互联网与信息技术的发展让人类置身数据世界。网络上积累了关于人类心理与行为的海量数字痕迹,这为社会科学带来了前所未有的挑战与机遇。自然生态数据的利用,在很大程度上弥补了传统社会科学研究存在的内省偏差和样本代表性等问题的缺陷。情绪与风险感知、风险决策之间的关系,一直是心理学研究的热点之一,但以往多集中于个体和小群体层面,采用问卷调查法或实验法进行研究。本研究试图从宏观层面出发,利用海量数据集,探索社会情绪与社会风险感知、社会风险决策之间的关系,检验个体层面上的经典假设能否在宏观层面获得验证。其实从Durkheim和Le Bon伊始,社会科学研究者就已关注群体情绪,但是相较于个体情绪方面的丰硕成果,群体情绪研究却相对滞后,主要的难题在于群体情绪尤其是大范围群体情绪(即社会情绪)的测量。传统上对社会情绪的研究方法主要采用抽样调查或代理指标方法,这些方法或费时费力或适用范围有限。近年来,利用公众在互联网上的信息表达直接测量社会情绪的方式,越来越受到学界追捧。这类研究多出自信息科学领域,社会情绪指标常被简单划分为正负性两类。即使进行了更为细致的分类,也多源于研究者的直觉和经验,无心理学情绪结构理论的支撑。另外,信息科学领域的情绪研究议题,更偏技术和应用层面,较少对重要假设的检验,社会科学理论视角缺席现象明显。本研究在系统总结心理学情绪结构理论、信息科学情绪分析相关技术发展、情绪词库及相关测量指标建构工作的基础之上,结合网络情境与大众习惯,构建了适用于网络微博客情境的基本情绪词库和情绪维度词库,获得了快乐、悲伤、愤怒、恐惧和厌恶五种基本社会情绪,以及每类基本社会情绪所包含词汇的愉悦度、唤醒度、支配度和趋避度特征。在信息科学家合作者的协助下,研究者抓取了160多万微博客用户历时17个月的基本社会情绪每日频次波动数据,构成了网络大众社会情绪的时间序列。研究者通过对五种社会情绪指标的分析发现,各种情绪之间的关系符合情绪维度理论。社会情绪指标生态效度好,比如,相较于周末,工作日的快乐情绪较低；在重要节日和重大事件发生时社会情绪有明显的对应波动,如春节期间快乐情绪显著上升,负性情绪跌入阶段性低点。研究者继而采用Granger因果检验等时间序列分析技术,对社会情绪与社会风险感知(百度新闻热搜词社会风险水平指标)和社会风险决策(上海证券综合指数及其成交量)间的关系进行了研究,发现社会情绪在发生时间上存在领先性。4种负性情绪的变化能够显著预测第2日的社会风险感知水平,但不同类型的社会情绪预测的社会风险类型不同。社会风险感知在一定程度上也能反过来预测社会情绪,如政府执政风险能显著预测愤怒情绪,资源环境风险能预测悲伤情绪等。另外,唤醒度最低的负性情绪——悲伤,能显著增加公众的风险决策倾向,即悲伤情绪能显著正向预测未来1-3日内的股指成交量,这一发现支持“情绪维持假说”。本研究是以互联网为研究平台进行心理学研究的一次尝试,并将机制探索工作从描述和解释向前推进到预测,试图增加心理学研究的实际应用性。虽然在研究样本和变量代表性等方面仍存在一定局限与不足,但是以上研究成果启示这种基于互联网海量数据的研究,可作为传统心理学研究的有益替代或补充。