从物理学到机器学习：用技术手段量化分析职场被动攻击行为

从物理学到机器学习：用技术手段量化分析职场被动攻击行为

1. 从物理系统视角看团队协作

1.1 团队系统的能量模型

在热力学系统中，系统的总能量由动能和势能组成。类比到团队协作中，我们可以建立如下模型：

class TeamEnergy:
    def __init__(self, members):
        self.kinetic = sum([m.skill * m.efficiency for m in members])  # 动能：技能×效率
        self.potential = self.calculate_potential(members)             # 势能：成员间协作势能
        
    def calculate_potential(self, members):
        """计算团队成员间协作势能"""
        potential = 0
        for i in range(len(members)):
            for j in range(i+1, len(members)):
                comm = communication_quality(members[i], members[j])
                potential += 1 / (0.1 + comm.conflict_level)  # 冲突水平越高，势能越大
        return potential

    def total_energy(self):
        return self.kinetic - self.potential  # 系统总能量=动能-势能

1.2 熵增原理的启示

根据热力学第二定律，孤立系统的熵（混乱度）总是增加的。团队中的被动攻击行为会显著加速熵增：

系统熵值 = 沟通熵 + 任务熵 + 情绪熵

我们可以用自然语言处理技术量化沟通熵：

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

def calculate_communication_entropy(messages):
    """计算沟通信息熵"""
    tfidf = TfidfVectorizer(stop_words='english')
    tfidf_matrix = tfidf.fit_transform(messages)
    similarity_matrix = cosine_similarity(tfidf_matrix)
    entropy = -np.sum(similarity_matrix * np.log(similarity_matrix + 1e-9))
    return entropy

2. 机器学习检测被动攻击行为

2.1 文本特征工程

针对职场沟通中的被动攻击特征，我们构建多维度特征：

def extract_passive_aggressive_features(text):
    return {
   
        'sarcasm_score': detect_sarcasm(text),
        'negation_count': count_negations(text),
        'modal_verb_ratio': calculate_modal_verb_ratio(text),
        'sentiment_discrepancy': abs(textblob_sentiment(text) - vader_sentiment(text)),
        'readability_score': textstat.flesch_reading_ea