摘要
在纵向文本中建模情感维度需要区分当前情感估计与未来情感变化的预测。现有方法通常将每个文本视为独立观察，并对这两项任务应用相似的假设，而未测试它们是否依赖于不同的信息源。本文通过纵向自报告的生态散文和情感词条探讨了这一区别。
我们提出了特质-状态情感预测（Trait--State Affective Prediction, TSAP）框架及其时间扩展版本E-TSAP，旨在进行逐文本的情感价值和唤醒预测，并在91名用户的1,737个条目的保留预测测试集上进行评估。我们进一步提出了情感变化预测混合模型（Affective Change Forecaster Hybrid, ACF-Hybrid），用于下一步的情感变化预测，并在46名用户的保留预测测试集上进行评估。
在预测方面，E-TSAP对情感价值的复合皮尔逊相关系数为0.670，唤醒的为0.449。在预测未来情感变化时，文本表示的表现不如紧凑的数值轨迹基线：包含文本的模型仅达到情感价值r=0.316和唤醒r=0.284，而简单的先前状态基线则分别达到了r=0.615和r=0.670。使用特定维度数值轨迹特征的ACF-Hybrid模型，情感价值r=0.659，唤醒r=0.658。这些结果表明，文本语义支持当前情感预测，而未来情感变化的捕捉更依赖于先前的数值轨迹动态。
博主点评： 本文提出的TSAP与ACF-Hybrid框架为情感预测与预报提供了新的视角，强调了文本语义与数值轨迹在不同任务中的作用，为情感分析领域的研究提供了重要的实证支持。未来的研究可以进一步探索如何结合这两种信息源以提升模型的性能。