王立非　部　寒

(對外經(jīng)濟貿(mào)易大學(xué) 英語學(xué)院，北京　100029)

0　引言

內(nèi)容分析作為一種定性分析方法，在不同領(lǐng)域得到了廣泛應(yīng)用。文本內(nèi)容分析不僅可用于識別交流者之間的個體差異(Weber, 1990)，而且可以避免回憶偏倚(Barr et al., 1992)，具有較高的信度和復(fù)現(xiàn)性(Finkelstein et al., 1996)。當(dāng)前，計算機輔助的內(nèi)容分析方法越來越多，大多數(shù)程序都是基于詞頻統(tǒng)計。DICTION就是一個建立在語言學(xué)理論基礎(chǔ)之上的計算機輔助內(nèi)容分析程序。該程序具有很多引人注目的特性，比如近乎完美的信度、速度和成本效益(Morris, 1994; Rosenberg et al., 1990)，可應(yīng)用于不同領(lǐng)域的研究。本文將對該程序及其操作步驟進行詳細(xì)介紹，回顧該程序近年來在不同領(lǐng)域文本分析中的應(yīng)用情況，并呈現(xiàn)完整的研究案例，以期為國內(nèi)各領(lǐng)域文本分析提供借鑒。

1　DICTION與文本情感分析研究綜述

計算語言學(xué)的發(fā)展為內(nèi)容分析提供了廣闊空間。情感分析作為內(nèi)容分析的一種，在眾多領(lǐng)域得到了廣泛應(yīng)用。政治演講、新聞報道、微博及眾多其他形式的口語、書面語和多模態(tài)話語都存在情感表達(Kearney et al., 2014)。借助計算機方法對這些文本情感進行分析，大多依賴情感詞表，通過測量情感詞表中單詞在樣本文本中的頻數(shù)，來測量樣本文本的情感特征。DICTION作為計算機輔助的文本分析軟件，為情感分析提供了便利(Hart, 2000)。最初開發(fā)DICTION的目的是為了分析政治演講和修辭(Hart et al., 1997)，后來行為學(xué)研究者發(fā)現(xiàn)它可以應(yīng)用于領(lǐng)導(dǎo)力研究(Bligh et al.,2004a, 2004b)，會計學(xué)研究者又將其應(yīng)用于印象管理研究(Rogers, 2005)和交際行為研究(Yuthas,2002)。如今，DICTION在政治學(xué)、傳播學(xué)、語言學(xué)、金融與會計研究等不同領(lǐng)域得到了廣泛應(yīng)用，具體來說，主要應(yīng)用于量化分析企業(yè)話語、媒體話語、網(wǎng)絡(luò)話語和政治話語的情感特征。

在金融與會計領(lǐng)域，近年來，文本分析成為研究熱點。很多學(xué)者借助DICTION軟件，測量商務(wù)文本的情感特征，以考察文本特征與各類經(jīng)濟表現(xiàn)之間的關(guān)系。部分研究利用情感詞表和DICTION軟件，發(fā)現(xiàn)美國企業(yè)信息披露話語情感與市場反應(yīng)相關(guān)(Henry, 2008; Davis et al., 2012; Wisniewski et al., 2015; Arslan-Ayaydin et al., 2016)，研究方法往往是內(nèi)容分析與事件分析相結(jié)合。例如，Jancenelle et al.(2016)通過DICTION軟件測量管理層話語的確定性和客觀性，并通過事件分析法測量投資者反應(yīng)，發(fā)現(xiàn)管理層話語的樂觀性和確定性能削弱投資者對收益異常的反應(yīng)強度。部分研究關(guān)注企業(yè)信息披露話語情感與企業(yè)財務(wù)績效的關(guān)系，發(fā)現(xiàn)兩者顯著相關(guān)(Mayew et al., 2012; Cho et al., 2010)。部分研究關(guān)注企業(yè)社會責(zé)任話語，考察社會責(zé)任話語情感與社會責(zé)任表現(xiàn)之間的關(guān)系(Arena et al., 2015; Bravo et al., 2012)。還有部分研究借助DICTION考察企業(yè)管理層話語中的印象管理行為(Parhankangas et al., 2014; Patelli et al., 2014)。此外，Davis et al.(2012)利用DICTION對比了企業(yè)收益報告和年報管理層討論與分析(MD&A)中的積極與消極話語，發(fā)現(xiàn)前者比后者更積極。Engelen et al. (2016)采用文本分析法，通過DICTION測量企業(yè)的創(chuàng)業(yè)導(dǎo)向與CEO自戀之間的關(guān)系，發(fā)現(xiàn)CEO自戀會抑制創(chuàng)業(yè)導(dǎo)向，不利于創(chuàng)業(yè)公司的發(fā)展。Tama-Sweet (2014)利用DICTION考察了收益公告的積極語氣與內(nèi)部交易之間的關(guān)系。

政治學(xué)領(lǐng)域多將DICTION應(yīng)用于領(lǐng)導(dǎo)人話語的研究。例如，Oliver et al.(2016)借助DICTION，自建“政治民粹主義”“經(jīng)濟民粹主義”和“責(zé)備”詞表，考察2016年美國大選初選各候選人的話語，發(fā)現(xiàn)用民粹主義來描繪美國2016年大選再合適不過，而特朗普是最突出的民粹主義者。Davis et al. (2012)通過DICTION考察布什演講中的魅力修辭與危機的關(guān)系，發(fā)現(xiàn)危機是魅力型領(lǐng)導(dǎo)出現(xiàn)的重要條件。Krebs(2015)利用DICTION考察富蘭克林·羅斯?？偨y(tǒng)演講的話語特征，探討了領(lǐng)導(dǎo)人話語與國家安全之間的關(guān)系。在傳播學(xué)領(lǐng)域，DICTION多用于測量新聞媒體話語和社交網(wǎng)絡(luò)話語的情感特征，以考察其對受眾的影響(McKay-Semmler et al., 2014; Cho et al., 2003; Hall et al., 2013)。在語言學(xué)領(lǐng)域，Huffaker et al.(2005)考察了青少年博客中語言的使用及其與性別、身份之間的關(guān)系，其中借助DICTION分析了青少年博客話語的情感和語義特征。Pollach(2012)探究了如何將語料庫語言學(xué)與計算機輔助的文本分析相結(jié)合。

2　DICTION軟件介紹

DICTION軟件是一個計算機輔助文本分析程序，主要用于基于詞典的文本情感分析。該軟件自帶31個分類詞表(表1)，詞表中不包含短語，只有單詞，容量從10個到745個單詞不等。針對大小不同的各個詞表，DICTION的文本分析報告中會輸出標(biāo)準(zhǔn)化后的數(shù)值。所有單詞不會重復(fù)出現(xiàn)在不同詞表中。且自帶詞表不可以被更改或輸出。該軟件最新版本——DICTION7.0可以識別多種類型的文本：Text Files (*.txt)、MS Word (*.doc)、MS Word 2007 (*.docx)、OpenOffice Writer (*.odt)、Adobe Files (*.pdf)、Rich Text Files (*.rtf), HTM (*.htm)、HTML files (*.html)、XML Files (*.xml)、DICTION 5 Files (*.ini, *dfxml)，為大批量語料研究提供了方便。還可以導(dǎo)入自編詞典，例如Henry (2006, 2008)設(shè)計了自己的詞典，然后導(dǎo)入DICITION軟件，測量研究文本特征。而Demers et al. (2010) 和 Davis et al. (2012) 使用DICTION自帶詞表，評估了美國企業(yè)季度收益公告的情感。但是該軟件暫時無法識別中文詞典與文本。

DICTION軟件通過統(tǒng)計輸入文本所含31個詞表中單詞的頻數(shù)，對所得數(shù)值進行標(biāo)準(zhǔn)化，得到與詞表對應(yīng)的31個詞匯特征值。此外，該軟件還會通過計算，得到四個其他文本特征值：一致性、修飾性、多樣性和復(fù)雜性。

一致性的提出基于“關(guān)鍵詞的重復(fù)出現(xiàn)表明對秩序和限制的偏好”這一假設(shè)。計算公式為：

INSISTENCE = [Number of Eligible Words * Sum of their Occurrences]/10

輸入文本中每500詞出現(xiàn)三次及以上的名詞或名詞派生的形容詞將被計算，若輸入文本很小，則出現(xiàn)兩次及以上的名詞或名詞派生的形容詞將被計算。

修飾性是根據(jù)Boder (1940)的方法，選擇性地對形容詞與動詞比例進行測量，計算公式為：

EMBELLISHMENT = [Praise + Blame +1]/[Present Concern + PastConcern +1]

多樣性是對描述性詞與功能詞的比例的測量，即類形符比(Wendell, 1946)。計算公式為：

VARIETY = Type / Token

復(fù)雜性是對詞長的測量，根據(jù)Rudolph Flesch (1951)的方法，測量輸入文本的平均詞長，即平均每個單詞的字母數(shù)。

表1　DICTION分類詞表

通過綜合計算上述35個特征值，可測量輸入文本的五個語氣指標(biāo)：確定性、樂觀性、主動性、現(xiàn)實性和共同性。

確定性指文本語言反映堅定不移、完美無缺的信念和表達權(quán)威的傾向。測量公式為：

Certainty = [Tenacity + Leveling + Collectiveness + Insistence]/[Numerical Terms + Ambivalence + Self Reference + Variety]

樂觀性指文本語言支持一些個人、組織、概念或事件，或強調(diào)其積極方面。測量公式為：

Optimism = [Praise + Satisfaction + Inspiration]/ [Blame + Hardship + Denial]

主動性指文本語言表現(xiàn)運動、變化和思想活動，回避一成不變。

Activity = [Aggression + Accomplishment + Communication + Motion]/ [Cognitive Terms + Passivity +Embellishment]

現(xiàn)實性指文本語言描述影響人們?nèi)粘Ｉ畹?、有形的、即時的和可辨識的事物。測量公式為：

Realism = [Familiarity + Spatial Awareness + Temporal Awareness + Present Concern + Human Interest + Concreteness]/ [Past Concern + Complexity]

共同性指文本語言強調(diào)團隊協(xié)調(diào)一致，拒絕特異模式介入。測量公式為：

以上計算所得數(shù)值都會加上常數(shù)50，以消除負(fù)數(shù)。

除了語氣情感特征的識別與測量，該軟件還可以進行作者識別，用于研究多作者的文本。

DICTION7.0自帶參照語料庫，用戶分析文本時，可與參照語料庫的情感值進行對比，以考察研究文本的情感特征。該語料庫由22，027篇文本組成，分為六類：商務(wù)、日常、娛樂、新聞出版、文學(xué)、政治和學(xué)術(shù)。用戶可以選定研究文本所在類別，然后將分析數(shù)據(jù)與所在類別參照語料庫的特征值進行對比，發(fā)掘研究文本的特殊之處。六大類語料又分成財務(wù)報告、法律文件、政治報道、競選演講、小說等36小類。

3　DICTION操作步驟

3.1文本分析

首先，點擊New Project 按鈕，按照提示創(chuàng)建新項目，導(dǎo)入研究文本。導(dǎo)入成功后， Project Explorer對話框中出現(xiàn)項目名稱及下屬的三個文件夾——Project Dictionaries、Input和Output。若需使用自定義詞典，右擊Project Dictionaries文件夾，導(dǎo)入自定義詞典，若使用DICTION自帶詞典，可省略這一步。單擊菜單欄中的Edit可以查看DICTION自帶詞典，不可修改或?qū)С鲎詭г~典。詞典導(dǎo)入成功后，開始分析文本。右擊Input文件夾(或其中的單個文本)，單擊Standard Analysis或Power Analysis，對輸入文本進行分析(圖1)。

圖1　文本分析

當(dāng)輸入文件少于1000個時，默認(rèn)使用Standard Analysis，分析結(jié)果將呈現(xiàn)在Project Report Viewer對話框中(圖2)，若要查看單個文件的分析結(jié)果，可雙擊該文件信息所在行，進入File Report Viewer對話框，查看分析結(jié)果，結(jié)果中可以看到該文本的語氣指標(biāo)與DICTION的標(biāo)準(zhǔn)語料庫的基準(zhǔn)指標(biāo)有何差異(圖3)。單擊Viewer對話框右上角圖標(biāo)可以將結(jié)果輸出、保存到.xls和.cvs文件中。查看以往項目結(jié)果，可打開Project Explorer對話框中的Output文件夾，點擊需查看的Output文件，輸出結(jié)果將顯示在Project Viewer對話框中。當(dāng)文件數(shù)超過1000個時，默認(rèn)使用更加快捷有效的Power Analysis，分析結(jié)果會自動輸出到.cvs文件中。若想關(guān)閉默認(rèn)分析方式，可在Global Setting或Project Setting中進行選擇。

圖2　分析結(jié)果呈現(xiàn)

文本分析結(jié)果包含了上章提到的35個特征值，以及由這些特征值計算得到的5個語氣值。除此之外，結(jié)果中還包含如下指標(biāo)：(1)dentifier(id1-8)(有設(shè)置Identifier時會顯示該結(jié)果)；(2)Segment number(在設(shè)置時勾選Segment結(jié)果會顯示段號)；(3)總詞數(shù)；(4)總字母數(shù)；(5)平均詞長；(6)特殊詞；(7)自定義詞典數(shù)據(jù)；(8)Stakeholders (設(shè)置內(nèi)部作者分析時會顯示該結(jié)果)。

The Seebeck coefficient of the compound Cu1.8S exhibits a maximum at the γ–β transition temperature, indicating a dramatic change in the presence thermopower. This is due to the fast increase in the disorder in the atoms-holes ensemble.

圖3　情感指標(biāo)計算結(jié)果

若要查看或編輯某一文本的內(nèi)容，可雙擊Input文件夾下的該文本，在Text Viewer對話框進行閱讀和編輯。

若對已有項目進行分析，開始時可點擊工具欄中的Open Project按鈕直接打開已有項目，或點擊菜單欄中的Edit，選擇Import Project。此外，選擇Export Project還可以將項目移除。

圖4　文本閱讀與編輯

3.2設(shè)置

對所有項目進行設(shè)置，可以點擊工具欄中的“Global Settings”按鈕；對單個項目進行設(shè)置，可右擊該項目，然后選擇“Project Settings”。兩類設(shè)置都包含了“Processing Options”“Identifiers”“User Dictionaries”和“Internal Author Analysis”四種選項。

圖5　設(shè)置選項

“Processing Options”選項可以設(shè)置文本特征測量與報告的標(biāo)準(zhǔn)。對于短小的文本，可以選擇報告原始數(shù)據(jù)或推斷數(shù)據(jù)(標(biāo)準(zhǔn)化為500詞的分析數(shù)據(jù))。對于大規(guī)模文本，可選擇僅分析報告前500詞的數(shù)據(jù)，或取每500詞分析結(jié)果的均值，或?qū)⒃嘉谋疽?00詞為單位切分后報告每一單位的分析結(jié)果，或計算整個文本的值然后標(biāo)準(zhǔn)化為每500詞的值，或直接輸出未標(biāo)準(zhǔn)化的原始數(shù)據(jù)。此外，還可以選擇輸出哪些描述數(shù)據(jù)、選擇參照語料庫、選擇是否進行內(nèi)部作者分析等。

圖6　作者設(shè)置

圖7　按作者區(qū)分文本

在“Identifiers”選項中，可以輸入識別碼來檢索并測量賦碼語料中的賦碼信息?！癠ser Dictionaries”選項中，可以導(dǎo)入、創(chuàng)建、編輯或刪除自己的詞典。“Internal Author Analysis”選項可以幫助用戶選擇不同顏色來標(biāo)注、區(qū)分不同作者的文本，并分別測量它們的特征。首先，在“Internal Author Analysis”選項中設(shè)置作者的姓名和顏色(圖6)，然后回到Text Viewer對話框，人工選擇作者的相應(yīng)文本，并標(biāo)色(圖7)。完成標(biāo)注后，再進行分析，Project Viewer對話框中會同時出現(xiàn)整個文本的數(shù)據(jù)以及不同作者文本的數(shù)據(jù)。

4　DICTION應(yīng)用案例

本文將運用DICTION軟件分析中美50強上市公司2005—2015年年報語篇的語氣特點，并進行對比分析，以期為該工具應(yīng)用于實證研究提供借鑒。

4.1研究問題與方法

本案例著重回答以下問題：

中美50強上市公司英文年報文本的情感各有何特點？是否存在差異？

本研究所選語料為2016年福布斯排行榜上中美50強上市公司的2005—2015年英文年報，涉及的企業(yè)類型包括金融、石油、IT、公用事業(yè)等，共收集中國企業(yè)年報405份，總詞符為32,788,389。美國企業(yè)年報412份，總詞符為31,704,530。共計817份，總詞符64,492,919。將語料導(dǎo)入DICTION7.0，進入Global Setting 界面進行設(shè)置。設(shè)置文本特征測量與報告的標(biāo)準(zhǔn)為每500詞分析結(jié)果的均值，并在Miscellaneous部分選擇“Business: Corporate Financial Report”為參照語料庫。設(shè)置好后對語料進行“Power Analysis”，得到中美企業(yè)年報二類語料的情感特征值：確定性、樂觀性、主動性、現(xiàn)實性和共同性。然后通過獨立樣本T檢驗，對比考察中美企業(yè)年報話語情感的異同。

4.2結(jié)果與討論

獨立樣本t檢驗顯示，中美企業(yè)英文年報的主動性存在顯著差異(t=9.339, df=807.496, p<0.05)，中國企業(yè)年報話語主動性遠(yuǎn)高于美國企業(yè)年報(均值差=0.89)(見表1)。

表1　中美企業(yè)年報話語主動性測量與對比

獨立樣本t檢驗顯示，中美企業(yè)英文年報的樂觀性存在顯著差異(t=-4.949, df=815, p<0.05)，中國企業(yè)年報話語樂觀性遠(yuǎn)低于美國企業(yè)年報(均值差=-0.50)(見表2)。

獨立樣本t檢驗顯示，中美企業(yè)英文年報的確定性存在顯著差異(t=8.978, df=815, p<0.05)，中國企業(yè)年報話語確定性遠(yuǎn)高于美國企業(yè)年報(均值差=1.55)(見表3)。

表3　中美企業(yè)年報話語確定性測量與對比

獨立樣本t檢驗顯示，中美企業(yè)英文年報的真實性存在顯著差異(t=5.874, df=815, p<0.05)，中國企業(yè)年報話語真實性遠(yuǎn)高于美國企業(yè)年報(均值差=1.15)(見表4)。

表4　中美企業(yè)年報話語真實性測量與對比

獨立樣本t檢驗顯示，中美企業(yè)英文年報的共同性存在顯著差異(t=2.116, df=815, p<0.05)，中國企業(yè)年報話語共同性遠(yuǎn)高于美國企業(yè)年報(均值差=2.73)(見表5)。

表5　中美企業(yè)年報話語共同性測量與對比

綜上所述，與美國50強企業(yè)相比，我國50強企業(yè)英文年報話語的主動性、確定性、真實性和共同性均顯著高于美國企業(yè)英文年報，而樂觀性顯著低于美國企業(yè)英文年報。中美企業(yè)英文年報話語情感存在顯著差異。

5　結(jié)語

DICTION文本分析軟件界面友好，操作簡單，且具有較高的速度和信度，可以大大減少人工標(biāo)注，降低研究成本，為內(nèi)容分析提供了很大便利。但在使用過程中發(fā)現(xiàn)，該軟件仍存在以下弊端：(1)自帶詞表是普通英語詞表，不是專用英語詞表，而且其自帶的樂觀與悲觀詞表飽受詬病(Davis et al., 2012; Loughran et al., 2015)；(2)無法識別中文詞典和文本；(3)忽視語境信息。盡管存在這些弊端，該軟件還是在不同領(lǐng)域得到了廣泛應(yīng)用。國內(nèi)鮮有借助該軟件進行內(nèi)容分析的研究。本文有望對國內(nèi)各社會科學(xué)領(lǐng)域的內(nèi)容研究提供方法啟示。

參考文獻：

Arena, C. et al. 2015. Environmental Reporting: Transparency to Stakeholders or Stakeholder Manipulation? An Analysis of Disclosure Tone and the Role of the Board of Directors[J].CorporateSocialResponsibilityandEnvironmentalManagement，22(6):346-361.

Barr, P. S. et al. 1992. Cognitive Change, Strategic Action, and Organizational Renewal[J].StrategicManagementJournal，(13):15-36.

Bligh, M. C. et al. 2004a. Charisma Under Crisis: Presidential Leadership, Rhetoric, and Media Responses before and after the September 11th Terrorist Attacks[J].LeadershipQuarterly, (15):211-239.

Bligh, M. C. et al. 2004b. Charting the Language of Leadership: A Methodological Investigation of President Bush and the Crisis of 9/11[J].JournalofAppliedPsychology, (89):562-574.

Bravo, R. et al. 2012. Corporate Social Responsibility as a Vehicle to Reveal the Corporate Identity: A Study Focused on the Websites of Spanish Financial Entities[J].JournalofBusinessEthics，107(2):129-146.

Cho, C. et al. 2010. The Language of US Corporate Environmental Disclosure [J].AccountingOrganizations&Society, 35(4):431-443.

Cho, J. et al. 2003. Media, Terrorism, and Emotionality: Emotional Differences in Media Content and Public Reactions to the September 11th Terrorist Attacks [J].JournalofBroadcasting&ElectronicMedi,a， 47(3):309-327.

Boder, D. P. 1927. The Adjective-Verb Quotient: A Contribution to the Psychology of Language [J].PsychologicalRecord, 3(22):310-343.

Davis, A. K. & I. Tama-Sweet.2012. Managers’ Use of Language Across Alternative Disclosure Outlets: Earnings Press Releases Versus MD & A[J].ContemporaryAccountingResearch, 29(3):804-837.

Davis, K. M. & W. L. Gardner.2012. Charisma Under Crisis Revisited: Presidential Leadership, Perceived Leader Effectiveness, and Contextual Influences [J].LeadershipQuarterly, 23(5):918-933.

Davis, A. K. et al. 2012. Beyond the Numbers: Measuring the Information Content of Earnings Press Release Language [J].ContemporaryAccountingResearch, 29(3), 845-868.

Engelen, A. & S. Schmidt. 2016. Should entrepreneurially oriented firms have narcissistic CEOs? [J].JournalofManagement, 42(3): 698-721.

Finkelstein, S. & D. C. Hambrick. 1996. Strategic Leadership: Top Executives and Their Effects on Organizations [M]. New York: West.

Hall, J. A. P. & N. ennington. 2013. Self-monitoring, Honesty, and Cue Use on Facebook: The Relationship with User Extraversion and Conscientiousness [J].ComputersinHumanBehavior,29(4):1556-1564.

Hart, R. P. 2000. DICTION 5.0: The Text-analysis Program [M]. Thousand Oaks, CA: Sage.

Hart, R. P. & S. E. Jarvis. 1997. Political Debate: Forms, Styles and Media [J].AmericanBehavioralSciences(40):185-122.

Henry, E. 2006. Market Reaction to Verbal Components of Earnings Press Releases: Event Study Using a Predictive Algorithm [J].JournalofEmergingTechnologiesinAccounting, 3(1), 1-19.

Henry, E. 2008. Are Investors Influenced by How Earnings Press Releases are Written? [J].TheJournalofBusinessCommunication, 45(4): 363-407.

Huffaker, D. A. & S. L. Calvert. 2005. Gender, Identity, and Language Use in Teenage Blogs[J].JournalofComputer-MediatedCommunication, 10(2):00-00.

Jancenelle, V. E. et al. 2016. Firm-Specific Risk, Managerial Certainty and Optimism [J].JournalofStrategyandManagement, 9(3): 383-402.

Kearney, C. & S. Liu. 2014. Textual Sentiment in Finance: A Survey of Methods and Models [J].InternationalReviewofFinancialAnalysis, 33(3):171-185.

Krebs, R. R. 2015. Tell Me a Story: FDR, Narrative, and the Making of the Second World War[J].SecurityStudies, 24(1):131-170.

Loughran, T. & B. McDonald. 2015. The Use of Word Lists in Textual Analysis[J].JournalofBehavioralFinance, 16(1): 1-11.

Mayew, W. J. Venkatachalam M. 2012. The Power of Voice: Managerial Affective States and Future Firm Performance [J].TheJournalofFinance, 67(1):1-44.

Morris, R. 1994. Computerized Content Analysis in Management Research: A Demonstration of Advantages & Limitations.JournalofManagement, 20: 903-931.

Oliver, J. E. & W. M. Rahn. 2016. Rise of the Trumpenvolk: Populism in the 2016 Election[J].AnnalsoftheAmericanAcademyofPolitical&SocialScience, 667(1):189-206.

Pollach, I. 2012. Taming Textual Data: The Contribution of Corpus Linguistics to Computer-Aided Text Analysis [J].OrganizationalResearchMethods, 15(2): 263-287.

Robert, E. et al.2011. Verbal Style, Gubernatorial Strategies, and Legislative Success [J].PoliticalPsychology, 32(4):623-642.

Weber, R. P. 1990.BasicContentAnalysis[M]. Sage Publications.

Wendel, J. 1951.PeopleinQuandaries:TheSemanticsofPersonalAdjustment[M]. New York: Harper.