四十岁的彭尼贝克效应

四十年前，Journal of Abnormal Psychology 上一项小规模随机试验，请四十六名本科生在连续四个晚上、每晚十五分钟，写下一段亲身经历的创伤。六个月后，写"创伤与情绪"那一组前往校园健康中心的次数，大约只有写琐碎话题对照组的一半。Pennebaker 和 Beall 自己把这个结果称为promising rather than definitive，按他们的报告，F(3, 42) = 2.74，p = .055。[3] 这个限定语没能撑过接下来的四十年。等到这套方案传到健康养生类媒体时，promising 已经变成了表达性写作能增强你的免疫系统、处理创伤、重塑抑郁的大脑回路。四十年过去，四份认真的元分析做下来，谨慎的总结其实比那些标题党，也比与之对应的那种怀疑论调，都要更窄、也更有意思。

没人引用的那个标题数字

写日记这一文献里被引用最多的单一数字，是 Smyth 1998 年的平均效应量，d = 0.47，汇总自十三项随机研究、806 名参与者。[6] 健康养生类作者把这缩写成中等效应，然后就停在这里。几乎没人引用的，是第二份元分析。Frattaroli 在 2006 年用随机效应模型对一百四十六项实验性披露研究、10,994 名参与者做了汇总，得出的总相关为 r = .075，相当于 d ≈ 0.151。[1] 研究数四倍，样本数十三倍，效应却只剩下三分之一左右。

从一次有希望的偶然到一项经典论断

从 Pennebaker 1986 到 Smyth 1998 的这条弧线，是一种范式典型的早期轨迹。一项带有一个临界交互作用的小型首研，打开了这个领域此前没问过的问题。*一段简短的写作任务，到底能不能让某个健康指标动一动？*整个八十年代末和九十年代，这套方案在健康本科生身上、对照琐碎话题，被反复重复。按 Smyth 的汇总，其中十三项试验产生了未加权的 d = 0.47，最大的几个分桶分别是生理功能（d = 0.68）和心理福祉（d = 0.66）。[6] 写作次数和单次时长都没有调节这个效应，两者 p > .10。数字是真的，方案足够简单，写下情绪就能产生可测量的健康效应这一论断，在领域汇总到足够多研究、能正经检验它之前，就已经凝固成了经典版本，而这一切早了足足十年。

缩水

然后这套文献做了所有文献都会做的事。方法变好了。样本量变大了。汇总池扩展到了原始方案从未验证过的人群和结局。汇总后的效应被压缩了。

五项表达性写作元分析的汇总绝对效应量，从 Smyth 1998 到 Reinhold 2018

study	|汇总后的 d 当量|
Smyth 1998	0.47
Frattaroli 2006	0.15
Frisina 2004	0.19
Travagin 2015	0.13
Reinhold 2018	0.03

最干净的同口径对比就在图里。Frattaroli 2006 的抑郁专项分桶报告 r = .073，相当于 d ≈ 0.15。十二年后，Reinhold 等人对三十九项关于身体健康成人抑郁症状的表达性写作 RCT 做了多层元分析。在平均六个月随访点上，长期效应为 g = −0.03，95% 置信区间 [−0.16, 0.09]。[5] 即时后测时存在一个微小但显著的效应（g = −0.09，方向偏向写作组），到第一次随访时就褪去了。Trim-and-fill 估计缺失研究为零。并不存在某种发表偏倚的人造痕迹在抬高早年那批数字；在更严格的汇总下，健康成人的抑郁效应根本没能撑过长期随访。

标题数字所掩盖的异质性

Frattaroli 总体上的 r = .075，对任何单一结局的描述都很糟糕。主观影响评分，也就是参与者本人对写作体验的回顾性判断，是 r = .159。自报健康症状是 r = .072。生理功能是 r = .060。心理健康是 r = .056。健康行为，也就是唯一一个有人会去查你是不是少抽了点烟、多运动了一点的结局桶，是 r = .007，在十项研究中没能跨过显著性这条线。[1] 比起人们可测量的健康，这套方案更能撼动的是参与者对这次写作练习的感受。

Spending 20 min a day for 3 days on an independent writing activity producing an effect halfway between small and medium is, in this author's opinion, quite impressive.

针对这套方案做过的最大规模元分析的作者，把这个效应描述为在最优条件下、在她最大的那个结局桶里，halfway between small and medium。读到这个量级，这套文献既不是健康养生口号，也不是对它的全盘否定。

近期元分析所排除的人群

Reinhold 关于抑郁的零长期结果，乍看像是一次干净利落的反驳。一行脚注让事情变复杂了。2018 年的样本明确排除了 PTSD 患者，也排除了关于身体疾病的研究，理由站得住脚：这些亚组本身就属于独立的干预，和自助式设计放在一起汇总效果不好。[5] 而恰恰是这些亚组，正是 Smyth 和 Frattaroli 当年报告出最大效应的地方。创伤人群和躯体疾病样本。这次缩水里，一部分是真正的方法学进步，另一部分则是有意排除了那些原始信号叫得最响的亚组。

仔细读下来，这次缩水并不是一个故事。它是对问题本身的一次澄清。Smyth 和 Frattaroli 汇总的，是这个领域自 1986 年以来一直在研究的整个语料库。写创伤的健康本科生。写诊断的癌症患者。家庭照护者，睡眠呼吸障碍者，纤维肌痛患者样本。汇总后的 d，描述的是这种混合语料库上平均会发生什么，其中分量最重的临床亚组在做主要的算术工作。Reinhold 把样本限制在身体健康成人，把 PTSD 当作一个独立的临床干预问题去处理，问的是更窄的当代版本。*简短的自我导向写作，对非临床成人的抑郁，在六个月随访时是否有帮助？*答案是零。早先那个答案是小到中等。两者之间并不矛盾。它们是对不同样本上不同问题的回答，对这套文献的诚实读法，必须把这两个问题都放在视野里。

青少年文献也指向同一方向。Travagin 等人汇总了二十一项关于十到十八岁青少年表达性写作的研究，得到总体 g = 0.127，最大的信号出现在剂量最高、写作主题最具体的地方。[7] Frisina 更早一些对临床人群的元分析报告 d = 0.19，预设的对比表明躯体健康结局（d = 0.21）跑赢了心理结局（d = 0.07，不显著）。[2] 在领域研究过的这些人群里，汇总效应都很小，最稳定地存活下来的，是躯体信号，而不是情绪信号。

四十年里活下来的是什么

文献中关于认知机制的那一面，比效应量撑得更久。Pennebaker 1997 年发表在 Psychological Science 上的综述，报告了写作过程中可测量的语言变化，因果词如 because、洞察词如 understand 的使用频率在上升，独立评分者也观察到，组织散乱的描述在写作的最后一天变成了连贯的叙述。[4] 按 Pennebaker 自己的解读，承载这种效应的，是把经验翻译成结构化语言，而不是这套原始方案当年所围绕的宣泄。这套机制并不需要一段三十分钟的创伤写作。它需要的，只是把一件具体的事情，努力放进具体的字句里。

这条写日记的科学支柱，因为这次缩水而失去的，是那句口号。它保留下来的，是 Burton 与 King 那个两分钟奇迹的下限发现，是那条被遗忘的免疫支线，在身体上留下的微小但持久的信号，以及 Pennebaker 1997 年描述过的那种认知翻译。同样的缩水模式也出现在感恩文献里，按对照严格度排序的十二项感恩 RCT显示，随着对照收紧，效应也在塌缩。它们都不依赖 d = 0.47。它们依赖的，是把一句具体的话写到纸上这个动作。这套文献四十年的弧线，是对一个早期估计的缓慢修正，那个估计原本就注定会在严肃的元分析下被压缩。读到它实际的那个量级上，表达性写作是心理学里相当奇特的、那种没有消失的小效应之一。