社交网络用户自我披露水平与其人格特质之间的关联研究

张凯亮 臧国全 路杭霖 于政杰

摘 要：[目的/意义]基于社交网络用户自我披露的历史数据，挖掘用户人格特质与其自我披露水平的内在关联，为社交网络平台制定差异化运营策略、提高用户自我披露水平提供参考，促进社交网络平台的健康快速发展。[方法/过程]以新浪微博为例，采用网络爬虫抓取用户的历史数据，统计其自我披露水平;将大五人格模型与LIWC词典相结合，构建LIWC特征词与五类人格特质的映射关系，依据用户的实际微博文本计算其人格特质;结合上述两个结果，探索用户人格特质与其自我披露水平的关联。[结果/结论]社交网络用户自我披露水平与其人格特质之间存在关联性。外向性与开放性人格特质与用户自我披露的整体水平显著正相关;尽责性和神经质性人格特质与用户自我披露的整体水平显著负相关，但神经质性人格特质与公开发布微博比例显著正相关;宜人性人格特质与用户公开发布微博比例显著负相关，但与用户自我披露的整体水平无显著相关性。

关键词：社交网络;微博用户;人格特质;自我披露;差异化运营策略

DOI：10.3969/j.issn.1008-0821.2022.06.005

〔中图分类号〕G252.0 〔文献标识码〕A 〔文章编号〕1008-0821（2022）06-0049-08

Abstract：[Purpose/Significance]Based on the historical data of social network users，this paper explores the internal correlation between users personality traits and their self-disclosure level，which can provide reference for social network platforms to formulate differentiated operation strategies and improve users self-disclosure level，so as to promote the healthy and rapid development of social network platforms.[Method/Process]Sina Weibo was selected as the representative of social network platform，and historical data of users were captured by web crawler technology，and their self-disclosure level was calculated;Based on LIWC psychological dictionary，the mapping relationship between LIWC feature words and five personality traits was constructed，and the personality traits of users were calculated according to their weibo posts;Combined with the above two results，the relationship between users personality traits and their self-disclosure level was explored.[Result/Conclusion]Social network users self-disclosure level is correlated with their personality traits.Extroversion and openness are positively correlated with the overall level of users self-disclosure.Conscientiousness and neuroticism were negatively correlated with the overall level of users self-disclosure，but neuroticism was positively correlated with the proportion of public microblog.The personality trait of agreeableness is negatively correlated with the proportion of users microblog Posting，but not with the overall level of users self-disclosure.

Key words：social network;Weibo users;personality traits;self-disclosure;differentiated operation strategy

社交網络的发展主要依赖于用户自我披露，即用户自愿、主动地将个人信息向他人展示并分享的行为。然而，近几年用户隐私被泄露的案例屡见不鲜（例如“剑桥分析丑闻[1]”“1.59亿LinkedIn用户数据泄露事件[2]”等），对用户的自我披露水平产生了负向影响。因此，如何有效提升用户自我披露水平，进而向其提供更高水平的个性化服务，成为当前社交网络平台的发展瓶颈。已有较多研究基于隐私计算理论[3]、计划行为理论[4]、沟通隐私管理理论[5]以及社会交换[6]等理论，验证了感知风险、感知收益、人口统计学等因素与用户自我披露的关联。也有一些研究[7-10]探索了用户人格特质与其自我披露的关系，但几乎均采用问卷调查法获取用户人格特质和自我披露水平的主观报告结果，据此进行相关性分析。然而，不少研究已表明[11]，问卷调查法可能存在假设性偏误问题。66DBC426-1084-4E1A-B9AE-31DE04CCCD64

鉴于此，本研究基于社交网络用户的行为数据，探索其人格特质与自我披露水平的关联，得出结论应该更客观真实。社交网络保存着大量用户自我披露的历史数据，一方面，可统计出用户的自我披露水平;另一方面，用户自我披露内容是其人格特质的真实表达，可据此挖掘出其人格特质。因此，本研究使用网络爬虫获取用户自我披露的历史数据，以大五人格模型为框架，挖掘用户的人格特质，统计其自我披露水平，测度用户人格特质与其自我披露水平的关联程度，探索用户人格特质与自我披露的内在机理。研究成果可为社交网络运营商制定差异化运营策略、提高用户自我披露水平提供帮助，从而促进社交网络平台的健康快速发展。

1 文献综述

学界已从社会学、心理学、传播学等不同理论和视角，对用户自我披露进行了大量研究。本文筛选出在社交网络情景下用户自我披露的代表性研究，对其采用的理论基础与研究变量进行归纳总结，如表1所示。

根据表1，现有研究将用户自我披露的主要影响因素归纳为“感知风险和感知收益（基于隐私计算理论）”“行为态度、主观规范和感知控制（基于计划行为理论）”“隐私规则、信任和感知控制（基于沟通隐私管理理论）”“感知风险、感知收益和信任（基于社会交换理论）”等。总结已有文献的研究思路，可分为两种：①以单一理论为基础框架，引入新变量或重新定义已有变量，构建新的研究模型。例如，李纲等[13]在隐私计算理论的基础上，引入信任变量，并将信任划分为对社交网络的信任和对社交网络用户的信任，以此分析用户自我披露行为;②多种理论相结合，从中选取部分变量，构建不同的研究模型。例如，Xu F等[12]基于隐私计算理论和计划行为理论，分析了社交网站用户自我披露行为;郭海玲等[15]将隐私计算理论与沟通隐私管理理论相结合，构建了社会化媒体环境下用户自我披露研究模型。

随着相关研究逐渐增多，也有学者开始关注人格特质与自我披露之间的关系。比如，Chen X等[7]将人格特质作为调节变量，分析社会资本对用户自我披露的影响;Amichai-Hamburger Y等[8]调查发现，Facebook用户的行为数据与人格特质存在相关性，开放型用户会公布更多个人信息;Bansal G等[9]在不同情境下，证明人格特质通过信任间接影响用户自我披露水平;刘百灵等[10]通过对社会化商务用户自我披露的研究，发现人格特质对用户自我披露行为有显著影响。然而，已有研究结论并不完全一致。比如，Correa T等[18]和Gosling S D等[19]的研究表明，外向型用户更愿意使用社交网络与他人交流;而Moore K等[20]认为，内向型用户反而更有可能在社交网络中披露更多个人信息。

本研究认为，上述研究结论不一致的原因是现有研究几乎均采用问卷调查获取用户的人格特质和自我披露水平，而问卷调查法可能存在假设性偏误[11]，由此导致研究结果存在差异。为解决现有研究在研究方法上可能产生的偏差，本研究拟使用网络爬虫获取、挖掘用户的自我披露数据，探究用户人格特质与自我披露水平之间的内在联系。该方法的优点在于，网络爬虫获取的是用户的历史行为数据，而问卷调查获得的是用户自我报告的数据，相较之下，前者的数据体量大，且相对真实，能够更客观反映用户自我披露行为。

2 理论基础与研究工具

2.1 大五人格模型

人格（Personality）是指个體气质、情感、态度以及行为反应模式的整合，且稳定存在[21]。特质（Trait）是人格最基本的建构单元，是一种相对稳定的、持久的倾向，所有特质按其重要程度排序构成人格整体[22]。心理学家通过词汇学的方法探索人格的描述词汇，发现有5种特质可涵盖人格描述的所有方面，分别为开放性（Openness）、尽责性（Conscientiousness）、宜人性（Agreeableness）、外向性（Extraversion）与神经质性（Neuroticism）。这5种人格特质经过心理学界不断的重复发现和反复验证，最终成为心理学领域公认的人格特质模型，即大五人格模型[23]。关于大五人格特质的相关描述，如表2所示。

该模型提供了一个人格定义框架，统一了个体在人格方面的差异，在不同年龄、性别和文化中具有普遍性，不同的心理学测试方法不会改变大五人格模型的有效性，因而得到广泛应用。如今，大五人格模型被誉为“人格心理学里通用的货币”，是对人格特质最理想的描述之一[24]。

本研究探索用户自我披露水平与其人格特质的关联，首要问题就是获取用户的人格特质。鉴于大五人格模型应用的广泛性，本研究选择该模型作为基础框架，调查用户在大五类人格特质维度上的实际表现。

2.2 “语言探索与字词计数”词典

“语言探索与字词计数”词典（Linguistic Inquiry and Word Count，LIWC）由心理学家Pennebaker J W[25]于1990年开发，用于文本词语的量化分析。随后，中国台湾学者黄金兰等对LIWC词典进行翻译、改编，形成LIWC词典中文版，使之适用于中文语境。最新的LIWC词典于2015年更新，包含77个特征词类，总计9 049个词，示例如表3所示。

由于LIWC词典具备良好的信效度，目前已被心理学领域广泛应用。本研究将LIWC词典与大五人格模型相结合，基于LIWC词典的规则对用户自我披露的文本内容进行分词、归类，进而计算用户自我披露的文本内容中蕴含的人格特质。

3 研究设计

据新浪官方统计[26]，截至2020年12月，新浪微博平均日活跃用户为2.24亿，已成为国内主流的社交网络平台。因此，本研究以新浪微博为例，分析用户人格特质与其自我披露水平的关联。

3.1 数据获取

3.1.1 样本数据项

根据网络爬虫的工作原理及本研究的实际需求，包括两类样本数据：66DBC426-1084-4E1A-B9AE-31DE04CCCD64

1）用户的个人数据，指新浪微博允许用户填写的个人数据，包括基本信息、联系信息、职业信息、教育信息和标签信息等。

2）用户的历史微博数据，包含用户已发布的微博文本、发布微博时的位置标签、已发布的微博总数等。

3.1.2 用户样本选择

从账户活跃度和账户实际运营者两个维度选择用户样本，理由如下：

1）账户活跃度。本研究基于用户发布的微博文本计算其人格特质，若其微博数量过少，计算结果可能不具备参考性。因此，本研究设定筛选标准为：账户注册时间满1年以上，且发布微博总数不低于50条。

2）账户实际运营者。根据新浪微博账户的实际运营者，可大致划分为普通个体账户和机构运营账户。以官方、明星或专业博主为代表的机构运营账户发布微博大多是商业或宣传目的，不具备人格特质。因此，用户样本不应包含机构运营账户。机构运营账户的显著特征之一是粉丝数量多，为降低筛选成本，本研究将粉丝数量大于5 000的账户判定为机构运营账户，予以剔除。

3.2 LIWC词典与大五人格的关系映射

Mairesse F等[27]通过问卷调查获取用户的大五人格特质，并基于用户即兴回答的文本内容，检验了LIWC词典中每一类特征词与大五人格特质的相关性，该项研究成果已被广泛应用。本研究参考Mairesse F等的研究成果，选择LIWC特征词与人格特质显著相关（P<0.05）的相关性系数，作为LIWC特征词在大五人格模型中每种人格特质上的参考值。由于LIWC词典包含77个特征词类，正文无法详细列举，仅列举部分特征词与大五人格特质的相关性系数作为示例，如表4所示。

3.3 人格特质计算

1）文本清洗。用户发布的原始微博文本为自然语言，需对其进行过滤和清洗，主要是删除“@用户名”“#微博话题#”和广告类微博。

2）文本分词。利用Python的第三方库“Jieba”对清洗后的微博文本进行分词，将用户发布的微博长文本转换为纯词组的文本，并统计词频总数，记为n。

3）词组匹配。若微博词组被LIWC词典检索命中，则直接赋予该词组相应的特征词标签;反之，则计算该词组与LIWC词典中每类特征词之间的语义相似度。基本思路如下：首先，基于PaddleNLP提供的开源预训练词向量模型“w2v.baidu_encyclopedia.target.word-word.dim300”[28]计算各类特征词标签下所有词的词向量，将某一类特征词标签下所有词向量在各维度的均值作为该类特征词标签的欧氏空间位置;其次，基于上述预训练词向量模型获取未被LIWC词典检索命中微博词组的词向量;最后，计算各类特征词标签空间位置与该词空间位置的余弦相似度，取相似度最高的特征词标签作为该词的类标签。

4）基于词组匹配结果，统计用户公开发布的微博文本中每类特征词的词频，记为Fj（j∈[1，77]）。

5）人格特质的分值计算。基于特征词标签的赋值结果，以及表4的LIWC特征词与大五人格特质的映射关系，计算用户在每一类人格特质维度的分值，记为Pi（i={O，C，E，A，N}），见式（1）：

Pi=∑77j=1Kij*Fjn（1）

i={O，C，E，A，N}， j∈[1，77]

其中，Kij是第j类特征词与第i类人格的相关性系数，Fj是第j类特征词的词频。

3.4 自我披露水平计算

已有研究从用户发布微博文本的“语义维度”“空间维度”“数据权限”维度分析其自我披露水平，研究表明，用户发布微博时设置的访问权限和位置标签显著影响其自我披露水平[29]。另外，微博平台允许用户自定义披露其个人数据，包括地区、性别、性取向、感情状况、生日、血型、个人简介、联系方式、职业信息、教育信息和标签信息等个人数据项，但不同用户选择披露的个人数据项数量存在差异，即个人数据完整度不同。因此，本研究从“个人数据完整度”“公开发布微博比例”“公开发布微博中含位置标签的比例”3个维度计算用户的自我披露水平。

1）个人数据完整度。微博平台基于用户实际披露的个人数据项数量，显示其个人数据完整度（该完整度仅对账号主体可见）。因此，可根据平台设定的个人数据完整度，确定个人数据项的权重。首先，选择一个示例账户，完整填写所有的个人数据项，此时，平台显示该账户的个人数据完整度为100%;其次，逐一刪除单个数据项的内容，导致平台显示的个人数据完整度改变，比如，删除“教育经历”时，平台显示的个人数据完整度由“100%”降低至“85%”，由此确定“教育经历”数据项的权重为15%;最后，以此类推，确定所有数据项的权重。结果为：教育经历和工作经历的权重均为15%，出生日期、感情状况、联系方式和姓名的权重均为10%，性别、地区、性取向、血型、个人简介和标签信息的权重均为5%。根据上述确定的个人数据项权重，统计用户实际披露的个人数据项数量，计算其个人数据完整度。

2）公开发布微博比例。微博平台允许用户自定义其微博内容的访问权限，包括所有人可见、粉丝可见、好友圈可见和仅自己可见等。研究表明[30-31]，将自我披露数据访问权限的设定权赋予用户本人，能有效缓解用户隐私焦虑。根据网络爬虫的工作原理，作为一名普通用户访问目标用户的微博主页时，可抓取用户的“已发布微博总数”信息，但仅能访问（抓取）用户将访问权限设置为所有人可见的微博。故，用户公开发布微博数与已发布微博总数的比例是该用户设定其自我披露数据的访问权限的直接体现，也反映其自我披露水平。

3）公开发布微博中含位置标签的比例。用户发布微博时可选择是否添加位置标签，研究表明[32]，基于用户的位置数据与其他公开数据，可能关联分析出用户未披露的其他敏感信息甚至构建用户画像。因此，用户对其位置数据具有较高的隐私敏感度，用户发布微博时是否添加位置标签的行为也能反映其自我披露水平。故，统计用户公开发布微博中含位置标签的比例，作为衡量用户自我披露水平的一个维度。66DBC426-1084-4E1A-B9AE-31DE04CCCD64

综上，本研究以上述3个子维度的均值作为用户自我披露的整体水平。

4 数据统计与分析

4.1 数据统计

2021年6月1日至7月1日，使用Python编写爬虫代码，获取用户数据。为避免“滚雪球”抽样可能产生用户整体特征相似的情况，本研究在数码、美妆、历史、美食等领域分别选择两位有影响力的“大V”博主，抓取在其最新微博下发表评论的用户数据，以覆盖不同年龄、性别和学历等层次的用户群体，保证抽样的合理性。最终，共获取1 582个用户ID，经数据筛选、清洗，剩余1 027个有效账户，约34.6万条微博。

基于上述人格特质计算步骤，计算用户在各人格特质维度的分值。为解决量纲对后续数据分析的影响，采用相对化处理方法消除人格特质分值的量纲，使用户在各人格特质维度的分值均处于0～1的区间内。另外，根据大五人格量表评分标准[33]，换算出各人格特质典型高低分的阈值。最后，统计样本用户在各人格特质典型高低分的占比，如表5所示。

4.2 数据分析

根据上述“人格特质计算”和“自我披露水平计算”的步骤，计算用户在各个人格特质维度的分值和自我披露水平，对其进行皮尔逊（Pearson）相关性检验，结果如表6所示。

1）开放性人格特质与自我披露水平。由表6可知，开放性人格特质显著正向影响用户自我披露水平。开放性反映的是个体对新情景的容忍与探索、对新事物的接受程度。在开放性人格特质维度得分高的用户心态开放、乐于探索，更可能将社交网络当作现实生活的补充，创造新的社交机会，因此与其自我披露水平正相关，这与Bansal G等[9]、李松[34]的研究结论一致。

2）尽责性人格特质与自我披露水平。由表6可知，尽责性人格特质显著负向影响用户自我披露水平。尽责性描述的是个体的自我控制、自我约束能力。在尽责性人格维度得分高的用户较为谨慎、考虑全面，而网络环境的不确定性更容易使其有警惕心理，产生较高的隐私关注，从而降低其自我披露水平[10]。因此，尽责性人格特质与用户自我披露水平显著负相关。

3）外向性人格特质与自我披露水平。由表6可知，外向性人格特质显著正向影响用戶自我披露水平。外向性描述的是个人在社交活动中的行为表现，在外向性人格特质维度得分低的用户多表现为孤僻、不自信和不善于社交，这些特征使其游离于社交网络边缘，在与他人交流的过程中更偏向于沉默。另外，研究表明[35]，外向型用户的隐私关注度相对较低。外向型用户由于社交的需求，对其个人信息的关注程度相对较低，并认为披露个人信息是双方开展社交活动的前提[36]。因此，用户在外向性人格特质维度的得分越高，其自我披露水平也越高。

4）宜人性人格特质与自我披露水平。由表6可知，宜人性人格特质与用户自我披露的整体水平无显著相关性，但与公开发布微博的比例显著负相关。宜人性反映用户表达观点或人际交往时的风格，在宜人性人格特质维度得分高的用户渴望和谐，强调适宜的社会行为。相关研究表明[37]，宜人性与用户自我披露时产生的信任和利他主义有关。因此，在宜人性人格特质维度得分高的用户发布微博时，可能会缩小数据访问权限，通过朋友可见、仅粉丝可见等方式仅与熟悉的人交流，以避免与陌生人观点冲突。因此，宜人性人格特质与用户公开发布微博比例显著负相关。

5）神经质性人格特质与自我披露水平。由表6可知，神经质性人格特质与用户自我披露的整体水平显著负相关，但与自我披露子维度的相关性存在差异。其中，神经质性人格特质与个人数据完整度、含位置标签的微博比例显著负相关，而与公开发布微博比例显著正相关。神经质性是用来描述个体在多大程度上受到负面情绪的影响，在神经质性人格维度得分高的用户情绪波动频繁，应对外部压力能力差;反之，情绪稳定，面对风险更加冷静。完整的个人数据和位置标签会提高隐私泄露的概率，且相关研究表明，神经质型用户具有更高的隐私关注[17]。因此，神经质性人格特质与个人数据完整度和含位置标签的微博比例显著负相关。另一方面，由于在神经质性人格特质维度得分高的用户容易情绪化，敏感的人格特点导致其在现实生活中的朋友可能较少，在社交网络中需要其开放数据访问权限，通过发布微博、回复评论等功能满足网络社交的基本需求。因此，神经质性人格特质与公开发布微博的比例显著正相关。

5 研究结果的应用与局限性

本研究结果的应用之处：社交网络服务商可根据用户人格特质与其自我披露水平的关联性，制定差异化运营策略。①在开放性或外向性人格特质维度得分较高的用户，往往具有更多的社交需求，且隐私关注度相对较低，平台可根据此类用户自我披露内容的特征向其推荐更多的用户或内容，帮助其开阔视野、结识更多朋友，提升用户持续使用社交网络进行自我披露的意愿;②在尽责性或神经质性人格特质维度得分较高的用户，往往具有较高的隐私关注，平台可制定更严格的隐私保护措施，降低此类用户的隐私担忧。比如，此类用户在进行自我披露时，将其关于数据访问权限和位置标签的默认设置更改为“朋友可见”和“不分享地理位置”等。通过更改默认设置等措施，降低隐私泄露的客观风险，促使用户在有序、稳定的社交网络环境中提升自我披露意愿。总之，社交网络服务商要意识到人格特质与用户自我披露水平的内在关联，应根据用户人格特质向其提供个性化服务，提升用户满意度，从而提高其自我披露水平，促进社交网络平台的良性发展。

本研究也存在一定局限性：①未验证人格特质预测的准确率，后期可采用问卷调查的方式获取用户人格特质进行对比，但采用问卷调查获取数据的准确率也有待商榷;②限于篇幅，本研究仅分析了单一人格特质与用户自我披露水平的关联。实际上，用户是多种人格特质相互综合的个体，根据用户在各人格特质维度的得分高低，可将用户群体划分为31种类型。今后的研究，可针对每一种类型的用户，深入分析其自我披露水平。

参考文献66DBC426-1084-4E1A-B9AE-31DE04CCCD64

[1]百度百科.剑桥分析丑闻[EB/OL].https：//baike.baidu.com/item/%E5%89%91%E6%A1%A5%E5%88%86%E6%9E%90%E4%B8%91%E9%97%BB/49935337？fr=aladdin，2022-01-14.

[2]搜狐网.LinkedIn遭黑客攻击，约1.59亿用户数据被窃[EB/OL].https：//m.sohu.com/a/292645813_557054，2022-01-14.

[3]Krasnova H，Kolesnikova E，Günther O.Leveraging Trust and Privacy Concerns in Online Social Networks：An Empirical Study[C]//18th European Conference on Information Systems，Illinois：AIS elibrary，2010.

[4]李征仁.移动互联网环境下用户隐私关注的影响因素及隐私信息扩散规律研究[D].北京：北京邮电大学，2014.

[5]Kim E，Lee J，Sung Y，et al.Predicting Selfie-posting Behavior on Social Networking Sites：An Extension of Theory of Planned Behavior[J].Computers in Human Behavior，2016，62（9）：116-123.

[6]Ko H，Chen T.Understanding the Continuous Self-disclosure of Bloggers from the Cost-benefit Perspective[C]//Conference on Human System Interaction，New York：IEEE，2009.

[7]Chen X，Pan Y，Guo B.The Influence of Personality Traits and Social Networks on the Self-disclosure Behavior of Social Network Site Users[J].Internet Research，2016，26（3）：566-586.

[8]Amichai-Hamburger Y，Vinitzky G.Social Network Use and Personality[J].Computers in Human Behavior，2010，26（6）：1289-1295.

[9]Bansal G，Zahedi F M，Gefen D.Do Context and Personality Matter？Trust and Privacy Concerns in Disclosing Private Information Online[J].Information & Management，2016，53（1）：1-21.

[10]劉百灵，徐阳，吴旋.人格特征对信息披露的影响——以情感为中介[J].现代情报，2021，41（2）：97-106.

[11]Harrison G W，Rutstrm E E.Experimental Evidence on the Existence of Hypothetical Bias in Value Elicitation Methods[J].Handbook of Experimental Economics Results，2008，1（5）：752-767.

[12]Xu F，Michael K，Chen X.Factors Affecting Privacy Disclosure on Social Network Sites：An Integrated Model[J].Electronic Commerce Research，2013，13（2）：151-168.

[13]李纲，王丹丹.社交网站用户个人信息披露意愿影响因素研究——以新浪微博为例[J].情报资料工作，2015，（1）：35-40.

[14]李海丹，洪紫怡，朱侯.隐私计算与公平理论视角下用户隐私披露行为机制研究[J].图书情报知识，2016，（6）：114-124.

[15]郭海玲，马红雨，许泽辉.社会化媒体用户信息披露意愿影响模型构建与实证——以微信用户为例[J].图书情报工作，2019，63（15）：111-120.

[16]Zlatolas L N，Welzer T，Hlbl M，et al.A Model of Perception of Privacy，Trust，and Self-disclosure on Online Social Networks[J].Entropy，2019，21（8）：772-789.

[17]Loiacono E T.Self-disclosure Behavior on Social Networking Web Sites[J].International Journal of Electronic Commerce，2015，19（2）：66-94.

[18]Correa T，Hinsley A W，Zúiga H G.Who Interacts on the Web？：The Intersection of Users Personality and Social Media Use[J].Computers in Human Behavior，2010，26（2）：247-253.66DBC426-1084-4E1A-B9AE-31DE04CCCD64

[19]Gosling S D，Augustine A A，Vazire S，et al.Manifestations of Personality in Online Social Networks：Self-reported Facebook-related Behaviors and Observable Profile Information[J].Cyberpsychology，Behavior，and Social Networking，2011，14（9）：483-488.

[20]Moore K，McElroy J C.The Influence of Personality on Facebook Usage，Wall Postings，and Regret[J].Computers in Human Behavior，2011，28（1）：267-274.

[21]黃希庭.人格心理学[M].杭州：浙江教育出版社，2002.

[22]Allport G W，Odbert H S.Trait-Names：A Psycho-lexical Study[J].Psychological Monographs，1936，47（1）：126-171.

[23]Costa P，McCrae R R.The NEO Personality Inventory Manual[M].Odessa：PAR Press，1985.

[24]彭聃龄.普通心理学[M].北京：北京师范大学出版社，2012.

[25]Pennebaker J W.LIWC2015[EB/OL].http：//liwc.wpengine.com，2022-01-14.

[26]新浪微博数据中心.2020微博用户发展报告[EB/OL].https：//data.weibo.com/report/reportDetail？id=456，2022-01-14.

[27]Mairesse F，Walker M A，Mehl M R，et al.Using Linguistic Cues for the Automatic Recognition of Personality in Conversation and Text[J].Journal of Artificial Intelligence Research，2007，30（1）：457-500.

[28]GITEE.PaddleNLP Embedding API[EB/OL].https：//gitee.com/zzwhe/PaddleNLP/blob/develop/docs/embeddings.md，2022-01-14.

[29]臧国全，孔小换，张凯亮，等.社交网络用户自我披露意愿研究——以新浪微博为例[J].图书情报工作，2021，65（16）：90-97.

[30]Tsai J Y，Kelley P，Drielsma P，et al.Whos Viewed You？：The Impact of Feedback in a Mobile Location-sharing Application[C]//Proceedings of the SIGCHI Conference on Human Factors in Computing Systems，New York：ACM Press，2009.

[31]Sadeh N，Hong J，Cranor L，et al.Understanding and Capturing Peoples Privacy Policies in a Mobile Social Networking Application[J].Personal and Ubiquitous Computing，2009，13（6）：401-412.

[32]Preoctiuc-Pietro D，Cohn T.Mining User Behaviors：A Study of Check-in Patterns in Location Based Social Networks[C]//Proceedings of the 5th Annual ACM Web Science Conference.New York：ACM Press，2013.

[33]Costa P，McCrae R R.Revised NEO Personality Inventory and NEO Five-factor Inventory Professional Manual[M].Odessa：PAR Press，1992.

[34]李松.见微知人：活跃用户的人格特征及其微博呈现[D].厦门：厦门大学，2018.

[35]Aharony N.Relationships Among Attachment Theory，Social Capital Perspective，Personality Characteristics，and Facebook Self-disclosure[J].Aslib Journal of Information Management，2016，68（3）：362-386.

[36]Uffen J，Kaemmerer N，Breitner M H.Personality Traits and Cognitive Determinants——An Empirical Investigation of the Use of Smartphone Security Measures[J].Journal of Information Security，2013，4（4）：203-212.

[37]Pour M J，Taheri F.Personality Traits and Knowledge Sharing Behavior in Social Media：Mediating Role of Trust and Subjective Well-being[J].On the Horizon，2019，27（2）：98-117.

（责任编辑：郭沫含）66DBC426-1084-4E1A-B9AE-31DE04CCCD64