这项发表在《科学进展》（Science Advances）上的研究引入了一种名为"ousiometrics"（本质度量学）的新方法，利用数学方法来测量语言的本质含义。其最引人注目的发现是：人们使用的词汇表现出一种一致且普遍的偏好——安全优先于危险。
这种隐藏的安全偏好可能会改变研究人员研究语言、理解人类行为以及开发能够解读人们言语和文字的人工智能系统的方式。
科学家发现人类语言中隐藏的安全偏好
自20世纪50年代以来，科学界对词义的理解大多依赖于心理学家Charles Osgood等人开创性研究建立的框架。该框架被称为VAD模型，通过三个情感维度来描述含义：效价（积极 vs. 消极）、唤醒度（激动 vs. 平静）和支配度（控制 vs. 顺从）。
这一方法在心理学、语言学和人工智能领域影响深远，尤其是在旨在识别书面语言情感基调的系统中。
然而，佛蒙特大学的研究人员发现证据表明，这一沿用已久的模型忽略了含义组织方式的重要方面。
他们的分析考察了两万多个词汇在各类真实文本中数十亿次的具体使用。研究团队运用先进的计算技术，识别出了一种不同的底层结构。他们发现，传统VAD模型中的三个维度并非如先前假设的那样彼此独立。
相反，他们的结果表明，词义可以通过三个不同的维度得到更有效的描述：力量（弱小 vs. 强大）、危险（安全 vs. 危险）和结构（有序 vs. 混乱）。
这项研究得到了美国国家科学基金会、谷歌、MassMutual及其他资助机构的支持。研究发现，这一新框架解释了所测词义中90%以上的变异，而传统VAD方法约能解释72%。
>随着大语言模型、自动化内容审核及其他人工智能技术日益依赖对人类交流的理解，这一改进可能尤为重要。
为什么人类语言偏好安全而非危险
>这项研究最出人意料的发现之一，出现在研究人员考察词汇在日常交流中实际出现的方式时。
在书籍、新闻报道、社交媒体和口语中，与安全相关的词汇出现的频率远高于与危险相关的词汇。
这一发现为一种人们熟悉的现象——"波莉安娜原则"（Pollyanna principle）——提供了新的解释。该原则描述了人类语言倾向于使用积极而非消极词汇的现象。
几十年来，研究人员通常将这种模式解读为人们偏好积极情感表达的证据。而新的分析表明，可能存在某种更根本的原因。
据研究人员称，这种明显的积极性偏好很大程度上反映了对安全的底层偏好。
"波莉安娜原则的积极性偏好，"该研究总结道，"实际上是一种底层安全偏好在一维上的投影。"
"这是这项工作得出的一项重大观察，"佛蒙特大学复杂系统研究所所长、该研究的资深作者Peter Dodds说，"安全的表达对所有语言都至关重要。"
人类语言是否由生存塑造？
这一发现引出了一个耐人寻味的可能性：人类语言的结构可能反映了与生存相关的演化压力。
从这个角度看，词汇不仅仅是传递情感。它们还帮助人们识别威胁、评估不确定性、建立信任并与他人协调行动。
区分安全与危险的能力对生存至关重要。研究人员认为，这一人类的基本优先事项也可能影响语言中含义的组织方式。
在日常生活中，人们不断交换关于个人、地点、情境和行为是具有威胁性还是安全的信息。新发现表明，这些区分在交流中可能比以前认识的更为核心。
这些发现还为积极语言为何如此普遍提供了不同的解释。许多积极的词汇可能不仅仅是在表达快乐或赞同，而是在传递一种安全、稳定或可预测的感觉。
佛蒙特大学计算故事实验室的博士后研究员、该研究的合著者Julia Zimmerman表示，新识别出的三个维度反映了人类生活中根本性的体验。
"力量、危险和结构，"她说，"与每一个曾经生活过的人息息相关。"
研究人员也早就认识到，人们倾向于使用与善良和低攻击性相关的语言。该团队认为，这些人们熟悉的现象可能源于同一个更深层模式。
"我们现在明白，"该团队写道，这些现象是"一种底层语言安全偏好的影子"。
尽管这些结果与语言和生存之间可能存在的联系相一致，但它们并未证明演化压力直接导致了这种安全偏好。
一项可能改变AI理解语言方式的发现
这些发现的意义远不止于语言学。
许多人工智能系统使用情感分析来判断语言表达的是积极、消极还是中性的情感。一些方法还借助传统的VAD框架来测量情感含义。
如果该框架未能完全捕捉语言的底层结构，那么围绕它构建的系统可能会忽略人们所传达信息中的重要区别。
研究人员建议，纳入力量、危险和结构维度最终可能帮助人工智能模型更准确地解读语言，并更JianCe地解释其评估结果。这在分析信任、风险和决策时可能尤为有用。
在语言学领域，这些发现提供了一种理解含义基础的不同方式。新框架不再将情感基调视为主要的组织原则，而是强调与力量、安全和可预测性相关的区分。
心理学也可能受到影响。数十年的研究都使用VAD模型来研究情感、知觉和行为。一组不同的基本维度可能促使研究人员重新思考其中一些发现的解释方式。
这一发现还可能引起神经科学家的兴趣。人脑对威胁和安全信号高度敏感，而新识别出的语言偏好表明，这些生物学上的优先事项可能反映在语言中。这种潜在联系可能帮助研究人员探索大脑活动与符号交流之间的关系，尽管要确立这种联系还需要进一步的研究。
一种测量词汇隐藏含义的新工具
为了研究这些模式，研究人员创建了旨在测量海量书面和口语语料含义的分析方法。
他们的核心创新之一是"ousiometer"（本质计），这是一种快速评估大量文本本质含义并生成平均含义得分的工具。
（"ousia"一词源自古希腊语，是英语单词"essence"（本质）的词根。）
本质计建立在该研究团队早先开发的"hedonometer"（快乐计）工具的基础上。快乐计测量语言的整体情感基调，而新方法则考察更广泛的含义模式。
研究人员证明，本质计能够分析来源极为不同的材料，包括简·奥斯汀的小说、阿瑟·柯南·道尔的夏洛克·福尔摩斯故事、《纽约时报》、维基百科、Twitter以及脱口秀广播节目的文字记录。
该工具还能追踪随着故事展开含义的变化。
例如，研究人员分析了维克多·雨果《悲惨世界》的英译本，并绘制了整部小说含义变化的图谱。
他们将这种变化模式称为"本质度量轨迹"（ousiometric trajectory）。这一可视化图像形似扭曲的多彩蛋白质，叙事在一个基于四组对立维度的网格上移动：危险/安全、弱小/强大、温和/激进、坏/好。
通过追踪这一路径，研究人员可以观察文本的底层含义如何从故事的一个部分变化到另一个部分。
为什么统计词频会改变结果
另一项重要创新涉及区分词汇本身与人们实际使用它们的频率。
在语言学中，研究人员将单个词汇描述为"类符"（type）的范畴，而词汇在文本中的每次出现被称为"例符"（token）。
（例如，作为范畴，"苹果"是一个类符，而"苹果"一词在句子中每次被使用都是一个例符。）
这一区分很重要，因为一个出现数百万次的词汇对日常交流的贡献远大于一个很少使用的词汇。
早期的研究往往不考量词频，赋予每个词汇同等的重要性。而佛蒙特团队则纳入了词汇在真实交流中的出现频率，从而揭示出原本可能保持隐藏的模式。
这种方法对于识别对安全相关语言的普遍偏好尤为重要。
这个十人研究团队由佛蒙特大学工程与数学科学学院的Peter Dodds和Chris Danforth教授领衔。他们的合作者包括来自圣塔菲研究所、奥地利复杂性科学中心、霍华德·休斯医学中心、加州大学伯克利分校、阿德莱德大学以及MassMutual数据科学部门的研究人员。
重新思考人类语言揭示了关于我们自身的什么
理解这种隐藏的安全偏好，可能会对研究人员研究全社会交流的方式产生影响。
如果词汇始终反映对安全的偏好，这种倾向可能会影响故事的讲述方式、信息的传播方式，以及人们对事件和经历的理解方式。
这些发现最终可能为政治传播、心理健康信息传递以及旨在与人互动的人工智能系统的研究提供参考。
更广泛地说，这项研究挑战了认为人类语言主要可以通过快乐、恐惧和兴奋等情感来理解的观点。
相反，研究人员提出，含义具有与力量、危险和秩序相关的更深层结构。他们的发现表明，语言可能反映了人类在不确定环境中穿行、维持人际关系和识别威胁时所面临的挑战。
通过揭示这一此前被忽视的结构，该团队提供了一种理解词汇传递了什么、以及为何某些类型的含义主导日常对话的新方式。他们的研究表明，人类语言与我们基本安全需求的联系，可能比科学家传统上所认识到的更为紧密。