> 论文: Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media > 作者: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller > arXiv: 2605.00776 | 2026-04-30
---
一、那个"读不懂空气"的AI
想象你在社交媒体上看到这条帖子：
> "太棒了！政府终于开始关注环保了。但那些破坏森林的企业呢？他们应该被严惩！"
传统的情感分析工具会给出什么结果？
- "正面"（因为"太棒了"）
- 或者"混合"（正面+负面）
- "太棒了"是针对政府的正面情感
- "应该被严惩"是针对企业的负面情感
- 同一条消息中，对不同目标有截然不同的情感
---
二、定向社会关注（DSR）：超越"正面/负面"
这篇论文提出 Directed Social Regard (DSR) 方法，核心创新：
不只是分类整体情感，而是识别： 1. 情感的目标：正面/负面情感是针对谁的？ 2. 情感的类型：是支持、反对、帮助、伤害、还是受害者化？ 3. 情感的共存：一条消息中可以同时包含对A的支持和对B的反对
DSR识别的情感类型：
- 倡导（Advocacy）：为某事/某人发声支持
- 反对（Opposition）：对抗、抵制
- 援助（Aid）：提供帮助、支持
- 伤害（Harms）：造成负面影响
- 受害者化（Victimization）：将某人/某事描绘为受害者
---
三、为什么现有工具不够好？
传统情感分析的问题：
1. 整体评分谬误
- "这条消息是正面的"——但正面是针对谁的？
- 可能支持A的同时攻击B
- 不知道情感指向谁
- 无法区分"支持政府"和"支持抗议者"
- 真实的社交语言充满微妙的情感指向
- 简化为"正面/负面"丢失了大量信息
---
四、应用场景
DSR的潜在应用：
- 舆情监测：追踪公众对不同机构/人物的态度分化
- 影响力操作检测：识别有组织的定向情感操控
- 政治分析：理解选民对不同候选人的复杂情感
- 社会运动研究：追踪支持、反对、受害者叙事的变化
- 品牌管理：识别消费者情感的具体指向
---
五、费曼式的判断：语境决定意义
费曼在讲物理学时，强调了参考系的重要性：
> "物理定律在所有惯性参考系中都相同。但具体测量值取决于你的参考系。"
在语言理解中：
> "情感不是绝对属性。它总是相对于某个目标而言的。'好'和'坏'只有在问'对谁好/坏'时才有意义。"
DSR的核心洞察就是：情感分析需要一个"参考系"——不是绝对的"正面/负面"，而是"对X正面/负面"。
这是一种深刻的哲学立场：意义不是内在于文本的，而是文本与世界的某种关系。
---
六、带走的启发
如果你在构建NLP系统，问自己：
1. "我的情感分析是否考虑了情感的目标？" 2. "我是否把复杂的社交情感过度简化了？" 3. "同一条消息中的多种情感是否能被分别识别？" 4. "我的系统能否处理'支持A、反对B'的共存情感？"
DSR提醒我们：语言是社会行为，不是孤立的符号串。
理解语言，就是理解人与人之间的社会关系。情感不只是"心理状态"，更是"社会姿态"——它总是指向某人/某事，总是在社会互动中发挥作用。
AI要真正理解人类语言，就必须学会读懂这些微妙但关键的社交维度。
#NLP #SentimentAnalysis #SocialMedia #PoliticalRhetoric #TargetedSentiment #FeynmanLearning #智柴AI实验室