leafiy教程

情感曲线:看清从头到尾情绪几起几落

一份口述、一篇游记、一部小说,情绪在哪里跌到谷底,后来回升没有?这篇讲怎样把这种起落画成一条线,曲线怎么抹平,六种故事形状的说法从哪来,招来过哪些批评,想深入该读哪几篇论文。

作者 Leafiy · 更新于 · 3988 字 · 约 14 分钟

情感曲线:看清从头到尾情绪几起几落(封面插图)

假设你在做旧城改造的研究,录下一位老街居民两个小时的口述,整理出来三万多字。讲述从小时候巷子里的热闹开始,接着是拆迁的消息,最后是搬进新小区以后的日子。读完一遍,你大概记得哪里最难过,可情绪从哪一段开始往下走,低谷在哪,后来回升了没有,光凭印象说不清,几十份口述放在一起比更是这样。

情感曲线(emotional arc,也叫情绪弧线)的办法是把文字从头到尾切成许多小段,按顺序给每段打一个分,偏积极为正,偏消极为负,再把分数连成一条线。横轴是读到了全文的百分之几,纵轴是情绪。给一段文字打分,可以用情感词典,也可以用训练好的分类模型。这个正负的分数,心理学叫效价。逐段的分数上下跳得厉害,还得抹平,只留下大的起落。

举个例子,数字是编的。口述切成十段,分数依次是 0.4、0.6、0.1、0.5、-0.3、-0.6、-0.2、-0.5、0.1、0.3,第三段一跌、第四段一涨,看不出走势。把每段换成它和前后两段的平均,第二段到第九段依次是 0.37、0.40、0.10、-0.13、-0.37、-0.43、-0.20、-0.03。前面偏积极,往后一路下滑,低谷在第七段,结尾回升。平均的范围取得越宽,线越平,细小的波折也丢得越多。

从给词打分到画出一本书的形状

先得有给大段文字打分的办法。Dodds 和 Danforth 2010 年用人直接给单词打的分,在一个连续的尺度上衡量大批文字的快乐程度,量过歌词,也量过博客和美国总统的国情咨文(Dodds 与 Danforth,2010)。第二年,Dodds 等人请人给一万多个按使用频率挑出的单词评快乐程度,做成一个叫 hedonometer(快乐计)的文本指标,拿来看推特上将近 46 亿条发言的快乐程度怎样随时间变化(Dodds 等,2011)。

同在 2011 年,Mohammad 把一部词语情绪词表用到文学作品上,除了正负,还认八种基本情绪,并画出喜悦、信任和恐惧在一本书里从头到尾的变化。一出喜剧、一出悲剧和一部恐怖小说放在一起,画出来一部比一部暗,那部恐怖小说的最后几章尤其暗(Mohammad,2011)。

Jockers 2014 年的一篇博客从小说家冯内古特(Kurt Vonnegut)的一个说法讲起,故事有形状,可以画在方格纸上。作者说,原想研究小说里情绪的历史变化,却意外发现测出的情绪起伏可以很准地代表情节的推进。图的横轴是叙述进度的百分比(Jockers,2014)。2015 年初,Jockers 把这套做法写成 R 语言的软件包 Syuzhet(俄国形式主义的术语,指叙述的组织方式)公开出来。书有长有短,要比形状,先得把长度拉齐。Jockers 觉得把每本书切成十块或一百块求平均不理想,书越长块越大,褒贬词混得越多,平均值都挤到零附近。办法是借用信号处理里的傅里叶变换,把情绪序列拆成一组快慢不同的波,用低通滤波只留下变化慢的几个,再合回去,横轴也就拉成了统一的长度(Jockers,2015)。

一个月后,Swafford 在博客上指出这个软件包的几处毛病。它逐词计分,不管否定,【我今天不开心】和【我开心】得分一样。低通滤波常会在曲线上造出原文没有的鼓包,叫 ringing artifacts(振铃)。在《一个青年艺术家的画像》的开头,平滑后的形状和原始曲线方向正好相反。Jockers 称从四万多部小说里归纳出六七种基本情节,Swafford 认为这可能更多是振铃造成的(Swafford,2015)。之后 Schmidt 指出傅里叶方法默认故事是循环的信号,开头和结尾接得上。Jockers 在 4 月的博客里承认,在《包法利夫人》上,lowess(局部加权回归,每个位置用附近的点拟合)比傅里叶画得好(Jockers,2015)。到 2023 年的版本,Syuzhet 的说明文档建议改用离散余弦变换,说它的主要好处是曲线两端更准(Syuzhet 说明文档)。

2016 年,Reagan 等人用快乐计来找故事的基本形状。他们给一万词长的窗口打分,让窗口从头滑到尾,得出每本书的曲线,分析了从古登堡计划(一个免费电子书库)的小说类藏书里筛出的 1327 部作品。矩阵分解、层次聚类和一种无监督机器学习,三种方法都得出同样六种基本形状,一路上升、一路下降、先降后升、先升后降、升降升、降升降。先降后升的那种沿用冯内古特的叫法,称为 Man in a hole(掉进洞里的人)。按下载量看,先升后降、降升降和连续两次掉进洞里这三种最受欢迎。论文也说明,下载量只是成功的粗略代理,而且这种做法抓不到只在一段或一句里出现的情绪时刻(Reagan 等,2016)。

一本书一条线,书里的人物却各有起落。Hipson 和 Mohammad 2021 年按每个角色说的话,给电影里的角色各画一条曲线,分析了几千条,发现角色往往用的负面词越来越多,彼此的情绪越来越不合拍,一直到叙事进行到大约 90% 的地方(Hipson 与 Mohammad,2021)。打分的工具也在换。Elkins 2022 年的书比较了超过三十六种模型,包括最新的深度学习模型,讲怎样按一部作品自己的情绪特点挑模型,再挑出文本里的关键段落细读(Elkins,2022)。

曲线到底准不准,过去很少有人检验,因为真实的曲线很难确定。Teodorescu 和 Mohammad 2023 年称首次系统地、定量地评估自动生成的情感曲线,在 9 种语言的 18 个数据集上试过,只靠词典的办法给单条文字判情绪很差,可把几百条的信息汇总起来,画出的曲线很准。英文词典自动翻译过去,也能给资源少的语言画出好曲线(Teodorescu 与 Mohammad,2023)。

年份谁留下了什么
2010Dodds 与 Danforth用人给单词打的分衡量大批文字
2011Dodds 等一万多个词的快乐评分和快乐计
2011Mohammad情绪词在一本书里的走向
2015JockersSyuzhet 软件包,用低通滤波抹平曲线
2015Swafford指出逐词计分和振铃的毛病
2016Reagan 等从 1327 部作品里归纳出六种基本形状
2021Hipson 与 Mohammad每个角色各有一条曲线
2022Elkins比较超过三十六种打分模型
2023Teodorescu 与 Mohammad系统检验曲线准不准

同一组分数换一种平滑办法,起伏可能就不一样,振铃之争就是例子。切得太粗,褒贬互相抵消,分数挤向零;切得太细,单句又判不准,要汇总得够多才可靠。只在一两段里出现的情绪,宽窗口看不到。

电影、演讲和网络文章里的曲线

电影产业研究里,Del Vecchio 等人 2021 年分析了 6174 部电影的剧本,为每部电影生成情感曲线,聚类后也分成 6 种基本形状,再放进计量模型,看它们和票房、观众评分等成功指标的关系。票房最高的电影和先降后升的【掉进洞里的人】联系在一起,不论题材和制作预算(Del Vecchio 等,2021)。

消费者研究关心起伏本身。Berger、Kim 和 Meyer 2021 年把前后段之间情绪的变动叫作 sentiment volatility(情感波动),对 4000 多部电影做自动情感分析,发现波动越大的电影评价越高,惊悚片里这个效应比爱情片强。3 万多篇网络文章的数据显示,波动大的文章读者更可能读下去。他们又在实验里操纵波动,说明它对评价有因果作用(Berger 等,2021)。

组织研究拿它读演讲。Prokopovych 2026 年用几种情感词典比较社会企业家和一般创业者的 TED 演讲,社会企业家整体用词更负面。两类演讲的曲线形状相近,社会企业家的曲线在中段明显下陷,接着强劲回升,走向有希望的结局,文章把它对应到 McAdams 所说的救赎叙事,即从逆境走向转变(Prokopovych,2026)。

想深入可以读这几篇

TATOOLS 里画情感曲线的工具

TATOOLS 的【全文情感曲线】做的就是这件事。交给它一篇要从头读到尾的长文字,比如访谈全文、长篇报道或小说。报告画两条线,一条是效价(偏积极还是偏消极),一条是唤醒度(平静还是激烈),标出高点、低谷和转折,每处都附着原文;再把曲线和一路上扬、先抑后扬等六种经典情绪弧比对,给出最接近的一种和相关系数。另有开局、中段和结局三段的对比,以及七类情绪的构成。几份文件一起交,曲线叠在一起比较。

相关工具

相关教程

← 全部教程