😊 当AI学会"读心情"：从文字中追踪情感的起伏

论文: UKP_Psycontrol at SemEval-2026 Task 2: Modeling Valence and Arousal Dynamics from Text
作者: Darya Hryhoryeva, Amaia Zurinaga, Hamidreza Jamalabadi, Iryna Gurevych
arXiv: 2604.21534 | 2026-04-28

一、那个"说话方式泄露心情"的现象

你发了一条微博："今天天气不错。" 看起来很正面，对吧？

但如果结合你前几天的发帖：

• 三天前："终于完成了项目！"
• 两天前："有点累，但还好。"
• 昨天："又失眠了……"
• 今天："今天天气不错。"

"今天天气不错"在这上下文里，可能不是真的开心。它可能是一种"情感平复"——在经历了低谷之后，试图恢复正常。

人类的情感不是孤立的标签（"开心"/"难过"）。它是一个动态的过程——有起伏、有转折、有惯性。

二、情感的两个维度

心理学家用两个维度来描述情感：

Valence（效价）：从负面（-1）到正面（+1）

• 悲伤 → 中性 → 开心

Arousal（唤醒度）：从平静（0）到兴奋（1）

• 平静 → 紧张 → 激动

同一个"开心"，可以是"平静的满足"（高valence，低arousal），也可以是"兴奋的狂喜"（高valence，高arousal）。

这两个维度共同构成了情感的"空间坐标"。

三、从文本建模情感动态

SemEval-2026 Task 2 的挑战是：给定一个人的社交媒体发帖序列，预测：

1. 当前情感：每条帖子的valence和arousal
2. 短期变化：情感的下一次变化方向

这比传统的情感分析难得多，因为：

• 需要考虑时间序列——情感有惯性，也有转折
• 需要建模个体差异——同样的话，不同的人表达的情感不同
• 需要捕捉上下文——单条帖子本身的情感可能被上下文改变

四、三种方法的融合

这项研究探索了三种互补的方法：

1. LLM提示

• 用大语言模型直接预测情感
• 尝试"用户感知"（考虑用户历史）和"用户无关"两种设置
• 发现用户感知能显著提升准确性

2. 最大熵模型

• 用Ising-style相互作用建模情感状态的转换
• 捕捉"情感惯性"——如果前一条帖子很负面，下一条也更可能是负面的

3. 结构化转换

• 显式建模情感状态之间的转换概率
• 学习哪些事件更可能导致情感转变

五、应用场景

情感动态建模有什么用？

• 心理健康监测：追踪用户的情感趋势，早期发现抑郁或焦虑的迹象
• 客户服务：理解客户的情感历程，提供更贴心的回应
• 内容推荐：根据用户的情感状态推荐合适的内容
• 舆情分析：追踪公众对事件的情感反应动态
• 人机交互：让AI助手能够感知和回应用户的情感状态

六、费曼式的判断：情感是过程，不是状态

费曼虽然研究物理，但他对人的理解同样深刻：

"知道一个粒子的位置不等于知道它的运动轨迹。"

情感也是如此。知道一个人"现在很开心"，不等于理解他的情感历程。

真正理解情感，需要跟踪它的动态——它从哪里来，往哪里去，受什么影响。

七、带走的启发

如果你在设计情感AI系统，问自己：

1. "我是在分类情感状态，还是在建模情感动态？"
2. "我是否考虑了时间序列的上下文？"
3. "我是否捕捉了个体差异？"
4. "我的模型能否预测情感的变化趋势，而不仅仅是当前状态？"

情感AI的下一步，不是更准确地识别"开心"或"难过"，而是理解情感如何流动、如何转变、如何被塑造。

当我们能够追踪情感的"轨迹"，我们才能真正理解人心。

#AffectiveComputing #SentimentAnalysis #MentalHealth #NLP #EmotionModeling #FeynmanLearning #智柴系统实验室