人格判斷的非語言線索：基于微信交流的透鏡模型分析

摘 要 該研究考查了微信即時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了這些線索在不同互動時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 隨互動時長增加而遞增；（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”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，且隨互動時長增加而同步提高。

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

計算機(jī)媒介交流（簡稱CMC）是指以計算機(jī)互聯(lián)網(wǎng)絡(luò)之間信息傳遞和存儲為基礎(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”，用多個感嘆號（?。。。┐媾d奮，用表情符號代替面部表情等（Harris amp; Paradice，2007），都統(tǒng)稱為CMC 非語言線索（Vandergriff，2013）。此外，消息的時間特性如詞數(shù)、編寫消息的時間和消息編輯的頻率這些即時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，在線約會中使用基于文本的CMC 互動的參與者之間感知到的社會吸引力更大（Antheunis et al.，2020）。實際上，CMC 中個體會將互動對方的積極行為歸因為對他們的喜愛（Walther et al.， 2016）。研究發(fā)現(xiàn)，在文字末尾添加表情符號能讓接收者在信息瀏覽時感到更加輕松舒服和更容易被理解（Forbesamp; Buchanan，2019），同時也更容易被認(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告的表情符號使用呈正相關(guān)，積極表情符號的使用與參與者對目標(biāo)的宜人性、盡責(zé)性和開放性評價呈正相關(guān)（Wall et al.， 2016）。一項來自86702 名國外社交軟件用戶表情符號使用的研究顯示，外傾性、宜人性和神經(jīng)質(zhì)與表情符號使用的總數(shù)量正相關(guān)（Oleszkiewicz et al.， 2017）。Marengo 等人（2017）對人格特質(zhì)和表情符號使用的探索性研究發(fā)現(xiàn)，外傾性與積極表情符號的使用相關(guān)，神經(jīng)質(zhì)與消極情緒表情符號相關(guān)?？刂圃谖谋灸┪蔡砑拥姆钦Z言線索的效價，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)中添加表情符號的客服人員會認(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)點符號也能發(fā)揮重要作用（Riordanamp; Kreuz，2010）；在某些語境中，省略號、感嘆號和問號似乎比表情符號的作用更明顯（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、標(biāo)點符號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、標(biāo)點符號等）在不同互動時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)時是有效的和可利用的；隨著交流時長的增加，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)分配到三個一對一微信互動小組：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），該問卷含五個維度40 個條目，采用Likert6 點評定，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 分自評和他評兩個版本，他評時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。實驗前將目標(biāo)安排在兩個相鄰的房間，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，組建一個兩人群聊。

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

最后，實驗結(jié)束時被試填寫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 條與時間相關(guān)的線索和14 條CMC 線索，CMC 線索中包括表情符號線索（9 條）、標(biāo)點符號線索（2 條）、文字重復(fù)線索（2 條）以及1 條CMC 線索個數(shù)（表情符號線索+ 標(biāo)點符號線索+ 文字重復(fù)線索）。為了平衡同一組內(nèi)在字?jǐn)?shù)與消息量上的個體差異，我們將個體在相同時間內(nèi)使用的各種表情符號數(shù)除以該個體的總消息量，將各個標(biāo)點符號與文字重復(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)計分析，采用相關(guān)分析、t 檢驗和透鏡模型分析方法。

3 結(jié)果分析

3.1 描述性統(tǒng)計

將146 位參與者聊天記錄（ 共計5831 條消息）中出現(xiàn)的非語言線索進(jìn)行統(tǒng)計編碼。結(jié)果顯示，微信交流中發(fā)送的表情符號共1424 個，標(biāo)點符號1252 個，文字重復(fù)578 個，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)自帶的表情符號占41%，其中[ 捂臉] 、[ 破涕為笑] 、[ 齜牙]三個占系統(tǒng)自帶表情符號的56%。同一個體在單次聊天中重復(fù)使用完全相同的表情符號個數(shù)為418，平均重復(fù)率為29.4%。標(biāo)點符號中問號、感嘆號、逗號以及空格鍵（代替逗號使用）占85%，其中問號最高，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 列出了三種互動時長中人格判斷的SOA。數(shù)據(jù)顯示，在微信即時交流中，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。隨著互動時長的增加，平均SOA 系數(shù)呈平緩增長趨勢。在互動時長相差5min 時，外傾性的SOA 增幅最大；而在互動時長相差15 min 時，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，首先將編碼的線索數(shù)據(jù)分別與自我報告和互動對象報告的大五人格分?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)兩條與時間相關(guān)的診斷性線索，即單位時間內(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柨倐€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）。總之，“字?jǐn)?shù)”與“消息量”是10min 組外傾性判斷的診斷性線索，包括“表情符號總個數(shù)和字?jǐn)?shù)的比值”與“‘哈哈哈’重復(fù)個數(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 是微信即時交流中不同互動時長的線索敏感性。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），這主要歸因于觀察者對多數(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、標(biāo)點符號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)自帶表情符號的廣泛使用反映了個體微信交流的個性化，即使是同一個體的使用重復(fù)率也不超過30%。這種個性化的表情符號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，也更容易理解他人表情符號發(fā)送的意義與意圖，在吸引接受者注意力的同時，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，三個互動組的所有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，事實上，常用的絕大多數(shù)表情符號都是積極的（Novak et al.， 2015）?？傊钦Z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)了個體更為積極主動的交際行為。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的使用錯誤估計其外傾性水平，亦即將發(fā)送更多的表情符號與低外傾性有關(guān)。這和以往表情符號與對發(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的語境適合性有關(guān)。表情符號需要結(jié)合語境進(jìn)行解讀（Betz et al.， 2019），合適的表情符號會讓人感覺舒服（Chen amp; Siu，2017），而為了選擇合適的表情符號可能需要花費(fèi)更多的精力。

分析還發(fā)現(xiàn)，在20min 組中，個體的盡責(zé)性與“表情符號個數(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)語法或文字錯誤會降低接收者對勤奮程度、團(tuán)隊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，國外社交軟件中表情符號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的使用可能會產(chǎn)生消極影響。與真實微笑相反，CMC 中一個笑臉表情符號并不會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，這種表情符號的獨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 透鏡分析與互動時長

本研究中各特質(zhì)的平均SOA 與線索敏感性在時間上的變化同步，表明非語言線索在人格判斷準(zhǔn)確性中發(fā)揮了作用。增加一倍的互動時長（5～10min），觀察者在與時間相關(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，同時外傾性被準(zhǔn)確判斷。繼續(xù)增加一倍的互動時長（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)確性的增加與互動時長有關(guān)，這可歸因于非語言線索的有效性和利用性隨互動時間的增加而提高。事實證明，只有提供足夠長的交流時間，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一類的非語言信息。有研究表明，在即時通訊中女性會比男性使用更多的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，本研究與真實的微信交流有一定差別。因為現(xiàn)實中陌生人之間的微信互動通常會圍繞某件事情展開并帶有更強(qiáng)目標(biāo)性，互動時長是個體自行控制的。當(dāng)個體通過微信交流達(dá)到自己目的以后可能會選擇直接結(jié)束聊天。未來研究可選擇恰當(dāng)?shù)幕釉掝}或任務(wù)，控制互動次數(shù)而不是互動時長，以還原真實互動情境。

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”（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 隨互動時長增加而遞增；（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，且隨互動時長增加而同步提高。

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 （ 社會科學(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. 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.