《公众情绪分析：跨学科视角》大学本科社会科学课程教案

《公众情绪分析：跨学科视角》大学本科社会科学课程教案

一、课程概述与前沿定位

本教案面向大学本科三年级或四年级社会科学领域（包括但不限于社会学、政治学、传播学、公共管理、社会心理学）的学生，旨在构建一门处于方法论与理论前沿的高阶研究型课程。课程的核心定位是超越单一学科的藩篱，整合计算社会科学、情感社会学、数字传播学、政治心理学及数据可视化等多学科的理论工具与研究方法，系统性、批判性地探讨数字时代公众情绪的生成机制、传播模式、社会影响及其治理。

在全球数字化转型与社交媒体深度嵌入社会进程的宏观背景下，公众情绪已从传统民意研究的附属变量，演变为驱动公共议程、影响政策制定、塑造社会认同乃至触发集体行动的关键自变量与中介变量。传统的问卷调查、焦点小组等方法虽仍有价值，但已难以捕捉情绪的动态性、规模性与复杂性。因此，本课程将引导学生掌握利用多元数据（如社交媒体文本、新闻评论、搜索引擎趋势、数字痕迹等）和多元方法（如自然语言处理的情感分析、社会网络分析、时间序列分析、实验法等）进行公众情绪挖掘、分析与解读的能力，并深刻理解其背后的社会理论意涵与伦理挑战。课程目标不仅是培养技术应用者，更是培养能反思技术局限、洞察社会本质、具备人文关怀的复合型研究人才。

二、核心学习目标

（一）知识与理解层面

1.系统掌握公众情绪的核心概念谱系：包括情绪、情感、公众情绪、集体情感、情绪氛围、道德情绪等概念的辨析与演进。

2.深入理解影响公众情绪生成与演化的多层级理论框架：微观个体心理机制、中观群体传播与网络动力学、宏观社会结构与文化情境。

3.全面了解用于研究公众情绪的多元数据来源及其特性、优势与偏差，包括大数据与“厚数据”的互补关系。

4.精准把握当前用于情绪分析的主流计算模型（如基于词典的方法、机器学习模型、深度学习模型）与社会科学质性分析路径（如框架分析、话语分析、数字民族志）的原理、操作与适用范围。

5.批判性认识公众情绪在社会治理、政治参与、市场行为、危机沟通、文化生产等领域的多重影响与潜在风险。

（二）技能与能力层面

1.数据获取与处理能力：能够通过API接口、网络爬虫等工具，规范地获取社交媒体等平台的公开数据，并进行初步的清洗与预处理。

2.计算分析工具应用能力：能够运用Python或R语言中的相关库（如NLTK,Blob,VADER,scikit-learn，或R中的tidy,syuzhet等），对文本数据进行基础的情感分析、主题建模或情绪时序追踪。

3.跨方法整合能力：具备设计混合方法研究方案的能力，能够将计算得出的情绪指标与问卷调查、深度访谈、内容分析等传统方法的数据进行三角验证与深度融合解读。

4.批判性评估与伦理思辨能力：能够评估不同情绪分析工具的文化适配性、算法偏见与效度局限，并在研究设计中严格遵守数据伦理、隐私保护及研究诚信规范。

5.可视化与学术表达能力：能够运用数据可视化工具（如Tableau,Gephi，或编程库）清晰呈现情绪分析结果，并撰写符合社会科学规范的高质量学术报告或研究论文。

（三）情感态度与价值观层面

1.培养对公众情绪现象的科学好奇心与系统性探究精神。

2.树立技术谦逊与批判意识，警惕“数据决定论”和技术万能论，强调社会理论在数据分析中的指导性地位。

3.增强社会责任与伦理敏感度，理解情绪分析技术可能被用于操纵、监控或加剧社会分歧的潜在危害，倡导负责任的研究与创新。

4.形成跨学科对话的开放心态与合作意愿，尊重不同方法论传统的价值。

三、课程内容模块与教学资源

本课程共设计为十六个教学周，每周一次3学时的研讨课。课程内容分为四大循序渐进的模块。

模块一：理论奠基与问题意识（第1-4周）

核心议题：什么是数字时代的“公众情绪”？为何需要多元方法？

第1周：导论：情绪转向与公众情绪研究的复兴。从勒庞到当下，关键理论脉络梳理。

第2周：核心概念辨析：情感、情绪、心境、公众舆论、集体行为。

第3周：公众情绪的社会生成：社会结构、媒介生态、关键事件的交织影响。

第4周：研究伦理前沿讨论：情绪数据的所有权、隐私、知情同意与“数字伤痕”。

核心阅读：SaraAhmed《情感的文化》，RobertPutnamShaylynRomneyGarrett《美国的故事》，ArlieRussellHochschild《故土的陌生人》选节；计算社会科学伦理宣言。

模块二：方法工具箱：从文本到网络（第5-9周）

核心议题：我们如何“测量”和“描绘”公众情绪？

第5周：情绪分析的文本数据基础：社交媒体、新闻、档案。数据获取的法律与伦理边界。

第6周：基于词典的情感分析：原理、常用词典（LIWC,SentiWordNet等）与文化有效性批判。

第7周：机器学习与深度学习模型在情绪分类中的应用：从朴素贝叶斯到BERT模型概述。

第8周：超越文本：情绪的网络分析。情绪如何通过社会网络扩散？识别情绪领袖与回声室。

第9周：时间中的情绪：情绪波动的时间序列分析，探测关键转折点与情绪传染周期。

核心资源：Python/R相关代码库与案例数据集；期刊文章如“ComputationalSocialScience”系列。

模块三：整合视角：混合方法研究设计（第10-12周）

核心议题：如何让数据“说话”并讲出“深刻的故事”？

第10周：三角验证：将计算情绪指标与调查数据、访谈文本相结合。

第11周：计算作为探索：利用主题模型发现公众情绪讨论中的潜在议程与框架。

第12周：案例研讨：以一次社会运动或公共危机事件为例，设计一份混合方法研究计划书。

核心阅读：MatthewJ.Salganik《比特社会学》；质性分析软件（如NVivo）与计算方法的结合案例。

模块四：应用、批判与未来（第13-16周）

核心议题：公众情绪分析用于何处？我们应警惕什么？

第13周：政治领域应用：情绪与选举、抗议、政治极化。

第14周：经济与社会治理应用：消费者信心、危机沟通、政策反馈中的情绪。

第15周：批判性反思：情绪分析的局限、算法偏见、商业与政治操纵。

第16周：学生最终研究方案展示与课程总结：面向未来的公众情绪研究。

四、教学实施流程与策略（重点环节）

本课程采用“翻转课堂”与“研讨工作坊”相结合的模式。学生需在课前完成大量阅读、视频讲座观看及简单的代码练习。课堂时间主要用于深度讨论、方法实操、案例分析与项目协作。

第X周教学实施详案示例（以模块二第7周“机器学习模型在情绪分析中的应用”为例）：

课前准备阶段：

1.学生任务：观看两段录屏讲座（共约60分钟），内容涵盖（1）监督式机器学习分类的基本流程（特征提取、模型训练、评估）；（2）以支持向量机（SVM）和循环神经网络（RNN）为例，图解其在文本情感分类中的工作原理。阅读一篇应用机器学习进行跨文化情绪比较的实证研究论文。在课程管理平台（如Moodle）上完成一个关于模型原理与评估指标（精确率、召回率、F1分数）的在线测验。

2.教师准备：在JupyterNotebook或GoogleColab中准备好一个完整的、注释详尽的代码示例，使用scikit-learn库和Keras（TensorFlow）库，分别基于SVM和一个简单的RNN模型，对一个公开的电影评论数据集（如IMDb）进行情感二分类（正面/负面）。代码需包含数据加载、文本向量化（TF-IDF或词嵌入）、模型构建、训练、评估及预测的可视化展示。准备好3-5个具有挑战性的讨论问题。

课堂实施阶段（3学时，180分钟）：

第一阶段：概念深化与难点突破（40分钟）

教师首先不讲授，而是提出一个核心问题：“当我们将一段文本‘喂’给机器学习模型时，究竟发生了什么？模型‘理解’了情绪吗？”引导学生基于课前学习进行小组讨论（5分钟）。随后，教师邀请2-3个小组分享观点，并以此为切入点，利用白板进行图示化精讲，重点澄清三个关键且易混淆的概念：（1）文本的数学化表示（从词袋到词向量）如何捕捉语义与语境；（2）模型“学习”的本质是参数优化，而非人类意义上的理解；（3）不同的模型结构（如SVM的决策边界vs.RNN的序列记忆）如何影响了它们对情绪线索的捕捉能力。此环节旨在打通从数学原理到社会科学应用的认知隔阂。

第二阶段：协作代码实操与调试工作坊（70分钟）

学生以3人一组的形式，登录云端编程环境，打开教师预置的代码笔记本。任务分三步：

第一步（20分钟）：各小组“运行并理解”。从头至尾运行SVM分类的代码块，要求小组成员相互解释每一段代码的功能，特别是文本向量化和模型评估部分。教师巡视，解答小组提出的技术问题。

第二步（30分钟）：挑战性修改任务。教师提出：“请尝试修改特征提取部分，将TF-IDF替换为预训练的GloVe词向量（提供代码片段），观察模型性能（F1分数）有何变化？并讨论可能的原因。”各小组协作尝试修改代码、重新训练并评估。

第三步（20分钟）：探索与反思。教师引导学生运行RNN模型的代码，快速对比两种模型的结果。然后提出引导性问题：“在这个电影评论数据集上，哪个模型表现略好？你认为这种优势在分析社交媒体上的公众情绪时一定会保持吗？为什么？”小组讨论并记录核心观点。

第三阶段：从技术到社会的批判性迁移（50分钟）

各小组分享代码实操中的发现与对引导问题的思考。教师引导讨论走向深入：

1.效度争议：我们如何知道机器分类的“正面情绪”就是人类理解的正面情绪？引入“标注者间信度”概念，讨论训练数据标注中的主观性与文化偏见如何被模型继承和放大。

2.语境缺失：以“这条新闻让我寒心”和“这空调制冷让我寒心”为例，讨论当前模型在处理反讽、隐喻、特定领域语境时的普遍困境。

3.伦理推演：如果一个基于此类模型的“公众情绪监测系统”被用于评估政策支持度或预测社会风险，其潜在的技术缺陷可能导致怎样的社会或政治后果？

教师在此过程中引入相关学术争论（如关于“算法现实主义”的批判），并展示一些因忽略语境和偏见而导致分析失实的案例。

第四阶段：迷你研究设计挑战（20分钟）

教师发布一个即时挑战：“假设你受委托研究某城市新出台的环保政策在微博上的公众情绪反应。你已经爬取了带有相关话题标签的帖子。现在，请你们小组在5分钟内，快速勾勒一个研究设计方案，重点说明：（1）将选择哪种或哪几种情绪分析方法（词典、SVM、RNN或其他）？为什么？（2）你将如何弥补你所选方法的潜在不足？（3）你的核心分析维度是什么（如情绪极性、情绪类别、时序变化）？”各小组快速头脑风暴并分享提纲。教师进行即时点评，强调“方法服务于研究问题”、“混合方法设计”、“批判性评估”等核心原则。

课后延伸阶段：

1.个人作业：根据课堂讨论和代码实操，撰写一份500字左右的反思报告，题为“机器学习情感分析的魅力与陷阱”，需结合自身实操体验与课堂讨论的批判性观点。

2.小组项目推进：各课程项目小组需在本周会议中，讨论并确定其最终研究项目中拟采用的情绪分析方法，并撰写一段方法论的论证，作为项目计划书的一部分提交。

3.扩展资源推送：提供关于更高级模型（如Transformer架构）的入门资料，以及关于人工智能伦理的经典文献链接，供学有余力者拓展。

五、多元化评价体系

本课程采用过程性评价与终结性评价相结合的方式，重点考核学生的综合应用能力、批判思维与研究素养。

1.课堂参与与贡献（20%）：不仅考察出勤，更注重讨论质量、提问深度以及在小组实操中的协作与领导力。使用课堂记录工具进行跟踪。

2.个人每周反思日志（15%）：共需提交8篇，每篇针对当周核心议题，结合阅读与实操，进行批判性反思。旨在培养元认知与持续学习习惯。

3.方法实操练习集（20%）：共4次，分散在模块二和模块三期间。包括数据爬虫小任务、情感分析代码编写与调试、简单的网络或时序分析练习。评分依据代码的正确性、注释的清晰度以及简短的书面解释。

4.混合方法研究计划书（小组项目，30%）：课程核心产出。要求4-5人小组，自选一个与公众情绪相关的现实议题，完成一份完整的研究计划书，包括：研究问题与文献综述、详细的研究设计与方法论（必须包含至少一种计算方法和一种非计算方法）、模拟或小范围测试的数据分析示例、详细的伦理审查考虑、预期贡献与局限。需进行口头答辩。

5.期末批判性综述（15%）：个人独立完成。针对“公众情绪分析中的跨学科挑战与未来方向”这一主题，撰写一篇3000字左右的学术性综述，需引用课程内外的重要文献，展现整合与批判能力。

六、教学环境与技术支持

1.物理/虚拟环境：需配备多媒体教学设备、稳定高速互联网的智慧教室。同时，需建立课程的虚拟学习社区（如利用Teams或Slack），用于资料分享、异步讨论和代码互助。

2.软件与平台：统一使用GoogleColab或JupyterHub作为在线编程环境，确保环境一致性。提供学校VPN服务以访问部分学术数据库。使用Qualtrics或类似平台进行问卷调查设计练习。

3.数据资源：建立课程专用的数据资源池，包括清洗后的公开数据集（如Twitter情绪数据集、中文微博数据集、新闻语料库）、常用词典文件和预训练词向量文件。所有数据使用需附有明确的来源说明与伦理指引。

4.助教团队：配备1-2名具备计算社会科学背景的研究生助教，负责辅导代码实操、协助调试、组织小组项目讨论及作业初评。

七、差异化教学与学习支持

1.针对编程零基础学生：开设为期两周的“PythonforSocialScience”前置速成线上工作坊，并提供贯穿全课程的“基础代码诊所”额外辅导时段。

2.针对社会科学背景学生强化数理思维：在相关方法章节，提供直观的数学附录和可视化解释工具（如