[Paper] 情感、身体、认知、人口统计和情绪：文本特征的 ABCDE 用于 Computational Affective Science

发布: 6天前 (2025年12月20日 GMT+8 00:26)

6 min read

原文: arXiv

Source: arXiv - 2512.17752v1

概览

ABCDE 数据集包含超过 4 亿 文本片段——从推文和博客到书籍以及 AI 生成的散文——每个片段都配有全面的情感相关注释。通过统一涵盖 情感、身体、认知、人口统计和情绪 的特征，该资源旨在降低研究人员和开发者通过语言探究人类情感、健康和社会行为的门槛。

Data Harvesting – 作者从四个主要渠道抓取了公开可用的文本：
- (i) Twitter (≈ 150 M tweets)
- (ii) Reddit 与博客平台 (≈ 120 M posts)
- (iii) 数字化图书 (≈ 80 M sentences)
- (iv) 大语言模型 (LLM) 生成器 (≈ 50 M synthetic utterances)
Pre‑processing – 通过去重、过滤脏话和语言检测，仅保留英文内容，噪声极少。
Feature Extraction – 对每条语句运行六个已有的词汇资源（如 NRC Emotion Lexicon、LIWC、VAD 词典）和两个自定义分类器（身体状态标注器和人口统计预测器）。每个词元获得二元或连续得分，涵盖以下维度：
- Affect（价值、唤醒、支配）
- Body（生理状态、疼痛、疲劳的提及）
- Cognition（确定性、洞察、因果）
- Demographics（年龄、性别、教育线索）
- Emotion（基本情绪、复杂情感混合）
Quality Assurance – 随机抽样手动验证（≈ 5 k 条目），以估计标注精度（大多数维度 > 85 %）。
Packaging – 最终语料库以压缩的 JSONL 文件形式发布，附带索引文件和一个 Python SDK，简化加载和过滤步骤。

覆盖率：在五个维度上，超过 92 % 的话语至少获得一个非空标签，确认了大规模情感标注的可行性。
相关模式：出现了预期的关系（例如，高唤醒 ↔ 愤怒，悲伤 ↔ 低效价）以及新颖的跨维度关联（例如，提及身体疲劳与低能量认知状态强相关）。
基线表现：在 ABCDE 上微调的 BERT 模型在标准情感分类基准上实现了最先进的 F1 分数（≈ 0.78），同时还能以 > 0.80 的准确率预测人口统计线索。
合成文本 vs 人类文本：AI 生成的话语表现出更窄的情感范围，表明当前的大语言模型可能低估了某些情绪或身体状态。

偏差与代表性 – 源数据混合严重倾向于使用英语、活跃于互联网的人群；被低估的群体可能被误判。
标注噪声 – 基于词典的自动标注不可避免地会产生错误，尤其是对讽刺、成语或新兴俚语。
静态快照 – 语料库仅反映特定时间窗口（2020‑2023）；情感语言会随时间演变，因此需要定期更新。
未来方向 – 作者计划 (i) 扩展至多语言语料库，(ii) 融入多模态信号（音频/视频），(iii) 使用隐私保护技术改进人口统计预测器，(iv) 开发主动学习流水线，以随时间提升标注质量。