A biographical study of subjective well-being using natural language processing methods
Text data became more frequent in subjective well-being studies due to development of computer-assisted methods for qualitative research. The article examines the possibility of studying subjective well-being based on autobiographical data by means of natural language processing and machine learning. The six-factor model of well-being developed by Carol Ryff was used for its reconstruction in current study. Open coding of the autobiographical texts corpus written by high school students (n = 197) was carried out in accordance with this six-factor model of subjective well-being: self-acceptance, positive relationships with others, autonomy, environmental mastery, purpose in life, personal growth. Fragments describing purpose in life and positive relationships with others are the most frequent in high school students’ autobiographical texts. The labeled data were used to build a baseline machine learning model build upon count and TF-IDF vectorisation as well as logistic regression and random decision forests algorithms. Semantic vectorisation of the text with ruBert (Bidirectional Encoder Representations from Transformers) increased the classification accuracy. The weighted average Fi value in the case of binary classification for “personal growth”, “goals in life”, “positive relationships with others” was 0.92, 0.85 and 0.89, respectively. The results of the study are entirely consistent with the previously described changes in the high school students’ lifeworld and indicate the gradual development of a realistic type of a biographical project. It seems important to conduct experiments with an expanded dataset, as well as testing other language models. Probably, the classification accuracy can be increased by adding part of speech tagging. The trained models can be used to analyze similar autobiographical texts and as a screening test of subjective well-being. The author declares no conflicts of interests.
Keywords
subjective well-being,
biographical research,
machine learning,
high school students,
text data codingAuthors
| Divisenko Konstantin S. | Sociological Institute of the RAS – Branch of the Federal Center of Theoretical and Applied Sociology of the Russian Academy of Sciences | k.divisenko@socinst.ru |
Всего: 1
References
Широканова А.А. Тренды субъективного благополучия в России: 1998-2018 // Вестник Санкт-Петербургского университета. Социология. 2020. Т. 13, № 1. С. 4-24.
Шамионов Р.М., Бескова Т.В. Методика диагностики субъективного благополучия личности // Психологические исследования. 2018. Т. 11, № 60. С. 8.
Кученкова А.В., Татарова Г.Г. Субъективное благополучие: проблема анализа качественной (не)однородности населения (часть 1) // Социологические исследования. 2024. № 4. С. 14-25.
Кученкова А.В. Измерение субъективного благополучия на основе текстов социальных медиа: обзор современных практик // Вестник РГГУ. Серия: Философия. Социология. Искусствоведение. 2020. № 4 (23). С. 92-101.
Осин Е.Н., Леонтьев Д.А. Краткие русскоязычные шкалы диагностики субъективного благополучия: психометрические характеристики и сравнительный анализ // Мониторинг общественного мнения: экономические и социальные перемены. 2020. № 1 (155). С. 117-142.
Дивисенко К.С. Субъективное благополучие: возможности биографического исследования // Петербургская социология сегодня. 2018. № 9. С. 47-61.
Кравченко Ю.А., Мансур А.М., Мохаммад Ж.Х. Векторизация текста с использованием методов интеллектуального анализа данных // Известия Южного федерального университета. Технические науки. 2021. № 2 (219). С. 154-167.
Артемова Е.Л., Максименко А.А., Охрименко Д.А. Применение методов машинного обучения для классификации контента коррупционной тематики в русскоязычных и англоязычных интернет-СМИ // Социология: методология, методы, математическое моделирование (Социология: 4М). 2021. № 52. С. 131-157.
Qualitative Studies in Quality of Life: Methodology and Practice / ed. by G. Tonon. Heidelberg: Springer International Publishing, 2015.
Костина Е.Ю., Орлова Н.А., Панфилова А.О. Образ благополучия в нарративах жите лей Дальнего Востока: результаты исследовательского проекта // Мониторинг общественного мнения: экономические и социальные перемены. 2020. № 1 (155). С. 38-50.
Carrillo A., Martmez-Sanchis M., Etchemendy E., Banos R.M. Qualitative analysis of the Best Possible Self intervention: Underlying mechanisms that influence its efficacy // PLOS ONE. 2019. May. Vol. 14, № 5. P. 1-15.
Loveday P.M., Lovell G.P, Jones C.M. The importance of leisure and the psychological mechanisms involved in living a good life: A content analysis of best-possible-selves texts // The Journal of Positive Psychology. 2018. Vol. 13, № 1. P. 18-28.
Щекотин Е. Цифровые следы как новый источник данных о качестве жизни и благополучии: обзор современных тенденций // Вестник Томского государственного университета. 2021. № 467. С. 170-181.
Щекотин Е.В., Гойко В.Л., Басина П.А., Бакулин В.В. Использование машинного обучения для изучения качества жизни населения: методологические аспекты // Цифровая социология. 2022. Т. 5, № 1. С. 87-97.
Дивисенко К.С. Модели будущей жизни в биографическом проекте старшеклассников // Вестник Пермского университета. Философия. Психология. Социология. 2023. № 4. С. 570-578.
Ryff C.D. Happiness is everything, or is it? Explorations on the meaning of psychological well-being // Journal of Personality and Social Psychology. 1989. Dec. Vol. 57, № 6. P. 1069-1081.
Ryff C.D., Keyes C.L.M. The structure of psychological well-being revisited // Journal of Personality and Social Psychology. 1995. Vol. 69, № 4. P. 719-727.
Шевеленкова Т.Д., Фесенко Т.П. Психологическое благополучие личности // Психологическая диагностика. 2005. № 3. С. 95-121.
Лепешинский Н.Н. Адаптация опросника "Шкала психологического благополучия" К. Рифф // Психологический журнал. 2007. № 3. С. 24-37.
Zmitrovich D., Abramov A., Kalmykov A., Tikhonova M., Taktasheva E., Astafurov D., Baushenko M., Snegirev A., Shavrina T., Markov S., Mikhailov V., Fenogenova A. A Family of Pretrained Transformer Language Models for Russian // Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) / Torino, Italia: ELRA, ICCL, 05/2024. P. 507-524.
