曹 晨，張衛(wèi)國(guó)，黃 俊，2

（1.西南大學(xué)經(jīng)濟(jì)管理學(xué)院，重慶400715；2.澳門城市大學(xué)商學(xué)院，澳門999078）

一、緒 論

2019 年美國(guó)Facebook（臉書）的一名華人工程師跳樓自殺，據(jù)媒體調(diào)查直接原因是不堪承受公司內(nèi)部辦公室政治的“玩弄”，該事件使職場(chǎng)辱虐管理現(xiàn)象被社會(huì)各界關(guān)注[1]。事實(shí)上辱虐管理普遍地存在于職場(chǎng)之中，根據(jù)2009年智聯(lián)招聘的調(diào)查，超過(guò)半數(shù)的職員曾遭受過(guò)職場(chǎng)冷暴力。任何事件的影響都不是單一的，職場(chǎng)辱虐管理的后果可能擴(kuò)散到觀察或聽聞他人受到辱虐管理的“第三方”，這些“第三方”意識(shí)到不公正現(xiàn)象的發(fā)生,并且引起他們的知覺(jué)或者情感評(píng)價(jià)[2]。

現(xiàn)有文獻(xiàn)較多是對(duì)遭受辱虐管理的當(dāng)事人開展研究。例如：基于自我認(rèn)知理論，當(dāng)員工遭受到辱虐，一方面他可能會(huì)傾向于認(rèn)為自身價(jià)值較低，從而降低組織自尊感，進(jìn)而減少建言行為[3]，另一方面會(huì)傾向于對(duì)上司產(chǎn)生報(bào)復(fù)認(rèn)知，從而激發(fā)員工的偏差行為[4]；基于自我決定理論，辱虐管理會(huì)影響下屬的心理健康[5]；基于歸因理論，受虐當(dāng)事人會(huì)傾向于將辱虐歸因于自身，從而引發(fā)組織公民行為[6]；基于資源保存理論，遭受辱虐的員工感知到資源的減少，一是很難應(yīng)付壓力[7]，二是產(chǎn)生情緒耗竭[8]，三是引發(fā)工作-家庭沖突[9][10]，四是降低工作績(jī)效[11-13]；基于社會(huì)交換理論，受虐當(dāng)事人會(huì)降低對(duì)領(lǐng)導(dǎo)的信任，并會(huì)降低和上司的直接互動(dòng)[14]；基于社會(huì)學(xué)習(xí)理論，員工可能會(huì)模仿上司的辱虐管理，從而引發(fā)團(tuán)隊(duì)沖突[3]。

Tepper 提出：辱虐管理的研究若能兼顧“第三方”的視角，這將比僅從實(shí)施者、受虐者的視角來(lái)詮釋更為全面和有力，從而豐富辱虐管理領(lǐng)域的研究[15]。但是，現(xiàn)有文獻(xiàn)大多是把職場(chǎng)辱虐管理看作是實(shí)施者與受虐者之間人際互動(dòng)的結(jié)果，卻忽視了對(duì)處于同一生態(tài)系統(tǒng)中的“第三方”群體的影響[16-17]，盡管少量學(xué)者理論探討了辱虐管理可能導(dǎo)致第三方的憤怒或共情[18]，以及偏差行為或工作績(jī)效降低等[19]，但是該領(lǐng)域的實(shí)證研究還付之闕如。加之，辱虐管理實(shí)證研究常用的自我匯報(bào)式問(wèn)卷調(diào)查，被調(diào)查者可能會(huì)因?yàn)轭檻]辱虐管理或偏差行為涉及職場(chǎng)中的陰暗面而作假，從而影響了數(shù)據(jù)的真實(shí)性[20]。因此，本文將以網(wǎng)絡(luò)數(shù)據(jù)（嗶哩嗶哩視頻彈幕網(wǎng)站以及微博上關(guān)于職場(chǎng)辱虐管理的第三方評(píng)論文本），基于文本挖掘及LDA 主題模型進(jìn)行大數(shù)據(jù)分析，以期揭示“第三方”在目睹或耳聞辱虐管理之后會(huì)產(chǎn)生什么樣的情緒影響與行為反應(yīng)？是會(huì)“拔刀相助”么？還是會(huì)“沉默不語(yǔ)”呢？抑或是“疏遠(yuǎn)排斥”呢？

二、研究設(shè)計(jì)

（一）數(shù)據(jù)來(lái)源及處理

O'Reilly 和Aquino 提出，將“第三方”定義為觀察到、聽聞到、了解到辱虐實(shí)施者對(duì)受虐當(dāng)事人做出辱虐行為的人，包括公司的同事、公司經(jīng)理、公司里的下級(jí)員工等，這些“第三方”既不是直接受到不公和辱虐的當(dāng)事人，也不是不公行為和辱虐事件的實(shí)施者[21]。首先利用Python 編寫爬蟲程序，爬取嗶哩嗶哩網(wǎng)站和微博上關(guān)于辱虐管理的評(píng)論文本作為“第三方”的評(píng)論數(shù)據(jù)來(lái)源，共爬取了34037 條數(shù)據(jù)。然后對(duì)爬取的文本數(shù)據(jù)進(jìn)行了如下處理：（1）首先使用pandas 庫(kù)進(jìn)行數(shù)據(jù)的讀取，對(duì)數(shù)據(jù)進(jìn)行去重處理。（2）利用jieba 庫(kù)對(duì)每一條文本數(shù)據(jù)進(jìn)行分詞、自定義詞典和停用詞過(guò)濾等處理。（3）使用空格將分好詞后的詞語(yǔ)連接起來(lái)，再利用jieba 和WordCloud 庫(kù)，生成第三方評(píng)論文本的詞云圖。

（二）研究方法

使用python 和R 語(yǔ)言，利用情感詞典對(duì)第三方的評(píng)論文本進(jìn)行情感分類，并對(duì)主要的情感關(guān)鍵詞進(jìn)行聚類可視化；利用Python 和jieba 庫(kù)提取評(píng)論文本的名詞、動(dòng)詞和形容詞，繪制擁有不同第三方情感人群整體描述的詞云圖，接著再只提取動(dòng)詞，繪制擁有不同第三方情感人群會(huì)采取何種行為的詞云圖；利用python以及gensim對(duì)第三方評(píng)論文本進(jìn)行LDA主題模型分析。

（三）研究框架

首先利用jieba庫(kù)對(duì)評(píng)論文本進(jìn)行分詞、自定義詞典等處理，利用python和R語(yǔ)言編寫程序?qū)υu(píng)論文本進(jìn)行情感分類；再對(duì)處理好的評(píng)論文本，提取名詞、動(dòng)詞以及形容詞來(lái)繪制每一類情感的詞云圖，從而在整體上描述擁有不同第三方情感人群有哪些特征。然后只提取動(dòng)詞，繪制每一類情感的詞云圖，從而可以反映出擁有不同第三方情感人群會(huì)采取哪些行為和動(dòng)作。最后，利用python和gensim 庫(kù)，對(duì)全部評(píng)論文本作LDA主題模型分析，來(lái)研究第三方評(píng)論中主要關(guān)注的話題。

三、實(shí)證分析

（一）情感分類

首先，利用情感詞典來(lái)對(duì)第三方辱虐管理評(píng)論進(jìn)行情感分類，首先構(gòu)造情感詞典，根據(jù)已有情感詞典及其分類，例如：中文情感詞匯本體庫(kù)，該情感詞典是大連理工大學(xué)信息檢索研究室林鴻飛教授團(tuán)隊(duì)整理和標(biāo)注的一個(gè)中文本體情感詞典。該情感詞典對(duì)其中每一個(gè)中文詞匯，分別從情感的類別、情感的強(qiáng)度、中文詞語(yǔ)的詞性以及中文詞語(yǔ)的極性等不同角度進(jìn)行了描述。該中文情感詞典在國(guó)外很有影響力的Ekman 的情感分類體系上進(jìn)一步地改進(jìn)，Ekman 把情感分類6 大類，而中文情感詞匯本體庫(kù)，在此基礎(chǔ)上把情感劃分得更為細(xì)致。最終，該中文情感詞典把中文詞匯情感劃分為7 大類別以及21 個(gè)小類別。該中文情感詞典劃分這么詳細(xì)的目的就是在中文情感分類方面，能夠提供一個(gè)更多情感分類類別的情感資源庫(kù)，而不是只能劃分為積極、中性和消極三類情感。因?yàn)樵谌粘Ｉ钪卸喾N情感的情況更為常見(jiàn)，因此該中文情感詞典能夠更好地處理多情感分類的問(wèn)題。本文就是基于大連理工大學(xué)所開發(fā)的中文情感詞匯本體庫(kù)，參考了辱虐管理領(lǐng)域相關(guān)文獻(xiàn)、問(wèn)卷以及其他情感詞典，最終對(duì)中文情感詞匯本體庫(kù)的情感類別重新進(jìn)行了劃分，最終構(gòu)造了本文的情感詞典，共分為共情、幸災(zāi)樂(lè)禍、害怕（恐懼）、沉默、憤慨、其他等六大類情感。

本文利用Python 和R 語(yǔ)言，首先對(duì)評(píng)論文本數(shù)據(jù)進(jìn)行分詞和標(biāo)注，去掉每條評(píng)論樣本的標(biāo)點(diǎn)符號(hào)和特殊字符，例如：“@【】#￥$”，然后利用jieba 庫(kù)對(duì)每一條評(píng)論進(jìn)行分詞、自定義詞典、停用詞等處理。然后，對(duì)每一條出來(lái)的數(shù)據(jù)，與詞庫(kù)進(jìn)行對(duì)比，包含其中哪類情感詞典類別就令該情感數(shù)值加1，最后根據(jù)每一類情感上的得分高低，對(duì)該句評(píng)論的情感進(jìn)行情感類別劃分。最后，利用R 語(yǔ)言軟件，基于情感詞典對(duì)評(píng)論文本進(jìn)行情感分類并生成情感分布圖，把職場(chǎng)辱虐管理第三方評(píng)論文本分為共情、幸災(zāi)樂(lè)禍、害怕（恐懼）、沉默、憤慨、其他六大類，并對(duì)情感關(guān)鍵詞進(jìn)行聚類可視化，如圖1 所示。

圖1 情感聚類圖

根據(jù)圖1可以看出，通過(guò)情感關(guān)鍵詞聚類圖可發(fā)現(xiàn)，在對(duì)于第三方人群職場(chǎng)辱虐管理的情感分類中，其中“拒絕”“惡心”“干嘛”“討厭”等關(guān)鍵詞，表現(xiàn)出第三方人群憤慨的情感態(tài)度。“恐怖”“鼻子”等關(guān)鍵詞表現(xiàn)出了第三方人群害怕的情感態(tài)度，這類人群對(duì)于職場(chǎng)辱虐現(xiàn)象感覺(jué)恐怖，對(duì)被指著鼻子辱罵等現(xiàn)象感覺(jué)害怕?！昂呛恰薄肮钡汝P(guān)鍵詞，則表現(xiàn)出第三方人群幸災(zāi)樂(lè)禍的情感態(tài)度，表示對(duì)受虐當(dāng)事人的嘲諷和幸災(zāi)樂(lè)禍。“壓榨”“理解”則表現(xiàn)出第三方人群共情的情感態(tài)度，能夠深刻理解受虐當(dāng)事人的感受。“無(wú)所謂”關(guān)鍵詞則表現(xiàn)出第三方人群沉默的情感態(tài)度，無(wú)所謂的態(tài)度反應(yīng)了第三方對(duì)職場(chǎng)辱虐管理的沉默和無(wú)動(dòng)于衷。

（二）詞云圖分析

本文運(yùn)用jieba 庫(kù)，首先，對(duì)第三方評(píng)論文本進(jìn)行分詞、自定義詞典和停用詞等處理，根據(jù)TF-IDF原理對(duì)文本進(jìn)行關(guān)鍵詞提取，然后，再利用Python和jieba、wordcloud庫(kù)分別對(duì)各類情感進(jìn)行詞云分析，利用jieba 庫(kù)對(duì)評(píng)論文本進(jìn)行分詞和自定義詞典等操作，然后將分好的詞語(yǔ)用空格連接起來(lái)，最后利用wordcloud庫(kù)生成詞云圖。詞云圖主要是為了突出文本中詞頻較高的關(guān)鍵詞，詞頻越高的關(guān)鍵詞，其字體顯示越大，本文首先提取名詞、動(dòng)詞和形容詞等詞性關(guān)鍵詞生成詞云圖，來(lái)對(duì)每一種第三方情感進(jìn)行整體上的描述分析；因?yàn)閯?dòng)詞代表?yè)碛羞@種情感的第三方的動(dòng)作和行為，因此本文則只抽取動(dòng)詞生成詞云圖，來(lái)分析擁有不同情感的第三方人群會(huì)采取哪些動(dòng)作和行為，每一幅圖中的左圖代表提取多種詞性的詞云圖，右圖代表只提取動(dòng)詞詞性關(guān)鍵詞的詞云圖，如圖2 所示（圖2 僅展示幸災(zāi)樂(lè)禍詞云圖，其余類別情感詞云圖詳見(jiàn)本文增強(qiáng)出版附圖）。

從圖2中可以看出，幸災(zāi)樂(lè)禍屬于消極情緒，通常表現(xiàn)為在第三方人群感受到職場(chǎng)辱虐情況后，非但不去制止辱虐實(shí)施者，反而煽風(fēng)點(diǎn)火以及在背后進(jìn)行推動(dòng)、支持辱虐實(shí)施者的行為。通常擁有幸災(zāi)樂(lè)禍情感的第三方人群，不會(huì)直接幫助施虐者實(shí)施辱虐行為，而是通過(guò)一定的煽動(dòng)性語(yǔ)言或行為，如：在旁邊“大笑”“偷笑”“拍視頻”等，這樣可能會(huì)鼓動(dòng)施虐者繼續(xù)實(shí)施他們的欺負(fù)行為。擁有幸災(zāi)樂(lè)禍的第三方情感人群在受虐當(dāng)事人受到辱虐管理時(shí)，這種情感的第三方會(huì)采取“大笑”或者背后“偷笑”的行為，并對(duì)此感到很開心，甚至?xí)渚率?、侮辱受虐?dāng)事人。當(dāng)擁有這類情感的第三方給施虐者傳達(dá)出的不是痛恨、反感或消極的反饋，而是積極的支持反饋時(shí)，這樣會(huì)強(qiáng)化施虐者的行為，會(huì)使得辱虐施虐者更加肆無(wú)忌憚，從而在客觀上助推了職場(chǎng)辱虐管理行為，可能會(huì)導(dǎo)致辱虐行為持續(xù)時(shí)間更長(zhǎng)，辱虐行為的強(qiáng)度增大或辱虐行為的發(fā)生次數(shù)增多。

圖2 第三方幸災(zāi)樂(lè)禍詞云圖

類似地，擁有共情情感的第三方人群，在受虐當(dāng)事人受到辱虐管理時(shí)也會(huì)感覺(jué)到難過(guò)和難受。這類第三方人群能感同身受，能很深刻地理解被辱虐者的感受。因此，這類第三方人群會(huì)采取諸如“擁抱”“支持”“抱抱”或“加油”的行為，對(duì)被施虐者進(jìn)行保護(hù)和支持，并對(duì)實(shí)施辱虐管理者采取鄙視的態(tài)度。面對(duì)職場(chǎng)辱虐現(xiàn)象，擁有共情的第三方通常能夠頂住負(fù)面壓力，對(duì)受虐當(dāng)事人給予同情安慰，甚至?xí)深A(yù)制止施虐者的辱虐行為，如：從詞云圖中也可以看出，第三方做出親社會(huì)行為（“擁抱”“保護(hù)”）來(lái)使受虐當(dāng)事人獲益，以彌補(bǔ)受虐當(dāng)事人受到的辱虐和傷害；在感情上（“加油”）支持或者傾聽受虐當(dāng)事人的遭遇，或者是給受虐當(dāng)事人提出建議，鼓勵(lì)受虐當(dāng)事人回?fù)羧枧皩?shí)施者。

憤慨情感是指第三方人群在面對(duì)職場(chǎng)辱虐現(xiàn)象時(shí)，感到氣憤、憤怒，出于對(duì)正義的捍衛(wèi)，擁有憤慨情感的第三方人群可能會(huì)挺身而出、拔刀相助，會(huì)直接反擊、制止辱虐實(shí)施者。擁有憤慨情感的第三方人群，在當(dāng)事人受到辱虐管理時(shí)，會(huì)感到憤慨，例如：“嫌棄”“惡心”“拒絕”等，此時(shí)，擁有這類感情的第三方人群，會(huì)采取向公司提出“辭職”或“拒絕加班”，會(huì)對(duì)辱虐實(shí)施者直接進(jìn)行反抗，面對(duì)職場(chǎng)辱虐現(xiàn)象時(shí)，擁有這類情感的第三方人群通?？赡軙?huì)挺身而出、打抱不平，直接反擊辱虐實(shí)施者。

害怕（恐懼）情感是指第三方人群在面對(duì)職場(chǎng)辱虐現(xiàn)象時(shí)，感到害怕，對(duì)職場(chǎng)辱虐現(xiàn)象感到恐懼。擁有害怕（恐懼）情感的第三方人群，在面對(duì)職場(chǎng)辱虐現(xiàn)象時(shí)，這類人群會(huì)感到“害怕”“恐懼”，感到“難受”，甚至“大哭”。有一項(xiàng)研究，通過(guò)對(duì)1137 名人員的調(diào)查分析發(fā)現(xiàn)，其中有22%的被調(diào)查者在目睹了職場(chǎng)辱虐管理現(xiàn)象后選擇辭職，有70%的被調(diào)查者在目睹了職場(chǎng)辱虐現(xiàn)象后感到壓力、緊張、害怕[22]，因此擁有這類情感的第三方人群由于擔(dān)心未來(lái)也會(huì)受到同樣的辱虐和欺負(fù)，在面對(duì)辱虐管理時(shí)，出于害怕和自我保護(hù)，擁有這類情感的人群不敢拔刀相助或挺身而出，對(duì)辱虐施虐者不敢進(jìn)行直接的反擊或者鼓勵(lì)、支持、安慰受虐當(dāng)事人，由于害怕和恐懼，這類人群可能會(huì)選擇“辭職”，離開他所認(rèn)為的是非之地。

沉默情感是指第三方人群在面對(duì)職場(chǎng)辱虐現(xiàn)象時(shí)，為了保護(hù)自己不受到傷害，這類人群不敢發(fā)聲，最終選擇什么都不做，擁有沉默情感的第三方人群在看到職場(chǎng)辱虐的現(xiàn)象時(shí)，首先第一反應(yīng)是拔刀相助、挺身而出反抗辱虐實(shí)施者，之所以最終退縮，是由于自我保護(hù)動(dòng)機(jī)，因?yàn)槭裁炊疾蛔鱿鄬?duì)于挺身而出，可能是一種更為適合自己的選擇。擁有沉默情感的第三方人群，在受虐當(dāng)事人受到辱虐管理時(shí)，這類人群對(duì)這些情況通常會(huì)選擇“無(wú)視”的行為。擁有這類情感的第三方人群通常會(huì)選擇接受現(xiàn)實(shí)，適應(yīng)這樣的公司環(huán)境，上班采取“摸魚”“混日子”的態(tài)度，這類人群通常不會(huì)選擇辭職，只會(huì)“羨慕”別人。因?yàn)楹ε伦约簳?huì)成為下一個(gè)被辱虐的對(duì)象，擁有沉默情感的第三方則會(huì)產(chǎn)生無(wú)助感，會(huì)導(dǎo)致這類人群降低對(duì)同事的信任度，降低對(duì)企業(yè)的忠誠(chéng)度，同時(shí)也會(huì)降低對(duì)工作的滿意度，不滿意現(xiàn)在的工作，羨慕別人的工作，最后出現(xiàn)消極、混日子、工作摸魚、怠工等行為。

從擁有其他情感的第三方人群詞云圖中可以看出，擁有其他情感的第三方人群，在當(dāng)事人受到辱虐管理時(shí)，擁有這類情感的第三方人群沒(méi)有清晰的情感態(tài)度和行為準(zhǔn)則。

（三）LDA主題模型分析

1.主題數(shù)選擇

本文運(yùn)用Python 語(yǔ)言、gensim 和pyLDAvis 庫(kù)進(jìn)行主題生成以及主題的可視化。主題困惑度和主題一致性得分提供了兩種方法來(lái)判斷給定主題模型的好壞程度，其中主題一致性得分是指模型生成的每個(gè)主題所對(duì)應(yīng)的高概率詞語(yǔ)在語(yǔ)義上是否一致，主題一致性得分越高，則表示模型效果越好。主題一致性得分能更好地判斷模型的好壞[23][24]，因此本文利用主題一致性得分來(lái)確定主題的數(shù)量，如圖3所示，如果一致性得分隨著主題數(shù)目的增加而增加，直到增至某個(gè)數(shù)值而趨于平穩(wěn)，那么在平穩(wěn)前最高的一致性得分所對(duì)應(yīng)的主題數(shù)就是最佳的主題個(gè)數(shù)。

圖3 主題一致性得分圖

從圖3 中可以看到，主題一致性得分在逐漸增大，直到主題數(shù)為12 的時(shí)候達(dá)到最大值，隨后隨著主題數(shù)的增加，主題一致性得分逐漸在波動(dòng)中趨于穩(wěn)定。因此根據(jù)主題一致性得分，本文最終把文本內(nèi)容生成為12個(gè)主題，如表1所示，然后本文根據(jù)各主題的強(qiáng)度繪制了主題強(qiáng)度餅狀圖4。

圖4 主題強(qiáng)度餅圖

2.文檔-主題分布可視化

通過(guò)研究文檔-主題分布的情況，能夠得出每一條辱虐管理第三方評(píng)論文本的主題劃分情況，本文從這些文本中隨機(jī)抽取10 篇文檔，繪制出其文檔-主題分布圖（圖5 展示了4 篇文檔的文檔-主題分布圖，其余詳見(jiàn)附件增強(qiáng)出版）。

從圖5 中可以看出，在隨機(jī)挑選出來(lái)的文檔中，每篇文檔屬于某一個(gè)或兩個(gè)主題的可能性較大。隨機(jī)抽樣結(jié)果說(shuō)明，大多數(shù)評(píng)論文本都有較為明顯的主題劃分，代表通過(guò)LDA主題模型能夠有效地挖掘出每一條辱虐管理第三方評(píng)論文本的主題傾向，因此LDA 主題模型能夠較好地對(duì)第三方評(píng)論文本進(jìn)行主題分析。

圖5 文檔-主題分布圖

3.各主題描述

本文對(duì)整個(gè)第三方評(píng)論文本數(shù)據(jù)進(jìn)行LDA主題模型分析，運(yùn)用Python語(yǔ)言，gensim和pyLDAvis庫(kù)進(jìn)行主題生成和主題的可視化，本文根據(jù)主題一致性最終把文本內(nèi)容生成12 個(gè)主題，如表1 所示，并根據(jù)主題強(qiáng)度作圖4。

根據(jù)表1 與圖4 可以看出，主題1、2、5 為熱門主題，其中主題1（友情關(guān)愛(ài)）強(qiáng)度最高，占比11.7%，表明當(dāng)遭受職場(chǎng)PUA 時(shí)，有沒(méi)有人鼓勵(lì)、支持、幫助受虐當(dāng)事人是最熱門的話題；主題2（工作加班）、主題5（收集證據(jù)）的主題強(qiáng)度也較高，分別占比11.37%和9.37%。表2 為這三個(gè)熱門主題的主題-詞分布情況，概率值代表該主題詞在相應(yīng)的主題中的重要程度。

表1 LDA主題模型描述表

根據(jù)表1 還可以看出，第三方人群對(duì)于辱虐管理評(píng)論的話題涉及很多方面，其中包括：感謝up 主分享自己被辱虐管理方面的話題，這類第三方人群可能遭遇過(guò)類似的經(jīng)歷，因此對(duì)于有人討論類似的話題，深受觸動(dòng)和感動(dòng)；對(duì)于遭受職場(chǎng)PUA，需要了解相關(guān)法律內(nèi)容，拿起法律武器來(lái)保護(hù)自身合法權(quán)益方面的話題；個(gè)人感情方面的話題，例如：對(duì)于遭受過(guò)職場(chǎng)辱虐管理的人員，給予擁抱，希望大家以后不再遭受職場(chǎng)辱虐的祝福方面的話題；對(duì)于遭受老板PUA 的遭遇，給予其支持，給其加油、打氣等鼓勵(lì)支持方面的話題；討論在職場(chǎng)中友情關(guān)愛(ài)方面的話題；討論平時(shí)工作加班和工資等方面的話題；對(duì)遭受職場(chǎng)辱虐管理，必要時(shí)可以進(jìn)行錄音，收集足夠的證據(jù)，請(qǐng)求仲裁保護(hù)自己等方面的話題；討論在學(xué)校生活和在公司上班有哪些不同方面的話題；對(duì)于職場(chǎng)PUA 恐懼、害怕，導(dǎo)致大哭等方面的話題；討論面試工作、申請(qǐng)離職等方面的話題；討論大家對(duì)領(lǐng)導(dǎo)老板的吐槽、評(píng)價(jià)等方面的吃瓜話題。

4.熱門主題可視化

以上文分析中主題強(qiáng)度較大的主題1（友情關(guān)愛(ài)）、主題2（工作加班）、主題5（收集證據(jù)）為例，進(jìn)行主題可視化，運(yùn)用pyLDAvis 庫(kù)對(duì)LDA 模型生成的12 個(gè)主題進(jìn)行可視化，如圖6 所示（圖6 僅展示主題1的可視化圖，其余熱門主題可視化圖見(jiàn)附件增強(qiáng)）。圖中的12個(gè)圓圈代表每一個(gè)主題，圓圈里標(biāo)的數(shù)字表示所對(duì)應(yīng)主題的序號(hào)，圓圈的大小表示包含該主題文檔的數(shù)目，圓圈越大表示包含該主題的文檔數(shù)越多。圓圈之間的遠(yuǎn)近代表主題之間相關(guān)性的大小，兩個(gè)圓圈離得越近表示兩個(gè)主題關(guān)聯(lián)性越強(qiáng)。圖形右側(cè)的條形圖表示該主題的主題詞分布中概率大小排在前n名的詞語(yǔ)，淺色長(zhǎng)條代表這個(gè)詞語(yǔ)屬于相對(duì)應(yīng)主題概率的大小，深色的長(zhǎng)條代表這個(gè)詞語(yǔ)和相對(duì)應(yīng)主題之間的關(guān)聯(lián)度大小。

由圖6可以看出來(lái)，從主題1（友情關(guān)愛(ài)）、主題2（工作加班）、主題5（收集證據(jù)）三個(gè)熱門主題的可視化圖可以看出，三個(gè)主題所對(duì)應(yīng)的關(guān)鍵詞與表2主題-詞分布中的關(guān)鍵詞是一致的，從圖中還可以看出，主題1與主題3關(guān)聯(lián)度較強(qiáng)，且包含主題1的文檔數(shù)較多，主題2與主題5關(guān)聯(lián)度較強(qiáng)。

5.主題-詞分布

從表2可以看出，在主題1概率最大的前十個(gè)主題詞中，“喜歡”“別人”“真的”“朋友”等主題詞，反應(yīng)出在第三方評(píng)論中，工作上班中的友情關(guān)愛(ài)話題是第三方人群最為關(guān)注的，表明第三方人群比較關(guān)注友情的問(wèn)題，可能是由于在受到職場(chǎng)辱虐管理時(shí)，希望有個(gè)朋友關(guān)心和支持自己，這樣會(huì)使自己變得勇敢堅(jiān)強(qiáng)一些。在主題2概率最大的前十個(gè)主題詞中，“工作”“加班”“難”“工資”“實(shí)習(xí)”等主題詞，表達(dá)了在第三方評(píng)論中較為關(guān)注工作加班的話題，一方面說(shuō)明工作加班是大家普遍的經(jīng)歷，另一方面也說(shuō)明工作難是大家共同的感受。在主題5概率最大的前十個(gè)主題詞中，“錄音”“仲裁”“專業(yè)”等主題詞，表達(dá)了第三方評(píng)論中較為關(guān)注的收集證據(jù)話題，表明第三方人群看到當(dāng)事人受到辱虐管理時(shí)，給其出謀劃策，希望受虐當(dāng)事人可以利用法律手段來(lái)保護(hù)自己，比如通過(guò)錄音來(lái)搜集證據(jù)，進(jìn)行仲裁等手段來(lái)回?fù)羧枧皩?shí)施者，保護(hù)受虐當(dāng)事人的合法權(quán)益。

圖6 pyLDAvis主題可視化圖

表2 主題-詞分布表

四、研究結(jié)論與展望

（一）研究結(jié)論

本文以嗶哩嗶哩和微博上關(guān)于職場(chǎng)辱虐管理的第三方評(píng)論文本作為數(shù)據(jù)，利用python、R 語(yǔ)言等工具，首先對(duì)評(píng)論文本進(jìn)行情感分類，然后對(duì)每一類情感作詞云圖，研究擁有不同類別第三方情感人群的特征以及會(huì)采取哪些行為，最后對(duì)總的評(píng)論文本進(jìn)行了LDA主題模型分析。得到以下結(jié)論：

第一，在大連理工大學(xué)的中文情感詞匯本體庫(kù)情感類別劃分準(zhǔn)則的基礎(chǔ)上，根據(jù)辱虐管理領(lǐng)域相關(guān)文獻(xiàn)以及相關(guān)問(wèn)卷等資料，并參考了其他情感詞典，最終對(duì)中文情感詞匯本體庫(kù)的情感類別重新進(jìn)行了劃分，構(gòu)成本文的情感詞典，最后，把第三方評(píng)論分為了共情、幸災(zāi)樂(lè)禍、害怕（恐懼）、沉默、憤慨、其他等六大類情感。

第二，根據(jù)詞云圖分析，在面對(duì)職場(chǎng)辱虐時(shí)，擁有幸災(zāi)樂(lè)禍情感的第三方人群，會(huì)采取大笑或者背后偷笑的行為，并對(duì)此感到很開心，甚至?xí)渚率?、侮辱?dāng)事人；擁有共情情感的第三方人群，會(huì)頂住負(fù)面壓力，對(duì)受虐當(dāng)事人做出的同情、安慰和支持等行為，甚至?xí)深A(yù)制止施虐者的辱虐行為，如：第三方做出親社會(huì)行為（擁抱、保護(hù)）來(lái)使受虐當(dāng)事人獲益，在感情上（加油）支持或者傾聽受虐當(dāng)事人的遭遇，或者是給受虐當(dāng)事人出謀劃策、給予行動(dòng)建議，鼓勵(lì)受虐當(dāng)事人對(duì)辱虐實(shí)施者進(jìn)行回?fù)?；擁有憤慨情感的第三方人群，?huì)對(duì)此感到憤慨，例如：“嫌棄”“惡心”“拒絕”等，這類人群可能會(huì)采取向公司提出辭職，或直接對(duì)辱虐實(shí)施者進(jìn)行反抗，面對(duì)職場(chǎng)辱虐現(xiàn)象時(shí)，通常會(huì)挺身而出、拔刀相助、打抱不平，直接反擊辱虐實(shí)施者；擁有害怕（恐懼）情感的第三方人群，可能會(huì)感到害怕、恐懼，感到難受，甚至大哭，這類人群由于害怕未來(lái)也會(huì)受到辱虐欺負(fù)，因此擁有這類情感的第三方人群就也有可能會(huì)選擇辭職從而離開公司；擁有沉默情感的第三方人群，可能會(huì)產(chǎn)生無(wú)助感，從而導(dǎo)致這類人群降低對(duì)同事的信任度、降低對(duì)企業(yè)的忠誠(chéng)度，同時(shí)也會(huì)降低對(duì)工作的滿意度，對(duì)現(xiàn)在公司不滿意，羨慕他人的公司和上級(jí)領(lǐng)導(dǎo)，最后出現(xiàn)消極、混日子、工作摸魚、怠工等行為；擁有其他情感的第三方人群，則沒(méi)有清晰的情感態(tài)度和行為準(zhǔn)則。

第三，根據(jù)LDA 主題模型發(fā)現(xiàn)，主題1（友情關(guān)愛(ài)）強(qiáng)度最高，主題2（工作加班）和主題5（收集證據(jù)）的主題強(qiáng)度也較高，這三個(gè)主題為熱門主題，表明公司友情關(guān)愛(ài)話題在第三方評(píng)論中最受關(guān)注，也說(shuō)明在遭受職場(chǎng)辱虐時(shí)，最重要的是希望有個(gè)朋友來(lái)鼓勵(lì)和支持自己；工作加班的話題也是第三方評(píng)論中較為關(guān)注的話題，說(shuō)明工作加班是大家普遍的經(jīng)歷，同時(shí)也說(shuō)明工作難是大家共同的感受；收集證據(jù)的話題，說(shuō)明在第三方評(píng)論中對(duì)于關(guān)心幫助受虐當(dāng)事人的話題較為重視，當(dāng)?shù)谌饺巳嚎吹绞芘爱?dāng)事人遭受辱虐管理時(shí)，會(huì)給其出謀劃策、鼓勵(lì)保護(hù)受虐當(dāng)事人，或者是給受虐當(dāng)事人提出建議，比如：建議受虐當(dāng)事人通過(guò)錄音、進(jìn)行仲裁等手段回?fù)羧枧皩?shí)施者，來(lái)保護(hù)受虐當(dāng)事人的合法權(quán)益。

（二）研究展望

現(xiàn)有文獻(xiàn)大多是把職場(chǎng)辱虐管理看作是實(shí)施者與受虐者之間人際互動(dòng)的結(jié)果，而忽視了對(duì)處于同一生態(tài)系統(tǒng)中的“第三方”群體的影響，下一步建議深入研究企業(yè)應(yīng)該采取什么措施來(lái)減少或避免辱虐管理的負(fù)面“漣漪效應(yīng)”，尤其是“第三方”的同事被辱虐管理“是否”以及“在什么條件下”會(huì)影響第三方員工的情緒以及“第三方”的行為反應(yīng)，并為企業(yè)管控以及預(yù)防職場(chǎng)的辱虐管理提供更多的理論與實(shí)踐建議。