賈積有+楊柏潔

摘 要：文本情感計(jì)算是近年來(lái)人工智能、教育技術(shù)與學(xué)習(xí)科學(xué)等領(lǐng)域出現(xiàn)的一個(gè)研究熱點(diǎn)。文章在界定相關(guān)概念、分析相關(guān)研究的基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于漢語(yǔ)文本的情感計(jì)算系統(tǒng)“小菲”。該系統(tǒng)依照Ekman心理模型將情感分為6種類別：氣憤、厭惡、恐懼、愉悅、悲傷和驚訝；每種情感的強(qiáng)度取值范圍為[-18，18]；構(gòu)建了擁有32879條情感詞語(yǔ)的情感詞典《小菲詞典》，每條詞語(yǔ)標(biāo)注了6種情感極性和相應(yīng)的情感強(qiáng)度；然后建構(gòu)了詞語(yǔ)和短語(yǔ)、句子三個(gè)級(jí)別的情感計(jì)算模型，可以判別情感極性和計(jì)算情感強(qiáng)度。作為嘗試，該系統(tǒng)處理了一次慕課中產(chǎn)生的377條調(diào)查問(wèn)卷反饋數(shù)據(jù)，計(jì)算F值（查準(zhǔn)率和召回率的加權(quán)幾何平均值）為88.7%。該結(jié)果初步證明：該系統(tǒng)可以用于慕課等在線學(xué)習(xí)產(chǎn)生的大規(guī)模交互文本的自動(dòng)情感識(shí)別，具有較好的應(yīng)用情景。

關(guān)鍵詞：文本情感計(jì)算；情感詞典；教育文本；文本分析

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1673-8454（2016）14-0074-05

一、情感與學(xué)習(xí)

情感（sentiment）是由非中性事物引起的并反作用于這個(gè)事物的非中性的意圖和行為[1]，是人類最慣常、最重要的體驗(yàn)。人類的認(rèn)知和情感是相互影響和作用的，對(duì)兩者的研究密不可分。

情感及情感信息對(duì)于學(xué)習(xí)者的學(xué)習(xí)效果有重要的影響。積極的情感可以提高學(xué)習(xí)效率，而消極的情感卻可能造成學(xué)習(xí)的失敗[2]。許多學(xué)習(xí)行為是從好奇心和入迷開(kāi)始的，人在處于“興趣”與“愉悅”的情感狀態(tài)下，學(xué)習(xí)效率最高，學(xué)習(xí)效果最好；積極的情感促進(jìn)大腦的活動(dòng)性，在學(xué)習(xí)過(guò)程中表現(xiàn)為學(xué)習(xí)動(dòng)力，從而還可以產(chǎn)生一系列積極情感狀態(tài)，如興趣、關(guān)注以及參與行為，它們?cè)趯W(xué)習(xí)過(guò)程中都起著重要的作用。而在“乏味”與“厭倦”的情感下，學(xué)習(xí)多數(shù)則是會(huì)失敗的，尤其學(xué)習(xí)的孤獨(dú)感和焦慮常常影響學(xué)習(xí)者的信心[3]。消極的情感抑制大腦的機(jī)動(dòng)性，在學(xué)習(xí)的過(guò)程中表現(xiàn)為學(xué)習(xí)的阻力，如厭倦、疲勞、無(wú)聊等都會(huì)影響學(xué)習(xí)的認(rèn)知過(guò)程。

認(rèn)知心理學(xué)家Simon[4]和Norman[5]認(rèn)識(shí)到了情感在學(xué)習(xí)效果方面發(fā)揮著重要作用。他們發(fā)現(xiàn)哪怕只有很少的一點(diǎn)積極情緒，不僅可以讓人感覺(jué)良好，而且還可以產(chǎn)生一種思維，這種思維會(huì)更有創(chuàng)造性更靈活地解決問(wèn)題以及更有效更果斷地做出決定。這項(xiàng)研究在不同年齡不同職業(yè)的人群中得到了驗(yàn)證。

在學(xué)習(xí)過(guò)程中，教師如果能夠識(shí)別學(xué)生的情感狀態(tài)，并做出相應(yīng)的反饋，就可以激發(fā)其積極的情感，使學(xué)生內(nèi)心產(chǎn)生對(duì)教師的好感、依賴和敬慕，進(jìn)而產(chǎn)生學(xué)習(xí)熱情，使其處于興奮狀態(tài)，促進(jìn)學(xué)習(xí)水平的提高，從而達(dá)到最好的學(xué)習(xí)效果[6]。

網(wǎng)絡(luò)學(xué)習(xí)具有特殊性，師生在物理空間上的分離，導(dǎo)致師生之間不能通過(guò)傳統(tǒng)的表情、眼神和肢體等方式進(jìn)行情感交流和反饋。教師得不到學(xué)生的情感狀態(tài)信息，學(xué)生得不到教師的反饋，學(xué)生學(xué)習(xí)效果就會(huì)受到影響。因此，在網(wǎng)絡(luò)教學(xué)系統(tǒng)中如何獲得學(xué)習(xí)者的情感，具有重要的研究?jī)r(jià)值[7]。

網(wǎng)絡(luò)學(xué)習(xí)環(huán)境下，獲取學(xué)習(xí)者情感的技術(shù)包括語(yǔ)音識(shí)別、人臉表情識(shí)別、身體姿勢(shì)和運(yùn)動(dòng)的識(shí)別等[8]。這些技術(shù)一般需要使用特殊的傳感器來(lái)采集學(xué)習(xí)者數(shù)據(jù)[9][10]。當(dāng)然，慕課等大規(guī)模在線學(xué)習(xí)方式中能快速直接獲得學(xué)習(xí)情感信息的介質(zhì)仍然是文本，如討論區(qū)、BBS、博客、調(diào)查反饋等交流活動(dòng)中的文本。這些文本情感信息反映了學(xué)習(xí)者在學(xué)習(xí)過(guò)程中的情感狀態(tài)。

慕課等在線學(xué)習(xí)平臺(tái)學(xué)員數(shù)量眾多，討論區(qū)產(chǎn)生的文本數(shù)據(jù)龐大。而人數(shù)有限的教師和助教很難實(shí)時(shí)、準(zhǔn)確地辨別文本的情感狀態(tài)，并給出恰當(dāng)?shù)姆答?。因此，很有必要設(shè)計(jì)一個(gè)文本情感計(jì)算系統(tǒng)，它能自動(dòng)或半自動(dòng)地分析文本情感、篩選文本信息，幫助教師針對(duì)學(xué)習(xí)者的情感狀態(tài)快速做出恰當(dāng)?shù)姆答仭?/p>

二、文本情感計(jì)算

1.概念

情感計(jì)算（Affective Computing）是人工智能的一個(gè)分支領(lǐng)域。美國(guó)麻省理工學(xué)院Picard于1997年首先提出了“情感計(jì)算”的概念[11]，并將其定義為關(guān)于情感、情感產(chǎn)生以及影響情感方面的計(jì)算。情感計(jì)算的目的在于使設(shè)計(jì)的系統(tǒng)和設(shè)備能夠識(shí)別、理解和處理情感。

認(rèn)知語(yǔ)言學(xué)認(rèn)為人類能夠通過(guò)語(yǔ)言的表達(dá)反映出認(rèn)知的過(guò)程和結(jié)果，同時(shí)反映出真實(shí)的情感。既然語(yǔ)言能夠反映出情感，那么文本也當(dāng)然可以[12]。因此，從認(rèn)知語(yǔ)言學(xué)的理論上來(lái)講，文本中包含了一定的情感信息。

文本情感計(jì)算是情感分析領(lǐng)域的核心問(wèn)題之一，其任務(wù)是借助計(jì)算機(jī)幫助用戶快速獲取、整理和分析相關(guān)文本信息，對(duì)帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理[13]。文本情感計(jì)算的研究包括極性分類（Polarity Classification）和強(qiáng)度計(jì)算（Intensity Classificaiton）兩個(gè)方面。

2.情感極性分類

情感極性分類的工作就是判別情感的種類。情感種類的集合構(gòu)成了情感模型。在多種情感模型中，OCC模型和Ekman模型被廣泛使用。

Ortony、Clore和Collins于1988年提出了著名的認(rèn)識(shí)評(píng)價(jià)情感模型OCC（ Ortony， Clore， Collins）模型[14]。這個(gè)模型根據(jù)三類起因和事件的結(jié)果，提出了22種情感類別：高興，幸災(zāi)樂(lè)禍，妒忌，遺憾，充滿希望，害怕，快樂(lè)，悲傷，驕傲，羨慕，害羞，責(zé)備，喜歡，討厭，自滿，感激，悔恨，生氣，滿意，悲觀，放松和失望。但是OCC模型被實(shí)際應(yīng)用的情況并不多，主要是因?yàn)榍楦蟹诸愡^(guò)于復(fù)雜。Ekman于1992年提出可以將情感分為氣憤（Anger）、厭惡（Disgust）、恐懼（Fear）、愉悅（Happiness）、悲傷（Sadness）和驚訝（Surprise）六種類型[15]。這6種情感是組成所有情感的基本單位，人類的所有情感均可由這6種情感衍生而來(lái)。同時(shí)，相較OCC模型的22種類別劃分，Ekman模型的情感極性維度相對(duì)較少，實(shí)際應(yīng)用時(shí)相對(duì)簡(jiǎn)單。因此，我們也采用Ekman情感模型來(lái)為文本分類。

3.情感強(qiáng)度

情感強(qiáng)度計(jì)算是能夠反映文本情感極性的強(qiáng)弱程度的一個(gè)指標(biāo)，因?yàn)樵诿恳环N情感種類內(nèi)，會(huì)有情感程度強(qiáng)弱之分。目前在文本情感計(jì)算領(lǐng)域，針對(duì)情感強(qiáng)度計(jì)算的量化問(wèn)題并沒(méi)有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)。Wilson和Wiebe將情感強(qiáng)度標(biāo)注為3個(gè)級(jí)別：低、中、高[16]。Choi和Cardie將情感強(qiáng)度以具體數(shù)值計(jì)算，取值范圍為[0，10]，數(shù)值越高，情感表達(dá)越強(qiáng)烈[17]。我們?cè)O(shè)定情感的強(qiáng)弱取值范圍為區(qū)間[-18，18]。在區(qū)間[0，18]，數(shù)值越大表明該情感越強(qiáng)烈；數(shù)值為0時(shí)，表示沒(méi)有情感；在[-18，0）區(qū)間，數(shù)值負(fù)號(hào)表示情感極性相反，即為取“非”操作。例如“anger”的非為“not anger”，即為“不憤怒”。數(shù)值絕對(duì)值越大表明該情感的相反極性情感越強(qiáng)烈。我們規(guī)定，取非操作的情感與原有6種情感之間相互獨(dú)立，不存在關(guān)聯(lián)。例如，“不憤怒”不一定為“高興”，而“高興”一定是“不憤怒”。

4.文本情感計(jì)算的層次性

文本情感計(jì)算層次代表情感計(jì)算的研究領(lǐng)域和范圍。根據(jù)文本信息的語(yǔ)法結(jié)構(gòu)可以將其分成4個(gè)層次：詞語(yǔ)、短語(yǔ)、句子和篇章。4個(gè)層次之間具有強(qiáng)烈的繼承關(guān)系，詞語(yǔ)是短語(yǔ)的基礎(chǔ)，短語(yǔ)是句子的基礎(chǔ)，而句子又是篇章的基礎(chǔ)。文本情感計(jì)算的研究是由最底層的詞語(yǔ)層次開(kāi)始，逐漸過(guò)渡到篇章層次，環(huán)環(huán)相扣。

因?yàn)榫W(wǎng)絡(luò)學(xué)習(xí)的文本大都較短，少于150字；文本內(nèi)容一般由兩三句話構(gòu)成，句子層次的文本情感計(jì)算可以滿足研究分析要求。又因?yàn)樵~語(yǔ)層次和短語(yǔ)層次是句子層次的研究基礎(chǔ)，我們的情感分類工作集中在三個(gè)層次進(jìn)行：詞語(yǔ)、短語(yǔ)和句子。

詞語(yǔ)層次是文本情感計(jì)算的基礎(chǔ)，主要任務(wù)是發(fā)現(xiàn)并提取文本中帶有情感色彩的詞語(yǔ)，并且確定其情感極性和情感強(qiáng)度值。詞語(yǔ)層次的工作主要圍繞情感詞典的構(gòu)建來(lái)進(jìn)行。詞典中詞語(yǔ)的數(shù)量和詞語(yǔ)的屬性直接決定了系統(tǒng)的性能。詞語(yǔ)的屬性是指情感極性和情感強(qiáng)度。為大規(guī)模的詞語(yǔ)標(biāo)識(shí)出其情感極性和強(qiáng)度的最原始的方法就是人工標(biāo)注，雖然準(zhǔn)確但耗時(shí)耗力。使用基于統(tǒng)計(jì)的有監(jiān)督和無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法可以實(shí)現(xiàn)詞語(yǔ)情感的半自動(dòng)標(biāo)注。

用已有詞典擴(kuò)充構(gòu)建詞典的方法就是有監(jiān)督的詞典擴(kuò)展方法。大部分國(guó)外的詞典擴(kuò)充研究都是基于WordNet（http：//wordnet.princeton.edu）和 General Inquirer（http：//wjh.harvard.edu/～inquirer）兩種詞典，而大部分國(guó)內(nèi)的詞典研究是基于《知網(wǎng)》（http：//www.keenage.com）和《同義詞詞林》兩種詞典。

Turney和Littman的無(wú)監(jiān)督學(xué)習(xí)法使用一種點(diǎn)互信息和信息檢索相結(jié)合的計(jì)算方法，來(lái)判定待定詞與種子詞之間的信息量。種子集合是由具有正面情感極性和具有負(fù)面情感極性的示例詞構(gòu)成[18]。在中文處理方面，Zhang等人利用情感標(biāo)注語(yǔ)料中抽取的上下文模板，在未知語(yǔ)料中計(jì)算模板與詞語(yǔ)之間的關(guān)系，進(jìn)而判斷詞語(yǔ)的情感極性[19]。

由于名詞、動(dòng)詞、形容詞和副詞等不同詞性的組合能夠產(chǎn)生不同種類的短語(yǔ)，短語(yǔ)層次的情感分析主要關(guān)注短語(yǔ)具有何種情感極性以及其強(qiáng)度如何。

句子的分析包括兩種方式： 基于規(guī)則的方法和基于統(tǒng)計(jì)的方法。基于規(guī)則的情感計(jì)算主要依靠語(yǔ)法規(guī)則完成，常見(jiàn)的語(yǔ)法規(guī)則有兩類：一類是通過(guò)語(yǔ)法分析器得到句子的語(yǔ)法關(guān)系樹(shù)，利用語(yǔ)法關(guān)系樹(shù)制定相關(guān)規(guī)則。另一類是使用短語(yǔ)模板，依據(jù)不同短語(yǔ)模板的組合形成規(guī)則來(lái)計(jì)算句子的情感。

Turney的研究表明英文中某些短語(yǔ)模式的形容詞和副詞攜帶情感信息[20]。這一重要結(jié)論推動(dòng)了基于規(guī)則的研究方法的發(fā)展。宋光鵬依據(jù)Turney的結(jié)論，并在其5種短語(yǔ)模板的基礎(chǔ)上進(jìn)行了改進(jìn)，加入了判斷否定情感傾向的詞和相應(yīng)的語(yǔ)句連詞。最終歸納形成了適合中文的短語(yǔ)模板語(yǔ)法規(guī)則。通過(guò)語(yǔ)法規(guī)則模板直接進(jìn)行匹配，就能夠計(jì)算出句子的情感極性和強(qiáng)度[21]。

基于統(tǒng)計(jì)的情感計(jì)算需要通過(guò)訓(xùn)練集找到相關(guān)特征項(xiàng)，使用貝葉斯分類、最大熵分類和支持向量機(jī)等統(tǒng)計(jì)方法計(jì)算句子情感極性。在中文方面，F(xiàn)ei等通過(guò)無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法得到短語(yǔ)模式，利用短語(yǔ)模式對(duì)文本情感極性進(jìn)行分類[22]。

三、系統(tǒng)設(shè)計(jì)

在情感計(jì)算領(lǐng)域中，基于統(tǒng)計(jì)和基于規(guī)則的兩大方法都各有所長(zhǎng)。因此，我們以基于規(guī)則的方法為主，配合基于統(tǒng)計(jì)的方法，構(gòu)造一個(gè)文本情感計(jì)算系統(tǒng)，并將之命名為“小菲”（英語(yǔ)單詞Feeling的音譯）。該系統(tǒng)擁有自己的情感詞典，按照詞語(yǔ)、短語(yǔ)和句子三個(gè)層次進(jìn)行情感識(shí)別和綜合計(jì)算。下面介紹這些模塊。

1.情感詞典建構(gòu)

情感詞典建構(gòu)包括整合專業(yè)研究機(jī)構(gòu)發(fā)布的詞典，擴(kuò)充已有詞典容量和手動(dòng)標(biāo)注詞語(yǔ)情感強(qiáng)度三項(xiàng)工作。詞典來(lái)源包括《知網(wǎng)》、《中文通用情感詞典》、《同義詞詞林?jǐn)U展版》、《學(xué)生褒貶義詞典》和《中文情感詞匯本體庫(kù)》。通過(guò)整理這些專業(yè)詞典的內(nèi)容，將它們?nèi)诤蠟橐徊吭~典，包含27561詞條。

擴(kuò)充詞典容量使用基于統(tǒng)計(jì)的方法完成，利用有監(jiān)督的機(jī)器學(xué)習(xí)方法從《同義詞林?jǐn)U展版》擴(kuò)展詞典的褒貶詞語(yǔ)，利用無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法從網(wǎng)絡(luò)中擴(kuò)展詞典的網(wǎng)絡(luò)詞語(yǔ)。由四名研究助理完成手動(dòng)標(biāo)注詞語(yǔ)情感極性和情感強(qiáng)度的工作，手動(dòng)共標(biāo)注了8589條詞語(yǔ)。最終將32879條詞語(yǔ)整合到一部情感詞典中，并命名為《小菲詞典》。

2.系統(tǒng)流程

按照情感計(jì)算的發(fā)展模式，從詞語(yǔ)級(jí)別開(kāi)始，經(jīng)過(guò)短語(yǔ)級(jí)別，最后到達(dá)句子級(jí)別，從而實(shí)現(xiàn)句子情感極性分類和情感強(qiáng)度計(jì)算的功能。

系統(tǒng)在情感計(jì)算之前，需要對(duì)句子做初步整理，例如刪除多余的空格、逗號(hào)標(biāo)點(diǎn)等。然后使用中科院計(jì)算所分詞軟件ICTCLAS（http：//www.ictclas.org）對(duì)句子分詞，獲得構(gòu)成句子的若干短語(yǔ)。

短語(yǔ)級(jí)別的主要工作是使用基于規(guī)則的方法構(gòu)造短語(yǔ)情感模板。有一些短語(yǔ)能夠攜帶情感信息，可以構(gòu)造為短語(yǔ)情感模板。

副詞對(duì)詞語(yǔ)也有修飾作用，會(huì)導(dǎo)致情感強(qiáng)度和情感極性發(fā)生變化。所以將副詞分為程度副詞和否定副詞兩類進(jìn)行處理。程度副詞不改變情感極性，而是影響情感強(qiáng)度。否定副詞既改變情感極性，又影響情感強(qiáng)度。

當(dāng)句子長(zhǎng)度較短的時(shí)候，語(yǔ)法省略現(xiàn)象嚴(yán)重，不宜使用過(guò)于復(fù)雜的判斷模型。直接使用詞語(yǔ)、短語(yǔ)匹配的方法計(jì)算情感反而較為準(zhǔn)確。對(duì)于較長(zhǎng)的句子，就使用簡(jiǎn)單句的情感計(jì)算模型和句子關(guān)系模型來(lái)計(jì)算句子的情感。

句子包括復(fù)合句和簡(jiǎn)單句。復(fù)合句是由簡(jiǎn)單句和關(guān)系連詞構(gòu)成，不同的關(guān)系連詞構(gòu)成了不同的句子關(guān)系類型，如“并列”、“轉(zhuǎn)折”和“遞進(jìn)”等關(guān)系。不同的句子關(guān)系類型情感的計(jì)算方法也不盡相同。比如轉(zhuǎn)折關(guān)系，句子的主要情感是靠轉(zhuǎn)折詞之后的簡(jiǎn)單句表達(dá)。因此，句子級(jí)別的情感計(jì)算，首先判斷該句子是否是復(fù)合句。如果是的話，就找出其中的連詞，根據(jù)連詞確定句子關(guān)系，根據(jù)該關(guān)系和簡(jiǎn)單句的情感計(jì)算結(jié)果確定復(fù)合句的情感極性和強(qiáng)度值。

簡(jiǎn)單句的情感計(jì)算是使用語(yǔ)法分析器Stanford Parser（http：//nlp.stanford.edu/software/lex-parser.shtml）來(lái)分析分詞之后的句子，得到句子各個(gè)成分，也就是短語(yǔ)。然后根據(jù)短語(yǔ)情感模板和短語(yǔ)之間的組合方式確定簡(jiǎn)單句的情感計(jì)算模型。

3.編程語(yǔ)言

系統(tǒng)使用JAVA、Mysql、ICTCLAS和Stanford Parser等開(kāi)源環(huán)境和工具構(gòu)建。JAVA語(yǔ)言是通用的編程語(yǔ)言，不受操作系統(tǒng)的限制，與其他各類系統(tǒng)的接口支持都很完善。因此，本系統(tǒng)使用JAVA語(yǔ)言實(shí)現(xiàn)文本情感計(jì)算模型和各系統(tǒng)之間的數(shù)據(jù)交換處理。Mysql是一個(gè)關(guān)系型數(shù)據(jù)庫(kù)管理器，情感詞典和句子類型等表格都保存在Mysql數(shù)據(jù)庫(kù)中，通過(guò)JAVA語(yǔ)言進(jìn)行調(diào)用。ICTCLAS是中科院提供的支持JAVA調(diào)用的分析系統(tǒng)。為更好地識(shí)別情感詞和句子關(guān)聯(lián)詞，我們擴(kuò)展了ICTCLAS的自定義詞典，將《副詞詞典》、《小菲詞典》和句子關(guān)系類型導(dǎo)入到ICTCLAS的自定義詞典中。Stanford Parser是依存語(yǔ)法關(guān)系分析器，輸入的數(shù)據(jù)是經(jīng)過(guò)分詞后的簡(jiǎn)單句，輸出的結(jié)果是簡(jiǎn)單句的依存語(yǔ)法關(guān)系數(shù)據(jù)。它本身是用Java語(yǔ)言實(shí)現(xiàn)的，方便調(diào)用。

四、在教育領(lǐng)域文本情感分析的初步嘗試

關(guān)于文本分析的性能，有一系列評(píng)測(cè)指標(biāo)，包括查準(zhǔn)率P（Precision）、召回率R（Recall）和F值等。

P為查準(zhǔn)率，是衡量某一檢索系統(tǒng)的信號(hào)噪聲比的一種指標(biāo)，即檢出的正確數(shù)據(jù)數(shù)目與檢出的全部數(shù)據(jù)數(shù)目的百分比。R為召回率，是檢索系統(tǒng)從數(shù)據(jù)集中檢出的正確數(shù)據(jù)數(shù)目和數(shù)據(jù)集中所有正確數(shù)據(jù)數(shù)目的比率。

F值是查準(zhǔn)率和召回率的加權(quán)幾何平均值，是情感計(jì)算系統(tǒng)最重要的評(píng)測(cè)指標(biāo)之一。F值計(jì)算方法如下：

F=

為測(cè)試該系統(tǒng)的性能，我們選取了一個(gè)小樣本的文本，以便既可以人工標(biāo)注，又可以讓系統(tǒng)自動(dòng)識(shí)別，并比較兩者的結(jié)果。2013年北京大學(xué)“新媒體與教育”暑期學(xué)校創(chuàng)新教學(xué)模式，使用慕課的方式展開(kāi)學(xué)習(xí)[23]。在課程結(jié)束時(shí)，通過(guò)MOOC平臺(tái)收集了學(xué)員對(duì)本次暑期學(xué)校的反饋和建議，共377條，其中來(lái)自面授學(xué)員的201條，來(lái)自在線學(xué)習(xí)學(xué)員的176條。我們先人工標(biāo)注了這些反饋的情感極性和強(qiáng)度，然后使用“小菲”系統(tǒng)進(jìn)行了自動(dòng)計(jì)算；測(cè)評(píng)結(jié)果算得F=88.7%，在文本情感分析領(lǐng)域?qū)儆谳^好的結(jié)果。

五、在教育領(lǐng)域的應(yīng)用前景

盡管本系統(tǒng)在小樣本的教育文本情感計(jì)算測(cè)試中結(jié)果很好，但是它仍然存在一些缺陷，需要進(jìn)一步完善提高：目前的三萬(wàn)多條情感詞還不能完全覆蓋浩瀚的中文詞語(yǔ)，應(yīng)該持續(xù)添加新詞，比如新出現(xiàn)的網(wǎng)絡(luò)語(yǔ)言，改善ICTCLAS分詞結(jié)果，增加關(guān)于世界的常識(shí)性知識(shí)，等等。

隨著人工智能技術(shù)的發(fā)展，文本情感計(jì)算技術(shù)逐步成熟，可以廣泛應(yīng)用于慕課等在線教育的多種文本交互區(qū)域的情感分析，如討論區(qū)、調(diào)查反饋、聊天室、BBS等。可以實(shí)時(shí)監(jiān)控參與者的情感變化，及早發(fā)現(xiàn)學(xué)生反映的問(wèn)題并及時(shí)給予恰當(dāng)?shù)姆答?；也可以用于事后分析學(xué)生在學(xué)習(xí)活動(dòng)和過(guò)程中的情感變化，因材施教，實(shí)施個(gè)性化教學(xué)。這也必然減少教師和助教的大量寶貴時(shí)間和精力，提高在線學(xué)習(xí)的教學(xué)效率。我們將在這些方面繼續(xù)探索，深入研究。

參考文獻(xiàn)：

[1]楊巍峰.對(duì)情緒情感定義的管見(jiàn)——兼與楊澤民同志商榷[J].心理學(xué)探新， 1986 （3）： 35-39.

[2]盧家嵋.情感教學(xué)心理學(xué)[M].上海：上海教育出版社， 2000.

[3]A.C.Graesser， B.Medaniel， P.Chipma，ect.Detetion of Emotions during learning with AutoTutor [R]. Department of Psychology， 2006： 285-290.

[4]H.Simon.Motivational and emotional controls of cognition：in Models of Thought[M]. New Haven：Yale University Press，1967.

[5]D.Norman.Twelve issues for cognitive science[A].In Norman DA（Ed）： Perspectives on cognitive seience[C]. Erlbaum， Hillsdale， NJ. 1981.

[6]R.W.Picard， S.Papert，ect. Affective leaming- a manifesto[J].BT Technology Joumal， 2004， 22（4）： 253-269.

[7]唐偉志，賈云.遠(yuǎn)程教育中情感缺失問(wèn)題的對(duì)策研究[J].甘肅廣播電視大學(xué)學(xué)報(bào)， 2012 （2）： 1-4.

[8]J.Tao，T.Tan and R.W.Picard.Affective Computing： A Review[A].LNCS3784. German： Springer-Verlag Berlin/Heidelberg[C]， 981～995. 2005.

[9]傅小蘭.電子學(xué)習(xí)中的情感計(jì)算[J].計(jì)算機(jī)教育， 2004 （12）： 27-30.

[10]付彥飛，牛秦洲，閾小梅.基于情感計(jì)算的個(gè)性化E-Learning系統(tǒng)的研究[J].微計(jì)算機(jī)信息， 2010 （36）： 241-244.

[11]R. Picard. Affective Computing[M]. Cambridge： MIT Press，1997.

[12]陳文萃.從認(rèn)知看情感表達(dá)的隱喻概念[J].南華大學(xué)學(xué)報(bào)，2009（9）： 112-142.

[13]B.Pang，L.Lee.Opinion Mining and Sentiment Analysis[J].Foundations and Trends in Information Retrieval，2008（1-2）：1-135.

[14]A.Ortony，G.Clore，A.Collins.The Cognitive Structure of Emotions[M]. Cambridge： Cambridge University Press，1988.

[15]P. Ekman. An argument for basic emotions[J]. Cognition and Emotion， 1992， 6（3-4）：169-200.

[16]T.Wilson，J.Wiebe.Annotating Opinions in the World Press[A].In： Proceedings of the 4th ACLSIGdial Workshop on Discourse and Dialogue （SIGdial2003） [C]. 13-22， 2003.

[17]Choi， Y.， and Cardie， C. Learning with Compositional Semantics as Structural Inferencefor Subsentential Sentiment Analysis [A]. In Proceedings of the Conference on Empirical Methods in Natural Language Processing[C]. pp. 793–801. 2008.

[18]P.D.Turney and M.L.Littman.Measuring praise and criticism： Inference ofsemantic orientation from association[J].ACM Transactions on Information Systems，2003 （4）：315-346.

[19]C.Zhang，W.Zuo，T. Peng， F.He.Sentiment Classification of Chinese Reviews Using Machine Learning Methods Based on String Kernel[A].Third International Conference on Convergence and Hybrid Information Technology[C]. 2008.

[20]Turney， P D. Thumbs Up or Thumbs Down？ Semantic Orientation Applied to Unsupervised Classification of Reviews[DB/OL]. http：//arxiv.org/abs/cs/0212032.

[21]宋光鵬.文本的情感傾向分析研究[D].北京：北京郵電大學(xué)，2008.

[22]Z.Fei，J.Liu，G.Wu.Sentiment Classification Using Phrase Patterns[A].In： Proceedings of Fouth International Conference onComputer and Information Technology[C]. 2004.

[23]賈積有，王愛(ài)華，吳筱萌，等.一次中規(guī)模在線開(kāi)放式課程的設(shè)計(jì)與實(shí)踐[A].第十屆北京論壇教育分論壇“高等教育的全球參與和知識(shí)共享”論文集（2013年11月）[C]，141-156.（編輯：魯利瑞）