人类的悲欢虽不相通,但情感分析模型读得懂

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

By 超神经

内容提要:社交媒体逐渐成为当今人们生活的一部分,而它也成为心理学家们进行研究的重要数据来源。与此同时,研究者也尝试利用自然语言处理、机器学习技术,来预测社交媒体用户的情绪波动。

关键词:自然语言处理 心理学

去年突如其来的新冠疫情,深刻地影响着人们的生活。在这一特殊的历史时期,社会大众的心理都变得敏感脆弱。

疫情期间减少外出和接触,使得民众把更多时间花在社交网络上。有些人不可避免地将工作和生活中的不如意,通过网络发泄给了别人。恐慌、焦虑、悲伤、无助等不良情绪也有所加重。

面对突发公共事件,社交媒体用户普遍出现了

包括愤怒、害怕、担心、迷惘、悲伤等负面情绪

据调查显示,全球互联网用户平均每天花在社交媒体上的时间,达到 2 小时 22 分钟,社交媒体已经不限于社交功能,它们还成为了很多人记录心情、倾诉心事的阵地。

无论是国内的微信朋友圈、微博、QQ 空间等,还是国外的 Twitter、Instagram、Facebook,都承载了万千用户的状态。

而对于心理学研究者来说,这些社交媒体上的帖子,无疑为其提供了数量可观的研究数据。

来自斯坦福大学的研究员 Johannes Eichstaedt 和密歇根大学的 Aaron Weidman,在其最新研究中,使用自然语言处理工具,对 Facebook 用户的帖子进行分析。

研究表明,机器学习模型可以通过社交媒体洞察一个人的情绪与波动,其准确度与传统心理学的度量结果相当。

 从字里行间,读懂你的喜怒哀乐

近年来,网络上的大量资料,已经成为人格科学中一个重要的数据来源。大量的研究表明,使用社交媒体资料,对人格相关维度进行分类十分有效。

Eichstaedt 和 Weidman 的最新研究,则为利用社交媒体大数据分析、跟踪人的心理状态,提供了一个前沿案例。

使用社交媒体语言跟踪心理状态的波动:

基于每周情绪波动的案例研究

 取样校准 

作者使用「效价」和「唤起」这两个基本情绪维度,来评价 Facebook 上帖子的情绪。

注:「效价」和「唤起」是心理学中评价情绪的两个维度,前者表示感受到的积极/消极程度,区分正面和负面情绪;后者表示冷静/兴奋的程度。

他们首先让已经有心理学研究基础的人类研究助理,给一项早期研究中的 2895 条公开 Facebook 帖子做注释。

研究助力给每一条帖子的「效价」(valence)和「唤醒」(arousal)进行打分。采用 9 分制(对于「效价」,1=「消极」,9=「积极」,同样地,对于「唤起」,1=「低」,9=「高」)。

心理学研究助理为帖子所作出的「效价」和「唤起」注释

该情绪跟踪数据集已经公开:https://osf.io/pbjer/files/

完成这些评价之后,这些帖子被用于训练机器学习模型,该模型将能够预测哪种语言传达了哪种情感。

然后作者对这些评分数据进行了一系列模型的拟合,每一个模型都显示,「效价」和「唤起」之间可能存在的明显联系。

对于国内的 NLP 研究者来说,中文情感分析数据集则更为适用。因此,超神经为大家推荐一个来自 2014 NLPCC 的中文微博情感分析数据集。

该评测数据来自新浪微博,对于输入的整条微博,任务要求判断出该微博是否包含情绪。对包含情绪的微博,要求判别其情绪分类输出为 anger(愤怒)、disgust(厌恶)、fear(恐惧)、happiness(高兴)、like(喜好)、sadness(悲伤)、surprise(惊讶)。

数据集详细信息如下:

中文微博情感分析数据集

数据提供:NLPCC2014

发布时间:2014 年

包含数量:数十万微博文本 

数据格式:.xml

数据大小:18 MB

下载地址:https://hyper.ai/datasets/14390

 模型创建 

团队使用差异语言分析工具包 DLATK(Differential Language Analysis ToolKit),提取所选 Facebook 帖子中的语言特征,根据单词、短语出现的相对频率,保留了比偶然出现的短语频率高出三倍以上的词汇。最终过滤出 1439 个句子成分用来预测「效价」,675 个句子成分预测「唤起」。

接着,训练一个基于整个语言特征集的脊回归模型,来预测「效价」和「唤起」,并使用 10 倍交叉验证(即在 90% 的数据上建立模型,然后在剩余的 10% 上进行评估)。

该模型的交叉验证样本外预测准确率为:「效价」预测准确率 0.63;「唤起」准确率为 0.82。与之前其他标准的情感测量方法相比较,发现该模型比这些替代测量方法估计得更准确。

 验证样本 

为了测试该模型,研究团队又从超过 6.5 万条 Facebook 帖子中,抽取了 640 个美国用户,男女人数相当,还需要满足的条件为:至少连续 14 周的时间里,发布 10 条以上的状态。

最终,研究团队收集了这些用户发布的 303575 个帖子作为验证样本。

 实验结果 

作者对用户的情绪评价进行了可视化,如下图,描述了一个女性(左)和一个男性(右)的每周情绪和唤醒波动,以及五大人格特征预测。

注:五大人格特征是现代心理学中,用于人格特质描述的结构模型。包括:外向性、神经质、亲和性、尽责性和经验开放性。

横坐标为「效价」值,纵坐标为「唤起」值

从图中看到,左边的女性用户情绪波动较大,并且出现高度愉悦(Valence)、高度兴奋(Arousal)的频率较高。

相比之下,右边的男性用户,情绪波动较小,很少经历高度愉悦或高度兴奋的情绪。

这也是团队实验中的一个新发现:女性往往比男性更乐观、情绪变化范围更广。

另外,团队分析还发现了「效价」和「唤起」值和五大人格之间的相关性。

 模型评估 

提供验证样本的 Facebook 用户,之前都自愿参与了「我的性格」的问卷调查,测评了其五大性格特征。

结果显示,机器学习模型对他们性格的预测,与使用心理学调查方法的预测一致。

 缺陷分析 

当然,作者也指出了这一模型目前所存在的问题。

首先,他们以比较活跃的 Facebook 用户作为样本,但是之所以选择他们是因为他们提供了足够频繁的状态更新,但他们并不可能代表所有美国人。

其次,不同社交平台,具有不同的属性与风格,使用 Facebook 帖子所获得的成果,能否在不同社交媒体 比如 Twitter 上进行复制,还是个未知数。

因此,这些局限性、普适性问题,也都是研究者未来要进一步探索的方向。

 社交平台用于心理学,潜力无限

也许对于很多人来说,社交平台无非是一个分享生活、美照、看八卦的地方,但事实上它在心理学研究中拥有着巨大的潜力。

通过数据挖掘、机器学习,能够从巨量的数据中提取信号,识别出患有抑郁症、焦虑症等情绪障碍的人,然后及时采取一些治疗措施。在这方面,国内也已经有成熟案例。

荷兰阿姆斯特丹自由大学(Vrije Universiteit Amsterdam)人工智能学者黄智生,于 2018 年创建了一个叫做「树洞救援队」的 AI 程序,在微博上搜寻有自杀倾向的帖子,然后通过「蛛丝马迹」锁定有轻生念头的用户的位置,及时派出救援志愿者前去寻找和疏导。

现在这支由志愿者组成的小队,还活跃在心理疏导的一线。

截至 2020 年 9 月底,成立两年时间以来

「树洞救援队」共阻止了 3289 次自杀行为

另外,基于社交媒体的情感分析技术,还可以追踪创伤性事件(比如大地震、战争、新冠肺炎疫情等),对人们的心理影响,从而帮助政府部门有效开展舆情疏导、科学施救和民众情绪的安抚工作。

而对于个人来说,也许未来可以利用这些工具,分析分析男/女朋友的小情绪呢,大家就再也不用猜来猜去了~

新闻来源:

https://hai.stanford.edu/blog/can-artificial-intelligence-map-our-moods

—— 完 ——

扫描二维码,加入讨论群

获得更多优质数据集

了解人工智能落地应用

关注顶会&论文

回复「读者」了解详情

更多精彩内容(点击图片阅读)

osf.io:促进开放科学 OSF 的代码。 master状态: develop构建状态: 版本控制方案: 问题: : COS开发文档: : 运行OSF进行开发 要运行OSF进行本地开发,请参阅 。 可选,但建议使用:要设置预提交挂钩(将在暂存文件上运行格式化程序和linters): pip install pre-commit pre-commit install --allow-missing-config 更多资源 提供了有关OSF开发各个方面的详细信息。 这包括样式指南,过程文档,故障排除等。 立即下载

相关推荐

别再为数据发愁了!盘点5个公开可用的医学图像数据集(含MRI/CT/PET合成任务)

本文详细介绍了5个高质量的公开医学图像数据集,涵盖MRI、CT和PET三大模态,适用于深度学习模型训练和医学图像合成任务。每个数据集均提供下载指南、预处理技巧和PyTorch加载示例,帮助研究人员快速获取和处理数据,解决医学AI开发中的数据瓶颈问题。

weixin_30689307的博客 527

人类的悲欢虽不相通,但电脑情感分析模型读得懂

By 超神经内容提要:社交媒体逐渐成为当今人们生活的一部分,而它也成为心理学家们进行研究的重要数据来源。与此同时,研究者也尝试利用自然语言处理、机器学习技术,来预测社交媒体用户的情绪波动...

湾区人工智能 553

从零开始:Ubuntu 24.04 LTS + Win11双系统安装教程

本文将简单直白介绍如何从零开始在同一台电脑上安装 Ubuntu 24.04 LTS 和 Windows 11,你可以在需要进行专业开发或运维工作时,轻松切换到 Ubuntu,享受其带来的高效与自由;而在日常学习生活和娱乐休闲时,依然可以无缝使用熟悉的 Windows 环境。

萑澈的博客 8123

人机情绪互通:新的机器学习模型可以预测人类情绪

近日,来自斯坦福大学的Johannes Eichstaedt和密歇根大学的Aaron Weidman进行了一项合作研究,证明了机器学习模型可以追踪一个人每周的情绪波动。 利用自然语言处理工具分析Facebook上的帖子,新的机器学习模型可以推断一个人在任何给定时间内的开心或悲伤程度,甚至是兴奋或无精打采的程度。随着时间的流逝,该算法甚至可以绘制出一个人情绪起伏的视频。 新的机器学习模型可以推断一个人的情绪 这一研究可能引发人们对隐私或社交媒体推销的担忧:从理论上来说,市场营销人员或政治宣传人士可能会根据那

AI 数据库me 2136

中兴FTTR光猫变简易OLT:低成本搭建全光监控与局域网实战指南

本文详细介绍了如何将中兴FTTR光猫改造为简易OLT设备,实现低成本全光监控与局域网扩展。通过LOID认证、桥接模式设置及终端数破解,用户可利用二手设备搭建高性能光纤网络,适用于远程监控和长距离组网场景,显著降低部署成本。

chair的专栏 2051

[DA45] 使用PageRank算法分析希拉里邮件中的人物关系

一. 相关知识 (一) PageRank算法 PageRank 算法是 google 公司的创始人拉里·佩奇和谢尔·盖布林于1998年提出的网页搜索优化算法. 详细内容请见百度百科:google pagerank. 如果你了解了该算法, 就能明白上一段的超链接从本页面链出, 链入百度百科的 PageRank 算法页面增加了该页面...

Vincent_Chu的博客 2378

AI情绪侦探:用mini-XCEPTION模型让计算机读懂人类的表情!

今天,我们将踏上一次激动人心的旅程,带领大家进入深度学习的世界,解锁一种独特的超能力——情绪识别!在这个项目中,我们首先需要解决的是数据预处理和模型训练的问题。通过这个项目,我们不仅创建了一个强大的情绪识别系统,还深入了解了如何构建、训练和优化深度学习模型。为了确保我们的情绪侦探能够在训练中表现出色,我们需要设置一系列的回调函数。这段代码展示了如何使用我们的模型和数据生成器来进行情绪识别的训练。来扩展训练数据,这就像是为AI侦探提供了更多的训练场景,使它能够更好地适应各种不同的表情和环境变化。

qq_36224726的博客 879

Spec-Kit实战:用‘规范驱动开发’重构一个老旧Node.js项目(避坑指南)

本文详细介绍了如何使用Spec-Kit工具通过‘规范驱动开发’(SDD)重构老旧Node.js项目。从逆向工程提取规范到增量改造策略,再到避免典型陷阱,提供了实战指南和避坑技巧,帮助开发者高效实现架构现代化,显著提升代码质量和维护效率。

weixin_42525582的博客 555

基于fNIRS构建情绪预测模型

本文展示了功能性近红外光谱成像(fNIRS)技术区分情绪效价、唤醒水平的能力,fNIRS是一项实用的非侵入性技术,能够定位功能性脑区的激活,空间分辨率优于脑电图(EEG)。fNIRS的高空间分辨率使我们能够以与fMRI相当的空间精度来识别情绪的神经相关,而不需要使用狭窄、不符合现实生活情况的fMRI。我们进行了跨被试的机器学习,让模型可以应用于分类新被试的情绪。与相同的基于EEG的实验比较,我们的分类器所获F1分数表明fNIRS在区分高、低效价水平方面特别有效(F1分数为0.739)...

cc1609130201的博客 2697

Gazebo手册:【1】gazebo基本操作案例

欢迎来到初学者模块!本模块将引导您了解 Gazebo 的最基本功能。我们将构建一个简单的车辆来演示这些功能。这些教程适用于 Gazebo 新手和/或没有编程或 Linux 经验的人。 每个教程都建立在上一个教程的基础上,因此我们建议您按顺序学习这些教程。 一、何为Gazebo? Gazebo 是一款 3D 动态模拟器,能够准确有效地模拟复杂室内和室外环境中的机器人种群。虽然类似于游戏引擎,但 Gazebo 提供了更高保真度的物理模拟、一套传感器以及用于用户和程序的接口。 1............

gongdiwudu的专栏 2万+

IDEA出现闪退或打不开的解决方法

本身项目比较大,为了打开这个软件,可调节IDEA中安装的bin目录下有个。打开IDEA的时候过一会便闪退,可以再IDEA的右下角看到如下提示。(如果没有该提示,软件右下角也会有个红色感叹号,点开查看原因即可)闪退的多数原因大致是out of memory,内存溢出。查看任务管理器中的进程:(发现内存随时有溢出的情况)但也需要注意,该参数并不是越大越好,适中即可。只有个别原因是需要管理员权限就可执行!可以尽量减少软件的启动。

码农研究僧的博客 5945

7种情绪,人类心智的通用模块

来源:混沌巡洋舰1859年,达尔文以一个挑衅性的断言结束了他的《物种起源》,那就是‘人类的起源和他的历史将会被(进化)点亮’。在他的后期著作《人类的由来》(1和《人类与动物的情感表达》中...

人工智能学家 2062

环境配置与基础教程:多机多卡分布式训练实战:基于 SLURM 集群调度 YOLOv11,大幅缩短训练周期

摘要: 本文详细介绍了YOLOv11分布式训练在SLURM集群中的完整实现方案。针对单卡训练效率低、环境配置复杂等问题,提出基于多机多卡的分布式优化路径,涵盖硬件选型、RDMA网络配置、PyTorch环境搭建及容器化部署方案。重点解析了YOLOv11的架构演进与核心模块(如C3k2动态卷积),并对比了与YOLOv8的性能差异。通过SLURM调度系统与NFS共享存储,实现训练任务的高效资源分配和数据同步。文中所有配置均基于Ultralytics最新版本验证,为大规模目标检测任务提供了一套可复现的工程实践框架。

ZXSXJ的博客 58

推荐开源项目:OSF - 开放科学框架

推荐开源项目:OSF - 开放科学框架 1、项目介绍 OSF(开放科学框架) 是一个强大的平台,旨在促进科学研究的开放、协作和透明化。它提供了一个全面的工作流程系统,允许研究人员存储数据、管理版本、连接到其他服务,并与同事共享他们的工作。OSF 的源代码现已成为 GitHub 上的一个开源项目,等待着全球开发者一同参与开发和改进。 2、项目技术分析 OSF 基于现代 web 技术构建,采用了 Do...

gitblog_00024的博客 1442

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

OSF.io 项目常见问题解决方案

OSF.io 项目常见问题解决方案 项目基础介绍 OSF.io(Open Science Framework)是一个开源项目,旨在促进科学研究的开放性和可重复性。该项目提供了一个平台,研究人员可以在该平台上存储、共享和管理他们的研究数据和项目。OSF.io 主要使用以下编程语言和框架: Python:用于后端开发,包括 Django 和 Django REST Framework。 JavaSc...

gitblog_00021的博客 811

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

NLP学习笔记——情感分析一 (简介)

情感分析的研究现状、技术方法、存在问题等简单介绍。

qq_57832544的博客 1万+

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

lstm训练情感分析的优点_「情感分析领域」简单调研

简介情感分析或观点挖掘是对人们对产品、服务、组织、个人、问题、事件、话题及其属性的观点、情感、情绪、评价和态度的计算研究。现有研究已经产生了可用于情感分析多项任务的大量技术,包括监督和无监督方法。在监督方法中,早期论文使用所有监督机器学习方法(如支持向量机、最大熵、朴素贝叶斯等)和特征组合。无监督方法包括使用情感词典、语法分析和句法模式的不同方法。现有多本综述书籍和论文,广泛地涵盖了早期的方法和应...

weixin_39943442的博客 678

意图识别-情感分析

今天天气很好,一大早起来把衣服床单鞋子都洗了一遍,做饭,吃完饭之后爬山,爬山已经坚持3周了,继续加油! 这两天在写关于意图识别的PPT,还没有对意图识别里面的具体算法实现进行总结,只是花了个龊图,见笑了。 ...

Science Evan Blog 2166

主题模型及其在文本情感分析中的应用

随着Web2.0技术的出现和发展,互联网上(包括门户网站、电子商务网站、社交网站、音/视频分享网站、论坛、博客、微博等)产生了海量的、由用户发表的对于诸如人物、事件、产品等目标实体的评论信息。例如,下面这两个短文本评论: (1)“比较了多个智能手机后选择了8150,性价比还可以。另外,就是考虑到它是3.7的屏幕,大小比较合适,否则携带很不方便。”(京东商城用户,2011.11.25); (2)

海阔凭鱼跃,天高任鸟飞 1万+

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 339

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 277

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 615

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 207

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 343
上一篇: 吃得满意又健康?AI 营养师比人类营养师更懂你
下一篇: 英超引入 AI 球探,寻找下一个足球巨星
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值