✨ 要点🔬 技术摘要
这篇论文就像是一份**“网络情绪体检报告”，专门调查了在过去十年里，人们在 Facebook 上看新闻时，是如何表达一种叫做 “幸灾乐祸”（Schadenfreude）**的复杂情绪的。
简单来说，就是研究：当看到别人（尤其是政治对手或讨厌的人）倒霉时，我们心里有多开心？这种开心在网络上是怎么表现出来的？
为了让你更容易理解，我们可以把这篇研究想象成一场**“全球网络情绪大观察”**。
1. 他们是怎么做的？（像侦探一样收集线索）
研究人员就像一群数字侦探 ，他们收集了美国、英国和印度这三个国家里，不同立场（左派、右派、中间派）的新闻机构在 Facebook 上发布的近 10 年（2015-2024）的数据。
抓“倒霉事” ：他们先找出那些报道“坏消息”的帖子（比如某人落选、公司破产、丑闻爆发）。听“评论区” ：然后，他们利用人工智能（AI）和人工审核，去读几百万条评论，看看大家在看到这些倒霉事时，是在同情 （“哎呀，真可怜”），还是在愤怒 （“太气人了”），或者是在幸灾乐祸 （“活该！哈哈！”）。
2. 他们发现了什么？（三个核心故事）
故事一：表情包只是“冰山一角”
Facebook 上有“哈哈”、“难过”、“生气”等表情包按钮。
表面现象 ：大多数人看到倒霉事，点的是“难过”或“生气”。深层真相 ：如果你只看表情包，会以为没人幸灾乐祸。但当你真正去读评论 时，发现“幸灾乐祸”的比例高得惊人！
比喻 ：表情包就像是在公共场合捂嘴偷笑 ，不敢大声笑出来；而评论则是关起门来放声大笑 ，甚至还要发朋友圈炫耀。在印度，这种“关起门来大笑”的比例甚至高达 42%（即每 10 条关于倒霉事的评论里，就有 4 条是在幸灾乐祸）。
故事二：谁最爱“看笑话”？（国家与立场的差异）
国家差异 ：
印度 ：是“幸灾乐祸”的冠军。那里的网友看到对手倒霉，笑得最开心。美国和英国 ：虽然也有，但相对克制一些，更多表现为愤怒或悲伤。
立场差异 ：
右派（保守派） ：普遍比左派更容易幸灾乐祸。比喻 ：如果把政治比作一场球赛，右派球迷看到对方球队输球，往往笑得更大声；而左派球迷虽然也笑，但稍微收敛一点。
故事三：最有趣的发现——“权力”如何改变笑声？
这是论文最精彩的部分。研究人员发现，当你的政党掌权时，你和当你的政党在野时，幸灾乐祸的方式完全不同。
左派（当权时） ：表现出**“权力许可型”**幸灾乐祸。
比喻 ：就像**“赢了比赛的队长”**。当左派政党掌权时，他们觉得“现在是我们说了算”，所以看到对手倒霉，他们笑得更大声、更理直气壮，仿佛在说：“看，这就是我们掌权后的样子！”
右派（在野时） ：表现出**“权力补偿型”**幸灾乐祸。
比喻 ：就像**“输掉比赛的啦啦队”。当右派政党 失去**权力（在野）时，他们反而笑得最开心。这就像是一种心理补偿：“虽然我们现在没权，但看到你们（掌权者）倒霉，我就觉得心里平衡了，甚至更爽了！”结论 ：右派在“输”的时候，幸灾乐祸的情绪反而比“赢”的时候更强烈。
3. 什么话题最容易让人“幸灾乐祸”？
并不是所有的倒霉事都能让人开心。
最让人开心的 ：涉及道德、政治、宗教 的丑闻。比如“某政客贪污被抓”或“某宗教领袖失德”。这让人觉得是“正义得到了伸张”，所以笑得最开心。最让人难过的 ：涉及自然灾害 （如地震）或体育比赛 的失败。这时候大家更多是同情或遗憾，很难笑得出来。
4. 这说明了什么？（给普通人的启示）
这篇论文告诉我们，“幸灾乐祸”不再是私人的小秘密，它已经变成了一种公开的、甚至被鼓励的政治表演。
情绪极化 ：我们在网上看新闻，不再是为了了解事实，而是为了确认自己的阵营 。看到对手倒霉，是我们确认“我们是对的，他们是错的”的一种方式。平台的推波助澜 ：Facebook 这样的平台，通过点赞、评论和算法，把这种“看笑话”的情绪放大了。它让“嘲笑”变成了一种合法的、甚至能带来快感的政治参与方式。文化差异 ：虽然人类都有幸灾乐祸的本能，但在不同的国家（如印度 vs 欧美），这种情绪表达的程度和方式大不相同，这深受当地政治文化和媒体环境的影响。
总结
这就好比在一个巨大的网络广场 上，大家都在围观一场场“政治摔跤”。
大家嘴上说着“真可怜”，心里其实很多人都在偷笑 。
印度 网友笑得最大声。右派 在输 的时候笑得最开心（为了心理平衡），而左派 在赢 的时候笑得最开心（为了炫耀权力）。这种笑声正在把我们的社会变得更分裂，因为我们在享受对手痛苦的同时，已经忘记了如何去同情他人。
这篇研究提醒我们：下次在社交媒体上看到别人倒霉而忍不住想笑时，不妨停下来想一想，这背后是不是藏着更深的政治偏见和情绪陷阱。
论文技术总结：数字公共领域中的幸灾乐祸（Schadenfreude）
论文标题 ：Schadenfreude in the Digital Public Sphere: A cross-national and decade-long analysis of Facebook news engagement作者 ：Nouar Aldahoul 等 (NYU Abu Dhabi, 土耳其, 巴基斯坦)发表信息 ：arXiv:2601.20413v2 (2026 年 3 月)
1. 研究问题 (Problem)
核心问题 ：
研究背景与缺口 ：
传统心理学将幸灾乐祸视为社会比较、正义感和群体间动态的产物。
社交媒体降低了公开表达私人情感的门槛，将幸灾乐祸从私人感受转变为“表演性”的公共展示。
现有研究多基于个案或短期数据，缺乏跨国家、跨意识形态、长周期（十年）的实证分析，特别是关于其如何随政治权力更迭而变化的机制尚不清楚。
具体研究问题 (RQs) ：
受众对他人不幸新闻表达幸灾乐祸的频率如何？与其他情绪（悲伤、愤怒）相比如何？
幸灾乐祸的表达在意识形态（左、中、右）和国家背景（美国、英国、印度）上有何差异？
哪些类型的不幸事件最易引发幸灾乐祸？
幸灾乐祸的表达随时间（特别是政治权力转移）如何演变？
2. 方法论 (Methodology)
本研究采用大规模数据采集 、人工标注 与大语言模型（LLM）分类 相结合的混合方法。
2.1 数据来源
平台 ：Facebook。时间跨度 ：2015 年 - 2024 年（10 年）。样本范围 ：9 家主要新闻机构，覆盖 3 个国家，每个国家包含左倾、中右倾、右倾各一家：
美国 ：NBC News (左), CNBC (中), Fox News (右)。英国 ：The Guardian (左), Reuters (中), Metro (右)。印度 ：Indian Express (左), Hindustan Times (中), OpIndia.com (右)。
数据量 ：每月每源最多 1000 篇帖子，包含帖子文本、时间戳、公开评论及反应元数据（如“哈哈”、“悲伤”、“愤怒”）。
2.2 数据处理流程
不幸事件识别 (Misfortune Detection) ：
人工标注 ：3 名标注员对 500 篇帖子进行标注（κ = 0.81），定义“不幸”（伤害、丑闻、失败、损失等）。LLM 分类 ：使用 GPT-4o Mini 对大规模数据进行分类。性能 ：准确率 94.8%，F1 分数 88.1%。
幸灾乐祸检测 (Schadenfreude Classification) ：
定义 ：将针对不幸帖子的有毒评论 （toxic comments，包含侮辱、嘲笑、幸灾乐祸、轻蔑语言）定义为幸灾乐祸的代理指标。人工标注 ：对 1000 个“帖子 - 评论”对进行标注（有毒、同情、中性、未知）。LLM 分类 ：对比了三种配置（简单提示、扩展提示、微调模型）。最佳模型 ：微调后的 GPT-4o Mini （5 epochs, batch size 1）。性能 ：准确率 87.3%，宏平均 F1 分数 87.9%（显著优于未微调模型）。
话题分析 ：
使用 GPT-5.2 将不幸帖子分为 8 个领域：道德/意识形态、政治/宗教/制度、社会/群体、经济/企业、名人/文化、个人/日常、体育/竞争、自然/环境。
2.3 统计分析
使用描述性统计比较不同群体和国家的反应。
使用普通最小二乘法 (OLS) 回归 分析政治权力（执政党与媒体立场是否一致）对幸灾乐祸率的影响。
3. 关键贡献 (Key Contributions)
首个大规模纵向实证研究 ：提供了过去十年跨三个国家（美、英、印）和三种意识形态立场的幸灾乐祸量化分析。方法创新 ：构建了基于人类标注和微调 LLM 的自动化管道，能够高精度地从海量评论中识别“幸灾乐祸”这一复杂情感（特别是通过识别有毒/嘲笑性语言）。理论深化 ：揭示了幸灾乐祸并非随机情绪，而是具有高度结构化的社会模式，受意识形态、国家文化和政治权力动态的调节。概念提出 ：提出了“权力许可型幸灾乐祸”（Power-licensed）和“权力补偿型幸灾乐祸”（Power-compensatory）两种机制，解释了不同政治立场群体在执政与在野时的不同情感表达模式。
4. 主要结果 (Results)
4.1 情绪反应模式
主导情绪 ：悲伤（Sad）和愤怒（Angry）是主要反应，但在不幸事件中，“哈哈”（Haha）和“哇”（Wow） 也占显著比例（分别约 14.9% 和 14.7%）。评论 vs. 表情 ：评论中的幸灾乐祸比例远高于表情符号（Haha）。例如在印度，幸灾乐祸评论占比约 42%，而 Haha 表情仅约 24.8%。这表明表情符号可能低估了真实的幸灾乐祸程度。
4.2 国家与意识形态差异
国家差异 ：印度 的幸灾乐祸率最高（约 42%），其次是美国（32%），英国最低（28%）。印度受众更倾向于用幽默而非愤怒回应不幸。意识形态差异 ：右倾受众 的幸灾乐祸率最高（约 38%），中倾（34%）和左倾（31%）依次递减。右倾媒体在报道对手不幸时，更频繁地使用笑声作为信号。
4.3 话题敏感性
高触发话题 ：道德/意识形态 和政治/宗教/制度 类的不幸事件最易引发幸灾乐祸（平均率常超过 0.40，右倾印度媒体甚至达 0.54）。这反映了基于正义感和群体对抗的愉悦。低触发话题 ：自然/环境灾害和体育/竞争类事件引发的幸灾乐祸最低（<0.20），因为缺乏道德能动性或群体敌意。
4.4 时间演变与政治权力动态 (核心发现)
总体趋势 ：幸灾乐祸是数字话语中稳定且演变的特征。权力不对称效应 (回归分析) ：
左倾媒体 ：表现出**“权力许可型” (Power-licensed)** 幸灾乐祸。当左翼政党执政时，其受众对对手不幸的幸灾乐祸增加 （系数 +0.0040）。政治主导地位似乎鼓励了这种 gloating。右倾媒体 ：表现出**“权力补偿型” (Power-compensatory)** 幸灾乐祸。当右翼政党执政时，其受众的幸灾乐祸显著减少 （净效应 -0.0092）；相反，当右翼处于在野/反对地位时，幸灾乐祸加剧 。这表明右翼受众将幸灾乐祸作为一种在政治排斥中的应对机制。
5. 意义与启示 (Significance)
情感极化机制 ：研究证明，情感极化不仅通过认知上的选择性接触发生，还通过从外群体失败中获得愉悦 这一情感机制来强化群体边界并抑制同理心。平台设计的角色 ：社交平台的反应按钮和基于参与度的排序算法，将瞬间的情感转化为可量化的公共信号，使“嘲笑”成为一种被社会合法化的政治参与形式。文化中介性 ：虽然幸灾乐祸是人类普遍能力，但其公开表达方式深受文化传统和媒体生态系统的影响（如印度的高表达率与英美不同）。政策与未来方向 ：
平台需意识到算法可能放大基于群体敌意的幸灾乐祸，加剧社会撕裂。
未来的研究应关注本地媒体系统、监管环境和语言规范如何塑造这些情感边界。
局限性 ：
数据可能受平台审核和用户删除影响（随机噪声）。
LLM 在处理讽刺、反语和文化特定幽默时仍有局限。
观察性设计无法确立因果关系（是接触导致幸灾乐祸，还是 predisposed 个体自我选择媒体？）。
评论者通常比平均用户更活跃和极化，可能无法代表全体公众。
结论 ：动态的、依赖语境的、结构化的社会情感信号 ，揭示了其在跨越意识形态和文化鸿沟时的演变规律。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。