负面影响的情绪

克制垃圾情绪,共筑温馨家庭 家庭,本应是温暖的避风港,是心灵的栖息地,然而,当垃圾情绪在其中肆意蔓延,温馨的港湾可能会沦为风暴的中心。他的母亲格蕾丝性格刚烈、情绪多变,对丈夫的辱骂和对海明威本人的贬低训斥,给海明威的心灵蒙上了沉重的阴影。家庭中的垃圾情绪,其影响不仅局限于当下的关系紧张,更会对下一代的性格形成和心理健康产生长期的、潜在的危害。同时,要培养积极的心态,学会从挫折和困难中寻找积极的因素,以乐观的态度面对生活中的挑战。在家庭关系的复杂画卷中,垃圾情绪宛如隐匿的暗潮,悄然侵蚀着亲情的基石,威胁着家庭的和谐与稳定。 阅读详情

      1、缺乏目标。一个没有目标的人一定是一个对生活没有幻想的人。这种人的情绪也不可能好到哪里去。因此,要想改善情绪,就得先确立一个生活的目标,在追求的过程当中你就会寻找到快乐,心情自己也就好了很多。
  2、害怕失败。这类人不管做什么事情都缩手缩脚,总是害怕失败,也就是因为这样,他们每天总是一副提心吊胆的样子。要想改变这种生活,这类人得先增强自己的自信心。
  3、害怕被拒绝。这类人性格比较内向,害怕被别人耻笑,也害怕遭受打击,更害怕遭到当面拒绝。因此这类人的心态也总是处在低谷,很难有兴奋的时候。
  4、埋怨和责怪。这类人喜欢逃避责任,不敢面对困难,也不敢面对自我。只要一遇到问题就把责任归咎在别人头上。他们总是自我认识不够,也总以为自己是受害者,是应该被可怜的人。
  5、否定现实。这是一种懦弱,胆怯和无能的表现。现实中的一切他们都不敢去面对,总是采取一种逃避的方式,并且也总是否定现实中的人,现实中的事,更为可悲的是还否定现实中的真情。
  6、半途而废。这类人经受不住一点痛苦的折磨,也根本不知道“坚持“后面是美丽的彩虹。只要一有磕磕碰碰,就选择放弃,不管如何,这也是没有信心和底气的表现。
  7、对未来悲观。世界在这类人的眼中,总有一天是要走向灭亡的,因此他们总是在担心,总是在悲观,认为一切终归要走向毁灭,所有的努力终归是白费的,因此这类人一直非常消极,甚至是颓废。
  8、好高骛远。和缺乏目标的人不一样的就是,这类人有很远大的目标。唯一不足的就是这类人的目标根本就不可能实现,是一种空洞的打算。因此,这类人在追求过程当中,注定要有很多的失败,情绪自然也就欠佳。

管理愤怒:情绪日记与团队工作策略 本文基于书籍中的附录内容,介绍了一种情绪管理方法——记录情绪日记,并提供了团队工作和个人管理愤怒的多种策略。通过个人情绪日记的记录,读者可以了解自己在面对强烈情绪时的反应模式,进一步通过团队合作与策略学习,提高情绪控制能力。 阅读详情

相关推荐

[RK3568][Android11.0]Vold-DiskInfo:区分u盘和硬盘

测试平台 Platform: RK3568 OS: Android 11.0 需求描述 目前系统内部设备没有对硬盘(sata/usb移动硬盘)和u盘做区分,统一显示的为usb存储设备.目前有需求要在显示上有所区分。 解决方案 如何区分移动硬盘和U盘,见Android usb设备的检测及区分(sata硬盘、优盘及移动硬盘).主要就是检测removeable值,为0:硬盘,为1:u盘 解决补丁如下 From 572cf35c07f68c5cb5defe40c536dd9ad1b4648e Mon Sep 17

weixin_39966398的博客 1897

编写程序,统计办公室多人交谈,噪音时长,评估噪音对专注力,情绪的负面影响分值。

print("情绪影响:", evaluator.emotion_impact_score())print("专注力影响:", evaluator.focus_impact_score())print("噪声总时长:", evaluator.total_noise_sec)NOISE_THRESHOLD_SEC = 1.0 # 视为有效噪声的最小持续时长。专注力影响 = min(100, 噪声时长(秒) × 权重)├── vad_detector.py # 人声检测模块。

2301_82202864的博客 103

Multisim 14.0元件库下载完整指南:从安装到配置

详细介绍Multisim 14.0版本的元件库下载方法,涵盖安装步骤与后续配置流程,帮助用户快速搭建仿真环境。内容覆盖常见问题及解决方案,让multisim元件库下载更高效、稳定。

weixin_34511754的博客 1935

工作中应该如何管理自己的情绪?

在工作中能够管理好自己的情绪是非常重要的!因为如果一个人即使能够掌握再多的知识和技能,也有可能因为一些负面情绪的问题导致无法拿出全部的实力,进而无法拿到成果! 有些明明自己的知识与技能都掌握的很好,平常处理一些小的事情的时候也算游刃有余,但是一旦真正遇到一些考验的时候,其表现往往不尽如人意。 然而情绪管理很多人明明知道自己当下正处于一个错误的情绪状态中,却很难控制自己能够走出来!最近读了一本关于情绪管理的书——《麦肯锡情绪管理课》,其中的一些观点和方法颇有道理! 作者认为情绪与我们思维方式有很大的关系,糟.

weixin_48967543的博客 313

ESP32天线阵列实现Wi-Fi空间成像与无直视定位

Wi-Fi信道状态信息(CSI)是OFDM系统中表征多径传播特性的基础物理层参数,其复数值包含幅度与相位,可反映无线环境的空间特征。基于CSI的射频感知技术,通过提取子载波级信道响应,结合阵列信号处理,实现到达角(AoA)估计与深度映射,本质是将通信链路重构为空间域传感器。该技术无需专用雷达硬件,具备低成本、被动式、隐私友好等工程优势,在室内定位、行为识别、仓储导航等场景具有广泛落地价值。本文聚焦ESP32平台,详解多芯片相位同步、CSI零拷贝采集、嵌入式MUSIC算法及信道图谱轻量化部署等关键实现。

weixin_30632267的博客 236

Android 17为什么会重写MessageQueue

DeliQueue 通过消除 MessageQueue 中的锁,提升了系统和应用的性能。合成基准测试: 得益于并发能力的提升(Treiber 栈)和更快的插入速度(最小堆),向繁忙队列进行多线程插入的速度比传统 MessageQueue 快了高达 5000 倍。Perfetto 追踪分析: 在从内部测试人员处获取的 Perfetto 追踪记录中,我们看到应用主线程在锁竞争上消耗的时间减少了 15%。

xiangzhihong8的专栏 270

成功者总能扼制自个儿的情绪

美国研讨担任职务的人发觉,“一颗耗子屎坏了一锅汤”在职场上一样适合使用。个别表达消极的职员会对群体办公萌生严重的负面影响。你肯定遇到过大致相似的事情状况:身边总会有几个成天怨天尤人的同事,不管是在每周职员常会上,仍然在餐馆顺次排列时,它们始末在埋怨。它们仅需几句松气话,就能让一个闹热的头脑风暴会展前功尽弃,它们的坏心绪很快就会广泛散布开来。消极举止神情甚至于能相互消除掉好消息儿。   家喻户晓,

u013846968的专栏 376

【用unity实现100个游戏之7】实现一个类《杀戮尖塔》的卡牌回合制游戏(附项目源码)

【用unity实现100个游戏之7】实现一个类《杀戮尖塔》的卡牌回合制游戏(附项目源码)

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 1万+

请控制好你的情绪--职场情绪管理

很多人在工作的时候都会发现因控制不住自己的情绪,而导致工作仕途不

沛哥儿的专栏 2万+

Python爬虫实战:抓取CVE安全漏洞数据库

在网络安全领域,CVE(Common Vulnerabilities and Exposures)是一个非常重要的安全漏洞字典,它为每个安全漏洞提供了唯一的标识符。安全研究人员、开发人员和系统管理员都需要及时了解最新的CVE信息,以便采取相应的防护措施。本文将详细介绍如何使用Python爬虫技术从专业CVE网站抓取漏洞数据,并构建一个完整的CVE信息采集系统。本文详细介绍了如何使用Python爬虫技术从专业CVE网站抓取安全漏洞数据。多种爬虫技术反爬虫策略:User-Agent轮换、代理IP、请求延迟。

2201_76125261的博客 367

Android 15.0 添加自定义服务,并生成jar给第三方app调用

在15.0系统ROM产品定制化开发中,由于需要新增加自定义的功能,所以要增加自定义服务,而app上层通过调用自定义服务,来调用相应的功能,所以系统需要先生成jar,然后生成jar 给上层app调用,接下来就来分析实现的步骤,然后来实现相关的功能 从而来实现所需要的功能

安卓兼职framework和app工程师的博客 668

你的情绪谁做主(转载)

情绪是什么? 情绪的概念是由拉丁动词“motere(行动)”而来,表示促使个体采取某种行动的趋力,它是个体受到某 种内在或外在的刺激所产生的一种身心激动状态。 古代阿拉伯学者阿维森纳,曾把一胎所生的两只羊羔置于不同的外界环境中生活:一只小羊羔随 羊群在水草地快乐地生活;而在另一只羊羔旁拴了一只狼,它总是看 到自己面前那只野兽的威胁,在极度惊恐的状态下,根本吃不下东西,不久就因恐慌而死去...

iteye_12128的博客 236

自私兽群优化器(SHO)详解:从生物本能到智能优化

自私兽群优化器(SHO)是一种受动物群体自私行为启发的智能优化算法。该算法模拟动物在捕食威胁下的两种行为:聚集行为(全局搜索)和自私行为(局部搜索),将优化问题的解空间映射为生存环境,候选解视为猎物个体。SHO通过安全性评估将猎物分为安全、危险和高危三类,分别采用不同的位置更新策略,并引入捕食者角色增加选择压力。相比传统优化算法,SHO具有无需梯度信息、自适应平衡探索与开发、参数简单等优势,特别适合高维复杂和多模态优化问题。算法通过马尔可夫链理论保证收敛性,已在工程设计和数据挖掘等领域展现出良好性能。

qq_42212808的博客 196

组织行为学学习笔记2:情绪和心境

情感(affect)是一种统称,包括人们体验到的所有感情。这个总括概念中包含 了情绪和心境两个成分。情绪(emotions)是一种强烈的情感,它直接指向某人或某 物。心境(moods)则是一种比情绪更弱并且通常(但并不总是)不因为具体的某个 事件而产生的情感。 如果你是一名销售人员或餐厅服务员,你就会知道友好的行为以及微笑的重要 性。即使哪天你感到不高兴,你也知道管理人员希望你在和顾客打交道时能打起精神 来,因此你学会了伪装自己。当员工投入工作中时,他们分别消耗了体...

jackyrongvip的专栏 1268

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

医生说 | 当心!长期情绪压抑,正在毁掉你的身体

3. 不仅如此,长期压抑自己的情绪,不敢表现自己的脆弱和痛苦,不愿表达自己的真实情感,就很容易对自我表达能力造成损伤,出现无法与人沟通、不擅长情感表达等问题。有人说写日记是个“自救”的过程,看似只是在记录每天心情,实际上是把内心的想法等记录下来,慢慢的会让我们想通很多,情绪改善很多。从现在开始,试着让自己放松下来,最最重要的是,学会取悦自己,尊重自己的内心感受,让自己开心起来。所以,我们遇到不开心的事情时,可以尝试运用转移的方法来调节情绪,及时恢复心理平衡,以便可以快速地摆脱痛苦的情绪。

haoxinqing_bj的博客 298

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

1杯开水,赔了7.7万:那些毁于情绪失控的人…

作者丨临公子转载自公众号丨临公子的后花园(ID:hi-lingongzi)01一个成年人的标志是什么?懂得克制,算是其中之一。昨天等公车时,听到旁边的姑娘打电话,大致说又被上司骂了,心里...

<sdffdsfsdfdfs>sfsfsfsdfsdffds</sdfsDS>Fsd 363

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

处理团队中的消极情绪

当人们在敏捷团队中协同工作时,必定会出现一些情绪上的变化。积极的情绪可以促进团队工作,消极的情绪会对团队协作产生极大的影响,阻碍他们的生产力。\u0026#xD;\n\u0026#xD;\nNoel Radley是Software Advice项目管理技术研究员,她发布了一篇团队情绪如何影响项目管理的报告。她采用在线调查的方式收集了数据,并采访了几位教授,这些教授都研究过情绪对生产力的影响。\u0...

啊啊啊啊2 483

坏情绪是一切疾病的总根源

    很多人第一次登台演讲时都有这样的感受:面对几百人,心里非常紧张,明明是夏天,但依然感觉毛孔在收缩,汗毛在竖起,四肢微微发抖;平时明明说话很流利,但这回一开口就结巴;讲了不到几分钟,就觉得嘴里很渴了……         紧张,一个小小的心理状况,竟导致人这么多的生理反应!类似的还有很多:害羞的时候,满脸潮红;生气的时候,出气很粗;如果遇到着急或心烦的事呢,可能整夜都像烙煎饼似的睡不着…

zzy616616的专栏 672

劫持情绪-控制欲强宝妈难培养出健康孩子。

当父母面对孩子的反抗或不听话时,可能会触发自己的情绪劫持,导致他们无法理性地处理情况,而是以愤怒或过度控制的方式回应。#好书分享[话题]# #育儿[话题]# #新手妈妈[话题]# #不强势的勇气[话题]# #情感共鸣[话题]# #何圣君[话题]# #人民邮电出版社[话题]#通过这些方法,父母可以更好地管理自己的情绪,避免情绪劫持对家庭关系造成负面影响。当人们面临威胁或压力时,杏仁核会变得活跃,触发身体的应激反应,这在古代是一种生存机制。:作为父母,通过自己的行为来示范如何以健康的方式处理情绪。

hanxiaobanbudia的博客 399

理性情绪

控制自己的情绪,保持积极的情绪 书名:理性情绪 作者:阿尔伯特凯礼斯 出版社: 阅读日期: 书摘/笔记: 批注/感悟: 你可以保留任务完美注意,但不一定是自我完美主义 这是两个观点,可以对任务完...

730

股市投资中理性与情绪该如何平衡?一文教你保持冷静头脑应对复杂行情

在股市投资中,股民平衡理性与情绪至关重要。面对复杂行情,股民需保持冷静头脑,才能做出合理决策,实现更好投资效果,在变幻莫测的股市里稳健前行。

股票程序化接口 493

不要把赌博情绪带入到投资行为中

本文章首发于公众号攻城狮客栈,有需要的朋友可文末扫描二维码。 最近的股票基金大热,着实是疫情一来一个大的风口,不知道你是什么时候上车或是否在车上呢? 投资之所以成为投资,是因为我们想让他产生正向的收益,让其随着时间越来越有价值,但相应的,投资有很多的误区。最常见的,大家都知道货币是越来越贬值的,说货币跑不过通胀之类的,所以要进行一些投资来保值。你是不是也这样认为呢?但是你有没有想过,投资有风险呀,不会投资而乱投资的话,可能你面临的不是跑不过,而是跑没了的境地。跑不过总比跑没了要好,所以,在投资时一定要谨

画鸡蛋的不止达芬奇 1096

刘雯的网红变现2.0时代:煽动情绪成为带货生意的燃料

例如,刘雯擅长发现企业一些可能引起公众不满的问题,然后迅速抓住机会,通过夸张的语言、生动的描述和富有感染力的表达,将问题放大化,引发网民的愤怒、同情等情绪。实际上,类似“顾客支付43.1元,骑手仅获3.5元”“消费者实付23.5元,商家到手0.6元”的说法根本站不住脚,若果真如此,平台上的商家和骑手早就跑得一个不剩了,怎么还会给刘雯机会伸张正义?然而,完成流量的原始积累后,她并不会给自己代言的“人民”任何好处,反倒是在此过程中筛选出支持她的粉丝,后续向其兜售来路不明的产品,从中获得巨额经济回报。

2401_88566218的博客 1345
上一篇: 成为优秀程序员就必须具备的七个优点
下一篇: 优秀程序员的十个习惯
wihing
博客等级 码龄19年 55粉丝 36原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值