随着互联网的蓬勃发展,大量社会媒体用户将他们的日常生活行为记录发布上网,这些记录是用户心理特征与心理活动的自然反映,具有内容丰富、自然发生、规模庞大、便于回溯等特点,使得社会媒体平台成为了理想的"在线心理学实验室"。通过对用户的在线行为记录进行分析,可以在不对用户造成干扰的情况下实时、大规模地了解个体心理特征和主观感受,为心理学的研究与应用提供了一种新的范式。我们将机器学习方法应用于个体心理特征测量,提出了基于社会媒体用户网络行为数据,对个体进行非侵扰、生态化的瞬时心理特征评估计算的方法。研究采用有监督的机器学习方法:首先收集了具有心理特征标注的微博用户数据,心理特征标注采用心理学量表获得;然后针对社会媒体的功能,从考察用户社会媒体使用基本行为、语言特征和时间序列特征的角度,建立了用户行为特征体系;进而基于用户行为的特征数据及与之对应的心理特征标注,利用有监督机器学习算法,建立心理特征分类、回归预测模型,并对模型的有效性进行了验证。我们在研究中开展了基于新浪微博的大规模用户实验,利用上述特征体系和建模方法,建立并评估了基于社会媒体的用户人格、心理健康、主观幸福感等心理特征的预测计算模型。模型在人格、心理健康等心理特征高低分组分类问题上准确率约为80%;在人格、心理健康、主观幸福感心理特征得分预测问题上,模型预测结果与心理问卷结果的皮尔逊相关系数可达0.4-0.6。这一结果表明,利用社会媒体行为数据能够有效地实现对用户多种心理特征进行实时的、无干扰的感知与监测。