從物理學到機器學習：用技術手段量化分析職場被動攻擊行為
1. 從物理系統視角看團隊協作
1.1 團隊系統的能量模型
在熱力學系統中，系統的總能量由動能和勢能組成。類比到團隊協作中，我們可以建立如下模型：
class TeamEnergy:def __init__(self, members):self.kinetic = sum([m.skill * m.efficiency for m in members]) # 動能：技能×效率self.potential = self.calculate_potential(members) # 勢能：成員間協作勢能def calculate_potential(self, members):"""計算團隊成員間協作勢能"""potential = 0for 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) # 沖突水平越高，勢能越大return potentialdef total_energy(self):return self.kinetic - self.potential # 系統總能量=動能-勢能
1.2 熵增原理的啟示
根據熱力學第二定律，孤立系統的熵（混亂度）總是增加的。團隊中的被動攻擊行為會顯著加速熵增：
系統熵值 = 溝通熵 + 任務熵 + 情緒熵
我們可以用自然語言處理技術量化溝通熵：
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similaritydef calculate_communication_entropy(messages):"""計算溝通信息熵"""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. 機器學習檢測被動攻擊行為
2.1 文本特征工程
針對職場溝通中的被動攻擊特征，我們構建多維度特征：
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
)
