文本情感計(jì)算系統(tǒng)小菲的設(shè)計(jì)及其在教育領(lǐng)域文本分析中的應(yīng)用

1、    文本情感計(jì)算系統(tǒng)“小菲”的設(shè)計(jì)及其在教育領(lǐng)域文本分析中的應(yīng)用    賈積有+楊柏潔摘 要：文本情感計(jì)算是近年來人工智能、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條情感詞語的情感詞典小菲詞典，每條詞語標(biāo)注了6種情感極性和相應(yīng)的情感強(qiáng)度；然后建構(gòu)了詞語和短語、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)

2、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：tp391 文獻(xiàn)標(biāo)志碼：a ：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

3、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)的過程中表現(xiàn)為學(xué)習(xí)的阻力，如厭倦、疲勞、無聊等都會(huì)影響學(xué)習(xí)的認(rèn)知過程。認(rèn)知心理學(xué)家simon4和norman5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

4、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)

5、教學(xué)系統(tǒng)中如何獲得學(xué)習(xí)者的情感，具有重要的研究價(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)包括語音識(shí)別、人臉表情識(shí)別、身體姿勢和運(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采集學(xué)習(xí)者數(shù)據(jù)910。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，

6、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６?、文本情感?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)知語言學(xué)認(rèn)為人類能夠通過語言的表達(dá)反映出認(rèn)知的過程和結(jié)果，同時(shí)反映出真實(shí)的情感。既然語言能夠反映出情感，那么文本也當(dāng)然可以12。因此，從認(rèn)知語言學(xué)的理論上來講，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)域的核心問題之一，其任務(wù)是借助計(jì)算機(jī)幫助用戶快速

7、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)樂禍，妒

8、忌，遺憾，充滿希望，害怕，快樂，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^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。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)簡單。因此，我們也采用ekman情感模型來為文本分類。

9、 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)算的量化問題并沒有一個(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

10、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)文本信息的語法結(jié)構(gòu)可以將其分成4個(gè)層次：詞語、短語、句子和篇章。4個(gè)層次之間具有強(qiáng)烈的繼承關(guān)系，詞語是短語的基礎(chǔ)，短語是句子的基礎(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層次開始，逐漸過渡到篇章層次，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~語層次和短

11、語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、短語和句子。詞語層次是文本情感計(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，并且確定其情感極性和情感強(qiáng)度值。詞語層次的工作主要圍繞情感詞典的構(gòu)建來進(jìn)行。詞典中詞語的數(shù)量和詞語的屬性直接決定了系統(tǒng)的性能。詞語的屬性是指情感極性和情感強(qiáng)度。為大規(guī)模的詞語標(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)督和無監(jiān)督的機(jī)器學(xué)習(xí)方法可以實(shí)現(xiàn)詞語情感的半自動(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。大部分國外的詞典擴(kuò)充研究都是基于wordnet（http：/wordn

12、）和 general inquirer（http：//inquirer）兩種詞典，而大部分國內(nèi)的詞典研究是基于知網(wǎng)（http：/）和同義詞詞林兩種詞典。turney和littman的無監(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)注語料中抽取的上下文模板，在未知語料中計(jì)算模板與詞語之間的關(guān)系，進(jìn)而判斷詞語的情感極性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，短

13、語層次的情感分析主要關(guān)注短語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)算主要依靠語法規(guī)則完成，常見的語法規(guī)則有兩類：一類是通過語法分析器得到句子的語法關(guān)系樹，利用語法關(guān)系樹制定相關(guān)規(guī)則。另一類是使用短語模板，依據(jù)不同短語模板的組合形成規(guī)則來計(jì)算句子的情感。turney的研究表明英文中某些短語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)的語句連詞。最終歸納形成了適合中文的短語模板語法規(guī)則。通過語法規(guī)

14、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，fei等通過無監(jiān)督機(jī)器學(xué)習(xí)算法得到短語模式，利用短語模式對(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。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”（英語單詞feeling的音譯）。該系統(tǒng)擁有自己的情感詞典，按照詞語、短語和句子三個(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

15、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)注詞語情感強(qiáng)度三項(xiàng)工作。詞典來源包括知網(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。通過整理這些專業(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，利用無監(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。由四名研究助理完成手動(dòng)標(biāo)注詞語情感極性和情感強(qiáng)度的工作，手動(dòng)共標(biāo)注了8589條詞語。最終將32879條詞語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，從詞語級(jí)別開始，經(jīng)過短語級(jí)別，最后到

16、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：/）對(duì)句子分詞，獲得構(gòu)成句子的若干短語。短語級(jí)別的主要工作是使用基于規(guī)則的方法構(gòu)造短語情感模板。有一些短語能夠攜帶情感信息，可以構(gòu)造為短語情感模板。 副詞對(duì)詞語也有修飾作用，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)句子長度較短的時(shí)候，語法省略現(xiàn)象嚴(yán)重，不宜使用

17、過于復(fù)雜的判斷模型。直接使用詞語、短語匹配的方法計(jì)算情感反而較為準(zhǔn)確。對(duì)于較長的句子，就使用簡單句的情感計(jì)算模型和句子關(guān)系模型來計(jì)算句子的情感。句子包括復(fù)合句和簡單句。復(fù)合句是由簡單句和關(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。簡單句的情感計(jì)算是使用語法分析器stanford pa

18、rser（http：//software/lex-parser.shtml）來分析分詞之后的句子，得到句子各個(gè)成分，也就是短語。然后根據(jù)短語情感模板和短語之間的組合方式確定簡單句的情感計(jì)算模型。3.編程語言系統(tǒng)使用java、mysql、ictclas和stanford parser等開源環(huán)境和工具構(gòu)建。java語言是通用的編程語言，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)庫中，通過java語言

19、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是依存語法關(guān)系分析器，輸入的數(shù)據(jù)是經(jīng)過分詞后的簡單句，輸出的結(jié)果是簡單句的依存語法關(guān)系數(shù)據(jù)。它本身是用java語言實(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)

20、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)測指標(biāo)之一。f值計(jì)算方法如下：f=為測試該系統(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學(xué)習(xí)23。在課程結(jié)束時(shí)，通過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，其中來自面授學(xué)員的201條，來自在線學(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

21、；測評(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：目前的三萬多條情感詞還不能完全覆蓋浩瀚的中文詞語，應(yīng)該持續(xù)添加新詞，比如新出現(xiàn)的網(wǎng)絡(luò)語言，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)和過程中的情感

22、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， 2000.3a.c.graesser， b.medaniel， p.chipma，ect.detetion of emotions during learning with autotutor r. department of psychology， 2006： 285-290.4h.simon.mot

23、ivational and emotional controls of cognition：in models of thoughtm. new haven：yale university press，1967.5d.norman.twelve issues for cognitive sciencea.in norman da（ed）： perspectives on cognitive seiencec. erlbaum， hillsdale， nj. 1981.6r.w.picard， s.papert，ect. affective leaming- a manifestoj.bt te

24、chnology joumal， 2004， 22（4）： 253-269.7唐偉志，賈云.遠(yuǎn)程教育中情感缺失問題的對(duì)策研究j.甘肅廣播電視大學(xué)學(xué)報(bào)， 2012 （2）： 1-4. 8j.tao，t.tan and r.w.picard.affective computing： a reviewa.lncs3784. german： springer-verlag berlin/heidelbergc， 981995. 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

25、計(jì)算機(jī)信息， 2010 （36）： 241-244.11r. picard. affective computingm. 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）： 112-142.13b.pang，l.lee.opinion mining and sentiment analysisj.foundations and trends in information retrieval，2008（1-2）：1-135.14a.ortony，g.clore，a.collins.the cognitive structu

26、re of emotionsm. cambridge： cambridge university press，1988.15p. ekman. an argument for basic emotionsj. cognition and emotion， 1992， 6（3-4）：169-200.16t.wilson，j.wiebe.annotating opinions in the world pressa.in： proceedings of the 4th aclsigdial workshop on discourse and dialogue （sigdial2003） c. 13-22， 2003.17choi， y.， and cardie， c. learning with compositional semantics as structural inferencefor subsentential sentiment analysis a. in proceedings of the conference on empirical methods