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 = 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) # 冲突水平越高，势能越大return potentialdef 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_similaritydef 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
)
