情感计算范文

情感计算范文（精选9篇）

情感计算 第1篇

很长时间内,赋予机器人以人类式的情感只能是科幻小说中的重要素材,很少纳入科学家们的研究课题之中,以使计算机具有表达、识别和理解人类情感能力为主要目的的“情感计算”也常常被人当作是一个永远无法实现的空想。然而科学的发展没有禁区,世界上也没有不能认识的事物。

如果有一天,你的个人计算机能够知道你的内心感受的话,能够“察言观色”为你提供体贴入微的服务,那会是什么样的世界呢?

2 计算机是否会具有情感

假如计算机真的像人一样,具有了感情,那么它会不会具有了生命力从而取代人类呢?

中国科学院自动化研究所模式识别国家重点实验室的陶建华博士并不这样认为。他解释道:我们研究情感计算(Affective Computing)和智能人机交互,其目的就是要赋予计算机类似于人一样的观察、理解的能力,也就是让它能够理解人的情感,从而最终使计算机能“像人一样”与人类能进行自然、亲切和生动的相互交流。

情感不仅是“人情味”的主要来源,也是思维效率性的主要来源,还是行为自觉性、思维创造性、社交世故性、人格自尊性、精神信仰性等人性特征的主要来源,情感是目前人脑与电脑之间的最本质区别,也是电脑走向人脑的最后一条鸿沟,一旦跨跃了这条鸿沟,人脑和电脑将最终会融为一体。只要赋予了电脑以人类式的情感,机器人具有与人一样的情感和意志,不仅能够大大提高其思维的效率,而且还就能够在复杂的环境条件下,了解和猜测主人的价值取向、主观意图和决策思路,灵活性、积极地、创造性地进行活动,使其运行过程具有更明确的目标性、更高的主动性和更强的创造性,圆满完成主人交给的各种复杂的工作任务(包括社会管理、社会服务和人际交往等),从而在更大的工作范围取代人。届时,从纯逻辑的角度来看,人与机器人就没有任何根本性差异了,这将是人工智能技术的一次重大飞跃,无疑会产生巨大的经济效益和社会效益。

人作为一个生命体,人脑含有大约1000亿个神经元,每个神经元还有大约1万个连接,信息的处理远非人类想像得那么简单。人不仅能够“看”、“听”和“说”,以及富于欲望、情感和意志,而且这是具有主体意识的人类本身专有的,更重要的是人有创新能力,同时还具有复杂的生理特性。目前情感计算技术的研究重点还主要侧重在计算机对人们的情感状态的分析、理解和生成上,计算机分析和处理情感的过程,与人产生情感的原理和过程是有很大区别的。

电脑能否代替人脑?当代心灵哲学领域最著名的代表人物美国的塞尔(Searle J R)这样解释:计算机程序纯粹是按照语法规则来定义的,而语法本身不足以担保心的意向性和语义的呈现,程序的运行只具有在机器运行时产生下一步形式化的能力,只有那些使用计算机并给计算机一定输入同时还能解释输出的人才具有意向性。意向性是人心的功能,心的本质绝不能被程序化,也就是说,心的本质不是算法的。

计算机情感计算的研究已经诞生了很多成果,例如我们熟知的IBM的"深蓝"在棋盘上击败了国际象棋大师卡斯帕罗夫就是比较突出的例子。

3 计算机怎样理解人的情感

美国MIT大学的Minsky教授在1985年就提出了“要让计算机具有情感能力”,他在专著“The Society of Mind”指出:问题不在于智能机器能否有任何情感,而在于机器实现智能时怎么能够没有情感?“情感计算”这一概念最早是由MIT的Picard教授在她的《Affective Computing》一书中最先提出来的,具体而言就是:“情感计算是指对与情绪有关的,由情绪引发的,或是能够影响情绪的因素的计算”。

“情感计算”技术是指通过各种传感器(如:摄像头、麦克风、生理传感器(心电、汗液分泌等))获取由人的情感所引起的表情生理变化信号,利用“情感模型”对这些信号进行识别和分析,从而理解人的情感并做出适当响应。情感计算是一个高度综合化的技术领域,其主要研究内容包括:1)情感机理的研究;2)情感信号的获取;3)情感信号的分析、建模与识别;4)情感理解;5)情感表达;6)情感生成。

人类是通过视觉、听觉、触觉来获知别人的情感变化的,又是通过一系列的面部表情、肢体动作和语音来表达自己情感的。人的情绪与心境状态的变化总是伴随着某些生理特征或行为特征的。

到目前为止,有关研究已经在人脸表情、姿态分析、语音的情感识别和表达方面获得了一定的进展:

1)脸部表情:在1972年,著名的学者Ekman提出了脸部情感的表达方法(脸部运动编码系统FACS)。通过不同编码和运动单元的组合,即可以在脸部形成复杂的表情变化,譬如幸福、愤怒、悲伤等。该成果已经被应用在人脸表情的自动识别与合成。随着计算机技术的飞速发展,人们进一步将人脸识别和合成的工作融入到通信编码中。最典型的便是MPEG4 V2视觉标准,其中定义了3个重要的参数集:人脸定义参数、人脸内插变换和人脸动画参数。在目前的人脸表情处理技术中,多侧重于对三维图像的更加细致的描述和建模。

2)姿态变化:科学家针对肢体运动,专门设计了一系列运动和身体信息捕获设备,例如运动捕获仪、智能座椅等。麻省理工学院、IBM等则在这些设备的基础上构筑了智能空间。同时也有人将智能座椅应用于汽车的驾座上,用于动态监测驾驶人员的情绪状态,并提出适时警告。意大利的一些科学家还通过一系列的姿态分析,对办公室的工作人员进行情感自动分析,设计出更舒适的办公环境。

3)语音理解:语调表情是通过语音的高低、强弱、抑扬顿挫来表达说话人的情感。目前,国际上对情感语音的研究主要侧重于情感的声学特征的分析这一方面。中国科学院自动化研究所模式识别国家重点实验室的专家们针对语言中的焦点现象,首先提出了情感焦点生成模型。这为语音合成情感状态的自动预测提供了依据,使得情感语音合成和识别率先达到了实际应用水平。

国内的研究现状:目前我国的情感计算及智能交互的研究水平基本上与发达国家的研究水平接近,处在一个情感信息分析和处理阶段。在国内,走在情感计算技术领域前列的中国科学院自动化研究所,正在为其模式识别国家重点实验室投入巨资,引进运动捕获系统、三维扫描仪等设备和相关的软件,以加快情感计算技术的步伐。

4 计算机的情感能用来做什么

科学家们用“情感”计算机为人类未来创意了美好的蓝图:

随着计算和通信技术的广泛应用,人机和谐技术将会以多种方式出现,例如用户界面将会从“认知型”转向“直觉型”。举例来说,完全不必打开电视机,它就可以通过理解你所说的话语、你的面部表情、你的手势甚至你走路的姿态,知道你想要做的事情。如果技术再先进一点,电视机还能够意识到你所处的情境,譬如你在打电话,它就会自动调低音量。在不久的将来,你可以利用你在房屋里所处的位置信息来控制灯光,使离你最近的电话桌上响起呼叫你的电话铃声。

目前,有些产品已经具备了情感计算系统的特征。例如:微软研究人员已经通过添加倾斜传感器和加速计为PDA提供了新的用户界面。用户可以通过前后倾斜PDA来浏览文档;将PDA放到耳边就会产生传感器输出,使装置自动拨号。研究人员甚至已经使用加速计来确认行走的方式,从而使PDA能够决定是否接受或者转接某个电话。

IMEC研究小组已推出了“多模式多媒体”(M4)程序,作为解决随时随地传递任意信息量的一种方法。研究人员认为,目前实现上述目标的基本技术已经存在,但缺少将它们进行无缝整合的技术。IMEC已经提出了一个弹性信息电器,它可处理现在需各种专门设备完成的多种不同的任务,并且将它们重整为可在功能强大的计算机上使用的应用软件。

一旦这些装置上市,它们将会对人们的生活产生何种影响呢?欧洲委员会的一份关于环境智能的报告为我们描述了一幅美妙的情景:女商人玛丽亚抵达了机场,她手上配带的微型芯片中贮存的个人身份证和签证信息由机场的监测系统读取后,得以顺利入境。当玛丽亚走近她租来的汽车时,车门自动打开。然后汽车载着她来到旅馆的专用停车场。当玛丽亚进入房间的时候,房间已经根据她的偏好为她调整好了温度、光线、电视节目和音乐频道。随后,她通过可视屏同她的女儿对话。

摘要：该文从计算机会具有情感、计算机怎样理解人的情感、计算机的情感能用来做什么等三方面对情感计算进行论述,使人了解什么是情感计算、情感计算研究现状以及计算机如何通过赋予人类情感为我们工作、生活带来便利和体贴服务。

关键词：计算机,情感计算

参考文献

[1]仇德辉.数理情感学[M].湖南:湖南人民出版社,2001。

[2]史忠植.智能科学[M].北京:清华大学出版社,2006.

情感计算 第2篇

摘要：计算机基础课程是本科各专业的必修公共基础课，教师需要与学生进行一对～ 的教学活动，不仅需要教师能够耐心细致地传授知识，也需要学生做到兴致盎然地接受知识。但目前的大学计算机基础课程教学中出现了教学活动任务化、教学精力减少、教师产生职业倦怠以及学生不适应传统教学方法等问题。针对这些问题，本文将情感教育方法应用到大学计算机基础课程教学之中，取得了较好的教学效果。

关键词：情感教育;情感饥饿;鼓励式教学

情感教育是指培养学生的社会性情感，提高他们情绪的自我调控能力，帮助他们对自我、环境以及两者之问的关系产生积极的情感体验，最后达到整个教育目标的完成和健全人格的培养。

大学计算机基础课是本科各专业的必修公共基础课，如果教师只重视教育过程的教学方法，会在大学计算机基础教育中遇到诸多问题，因而情感教育优势逐渐凸显_1 j。

1 情感教育的必要性

情感教育是建立在良好的教师与学生的相互需要、理解和尊重基础之上的。学生应当具有良好的学习状态，可以开阔思路和敏捷思维;而教师应当与学生平等相处，可使学生愉悦地接受知识。

1)缓解情感饥饿

情感饥饿是指情感交流匮乏造成的内心空虚、精神萎靡的心理状态。情感教育可以在一定程度上缓解学生的情感饥饿，帮助他们度过应激状态，尽快转换角色融人大学生活。

计算机基础课强调动手实践，实验课时与理论课时相当甚至超过理论课时。教师需要时常与学生进行一对一的交流，这从客观上拉近了师生距离。如果教师在实验课中掌握情感教育的方法和特点，可以减轻计算机学习过程的枯燥感。

2)缓解职业倦怠

对于计算机基础课程教师，由于教授课时和班级较多，教学精力相应分散，有时还要承担科研任务，更容易产生疲惫厌倦情绪。而情感教育强调师生的情感交流，教师在计算机基础课程教学的各个环节都需要倾注情感，学生得到情感满足的同时也提高了教师对教学的`热情，可以有效缓解职业倦怠给教学带来的消极影响。

3)激发教师的师爱

情感教育先驱夏丐尊先生认为，教师不仅教书，还要育人，即教师应有博大的师爱 ]。计算机基础课程主要教授技术性的实际操作，如果将情感教育应用于该教学活动中，就需要教师不仅近距离的传授知识，更要将知识的传达以细腻的情感表达出来，用教师自身的德行操守和教学艺术增强教学的吸引力和感染力，从而激发教师的师爱。

2 情感教育的应用

1)以朋友身份传授知识教师在计算机基础课程授课过程中，应以朋友般的循循善诱，来提高学生的学习兴趣。对于知识性的内容，教师可以联系最新行业动态进行评论分析，与学生互动交流;对于操作性的内容，教师可以现场演示，用娴熟的操作和快捷的技巧吸引学生的注意力。

2)鼓励式教学

鼓励式教学是指在教学过程中融人情感交流，多采用赏识和鼓励的方式，帮助学生树立学习信心 ]。对于计算机基础课程，一些学生有长期的上网经验，对许多基本操作游刃有余，但缺乏理论基础。对于这样的学生，首先要对他已有的知识给予充分肯定，再在实践中有意让他们看到自己的不足，愿意进一步学习。一些对计算机知识知之甚少的学生会在学习过程中产生自卑感。对于这样的学生，要在言行中进行鼓励，使其树立学习信心。

对于一些特殊学生，他们对某些知识有强烈兴趣(如绘画)，甚至在课堂和机房都将精力放在画图上，应指出如何利用计算机知识改善其绘画效果，引导其走上正常学习之路。

3)适度批评的必要性

情感教育以鼓励式教学为主，但并非完全摒弃批评。一方面，没有批评的鼓励会被误解为不真诚的鼓励，降低学生对教师的信任;另一方面，适度批评可以让学生产生自己被教师关注的感受，从而激发更强的学习热情。

3 情感教育的应用效果

针对不同专业，不同层次的大学新生，在连续两学年计算机基础教学中，共计9个教学班级新生参与到情感教育的应用实践之中。通过问卷调查和期末考试，学生对教师的满意度如表1所示。

从表1可以看出，文科类学生更加适应情感教育方法，理科类学生相对文科学生满意度略低。产生这种结果的主要原因是文科类学生更加活泼外向，比较容易适应新的教学手段。最低的满意度出现在计算机语言类课程中，这主要是由于课程难度相对较高造成的。同时也可以看出总的满意度为91.O5 ，及格率绝大多数在9O 以上，取得了较好的教学效果。

4 结语

大学计算机基础课作为大学新生最先接触的实践性强的课程，对大学新生尽快融人大学生活起到独特的作用。实践证明，将情感教育融入到计算机基础课程之中，不仅可以缓解大学新生的情感饥饿状态，也可以激发教师的师爱，让教师和学生在情感交流之中传递知识，推动教学活动更好的发展。

参考文献：

[1] 龚杰星.在电类基础教学中进行情商教育[J].南京：电气电子教学学报，2009(4)

[2] 吴志华，邹翠霞.情感教育 新的课程目标[J].北京：教育科学研究，2004，(06)

[3] 龙红霞. 夏丐尊爱的教育理念探析[D].湖南：湖南师范大学，2009

中职计算机教学中情感因素的养成 第3篇

关键词： 中职 计算机教学 情感因素

当今社会已经离不开计算机，因此中职教育过程中计算机已经成为一门非常热门的专业，中职计算机教学过程中，教师不仅要把计算机的基础理论知识传授给学生，还要让学生熟悉掌握计算机的基本技能。心理学家指出，人们的认知过程和情感是紧紧联系在一起的，在教学过程中注重学生情感因素的养成，提高学生的认知能力，从而让学生更好地掌握各种知识和技能。

1.情感因素在计算机教学中的作用

随着新课标的不断改革，中职计算机教学不断改革，为了实现素质教育目标，在中职计算机教学过程中，教师应该重视学生的情感因素。在教学过程中学生的情感因素主要包括是否对学习的知识有所兴趣、学习态度是否端正、学习积极性是否高涨等。从大量实际教学可以看出，教学过程中学习效果受学生智力因素的影响比较小，更多的受到情感因素的影响。实际学习过程中，学生只有对学习知识充满求知的欲望、端正学生的学习态度及提高学习积极性，才能取得更好的教学效果。中职计算机教学过程中，由于现代社会对计算机的功能和技能要求更高，学生学习知识的难度不断增加，学生学习积极性和学习兴趣都有下降的趋势，虽然现阶段的教师都采用各种现代化的教学手段提高学生的学习能力，但是改善情况并不理想，学生主观上的认识依然没有发生巨大的改变。因此，实际教学过程中，教师应该注重与学生之间的交流沟通，真正深入学生的内心了解学生的想法，只有这样才能体现情感教育的重要性[1]。

2.教学过程中情感因素的养成措施

2.1教师应该不断丰富自身的情感，培养学生积极向上的情感因素。

教师在丰富自身情感因素时，首先应该热爱自己教学的课程，提高自身的综合修养，熟悉掌握课堂教学艺术。在教学过程中，教师对生活和学习流露出来的因素会直接影响学生，因此，教师在教学过程中应该激发学生积极向上的情感因素，让学生主动积极地参与学习，调动学生的积极性。另外，教师在教学过程中只有保持良好的情绪状态，才能创建轻松快乐的教学环境[2]。

如学习Word处理软件中窗口的功能和组成时，应该让学生多多操作，教师在教学过程中利用实例演示方法将工具栏显示和隐藏，表现出发现新功能的喜悦，探索未知功能的欲望，让学生受到这些情感的影响，积极参与学习，以取得更好的教学效果。

2.2通过富于表情的教学活动促使学生感知教学内容。

计算机教学过程中，教师流露出来的情感及教师的表情变化都会传递给学生，因此实际教学过程中教师应该善于使用各种丰富表情，通过教学活动将这些丰富的表情传递给学生，从而让学生更好地感知教学内容和知识。

例如，实际教学过程中，如果教师提出问题的时候自身表现出一定的疑问，那么学生很容易受到感染，对教师提出的问题表现出疑惑。教师提出问题时，如果对学生表现出期待的目光，学生更容易探索知识和学习知识。如果教师对学生的学习效果流露出满意的笑容，就可以很好地调动学生的学习积极性。因此实际教学过程中，教师应该多使用一些手势，将计算机的相关知识生动形象地展现出来，以加深学生对知识的理解。如学习VB编程时，教师可以将知识点设置成一个游戏，让学生进行现场演示。如果学生的演示正确，教师可以流露出“你真行”的表情，同时还可以适当给予掌声，加强学生的情感体验，促进学生掌握知识。

2.3利用现代化教学手段增强中学生的学习兴趣。

在计算机教学过程中，学生对学习内容的积极这一情感因素发挥着非常重要的作用，在一定程度上直接决定学生的学习效果[3]。因此，教学过程中教师应该采用各种现代化教学手段对学生进行教学，不断激发学生的学习兴趣，让学生积极主动地参与教学。在计算机教学过程中，本身就充分利用计算机教学。因此，教师还应该采用探究教学、游戏教学、比赛教学和案例教学等多种形式，将计算机知识和各种有趣活动紧密联系在一起，让学生在有趣的活动中轻轻松松就掌握知识。

例如，在Photoshop的菜单、面板及工具的使用教学过程中，教师可以将学生分组，进行Photoshop菜单和工具的使用比赛，教师说出一个菜单，学生找出来，最先找出的得1分，得分最多的组胜出。通过这种比赛方式，学生都会更投入教学，教学效果显著。

在中职计算机教学过程中注重学生情感因素的养成，首先教师应该不断丰富自身的情感因素，激发学生积极向上的情感因素，从而有效促进学生学习积极性。其次教师还可以通过富于表情的教学活动促使学生感知教学内容，利用现代化教学手段提高学生的学习兴趣，不断培养学生的情感因素，只有这样才能不断增强教学效果。

参考文献：

[1]王娟丽.浅析中职计算机课程教学中的情感因素[J].电子制作，2015，65（1）：162-163.

[2]黄治.让学生对计算机课程的爱好一直“保鲜”——情感因素对中职计算机课程教学的影响[J].高中生学习：师者，2013，14（6）：90-92.

基于情感计算的商品评论分析系统 第4篇

随着电子商务的迅猛发展, 越来越多的消费者选择网上购物。Web2.0概念的兴起, 消费者积极在互联网上发布商品评论, 而潜在消费者可以从商品评论中获取信息, 辅助购物决策。与此同时, 海量且庞杂的商品评论带来了信息过载的问题。如何使潜在消费者快速有效地浏览商品评论, 成为新需求。在当前主流电子商务网站上, 消费者可以对评论进行有用性投票, 并可以根据发表时间等进行排序, 从而快速浏览Top N的商品评论, 但该方法略显粗糙, 无法全面有效地利用商品评论信息。

针对消费者商品评论信息过载问题, 主要有以下研究工作: (1) 商品评论推荐。采用评论者的专业度、写作风格、评论时间[1]或者结构特征、词汇特征、语义特征[2]等特征来构建和训练评论有用性预测模型。通过商品评论推荐, 消费者可以优先看到高质量的商品评论。 (2) 商品评论过滤。主要研究如何甄别垃圾商品评论, 保留真实商品评论。垃圾商品评论过滤方法主要有围绕用户行为的模式识别、基于评论内容的语义分析和基于打分行为的聚类等[3]。通过商品评论过滤, 可以让消费者集中精力在真实可靠的商品评论上。 (3) 商品评论分类。主要有主客观分类、褒贬极性分类等。主观语言是指消费者用来表达自己的态度和感情的语言。识别的主要任务是确定主观词语或语句, 如针对主观性形容词、名词、动词的自动识别[4]。褒贬分类的目标是挖掘评论对商品的总体褒贬态度, 主要研究可分为基于传统文本分类技术的方法和基于极性词统计的方法。前者主要使用向量空间模型表示文本, 并使用机器学习算法预测类别;后者首先识别词语的褒贬性, 采用计数或词频加权求和, 获得总体褒贬性[11]。通过商品评论分类, 消费者可以快速查看指定类别的商品评论信息。此外, 解决消费者商品评论信息过载的方法还有商品评论的归纳和检索等[5,16]。

针对消费者商品评论信息过载的问题及研究现状, 本文提出了基于情感计算的商品评论分析系统Review Helper, 旨在为消费者提供商品特征粒度上的情感分析结果, 将庞杂的商品评论信息转化为结构化的商品特征褒贬信息, 并加以归纳总结, 从而解决消费者商品评论信息过载的问题。

本文的主要内容如下:

(1) 基于模块化设计思想, 提出了基于情感计算的商品评论分析系统框架。

(2) 介绍基于关联算法挖掘商品特征的算法, 通过该算法挖掘商品特征, 同时实现领域词典的半自动化更新。

(3) 介绍基于依存关系的极性词、程度副词和否定的挖掘算法。

(4) 提出商品评论的情感倾向程度的计算方式, 并着重考虑了否定词的作用, 程度副词的强度差距, 以及程度副词、否定词共现语序不同造成的语义差异。

(5) 系统实现及效果展示, 结合真实的电子商务网站商品评论数据进行实验分析。

1 系统框架

Review Helper商品评论分析系统包含四大功能模块:商品评论采集模块、商品特征挖掘模块、评论倾向分析模块和评论分析结果的展示模块, 如图1所示。每个模块对应系统处理流程的一个步骤, 左侧为该模块的输出结果。

步骤1商品评论采集模块根据消费者的购物网址, 自动采集和整理商品评论数据集, 即第2.1节中定义的商品评论集R。该模块为后续的特征挖掘和倾向分析提供数据基础。

步骤2商品特征挖掘模块基于采集到的商品评论集R, 利用第2.2节的算法挖掘商品特征。商品特征作为消费者的评论对象, 是分析消费者对商品具体特征所持褒贬态度的前提。因此, 商品特征挖掘的准确性和全面性非常重要。

步骤3评论倾向分析模块基于上一个模块得到的商品特征, 利用第2.3节的算法从商品评论集中获得商品特征-极性词对, 及相应的程度副词和否定词, 并分析情感极性, 逐级计算情感倾向程度。极性词的抽取和倾向判断是商品评论倾向分析的前提和基础, 其准确性会影响商品特征及整个商品评论的褒贬分析。

步骤4分析结果展示模块针对用户的浏览需求, 组织商品评论分析结果进行页面展示。页面展示包括商品评价概况、商品特征词云和不同商品特征的褒贬评价情况, 并允许用户与商品特征之间进行交互。用户可以选择感兴趣的商品特征, 从而查看该特征的情感褒贬情况以及相关的商品评论。

2 关键算法设计

2.1 基本定义

商品特征挖掘和评论倾向分析的基础是商品评论集。R={r1, r2, , rm}表示某个商品的评论集合, 其中m=|R|是商品评论集包含的评论个数。F (R) ={f1, f2, , fn}表示评论集R中的商品特征集合, 其中n是特征数量。单个特征评价元组o= (feature, o Word, d Word, n Word, is NDP) , 其中feature为特征词, o Word为极性词, d Word为程度副词, n Word为否定词, is NDP表示否定词和程度副词的语序关系。每条评论对应的特征评价分析结果集ra={o1, o2, , oj}, 其中j为该条评论包含的特征评价元组数量。

基于以上定义, 下面首先介绍基于关联规则的商品特征挖掘算法的主要步骤, 接着重点讨论基于情感计算的商品评论倾向分析算法, 其中包括极性词、程度副词和否定词的挖掘, 以及情感倾向程度的计算方式。

2.2 基于关联规则的商品特征挖掘

商品特征挖掘的一般方法是利用关联规则挖掘频繁特征[5,6,10], 但没有考虑评论对象的句法结构和领域相关性, 产生较多噪音;而基于模板的特征提取方法, 需耗费大量人力[15];也有学者利用点互信息和最大熵等进行特征提取, 准确率有所提高, 但计算量巨大。

本文采用已有的关联规则算法首先得到候选特征集, 接着根据依存关系过滤非短语特征, 通过最小独立支持度过滤冗余特征。在此基础上, 本文引入自定义领域词典, 补充对非频繁特征词的挖掘, 从而获取更全面准确的商品特征。同时通过对挖掘出的频繁特征进行反馈实现领域特征词典的半自动化更新, 节省了大量人力。

(1) 利用关联规则挖掘候选特征集

首先对评论集R的评论r逐一进行分词和词性标注。将评论的名词成分作为基本事务, 过滤单字名词[6], 创建基本事务集D={ (TID, Noun (rTID) ) }。然后, 使用Apriori算法得到候选商品特征频繁1-项集L1和频繁2-项集L2

(2) 过滤非短语特征

关联规则的频繁项集挖掘算法不考虑名词在评论中的位置关系, 因此频繁2-项集的两个名词可能无法组成短语。考虑关系为NP的名词短语[9], 过滤后得到新的频繁2-项集的集合L'2。

(3) 过滤高频非领域特征和补充低频特征

该步骤从候选商品特征集L1中过滤掉包含在非领域特征词典中的频繁1-项集, 同时补充包含在领域特征词典中的非频繁1-项集的集合L'1。

(4) 过滤冗余特征

最小独立支持度是指包含该特征词的频繁1-项集的支持度减去包含该词的频繁2-项集的绝对支持度。本文设置最小独立支持度阀值为2, 若小于该阀值则过滤掉。最终得到满足独立支持度约束的频繁1-项集的集合L″1。

(5) 更新领域特征词典和领域非特征词典

该步骤通过人工反馈更新词典。用户可以自由选择是否对获得的高频非登录词列表进行判断:若确认该词为领域特征, 则该词属于领域特征词典的权重增加;反之, 则该词属于非领域特征词典的权重增加。根据累计的多用户反馈综合计算, 决定该候选特征的词典归属。该步骤非必选。种子词典经过循环迭代后, 可以大大提升同类商品评论特征的挖掘性能。人工反馈可以由领域专家做, 也可以将其整合到用户界面中, 通过不断得到用户反馈来更新词典。

经过商品候选特征挖掘、剪枝过滤和非频繁项集的补充后, 最终得到商品特征集F (R) =L'2∪L'1∪L″1。

2.3 基于情感计算的商品评论倾向分析

情感计算研究试图让计算机能够感知、识别和理解人的情感。本文从极性词出发, 让系统自动识别商品评论的情感倾向。极性词是指句子中带有感情色彩的词语, 用来表达评论发表者的态度。

极性词的倾向判断主要分为基于词典和基于语料库的方法。前者主要利用词典来判断待定词和基准极性词的词汇相似程度, 如在给定种子极性词后, 利用Word Net查找同义词和近义词扩大情感词词典[16];后者则主要利用待定词和基准词的共现模式或修饰模式, 如利用点对互信息[17]、句法依存关系和启发规则等。在特征和极性词的关系挖掘上, 主要方法有句法结构 (评论对象和极性词的句法依存关系) 、距离窗口 (选取商品特征一定距离内的极性词) 、基于模板和启发规则等[8,9,10]。

本节在商品特征集合F的基础上, 重新遍历商品评论集R, 综合词典和句法分析两种方法, 采用How Net情感词语库和依存关系来挖掘极性词及与商品特征的关系, 并结合词汇相似度计算[18]和同义词词林识别未收录词的情感极性。在此基础上, 考虑程度副词的强度差距、以及程度副词和否定词共现语序引起的语义差异, 最后逐级计算情感倾向程度。词汇相似度计算和同义词词林的引入, 提高了极性词识别的查全率。而程度副词和否定词的考虑, 则提高了情感倾向判断的准确性。

2.3.1 基于依存关系挖掘极性词

本节首先对商品评论集的每条评论进行句法分析, 得到句法分析树, 并基于以下依存关系进行极性词挖掘:从dobj结构挖掘极性动词, 从nsubj和rcmode中挖掘极性形容词。

(1) 例句:“我喜欢这本书的纸张质量”

依存关系为:

特征词:质量

正面情感词语:喜欢

结论:动宾结构, 在Stanford parser中的类型为dobj (直接宾语) 。 (2) 例句:“书的包装不错”

依存关系为:

特征词:包装

正面评论词语:不错

结论:主谓结构, 在Stanford parser中的类型为nsubj (名词性主语) 。

(3) 例句:“比较平淡的一本书籍”

依存关系为:

特征词:书籍

正面评价词语:平淡

结论:的字结构, 在Stanford parser中的类型为rcmod (关系从句修饰) 。

基于以上结论, 遍历商品评论集R, 对每条评论r使用以下步骤进行极性词挖掘。

输入:商品评论r

输出:特征评价分析结果集ra (缺少程度副词和否定词)

步骤1利用第2.2节的商品评论基本事务集, 判断该评论是否包含商品特征, 即若r包含商品特征, 进行后续步骤;反之, 对单条评论的极性词挖掘过程结束。

步骤2得到商品评论r的句法分析树。

步骤3取得句法分析树的第一个依存关系。

步骤4判断是否为dobj或nsubj依存关系结构, 且包含了商品特征feature。若是, 则得到候选极性词o Word;反之, 跳到步骤6。

步骤5如果依存关系是dobj, 查找扩展情感词语库;如果依存关系是nsubj, 查找扩展评价词语库。若查找结果为真, 即扩展词库存在该候选极性词o Word, 则创建新的特征评价元组o= (feature, o Word, "", "", false) , 并更新该评论的分析结果集ra=ra∪{o}。此时, 程度副词和否定词暂时设置为空。若查找结果是扩展词库不存在该词, 则计算该词与种子情感词语库中每个词的相似性, 当最大值超过一定阀值时, 则将该词加入扩展词库, 仍创建新的特征评价元组。本文设置相似度阀值为0.8。

步骤6若仍有依存关系结构, 取得下一个依存关系, 跳到步骤4;反之, 则对单条评论的极性词挖掘过程结束。

本文使用了How Net的情感语料库。其中, 种子情感词语库由“正面情感词语 (中文) .txt”和“负面情感词语 (中文) .txt”建立而成, 种子评价词语库由“正面评价词语 (中文) .txt”和“负面评价词语 (中文) .txt”建立而成。依此构建扩展情感词库的初始极性词索引表, 索引为词语, 值为极性, 负面为-1, 正面为+1。在此基础上, 使用哈工大的同义词林, 将同义词也加入到索引表中, 从而提高算法的召回率。

2.3.2 挖掘极性词的程度副词和否定词

2.3.1节挖掘商品特征对应的极性词, 本节考虑修饰极性词的程度副词和否定词。在挖掘极性词的同时, 抽取句法分析树中的副词词和否定词:程度副词采用advmod (副词修饰) 结构进行抽取, 而否定词则使用neg (否定词) 结构。

以“书的质量可以, 是正品, 不过里面的内容简单化了, 对内容不是很满意”为例, 部分依存关系如下:

基于上述两种依存关系结构, 结合2.3.1节中极性词挖掘的挖掘步骤, 可同时获得极性词相应的程度副词和否定词。

输入:商品评论r, 商品评论分析元组ra

输出:完整的商品评论分析元组ra

在程度副词的挖掘中, 使用How Net提供的“程度级别词语 (中文) .txt”建立程度词库。

本节补充了上节特征评论分析结果集ra中每个特征评论元组o缺失的后三项:程度副词、否定词, 以及程度副词和否定词的共现语序关系, 从而得到完整的评论分析结果集ra。

2.3.3 情感倾向程度分析

本节基于商品评论特征分析结果, 进行情感倾向程度分析和计算。首先考虑程度副词和否定词的极性参数设定, 接着考虑程度副词否定词共现语序不同时造成的语义差异, 最终定义情感倾向程度的计算方法。

考虑程度副词的强度差距, 文献[11]将程度副词分成两类, 并设置4个强度等级。本文基于How Net的程度词语库, 为6种类别的程度副词设置不同的极性参数, 如表1所示。

对于否定词的处理, 单纯地将相应极性词的极性简单取反是不合理的。姚天昉等人[8]对否定前缀的情感极性处理方法是先取反后除以2。但按照该算法, “不很满意”和“很不满意”的情感倾向程度是一样的。而事实上, 两者是不一样的, 该算法并没有考虑否定词和程度副词共现时语序不同造成的语义差异。因此, 本文首先设置否定词的极性参数为-0.5, 然后考虑否定词和程度副词共现语序。两者的共现语序可分为两种:NDP和DNP, 其中N表示否定词, D表示程度副词, P表示极性词。

对于DNP形式, 即程度副词在否定词之前, 是对否定词所否定程度的确定。例如:

(1) 手机屏幕不好;

(2) 手机屏幕很不好;

(3) 手机屏幕极其不好。

以上三个例句的否定程度是逐渐递增的。

对于NDP形式, 即否定词在程度副词之前, 是对某个程度的否定, 作用是把原来的程度降低。例如:

(1) 手机屏幕不非常好;

(2) 手机屏幕有点好。

以上两个例句的量级大体相同, 在语义上能够相互推衍[19]。

基于以上规则, 设计否定词与程度副词共现时的情感极性程度计算:

其中, d为程度副词, n为否定词, p为极性词。

以上, 考虑了程度副词的强度差距, 以及程度副词、否定词的共现语序。下面定义商品评论的情感倾向程度计算方式。

定义1特征评价元组的情感倾向程度

degree (o) =pol (o Word) deg (d Word) deg (n Word) , 其中pol (o Word) 为极性词的原极性 (+1或-1) , deg (d Word) 为程度副词的极性参数, deg (n Word) 为否定词的极性参数。当程度副词或否定词为空时, 极性参数相应设置为1。当程度副词和否定词共现时, 则根据式 (1) 和式 (2) 进行计算。

定义2单评论句的情感倾向程度

为评论r对应的特征评价分析结果集ra的第i个特征评价元组, n为ra中的特征评价元组总数。

定义3商品评论的情感倾向程度

为商品p的评论集中的第j条评论, m为该商品评论集的评论总数。

定义4商品特征的情感倾向程度

为第j个包含feature的特征评价元组, k为包含该feature的评价元组总数。

基于以上定义, 遍历评论分析结果集ra的集合, 逐步获得特征评价元组、评论句、商品以及特征的情感倾向程度。情感倾向程度的正负分别表示褒义和贬义。绝对值越大, 强度越大。

3 实验分析

3.1 系统展示

系统采用B/S架构, 用Java语言实现。商品评论采集使用开源数据抽取工具Web Harvest, 预置评论信息抽取规则, 实现信息采集自动化, 汉语分词和词性标注采用了中科院计算所的汉语分词系统ICTCLAS[13], 情感语料库使用How Net“情感分析用词语集 (Beta版) ”, 词汇相似度计算使用基于知网的Word Similarity开源工具包, 同义词词库使用“HIT-ITLab同义词词林 (扩展版) ”, 句法分析则选用了Stanford Parser v2.0.4[14]。

系统界面效果如图2所示。消费者可以将商品详情页链接复制到右上方输入框。采集模块根据预设抽取规则进行评论采集, 然后进行特征挖掘和情感倾向程度分析, 最终组织分析结果。界面分三大部分:第一部分为商品评论概况, 包含商品评论的总体情感倾向得分以及评论摘要;第二部分将商品特征分成两个正负特征词云;第三部分展示当前选中的商品特征相关的极性词以及与包含该商品特征的所有评论。

3.2 实验数据

实验语料从亚马逊网站上选择4种商品评论数据, 分别为图书类和电脑数码类, 总计4788条评论, 再从每种商品取出300条作为测试预料。实验首先需要对测试语料进行商品特征和评论倾向的人工标注。以“摸着石头过河”为例, 商品特征人工标注结果如表2所示。

3.3 商品特征挖掘实验结果及分析

为评估系统性能, 采用查准率、查全率和F-measure作为评价指标, 计算方式如下所示:

其中A为系统挖掘出的真实商品特征数, B为系统挖掘出的错误商品特征数, C为系统未挖掘到的真实商品特征数。

由于挖掘频繁项集的min_sup会影响到性能, 实验时令min_sup取评论总数1%到2%的不同值, 测试F-measure所能达到的最大值。以“三星S7562手机”为例, 各项指标随min_sup变化如表3所示, 在min_sup=4时F-measure达到最大值。系统在实现时取评论总数的1%作为默认值。

对4种不同商品的挖掘性能如表4所示, 平均查准率为57.1%, 平均查全率为65.5%。对比其他研究者的实验效果 (如文献[6]为63%和74%, 文献[9]则为56%和42%) , 说明了系统具有一定的有效性。

查全率的比较结果显示, 在进行第一种同类产品的挖掘后, 查全率略有提高, 可能源于领域词典的更新。此外, 由表4可以看出后两种商品的总体性能较前两种好, 主要原因是商品分属不同类型。前两种商品是图书类别, 属于享乐型商品, 而后两种商品是手机数码类, 属于实用型商品。从评论特点上看, 享乐型商品的评论比实用型商品更为复杂和冗长, 包含了各种叙述和修饰手法, 且名词众多, 导致查准率较低, 而华丽的辞藻和复杂句式则直接影响到查全率。

3.4 评论倾向判断实验结果及分析

对于评论倾向判断实验, 只将包含商品特征的句子设定为评价句, 倾向判断相当于做分类工作, 因此重新定义查准率和查全率, 并加上正确率作为评价指标, 计算方式如下所示:

首先, 分别对四种商品评论进行了倾向判断实验。然后, 将本文方法和基于词频加权统计[11]的方法 (BaseTFIDF) 以及不考虑否定词程度副词共现语序的基本特征-极性词[10]的方法 (Base-Feature) 进行比较, 并对实验结果进行分析说明。

表5的实验结果表明, 本文方法的平均正确率为81%, 正极性判断平均查准率为94%, 平均查全率为85%。通过对比其他研究者的实验效果 (如文献[9]中正确率在75%到84%之间, 文献[10]约为90%) , 表明了系统的有效性。查全率不够高, 原因是倾向分析基于特征挖掘和句法分析结果, 有累加错误效应。另外, 算法无法准确判断复杂句式, 如句子“从中能学到以前不被重视的细节及态度”中, 系统识别出 (细节, 重视, 不) , 判定为负极性。同时, 同一词语在不同语境下褒贬不同, 也会影响分析结果, 如评论“字数不多, 看了之后有想冒险的感觉”中, “多”为正面词, “不”为否定词, 判定为负极性。针对该点, 可后续考虑增加领域或商品特征相关的情感词汇表。

表6的实验结果表明, 本文提出的方法相对基于词频加权统计的方法略有提升, 主要原因是基于词频加权统计的方法只是单纯从极性词的极性出发, 而本文提出的方法选取描述商品特征的极性词, 同时考虑了程度副词和否定词, 因此效果较佳。

在此基础上, 考虑程度副词和否定词的共现语序, 进一步提升了算法性能。但由于NDP出现的频次低, 因此提升程度不明显。

4 结语

本文针对消费者商品评论信息过载问题, 提出了基于情感计算的商品评论分析系统, 使用了商品特征挖掘和情感倾向分析等关键算法, 其中领域词典的半自动化更新、程度副词和否定词的共现语序考虑, 具有一定的创新性。在应用上, 系统能够自动根据指定商品购物地址采集商品评论信息, 并将庞杂的商品评论信息转为为对商品特征的褒贬评价信息, 解决评论信息过载的问题, 从而有效地辅助消费者决策, 具有较强的应用价值。另外, 系统可以将情感倾向分析结果汇总, 作为情感特征丰富商品的多属性描述, 后续可继续应用到商品推荐或商家绩效管理系统中。

目前系统仍有许多不足, 如特征挖掘查准率较低, 噪音较多, 可考虑结合其他方法进行交叉验证。此外, 在挖掘的过程中发现有相同或相似的商品特征, 可以考虑做聚类分析, 有待进一

摘要：针对电子商务中的商品评论信息过载问题, 运用情感计算理论, 通过挖掘商品评论信息中的商品特征及相应的情感褒贬态度, 为消费者提供一个商品特征粒度上的情感分析结果, 从而帮助消费者从庞杂的商品评论中快速获取有效信息。系统首先采集指定商品的评论集并挖掘商品特征, 然后结合情感语料库和词汇相似度计算, 利用依存关系找到特征-极性词对以及程度副词和否定词。基于以上结果, 考虑程度副词的强度, 以及程度副词和否定词共现语序不同造成的语义差异, 提出了商品评论情感倾向程度的计算方式。最后, 进行系统实现并验证算法的有效性。实验结果表明, 系统具有良好的应用效果。

情感计算 第5篇

关键词：计算机课程教学；情感因素；学习兴趣

一、情感是计算机课程教学中不可忽视的因素

笔者从事计算机课程教学多年，在教学过程中经常遇到这样的状况：刚开始学生对计算机方面的知识非常渴望掌握，因而计算机基础方面的内容掌握得较好，学生学习的积极性较高，学习态度也很端正，但随着课程内容的深入，教学内容难度加大，再加上中职生的基础知识、自身素质及学习方法等方面的因素，学生学习计算机课程的兴趣、积极性以及上课时的课堂氛围在慢慢消退。所以有时教师的教与学生的学难于同步，虽然通过采用其他教学方法（如任务驱动法、多媒体教学法、项目教学法等）对教学质量有所补救，但认真观察后发现引起学生学习兴趣、积极性下降的主要原因在于学生的主观认识发生了变化，而引起这种变化的主因就是学生的情感因素。因而，对于计算机课程的教学，教师与学生的沟通与交流是一种必不可少的且最有效的课堂教学手段，同时也提示我们：情感教育在现代教学中的作用也不容忽视。因此，探讨情感因素在计算机教学中的作用，对于培养学生良好的学习品质，促进学生的全面发展具有重要意义。

二、积极的情感与消极的情感

心理学研究表明，情感是人脑的一种机能，是人对客观事物是否符合自己的需要而产生的态度的体验，是对客观事物抱有不同好恶而产生的内心变化和外部表现。情感包括积极情感和消极情感，积极情感有：兴趣、自尊心、自信、强烈动机、愉快、惊喜等；消极情感有：焦虑、害怕、羞涩、愤怒、沮丧、怀疑、厌恶等。概况而言，情感的重要作用主要表现在这几个方面：情感是人适应生存的心理工具；能激发心理活动和行为的动机；是心理活动的组织者；是人际沟通交流的重要手段。

三、积极的情感与消极的情感对计算机课程学习的影响

积极的情感对计算机课程的学习具有促进作用，乐观向上和活泼开朗的个性有助于学生积极参加学习活动，获得更多的学习机会；强烈的学习动机、浓厚的学习兴趣和大胆实践的精神有助于学生提高学习效果；坚强的意志和较强的自信心有助于学生克服计算机课程学习中遇到的困难。

消极的情感则抑制智力活动，影响学生学习潜力的正常发挥，降低学习效果。那么在学生学习过程中为什么有时会出现消极的情感活动呢？究其原因并不都是学生的智力因素，而主要是教师在教学中只重视向学生传授知识而忽视了学生学习中积极情感因素的培养，从而导致学生没有建立起积极的学科情感，失去了对计算机课程学习的信心和兴趣。

四、培养学生积极的计算机学科情感

那么在计算机教学过程中，教师怎样才能使学生养成积极的计算机学科情感呢？

教师应以愉悦的心态面对学生，拉近老师与学生的距离，学会跟学生情感交融。教师在课堂上营造轻松的教学氛围，可以让学生在愉快的教学气氛中学习，教师的微笑和态度的友善是学生最容易接纳的，态度的平和能使教师逐步和学生建立起融洽和谐的师生关系，使学生能很快喜欢你这个老师和你这门学科。教师也只有通过和学生接触、聊天、交流，像朋友一样跟学生谈天说地，才能发现学生的优点和亮点。同时在交流过程中，学生也会感觉得到教师的尊重、友爱，而当这种情感得到满足之后，他们就会对你这个教师感兴趣，进而他们会以更大的热情来上好计算机课。良好的关系也会促使他们对教师更加尊重、信赖而敢于向你提出各种各样的问题，通过问题的解答，学生不仅学会了计算机方面的知识，对于生活方面或其他方面的知识也得到了丰富和提高，这时学生会更加依赖你、信任你，也会更加喜欢学习计算机课程。

论高校计算机教学中的情感运用 第6篇

关键词：高校,计算机教学,情感,运用

在教育教学活动中运用情感教育, 能够有效激发学生的学习兴趣和学习动机, 促进学生的个性化发展, 满足学生的情感需求。在传统的教学中, 学生对于课堂学习没有兴趣, 感觉枯燥无味, 学生的个性特征也得不到充分的发挥和尊重, 在提倡素质教育的今天, 传统教学已经无法跟上时代发展的脚步。在高校计算机教学中运用情感教育, 能够让学生和教师的关系更加融洽, 营造一个轻松愉悦的教学环境, 在这个环境中, 可以极大地激发学生的学习兴趣和学习动机, 从而有效提高学生的知识能力水平。另外, 教师应该要认识到, 运用情感教育, 不但能够有效提高学生的计算机水平, 培养学生的专业技能, 更为重要的是, 情感因素对学生有着十分重要意义, 能够让学生更加全面地发展, 全方位提升自己的能力水平。

1 情感教学的作用

教育心理学研究发现, 学生在进行学习活动的时候, 情感、兴趣、意志等因素对于学生的理解和掌握知识有着非常重要的作用。宽松的教学氛围, 良好的师生关系, 适宜的教学环境, 这些是学生掌握知识、提高专业技能的重要保障。

在传统的高校计算机教学中, 教师只注重学生专业能力的培养, 对于学生的学习兴趣、学习动机和师生关系的重视程度不够, 甚至是根本就不关注, 这也对计算机教学产生不良影响。教师只有充分认识到情感教育的重要性, 在计算机教学中运用情感教育, 才能更好地促进计算机教育教学的发展。情感教育对于高校计算机教学的作用主要有以下几点:

1.1 激发学生的内在学习动机

大学生相对中学生来说, 学习环境和生活环境更为的宽松, 生活范围也不再像以往那样的狭窄, 而且, 大学生都是刚刚成年, 思想意识方面追求独立自主, 但是, 心理层面又未完全成熟, 在情感方面有着很强的需求, 包括理解需求、依赖需求和尊重需求。情感因素对学生的学习有着十分重要的推动作用, 如果运用得当, 能够有效推动学生进步, 如果不注重情感因素的运用, 甚至阻碍学生的学习。

在高校计算机教学中, 教师应该要积极引导学生的情感,充分调动学生的学习积极性, 激发他们内在的学习动机, 让学生尽快适应新的学习环境和学习氛围。教师要精心设计和巧妙组织一些教学内容, 深入挖掘情感因素, 让计算机的科学性和艺术性展现在学生面前。让学生沿着正确的学习道路前进, 同时也让学生在学习中产生良好的情绪, 激发学生内在的学习动机, 从而让学生真正走向成熟, 成为学习和生活的主体。

1.2 激发学生的学习兴趣

在高校计算机教学中, 教师应该要以情感因素为目标,深入挖掘教学内容中的情感资源, 全面提高学生的综合素质,促进学生的全面发展。在高校计算机教学中, 教学目标是通过理论知识的传授和实践能力的培养, 让学生掌握计算机的基本原理、组织结构、操作技能、程序设计等相关技术。 在传授这些知识的时候, 教师应该要积极引导学生的情感, 激发学生的学习兴趣, 让学生进入最佳的学习状态和思维状态,从而更好地帮助学生理解和掌握相关知识和技能。在计算机教学中融入情感教育, 让学生发现问题和解决问题, 在学习中提高认知能力和情感素质。情感教育让学生在每次学习中都有新鲜感和收获, 也提高了教学质量和学生的学习效率。

2 情感运用

(1) 教师应该要根据教学大纲和教材, 结合学生的实际情况适当调整教学计划和教学内容。计算机课程是一门专业性很强的课程, 教师在进行教学时, 应该要根据学生的实际情况和认知能力,精心设计教案, 选择一些能够激活学生情感、激发学生学习兴趣的内容, 将这些内容融入教学中, 创建教学情景, 引导学生发现问题、探究问题和讨论问题, 从中发现知识, 理解知识和掌握知识。

(2) 教师应该要调整好自己的心态和情绪。教师要以良好的心态和高昂的情绪出现在学生面前, 要带动学生以积极向上的心态投入学习中来。教师千万不能将消极情绪带入课堂, 否则, 这种消极情绪可能会传染给学生, 从而影响正常学习。教师应该充分调动学生的学习积极性, 营造出宽松的课堂氛围, 传递给学生正面的情感。同时, 教师应该以师长和朋友的身份关心学生, 让教学氛围变得更加愉悦和轻松,让师生和谐相处, 激发学生的学习兴趣, 从而提高教学质量。

(3) 教师应该要通过积极情感来优化学生心境。在教学活动中, 从字面意思来看, 分为教和学两部分, 就角色来分, 有教师和学生。从整体来看, 教师和学生是一个共同体, 共同的目标就是帮助学生掌握知识和技能。教师在进行教学的时候,有一部分是教案中精心设计的, 还有一部分是教师的临场发挥的。一节课的教学效果如何, 与教师的知识水平、表达能力和职业道德息息相关, 但是, 作为教学活动中的另外一个主体,学生的投入程度也非常重要。如果学生对教学活动的参与度低, 没有良好的心境, 不能跟教师产生共鸣的话, 是不可能取得良好的教学效果的。因此, 教师应该要努力优化学生的心境, 让学生和教师之间、学生与学生之间进行思维的碰撞和心灵的对话, 让学生和教师一起来完成教学任务和教学目标。

3 情感教育在教学中的效果

高校计算机教学要取得良好的教学效果, 跟多个因素息息相关, 比如说教师的知识储备和教学技巧, 学生的认知水平,还有教材的适用程度等。教师在进行计算机教学时, 应该要精心准备教案, 把教材中的内容结合学生的实际情况, 设计一些能引发学生共鸣的知识点, 然后通过讲解、示范、引导、点拨、 讨论和互动等多种方式来进行课堂教学。教师在教学时,还应该特别注意要根据学生的认知水平和思维逻辑习惯, 使用恰当的肢体语言和表情动作来吸引学生的兴趣, 最大程度上激发学生的学习兴趣, 激活学生的内心情感, 让学生的注意力集中到学习中来, 主动参与学习, 真正成为学习的主人。

3.1 了解学生的内心需求

高校学生都已经成年人, 在年龄上的成熟不代表阅历上的成熟, 由于中小学时跟社会接触很少, 而且, 很多都是独生子女,来到一个全新的环境中来, 难免会出现各种各样的不习惯, 缺乏精神方面的依靠, 这些因素或多或少都会影响学生的学习。这个时候, 教师应该要关心学生的生活, 关心他们的内心世界, 引导学生的学习, 只有这样, 学生才会对教师产生信任感和依赖感,这种情感最终会转化为学生的学习动力和积极情绪。学生和教师之间的感情是一种特殊的感情, 教师传授给学生知识和技能,学生通过这些知识和技能开始独立工作和生活, 同时, 教师也会教给学生很多做人做事的道理, 学生根据这些道理在社会上立足。因此, 可以说, 教师和学生之间的感情是非常宝贵的。

3.2 满足学生需求,提高教学效果

情感教育的核心思想是以人为核心, 追求的是人与人之间的自由、平等、关怀和尊重。情感教育中, 教师应该要有很强的亲和力, 充分调动学生学习的积极情感, 帮助学生进行可持续学习, 努力提高学生的知识水平、能力水平、综合素质和认知水平。教师在进行计算机教学时运用情感教育, 调动学生的积极情绪, 最为重要的依据是要了解学生的心理需求。在教学大纲范围内, 教师应该尽可能地满足学生的需求, 将最新、最前沿的技术传授给学生, 增进教师和学生之间的情感。

4 结语

在高校计算机教学中, 每个学生都有着不同的知识储备,也有着自己的个性、特点, 认知能力和学习能力也各不相同,教师在教学时, 如果只重视传授知识, 而忽视对学生进行情感教育, 就无法取得良好的教学效果。情感教育作为一个活化教学的过程, 教师在这个过程中应该要利用各种教学手段来激发学生的学习热情和内在的学习动机, 激活他们的内心情感, 促进学生的个性化发展, 全面提高学生的知识水平和能力水平, 满足学生的情感需求。教师应该要让学生在探索、应用和实践计算机知识的过程中, 经历积极向上的情感体验,从而让情感、态度和价值观渗透到学生的内心。

情感计算 第7篇

网络虚拟学习社区是近年来发展较为迅速的学习模式, 它是Internet发展的产物, 是虚拟社区在学习领域的应用与延伸。霍华德莱恩戈德最早创立了虚拟社区, 并将其定义为:“当足够数量的人们在塞博空间带着情感, 进行长期的公开讨论, 从而形成了个人关系网络, 这时就在Internet上呈现出一种社交集合。”他将情感因素所为社区运作的前提条件, 社区成员只有在情感因素的驱动下进行交流与讨论, 才能形成良好的关系网络。

网络虚拟学习社区改变了传统的以独立学习者为中心的学习模式, 将具有相同学习任务的学习者集中起来, 利用网络媒介组织成具有共同利益, 遵守共同准则的学习共同体, 在学习共同体之中, 学习者通过长时间的相互沟通、交流、合作, 共享信息资源, 从而获取知识、共同完成一定的学习任务, 并在相互影响中取得进步。社区不仅是组织学习者学习, 实现信息资源共享的的交流平台, 而且也成为学习者与社区外界及社区间交流的基本单位和学习者寻求网络归属感的基本单位。

2 网络虚拟学习社区中的情感因素

心理学认为, 情感是客观事物是否符合人的需要与愿望、观点而产生的心理体验, 它是人类特有的一种心理活动形式, 它反映了具有一定需要或愿望、观点的主客体之间的关系。情感具有两极性, 表现为对学习者的认知行为产生积极或消极的影响, 适度的和积极的情感状态能够促进学习者内在学习动机的形成, 以帮助学习者提高注意力, 积极思考;反之, 过度的情感状态以及消极的情感则会促使学习者学习效能的降低, 影响其认知过程, 并可能对学习者心理健康产生危害。因此, 网络虚拟学习社区中的情感因素, 对于学习者的学习至关重要, 学习者情感的满足与否, 将影响到学习者的学习效果、效率和学习的持久力。

网络虚拟学习社区中的情感因素通过学习者在学习过程中遵守共同规则、追求共同目标、相互交流、合作、完成共同任务的过程表现出来, 它主要包括以下几个方面:

2.1 自我归属感

自我归属感是指教师或者学习者在相互的社区交往中, 在建立起基本的相互关系的基础之上而形成的对所属社区的深度信任和依赖的一种情感, 是个人对自我归属的判断。具有强烈自我归属感的教师和学生能够深刻感觉到自己身为社区的重要成员, 并且被其他成员所接受和信任。自我归属感是整个社区情感的核心。

在网络虚拟学习社区中, 教师和学习者因共同目标和共同任务集中到一起, 具有共同的利益, 在交往中相互依赖相互信任, 随着交往时间的增加, 个人的利益同社区的利益紧密相关, 并最终升华为社区的共同利益, 这使得社区本身成为社区成员所关注的焦点, 在共同努力下, 社区的利益的保障带给社区成员对它的深度的信任和满足, 这就形成了社区成员的自我归属感。只有使成员对社区有归属感, 才能使社区在个体的力量之上向前发展。缺乏自我归属感将导致社区成员的焦虑、自我否定、社会信任度的下降, 降低学习者的学习热情和动机, 必然会严重影响学习者的学习效能。

2.2 激励

美国心理学家费里德里克赫兹伯格在他所提出的双因素理论中指出:调动人的积极性, 主要是使人们对工作发生感情, 从工作本身来激发人的内在积极性, 他认为激发人的工作动机的因素包括激励因素和保健因素。其中, 激励因素来自于工作本身, 它给与工作者很大程度的满足感, 能够促进生产效率的提高。他认为, 激励的因素应该包括成就、认可与欣赏、挑战性的工作、责任感、发展、成长与晋升几个方面, 如果这些因素具备了, 就能对人们产生更大的激励。

激励的过程可以描述为:

激励是一种需要的满足。在虚拟学习社区中, 学习者的某种内在的自我需要 (内在要争取的条件) , 如希望、愿望、动力等得到满足的时候, 学习者会表现出更强的内驱力和工作热情, 满足的程度越高, 得到的激励越强, 动机也就越强, 当动机足以支配其学习行为时, 学习的效能将会产生明显的提高, 学习者的学习潜能将会更大程度的得到释放。当然, 激励的强度不可能无限制的提高, 研究表明, 激励过强同样不利于学习者的学习。因此, 在社区学习中, 应适当的实施激励策略, 以提高学习者的学习积极性和创造性, 如, 学习者之间的相互鼓励、相互信任, 教师授予学习者的精神或物质的奖励都可能对学习者产生很好激励作用。

2.3 自我认同感

自我认同感是将自身内在的感觉、自我意识以及外部评价等加以综合, 从而对“我是谁”这个问题给出自己的答案。它是一个人在与他人交往时, 把信念和价值观融合到自己人格中去并对自我价值进行评价的过程。这种自我评价将会对学习者自身的心理状态产生影响, 心理学研究表明:如果学习者不能够拥有对自己满意的自我评价, 他将不能确定自己的价值和生活方向, 其学习能力也不能够得到充分的发挥, 从而出现认同危机;反之, 如果学习者满意自我, 在社会交往过程中就会以积极的、乐观的心态面对自己的学习和生活, 充满自信地接受各种挑战, 就不会出现动摇或自我分裂的现象。

网络虚拟学习社区中学习者的自我认同感直接影响学习者学习的动力和精神状态。例如, 虚拟的网络学习环境首先表现在时空的相对分离, 学习者之间以及和教师之间不能够面对面的交流学习体验。面对共同的任务, 由于角色分工的不同, 学习者需要个别化的寻求解决问题的方法和途径, 并在教师指导下寻求共享资源支持, 这实际上对学习者的学习能力和问题解决能力提出了较高的要求, 由于个体的差异, 部分学习者不免会考虑诸如:“我是否有能力解决这个问题?我所选择的资源是否有效?”等等系列问题。而问题的解决与否将对学习者是否有信心和勇气接受后续的挑战, 一方面, 问题的顺利解决能够促使学习者提高自信, 保持自我认同;问题解决的失败, 将有可能使学习者产生挫败感, 并将可能使其对自己的能力产生疑虑, 严重时可能出现焦虑不安等心理状态, 导致后续学习效能低下。因此, 在虚拟学社区的学习中, 应该采取一定的教学策略, 提高学习者的自我认同感, 帮助其建立自信, 自强的人格。

2.4 信任

信任是指在社区学习中维系参与者关系的重要因素, 它是一个相当复杂的社会与心理学现象。我国社会学家郑也夫先生指出:信任是一种态度, 相信某人的行为或周围的秩序符合自己的愿望。它表现为三种期待:对自然和社会的秩序性、对合作伙伴承担的义务、对某角色的技术能力。在虚拟学习社区, 学习者和教师都有信任与被信任的期待与渴望。

网络虚拟学习社区中的信任按照信任的实体可分为对社区的信任和对人的信任两大类别, 这两大类别也构成了整个社区的信任体系, 缺少了其中的任何一部分, 信任都是不完全的。社区是一个团体、一个组织, 并在赋予了特定的任务与利益因素, 成为一种利益同盟, 作为社区的成员, 学习者只有充分信任社区的利益同自身保持一致, 并能够朝自己所期待的方向发展, 学习者才可能工作于社区、贡献于社区, 才会产生学习和生活的安全感, 从而实现社区与学习者之间服务的相互性, 这对学习活动的开展至关重要。对社区的信任, 突出表现为技术层次的信任, 如对网络信息的安全性的信任和信息可靠性的信任等。社区成员之间的相互信任是建立在共同的理念和期望的基础之上的, 它是支撑整个学习社区高效运转的润滑剂。良好的信任关系能够促进成员间的相互交流、合作、互助, 提高个人与整体的学习效能, 增强社区凝聚力, 从而推动社区向共同的期望发展。

2.5 自我效能感

自我效能感是由美国心理学家班杜拉于1997年所提出的, 它是指个体对自己能够在一段水平上完成能够某一活动所具备的能力判断、信念或主体自我把握与感受。对于学习者而言, 它不仅与学习者所掌握的知识和技能相关, 而且与学习者是否能够很好的利用这些知识技能相关。根据班杜拉的理论, 在虚拟学习社区中, 学习者的自我效能感至少具有以下功能: (1) 影响或决定学习者的学习行为的选择, 以及对该行为的坚持性和为达到学习目标而付出努力的程度, 自我效能感高的学习者更倾向于选择具有挑战性的学习任务和学习行为, 在困难面前能够坚持不懈, 通过不断的努力克服困难; (2) 影响学习者的思维模式和情感反应模式, 进而影响新的学习行为的习得和以往的学习行为的表现。一般而言, 自我效能高的学习者在社区环境中, 能够更好的适应和把握自身的角色功能, 因而能够把注意力较为集中的应用到共同的学习任务及困难的解决上, 自我效能感相对较低的学习者, 由于缺乏信心, 则更可能过多地将注意力放在了可能出现的失败的结果之上, 从而产生焦虑和恐惧的心理, 限制了个人潜能的发挥, 因而会影响学习效果和再学习的实施。

以上所分析的五大情感因素相互联系, 相互交融, 并最终统一于学习者的心理状态, 在社区交往中发挥重要的作用。

网络虚拟学习社区中五方面的情感因素不是相互独立的, 而是在交流学习的过程中, 相互作用相互制约, 以圆周律动的形式, 共同影响个体发展, 其中自我归属感是核心, 它是学习者构建信任和激励群体, 产生自我认同、自我效能感的前提, 其相互关系可表示如图1:

3 网络虚拟学习社区中的情感交流

情感交流是教学活动中的一种重要的互动形式, 对于根基于网络的虚拟学习社区教学起着尤为重要的作用。在虚拟学习社区中, 学习者有着共同的学习愿景, 学习动机强, 如果缺少了情感交流, 学习者所需要的情感因素不能很好的得到满足, 学习者将逐渐丧失学习的积极性, 学习的潜能将不能够得到发挥, 会影响到学习者的学习效能和整个社区的共同目标的实现。适度的情感交流, 能够使学习者之间, 学习者与教师之间关系融洽, 交流顺畅, 从而营造一种和谐的、相互尊重和鼓励的学习氛围, 这种积极的学习情景将对学习者产生积极的影响, 它将调动学习者的学习的内驱力, 使学习者的学习潜能得到最大限度的发挥, 从而促进学习。

在虚拟学习社区中, 学习者没有或很少有面对面地与同伴交流的机会, 他们也没有机会观察其他参与者怎样处理一些类似的问题, 这成为虚拟学习社区区别于传统课堂教学机制的主要特点, 为学习者之间的情感交流带来了困难, 因此, 我们不能也不可能用传统的交流方法来实施情感交流, 必须考虑网络时空跨越性的特点, 结合以上五大情感因素, 合理的采取教学策略。

总之, 虚拟学习社区中的情感因素已经成为学习者学习的潜在动因, 合理运用和适度的满足需习者的情感需求, 必将会带给学习者更好的学习体验。

参考文献

[1]甘永成.虚拟学习社区中的知识建构和集体智慧的发展——知识管理与e-Learning结合的视角[M].教育科学出版社, 2005.

[2]张大均.教育心理学[M].人民教育出版社, 2004.

[3]朱鲁秀, 林美卿.网络环境中的师生情感交流设计[J].中国农业教育, 2005 (2) .

情感计算 第8篇

关键词：计算机辅助协作,语言学习,情感

1 计算机辅助协作语言学习内涵

协作学习作为一种学习方法, 强调的是多人之间的合作、互助。学习者个体的活动之间是一种有机的关系, 一方面, 学习者需要独立完成自己的工作。另一方面, 要与其他学习者进行交流, 共同完成整体的学习任务。个人学习的成功与他人学习的成功是密不可分的, 学习者之间保持融洽的关系, 相互合作的态度, 共享信息和资源, 共同完成学习任务。与个别化学习相比, 协作学习有利于促进学生高级认知能力的发展, 并有利于学习者健康情感的形成。协作学习包括七个要点, 即: (1) 以学习者为中心; (2) 小组学习形式; (3) 创设问题情景; (4) 协作与交流; (5) 对知识意义的建构; (6) 对主题性素质的培养; (7) 对协作技能的培养。

2 计算机辅助协作语言学习的形式

2.1 同步交流

研究表明相对于面对面的语言交流, 学习者更愿意参与计算机辅助的语言交流。Sullivan和Pratt的实验表明在面对面的语言交流中学生的参与程度为35%, 而计算机辅助的交流中学生的参与程度达85%, 其中包括性格内向, 平时不愿意参加交流的学生 (Sullivan&Prat, t 1996) 。在这种环境下学习者心情更为放松, 即使出错也不象面对面的情况下会感觉尴尬, 因此他们更倾向于使用词汇和句法更为复杂的句子。而且交流者之间能够建立一种平等的合作关系, 研究表明计算机辅助的协作语言学习中首次提出解决问题的方法的女性和男性的比例是差不多的, 而在面对面的交流中, 男性首次提出解决办法的比例是女性的五倍 (Mc Guire&Siege, l 1987:917) 。

2.2 异步交流

异步交流更能体现网络交流的潜在优势。因为不需要马上给予反馈, 学习者可以有时间对问题进行深入的分析和批判性的思考。E-mail可以作为一对一的异步远程交流的一种方式。S.t John和Cash通过一个德语学习者与一个德国人使用E-mail交流后德语突飞猛进的例子说明这种一对一的交流对语言学习的重要性 (S.t John&Cash, 1995:191) 。这个德语学习者系统学习了德国人E-mail中的新词汇, 在写回信时, 他再次回看来信, 尽量使用这些新词汇。在此过程中他更正了自己以前的错误, 学会了很多词汇和惯用法, 也学到了许多语法知识。六个月后, S.t John和Cash发现他在句法方面有了很大进步, 他能够使用更为复杂的句式和长句, 并且词序正确, 语言更地道了。这个例子充分证明了巴赫金关于每个个体的语言经历都是在与他人交流时对他人语言的创造性的同化的理论。

3 计算机辅助的协作语言学习的情感问题

3.1 控制

计算机辅助的协作语言学习中, 控制表现为学习者对学习目标和任务的控制, 即他们有权利选择学习目标, 并有权利选择自己付出努力的程度的大小;控制还表现为掌握完成学习任务所需要的计算机技术。如果他们无法在以上这两方面掌握主动权, 情绪就会焦虑, 无法达到彼此间的和谐合作。

3.2 好奇心和自信心

好奇心是一切学习动力的及其重要的来源之一, 它对计算机辅助的协作语言学习的作用也同样重要。只有在学习者充满对知识的好奇和兴趣的情况下, 学习者才愿意满怀兴致地进行协作, 共同解决问题。否则, 对于一个索然无趣的问题, 学习者就没有积极性, 只是被动地为了完成任务而合作。自信心也是学习动力的一个重要来源, 对于协作学习而言, 学习者只有对自己的知识和能力充满信心的前提下才会愿意与他人合作, 并在合作过程中充分展示自己的能力, 为协作学习贡献自己的一份力量, 从而实现成功的协作。

3.3 协作伙伴之间的关系

计算机辅助的协作语言学习是建立在协作伙伴之间的相互信赖和期望的基础上, 因此他们之间首先要建立一种相互尊重, 愿意合作的关系, 否则协作学习是无法完成的。这种协作伙伴之间的关系必须依赖于以下三个要素:成员间的吸引力、成员间的信任关系和小组凝聚力。

3.4 针对计算机辅助协作语言学习情感问题需注意的问题

⑴小组规模。从情感问题考虑, 计算机辅助的协作语言学习小组不能太大, 否则学习者之间相互了解不够, 不足以建立起协作学习所必须的信任度。六人一组的小组相对大组来说更适合进行协作学习, 小组成员易于建立良好的合作关系。

⑵学习任务。计算机辅助的协作语言学习的学习任务要能够激发学习者对知识的好奇和兴趣, 这样学习者才会满怀兴致地进行协作, 共同解决问题。

⑶对于其他组员的了解。协作学习是建立在对协作伙伴的信任和依赖的基础上, 成员之间必须相互认为彼此的依靠可以促成任务的完成。因此, 在合作完成任务之前成员之间最好已相互熟悉和了解。人们希望了解与之合作交流的人, 这种了解将有益于他们更好地合作。当然面对面的交流对于远程协作学习来说是很困难的, 但至少在开展真正的协作学习之前应该进行一些相互了解的活动, 使成员间有一些了解, 建立一定的信任。

参考文献

[1]谢舒潇, 黎景培.网络环境下基于问题的协作学习模式的构建与应用[J], 电化教育研究, 2002 (8) 1.[1]谢舒潇, 黎景培.网络环境下基于问题的协作学习模式的构建与应用[J], 电化教育研究, 2002 (8) 1.

情感计算 第9篇

关键词：文本情感计算；情感词典；教育文本；文本分析

中图分类号：TP391 文献标志码：A 文章编号：1673-8454（2016）14-0074-05

一、情感与学习

情感（sentiment）是由非中性事物引起的并反作用于这个事物的非中性的意图和行为[1]，是人类最惯常、最重要的体验。人类的认知和情感是相互影响和作用的，对两者的研究密不可分。

情感及情感信息对于学习者的学习效果有重要的影响。积极的情感可以提高学习效率，而消极的情感却可能造成学习的失败[2]。许多学习行为是从好奇心和入迷开始的，人在处于“兴趣”与“愉悦”的情感状态下，学习效率最高，学习效果最好；积极的情感促进大脑的活动性，在学习过程中表现为学习动力，从而还可以产生一系列积极情感状态，如兴趣、关注以及参与行为，它们在学习过程中都起着重要的作用。而在“乏味”与“厌倦”的情感下，学习多数则是会失败的，尤其学习的孤独感和焦虑常常影响学习者的信心[3]。消极的情感抑制大脑的机动性，在学习的过程中表现为学习的阻力，如厌倦、疲劳、无聊等都会影响学习的认知过程。

认知心理学家Simon[4]和Norman[5]认识到了情感在学习效果方面发挥着重要作用。他们发现哪怕只有很少的一点积极情绪，不仅可以让人感觉良好，而且还可以产生一种思维，这种思维会更有创造性更灵活地解决问题以及更有效更果断地做出决定。这项研究在不同年龄不同职业的人群中得到了验证。

在学习过程中，教师如果能够识别学生的情感状态，并做出相应的反馈，就可以激发其积极的情感，使学生内心产生对教师的好感、依赖和敬慕，进而产生学习热情，使其处于兴奋状态，促进学习水平的提高，从而达到最好的学习效果[6]。

网络学习具有特殊性，师生在物理空间上的分离，导致师生之间不能通过传统的表情、眼神和肢体等方式进行情感交流和反馈。教师得不到学生的情感状态信息，学生得不到教师的反馈，学生学习效果就会受到影响。因此，在网络教学系统中如何获得学习者的情感，具有重要的研究价值[7]。

网络学习环境下，获取学习者情感的技术包括语音识别、人脸表情识别、身体姿势和运动的识别等[8]。这些技术一般需要使用特殊的传感器来采集学习者数据[9][10]。当然，慕课等大规模在线学习方式中能快速直接获得学习情感信息的介质仍然是文本，如讨论区、BBS、博客、调查反馈等交流活动中的文本。这些文本情感信息反映了学习者在学习过程中的情感状态。

慕课等在线学习平台学员数量众多，讨论区产生的文本数据庞大。而人数有限的教师和助教很难实时、准确地辨别文本的情感状态，并给出恰当的反馈。因此，很有必要设计一个文本情感计算系统，它能自动或半自动地分析文本情感、筛选文本信息，帮助教师针对学习者的情感状态快速做出恰当的反馈。

二、文本情感计算

1.概念

情感计算（Affective Computing）是人工智能的一个分支领域。美国麻省理工学院Picard于1997年首先提出了“情感计算”的概念[11]，并将其定义为关于情感、情感产生以及影响情感方面的计算。情感计算的目的在于使设计的系统和设备能够识别、理解和处理情感。

认知语言学认为人类能够通过语言的表达反映出认知的过程和结果，同时反映出真实的情感。既然语言能够反映出情感，那么文本也当然可以[12]。因此，从认知语言学的理论上来讲，文本中包含了一定的情感信息。

文本情感计算是情感分析领域的核心问题之一，其任务是借助计算机帮助用户快速获取、整理和分析相关文本信息，对带有情感色彩的主观性文本进行分析、处理、归纳和推理[13]。文本情感计算的研究包括极性分类（Polarity Classification）和强度计算（Intensity Classificaiton）两个方面。

2.情感极性分类

情感极性分类的工作就是判别情感的种类。情感种类的集合构成了情感模型。在多种情感模型中，OCC模型和Ekman模型被广泛使用。

Ortony、Clore和Collins于1988年提出了著名的认识评价情感模型OCC（ Ortony， Clore， Collins）模型[14]。这个模型根据三类起因和事件的结果，提出了22种情感类别：高兴，幸灾乐祸，妒忌，遗憾，充满希望，害怕，快乐，悲伤，骄傲，羡慕，害羞，责备，喜欢，讨厌，自满，感激，悔恨，生气，满意，悲观，放松和失望。但是OCC模型被实际应用的情况并不多，主要是因为情感分类过于复杂。Ekman于1992年提出可以将情感分为气愤（Anger）、厌恶（Disgust）、恐惧（Fear）、愉悦（Happiness）、悲伤（Sadness）和惊讶（Surprise）六种类型[15]。这6种情感是组成所有情感的基本单位，人类的所有情感均可由这6种情感衍生而来。同时，相较OCC模型的22种类别划分，Ekman模型的情感极性维度相对较少，实际应用时相对简单。因此，我们也采用Ekman情感模型来为文本分类。

3.情感强度

情感强度计算是能够反映文本情感极性的强弱程度的一个指标，因为在每一种情感种类内，会有情感程度强弱之分。目前在文本情感计算领域，针对情感强度计算的量化问题并没有一个统一的标准。Wilson和Wiebe将情感强度标注为3个级别：低、中、高[16]。Choi和Cardie将情感强度以具体数值计算，取值范围为[0，10]，数值越高，情感表达越强烈[17]。我们设定情感的强弱取值范围为区间[-18，18]。在区间[0，18]，数值越大表明该情感越强烈；数值为0时，表示没有情感；在[-18，0）区间，数值负号表示情感极性相反，即为取“非”操作。例如“anger”的非为“not anger”，即为“不愤怒”。数值绝对值越大表明该情感的相反极性情感越强烈。我们规定，取非操作的情感与原有6种情感之间相互独立，不存在关联。例如，“不愤怒”不一定为“高兴”，而“高兴”一定是“不愤怒”。

4.文本情感计算的层次性

文本情感计算层次代表情感计算的研究领域和范围。根据文本信息的语法结构可以将其分成4个层次：词语、短语、句子和篇章。4个层次之间具有强烈的继承关系，词语是短语的基础，短语是句子的基础，而句子又是篇章的基础。文本情感计算的研究是由最底层的词语层次开始，逐渐过渡到篇章层次，环环相扣。

因为网络学习的文本大都较短，少于150字；文本内容一般由两三句话构成，句子层次的文本情感计算可以满足研究分析要求。又因为词语层次和短语层次是句子层次的研究基础，我们的情感分类工作集中在三个层次进行：词语、短语和句子。

词语层次是文本情感计算的基础，主要任务是发现并提取文本中带有情感色彩的词语，并且确定其情感极性和情感强度值。词语层次的工作主要围绕情感词典的构建来进行。词典中词语的数量和词语的属性直接决定了系统的性能。词语的属性是指情感极性和情感强度。为大规模的词语标识出其情感极性和强度的最原始的方法就是人工标注，虽然准确但耗时耗力。使用基于统计的有监督和无监督的机器学习方法可以实现词语情感的半自动标注。

用已有词典扩充构建词典的方法就是有监督的词典扩展方法。大部分国外的词典扩充研究都是基于WordNet（http：//wordnet.princeton.edu）和 General Inquirer（http：//wjh.harvard.edu/～inquirer）两种词典，而大部分国内的词典研究是基于《知网》（http：//www.keenage.com）和《同义词词林》两种词典。

Turney和Littman的无监督学习法使用一种点互信息和信息检索相结合的计算方法，来判定待定词与种子词之间的信息量。种子集合是由具有正面情感极性和具有负面情感极性的示例词构成[18]。在中文处理方面，Zhang等人利用情感标注语料中抽取的上下文模板，在未知语料中计算模板与词语之间的关系，进而判断词语的情感极性[19]。

由于名词、动词、形容词和副词等不同词性的组合能够产生不同种类的短语，短语层次的情感分析主要关注短语具有何种情感极性以及其强度如何。

句子的分析包括两种方式： 基于规则的方法和基于统计的方法。基于规则的情感计算主要依靠语法规则完成，常见的语法规则有两类：一类是通过语法分析器得到句子的语法关系树，利用语法关系树制定相关规则。另一类是使用短语模板，依据不同短语模板的组合形成规则来计算句子的情感。

Turney的研究表明英文中某些短语模式的形容词和副词携带情感信息[20]。这一重要结论推动了基于规则的研究方法的发展。宋光鹏依据Turney的结论，并在其5种短语模板的基础上进行了改进，加入了判断否定情感倾向的词和相应的语句连词。最终归纳形成了适合中文的短语模板语法规则。通过语法规则模板直接进行匹配，就能够计算出句子的情感极性和强度[21]。

基于统计的情感计算需要通过训练集找到相关特征项，使用贝叶斯分类、最大熵分类和支持向量机等统计方法计算句子情感极性。在中文方面，Fei等通过无监督机器学习算法得到短语模式，利用短语模式对文本情感极性进行分类[22]。

三、系统设计

在情感计算领域中，基于统计和基于规则的两大方法都各有所长。因此，我们以基于规则的方法为主，配合基于统计的方法，构造一个文本情感计算系统，并将之命名为“小菲”（英语单词Feeling的音译）。该系统拥有自己的情感词典，按照词语、短语和句子三个层次进行情感识别和综合计算。下面介绍这些模块。

1.情感词典建构

情感词典建构包括整合专业研究机构发布的词典，扩充已有词典容量和手动标注词语情感强度三项工作。词典来源包括《知网》、《中文通用情感词典》、《同义词词林扩展版》、《学生褒贬义词典》和《中文情感词汇本体库》。通过整理这些专业词典的内容，将它们融合为一部词典，包含27561词条。

扩充词典容量使用基于统计的方法完成，利用有监督的机器学习方法从《同义词林扩展版》扩展词典的褒贬词语，利用无监督的机器学习方法从网络中扩展词典的网络词语。由四名研究助理完成手动标注词语情感极性和情感强度的工作，手动共标注了8589条词语。最终将32879条词语整合到一部情感词典中，并命名为《小菲词典》。

2.系统流程

按照情感计算的发展模式，从词语级别开始，经过短语级别，最后到达句子级别，从而实现句子情感极性分类和情感强度计算的功能。

系统在情感计算之前，需要对句子做初步整理，例如删除多余的空格、逗号标点等。然后使用中科院计算所分词软件ICTCLAS（http：//www.ictclas.org）对句子分词，获得构成句子的若干短语。

短语级别的主要工作是使用基于规则的方法构造短语情感模板。有一些短语能够携带情感信息，可以构造为短语情感模板。

副词对词语也有修饰作用，会导致情感强度和情感极性发生变化。所以将副词分为程度副词和否定副词两类进行处理。程度副词不改变情感极性，而是影响情感强度。否定副词既改变情感极性，又影响情感强度。

当句子长度较短的时候，语法省略现象严重，不宜使用过于复杂的判断模型。直接使用词语、短语匹配的方法计算情感反而较为准确。对于较长的句子，就使用简单句的情感计算模型和句子关系模型来计算句子的情感。

句子包括复合句和简单句。复合句是由简单句和关系连词构成，不同的关系连词构成了不同的句子关系类型，如“并列”、“转折”和“递进”等关系。不同的句子关系类型情感的计算方法也不尽相同。比如转折关系，句子的主要情感是靠转折词之后的简单句表达。因此，句子级别的情感计算，首先判断该句子是否是复合句。如果是的话，就找出其中的连词，根据连词确定句子关系，根据该关系和简单句的情感计算结果确定复合句的情感极性和强度值。

简单句的情感计算是使用语法分析器Stanford Parser（http：//nlp.stanford.edu/software/lex-parser.shtml）来分析分词之后的句子，得到句子各个成分，也就是短语。然后根据短语情感模板和短语之间的组合方式确定简单句的情感计算模型。

3.编程语言

系统使用JAVA、Mysql、ICTCLAS和Stanford Parser等开源环境和工具构建。JAVA语言是通用的编程语言，不受操作系统的限制，与其他各类系统的接口支持都很完善。因此，本系统使用JAVA语言实现文本情感计算模型和各系统之间的数据交换处理。Mysql是一个关系型数据库管理器，情感词典和句子类型等表格都保存在Mysql数据库中，通过JAVA语言进行调用。ICTCLAS是中科院提供的支持JAVA调用的分析系统。为更好地识别情感词和句子关联词，我们扩展了ICTCLAS的自定义词典，将《副词词典》、《小菲词典》和句子关系类型导入到ICTCLAS的自定义词典中。Stanford Parser是依存语法关系分析器，输入的数据是经过分词后的简单句，输出的结果是简单句的依存语法关系数据。它本身是用Java语言实现的，方便调用。

四、在教育领域文本情感分析的初步尝试

关于文本分析的性能，有一系列评测指标，包括查准率P（Precision）、召回率R（Recall）和F值等。

P为查准率，是衡量某一检索系统的信号噪声比的一种指标，即检出的正确数据数目与检出的全部数据数目的百分比。R为召回率，是检索系统从数据集中检出的正确数据数目和数据集中所有正确数据数目的比率。

F值是查准率和召回率的加权几何平均值，是情感计算系统最重要的评测指标之一。F值计算方法如下：

F=

为测试该系统的性能，我们选取了一个小样本的文本，以便既可以人工标注，又可以让系统自动识别，并比较两者的结果。2013年北京大学“新媒体与教育”暑期学校创新教学模式，使用慕课的方式展开学习[23]。在课程结束时，通过MOOC平台收集了学员对本次暑期学校的反馈和建议，共377条，其中来自面授学员的201条，来自在线学习学员的176条。我们先人工标注了这些反馈的情感极性和强度，然后使用“小菲”系统进行了自动计算；测评结果算得F=88.7%，在文本情感分析领域属于较好的结果。

五、在教育领域的应用前景

尽管本系统在小样本的教育文本情感计算测试中结果很好，但是它仍然存在一些缺陷，需要进一步完善提高：目前的三万多条情感词还不能完全覆盖浩瀚的中文词语，应该持续添加新词，比如新出现的网络语言，改善ICTCLAS分词结果，增加关于世界的常识性知识，等等。

随着人工智能技术的发展，文本情感计算技术逐步成熟，可以广泛应用于慕课等在线教育的多种文本交互区域的情感分析，如讨论区、调查反馈、聊天室、BBS等。可以实时监控参与者的情感变化，及早发现学生反映的问题并及时给予恰当的反馈；也可以用于事后分析学生在学习活动和过程中的情感变化，因材施教，实施个性化教学。这也必然减少教师和助教的大量宝贵时间和精力，提高在线学习的教学效率。我们将在这些方面继续探索，深入研究。

参考文献：

[1]杨巍峰.对情绪情感定义的管见——兼与杨泽民同志商榷[J].心理学探新， 1986 （3）： 35-39.

[2]卢家嵋.情感教学心理学[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]唐伟志，贾云.远程教育中情感缺失问题的对策研究[J].甘肃广播电视大学学报， 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]傅小兰.电子学习中的情感计算[J].计算机教育， 2004 （12）： 27-30.

[10]付彦飞，牛秦洲，阈小梅.基于情感计算的个性化E-Learning系统的研究[J].微计算机信息， 2010 （36）： 241-244.

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

[12]陈文萃.从认知看情感表达的隐喻概念[J].南华大学学报，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]宋光鹏.文本的情感倾向分析研究[D].北京：北京邮电大学，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.