因并非按互斥设计，仅供参考。其中，我在中国南方的旅行有最高频数，其次是阅读时留存的部分译文，再次是我对当代史、资本主义、转型理论、治理、阶层、计量模型等主题的相关阅读或评议。

Figure 10. 博客的分类饼图（全部）

Figure 11. 博客的分类雷达图（前5位）

Figure 12. 博客的标签统计（前30位）

注：很多博文我没有打标签，该直方图仅供参考。一级tag为互斥组，二级tag允许重叠。

俺的自我分析到此结束，鼓掌！撒花！感谢好兄弟的阅读！题外话，Figure 10 - Figure 12的配色是杏仁白（Almond White）色谱，鸡尾酒里我也很喜欢杏仁酸（Amaretto Sour），看到这篇博文的朋友，有机会俺可以请你一起喝酒！（博士生的出路：体育？ 酒鬼！√）

ChatGpt日志与代码

这篇分析的一个特殊处，是我没有主动coding，大部分的代码工作（80%以上）是ChatGpt 4.0所完成的。按照社会科学的培养模式，我认为其代码能力已不输于很多优秀院校的高年级本科生，作为学术助手，能够极大简化枯燥的数据处理流程。当然，现阶段的大模型仍然存在一定问题，比如在数据分析时，Gpt自行发挥的结果往往不符合预期，更重要的是通过Prompt反馈Gpt我们所需要的图形或模型结果，另如Gpt有时难以处理一些程序报错问题，需要程序外的排查。
事实上，上述也反映了Gpt虽能简化我们的coding工作，但目前的工作流仍是一种人机间持续的反馈与交互过程，这与工业时代依旧存在极大的共通^[3]。因而，尽管Latour所讨论的物与人的联接，在形式上似乎更加复杂、多样，但"我们从未现代过”也不算过时。

为了减少阅读负担，我将大部分技术细节略去，对此感兴趣的朋友可以移步至我的Github查看指令迭代文档。更具体讲：
第一，本文/.md数据全部遵循Hexo框架的格式，例如文档meta中包括title、categories、tags、date等信息，在一致的yaml格式下，相关处理代码可下载并便捷复现。
第二，旅行地图数据相对独立，其处理代码与地图数据可下载。因免费版Github LFS有每月1 GB下载带宽限制，地图文件仅被下载3~4次即额满，下载页面转至Coding，如果你不便从Coding下载，欢迎与我联络。
第三，阅读旨趣部分调用了hexo-statistics-charts插件以直接读写网页数据，但我改动了原始脚本。其一，各统计图仅统计一级分类；其二，饼图按数量的由多到少、顺时针排序，雷达图仅列出文章数量前五位的分类；其三，各统计图色谱均修订为杏仁白（Almond White）色谱，与博客整体色调保持一致，且增加分割线与阴影效果^[4]。如需复现我改动的js效果，下载后替换./node_modules/hexo-statistics-charts/index.js文件即可。
俺的杏仁白色谱如下。

'#45222D', /* 深棕色 */ '#6A3A2C', /* 较深棕色 */ '#8F5348', /* 中棕色 */ '#B66C65', /* 较浅棕色 */ '#D78584', /* 浅棕色 */ '#F2A0A0', /* 更浅棕色 */ 
'#FFB59B', /* 杏仁白 */ '#FFE6C9', /* 浅杏仁白 */ '#FFDAB9', /* 非常浅杏仁白 */ '#F8D7C4', /* 极浅杏仁白 */ '#E6D3CC', /* 灰杏仁白 */ '#D4CFD4', /* 灰白色 */ '#C2CACD' /* 浅灰色 */

脚注

---

1. 调用百度智能云自然语言处理中的情感倾向分析接口，约八元。现有的中文情感分析一般要调用大模型来识别，本地识别错误率仍较高，等有时间调用接口解决。一个猜测是情绪与字符数呈相对一致的变化。 ↩︎

2. NA为调用了网易云播放器的HTML语句，仅3日，因此在实际分析中均被剔除。另仅有1日未识别，原因待排查。 ↩︎

3. 很凑巧，我一朋友Miss Huang，刚好在我写完这篇时，在微信朋友圈发了这样的段子："老板给我一个包含几十张表的Excel，我这辈子都没见过这么脏乱的数据。每一张表都像几百张便利贴缝到一起的百家布，比如有些是一整张表只有一列但是无数空行，或者是分隔符用逗号冒号空格换行什么都有。我说两天搞不定，老板说那喂给GPT去洗，因为这样我们项目就是运用了人工智能的项目。但python读不了这么脏的数据，于是我现在在绝望地给AI手洗数据，以便它可以给我老板洗数据。朋友们，这就是荒谬的人工智能的下沉年代。” ↩︎

4. 题外话，该插件也提供Github逐日图，但仅能够统计文章数量、无法合并历年活动。没有R画的好看。 ↩︎