社交媒體內容分析精選(九篇)
前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的社交媒體內容分析主題范文，僅供參考，歡迎閱讀并收藏。
第1篇：社交媒體內容分析范文
關鍵詞？演社會化媒體；微博營銷策略；評價指標體系
[中圖分類號]F274 [文獻標識碼] A [文章編號]1673-0461（2015）07-0026-05
一、前 言
目前，微博的使用率正在上升，而其他網絡社交工具的使用率略微出現(xiàn)下降，如博客、貼吧等，微博覆蓋面很廣并且它是中國網民獲得信息的重要途徑之一，因此企業(yè)利用微博進行營銷是有必要的[1]。據新浪公布2015第一季度財報數據顯示，截至2015年3月，微博月活躍用戶1. 98億，日活躍用戶6 660萬，新浪微博上有40多萬個企業(yè)認證賬號。新浪公司旗下微博業(yè)務于2014年4月17日正式登陸納斯達克，成為全球范圍內首家上市的中文社交媒體，上市當天逆市上漲19%。盡管微博營銷的前景十分光明，但是隨著微信的出現(xiàn)其營銷的價值也受到挑戰(zhàn)，同時對于企業(yè)來說微博的商業(yè)模式很難真正打動消費者的興趣，這主要是微博盡管加大了營銷力度 [2]，但一直缺乏系統(tǒng)的營銷策略有效性評價體系。因此，本文將通過實證研究系統(tǒng)建立微博營銷策略有效性評價指標體系，從而為各大微博平臺提供有借鑒價值的營銷策略有效性評價方法，優(yōu)化微博營銷策略及關鍵考核指標[3]，增強客戶粘性，加速微博口碑傳播速度，從而有效提高客戶情感忠誠度。
二、微博營銷相關理論
（1）社會化媒體（Social Media）與社會化媒體營銷?，F(xiàn)階段國內的社會化媒體主要包括微博、貼吧、微信、論壇等等[4]，國外的社會化媒體包括Linkedin、Youtube、Facebook、Twitter等為代表的新型媒體平臺[5]，他們共同的特點是由用戶創(chuàng)造內容，并且傳播迅速、操作簡單[6]。由于社會化媒體具有互動參與性、高度透明性以及社交性，企業(yè)將其視為一種新型的營銷傳播平臺，以期提高營銷效果[7]。
社會化媒體營銷就是通過諸如社交網站、微博、微信、博客等的一系列社會化媒體工具[8]，通過信息，與用戶交流互動，利用社會化媒體的病毒式傳播的優(yōu)勢特征，來實現(xiàn)品牌塑造、客戶反饋、客戶互動、口碑營銷、銷售促進等的一種網絡營銷行為[9]。社會化媒體營銷（Social Media Marketing）已成為眾商家最重要的營銷手段之一，從而為推薦系統(tǒng)的發(fā)展提供了前所未有的市場機會和應用前景[10]。微博營銷有自己獨特性，對于微博營銷效果的研究大多關注其影響因素[11]，并未構成系統(tǒng)的指標體系，而且各學者對相同的指標持不同的看法，比如微博粉絲量或者活躍粉絲量，王武義認為最重要的因素是粉絲數量[12]，而邢斗提出粉絲數量與所謂的活躍粉絲數并不能評價微博營銷績效。
（2）微博營銷相關概念。微博營銷指的是不同的個人與組織運用微博客這種網絡應用工具、借助于各類微博平臺、并結合微博的傳播特性所進行的市場營銷、品牌推廣或公共關系維護等行為[13]。與一般的社會化媒體工具相比，微博具有獨特的優(yōu)勢。首先，微博營銷的低成本是論壇不可相比的；其次，微博的瞬時分享、即時互動、簡短的優(yōu)勢是博客所達不到的；最后，SNS覆蓋用戶比較集中、粘性大、側重交往，更適合精準人群的特定營銷，而微博覆蓋更廣，更適合話題或事件營銷，并且可以實現(xiàn)開放式營銷。
總之，在文獻研究基礎上，本文歸納出微博營銷的五個基本策略，包括準備工作、粉絲部落、內容策略、互動策略以及情報監(jiān)控，這些研究對微博營銷策略有效性評價指標提取奠定了基礎。
三、微博營銷策略有效性評價指標體系的構建
1. 指標提取及問卷設計
本文通過內容分析法，從許多資料中提取了表1中這些未分類的具體指標，其中所有35個指標都是與微博密切相關的?；谝韵轮笜?，本文根據五點量表設計出微博營銷策略評價指標有效性調查問卷。問卷第一部分包括五道基礎信息題，關于被調查者的性別、年齡、使用微博時長、登錄微博頻率以及其微博關注對象。問卷第二部分包括35道題，測試的是各因素指標在評價微博營銷策略有效性時有不同的重要程度，分別是非常不重要、比較不重要、一般重要、比較重要以及非常重要，其賦值分別為1、2、3、4、5。
2. 數據分析
（1）信度分析。本研究主要借助SPSS20.0軟件進行分析，如表2所示，這次問卷共收回159份，有效問卷159份，無效問卷0份，有效率為100%。由表3可知內部一致性α系數為0.949，大于0.900，說明問卷結果的可靠性是非常理想的。
（2） 因子分析。取樣適當性量數值為0.906，指標值大于0.9，如表4所示，表示變量間有共同因素存在，量表題項適合進行因素分析。
解釋總方差結果如表5所示，采用最大方差法后，四個共同因素的特征值分別是5.767、4.222、3.976、3.436，四個共同因素可以解釋測量題項58.003%的變異量。
由表6可以看出第一個因素包括十一個指標（Q7、Q6、Q38、Q40、Q37、Q39、Q31、Q8、Q30、Q14、Q18），這些指標負荷量介于0.714至0.525之間；第二個因素包括八個指標（Q25、Q27、Q28、Q22、Q24、Q26、Q20、Q29），這些指標負荷量介于0.707至0.542之間；第三個因素包括六個指標（Q9、Q10、Q13、Q11、Q15、Q23），這些指標負荷量介于0.832至0.522之間；第四個因素包括六個指標（Q35、Q32、Q33、Q34），這些指標負荷量介于0.727至0.610之間。這四個因素里面的題項均大于3，而且各個因素層面的題項變量的因素負荷量均在0.500以上，表示潛在變量可以有效的反映各指標變量。
3. I-B-C-S模型的評價指標體系建立
根據因子分析的結果，我們將Q6、Q7、Q8、Q14、Q18、Q30、Q31、Q37、Q38、Q39、Q40歸為第一類指標，Q20、Q22、Q24、Q25、Q26、Q27、Q28、Q29歸為第二類指標，Q9、Q10、Q11、Q13、Q15、Q23歸為第三類指標，Q32、Q33、Q34、Q35歸為第四類指標，具體分類如圖1和表7所示，由此我們建立起I-B-C-S模型的微博營銷策略有效性評價指標體系。
如圖1所示，信息傳播，即Information dissemination，微博作為一條信息傳播的渠道，其信息傳播的有效性很大程度上影響微博營銷策略的有效性。信息傳播有效性由信息有效性、傳播有效性、銷售轉化率和客戶體驗獲得，其中信息有效性包括內容趣味性、內容的個性、內容利益性，傳播有效性包括轉發(fā)質量和傳播力，銷售轉化率包括銷售量和用戶轉化率，客戶體驗包括微博情感距離、微博情緒敏感度、微博體驗強度、微博分享數。
品牌互動，即Brand interaction，社會化媒體營銷的最大作用就是品牌塑造，微博也不例外，所以品牌互動在一定程度上也影響著微博營銷策略的有效性。品牌互動由O2O信任協(xié)同、客服質量、品牌效應三個指標構成，O2O信任協(xié)同包括微博可信度、線上線下配合度，客服質量包括用戶投訴率、用戶投訴解決率、投訴一次解決率、危機反應速度，品牌效應包括品牌知名度、品牌忠誠度。
客戶參與，即Customer participation，微博營銷的重點在于用戶之間的傳播，也就是說客戶參與對于微博營銷策略有效性也是很重要的一項指標。客戶參與包括外部客戶和內部客戶，分別由粉絲活躍度、團隊影響力決定，粉絲活躍度包括粉絲數量、活躍粉絲數、評論數、轉發(fā)數，團隊影響力包括發(fā)博數和微博營銷團隊人數。
分享集群，即Share cluster，分享集群由短鏈流量、眾包集群兩個指標決定，短鏈流量包括短鏈分享量和短鏈點擊量，眾包集群包括眾包開放度和搜索數。
四、結論與展望
本文通過對國內外網絡營銷以及微博營銷策略的研究，通過因子分析法建立了IBCS模型的微博營銷策略有效性評價指標體系，其中第一中間層包括信息傳播（Information dissemination）、品牌互動（Brand interaction）、客戶參與（Customer participation）、分享集群（Share cluster）四個指標，這對于優(yōu)化微博營銷策略的個性化、智能化推薦具有重要的參考價值，也對量化微博營銷策略的有效性具有科學的評價依據。
在微博營銷策略中，企業(yè)首先要做的就是需要選擇合適的媒介。我國最大的兩個平臺是新浪微博、騰訊微博，他們都有自己獨特的優(yōu)勢，新浪微博在于其名人效應、用戶多、影響力大等優(yōu)勢；騰訊微博在于它基于QQ用戶的豐富資源與強大傳播優(yōu)勢。因此，下一步我們將使用層次分析法，以新浪微博和騰訊微博為實驗平臺，對上述微博營銷策略有效性指標體系進行修正與驗證，基本思路如下：第一，確定目標層、準則層和方案層。目標層為微博營銷策略有效性，第一準則層包括信息傳播、品牌互動、客戶參與、分享集群四個指標，第二中間層包括客戶體驗、客服質量、品牌效應、粉絲活躍度、短鏈流量、眾包集群等11個指標，第三中間層包括內容趣味性、短鏈點擊量、眾包開放度以及搜索數等29個指標，備選方案層為新浪微博平臺和騰訊微博平臺；第二，組織專家利用AHP層次分析系統(tǒng)的群決策功能對上述指標體系進行專業(yè)打分；第三，確定指標之間的權重和得分，獲得目標層得分；第四，驗證這套指標體系的適切性，進行完善并做出決策。營銷管理實踐表明，這套微博營銷策略有效性評價指標體系需要相應的營銷活動做支撐，比如前期準備工作、微博粉絲部落、微博內容營銷策劃、微博互動關系管理以及微博輿情監(jiān)控。
隨著微博的快速發(fā)展，企業(yè)微博將會在過程中形成更多的變量，更多的數據，考慮到評價指標的量化，未來的微博營銷策略有效性評價指標體系將采用大數據挖掘技術進一步加以完善。
[參考文獻]
[1] Tamar Weinberg.正在爆發(fā)的營銷革命：社會網絡營銷指南[M].北京：機械工業(yè)出版社，2010.
[2] 程雪芬.企業(yè)微博營銷效果影響因素及測度研究[D].大連：大連理工大學，2012.
[3] 邢斗.企業(yè)微博營銷績效的影響因素研究[D].鄭州：河南工業(yè)大學，2013.
[4] 劉曉偉. 社會化媒體營銷研究[D].濟南：山東師范大學，2014.
[5] Donna L.Hoffman and Marek Fodor.Can You Measure the ROI of Your Social Media Marketing[J].MIT SLoan Management Review，F(xiàn)all，2010，52（1）：41-49.
[6] 周仁杰. 社會化媒體內容關注度分析與建模方法研究[D].哈爾濱：哈爾濱工程大學，2012.
[7] 趙源. 可口可樂“歌詞瓶”的社會化媒體營銷之道[J]. 東南傳播，2015（1）：110-111.
[8] 田定. 中小企業(yè)的社會化媒體營銷策略研究[D].上海：華東理工大學，2014.
[9] 張斯琦. 微博文化研究[D].長春：吉林大學，2012.
[10] 陰紅志. 社會化媒體中若干時空相關的推薦問題研究[D].北京：北京大學，2014.
[11] 王睿. 企業(yè)微博營銷影響因素與短期效果測量研究[D].北京：北京郵電大學，2012.
第2篇：社交媒體內容分析范文
關鍵詞：圖像情感；情感計算；情感表示
中圖分類號：TP391.4
1 引言
隨著社交網絡的快速發(fā)展和廣泛使用，例如Twitter（https：//），F(xiàn)lickr（https：//），YouTube（https：//）和新浪微博（http：//），人們傾向于將自己的所見所聞、興趣愛好等以文本、圖像和視頻等多媒體的形式上傳至網絡來呈現(xiàn)和分享其觀點和情感。因此，即會導致文本、圖像和視頻等多媒體內容的規(guī)模正以顯示指數級態(tài)勢發(fā)生著爆炸式增長，而針對這些多媒體內容的處理及理解需求則日趨顯著與突出。相對于底層視覺特征層，人們只能夠感知和理解圖像、視頻的高層語義層，包括認知層和情感層。以往對視覺內容分析的工作主要集中在理解圖像、視頻的感知層，即描述圖像、視頻的真實內容，如物體檢測與識別。然而，公眾對數字攝影技術的關注熱衷及對視覺內容情感表達的強烈需求，使得對圖像、視頻最高語義層―情感層的分析已然具有高度重要的研究和應用價值。
對多媒體內容情感層的分析屬于情感計算的一部分。情感計算的概念是由麻省理工學院媒體實驗室的Picard教授于1995年首次提出的，而于1997年專著《Affective Computing》則正式出版問世[1]。書中給出了情感計算的定義，即情感計算是指與情感相關、來源于情感或能夠對情感施加影響的計算，包含3個部分：情感識別、情感發(fā)生和情感表達[1]。
基于此，根據需要處理的多媒體數據類型，對多媒體情感層的分析可以分為4種：基于文本的情感分析[2]、基于音頻的情感分析[3-5、基于圖像的情感分析[6-7]以及基于視頻的情感分析[8-11]。其中，基于文本和音頻的情感分析比較成熟，圖像情感分析中人臉表情識別的研究也相對成熟，而關于普通圖像和視頻情感分析的研究相對來說，卻仍顯不足。對圖像情感識別的研究最初源始于人臉表情R別，因為人臉檢測和人臉識別的研究相對成熟，心理學對人臉表情的分類也已建立有清晰脈絡，此外更有大量的研究機構也成功建立了表情識別的數據庫[12-14]。
受到情感鴻溝和人類情感感知與評估的主觀性等基礎現(xiàn)實的制約，普通圖像的情感分析進展緩慢。不僅如此，圖像情感計算的發(fā)展還將需要心理學、藝術學、計算機視覺、模式識別、圖像處理、人工智能等領域的共同支持，眾多領域學科的交叉使得圖像情感計算成為一個富有挑戰(zhàn)性的研究課題。本文對圖像情感計算的發(fā)展研究現(xiàn)狀進行了全面論述和分析。
1 情感的定義與描述
人類具有很強的情感感知和表達的能力，但是由于情感的復雜性和抽象性，人們很難將情感從概念上實現(xiàn)具體化和清晰化。心理學、生理學領域的科學家們早在18世紀就開啟了專門情感研究，并且推出了諸多情感理論來解釋情感是如何源起于產生的，如1872年的Darwin三原則理論[15]、1884年的James-Lange理論[16]、1927年的Cannon-Bard 理論[17]和1991年的Lazarus理論[18]。但是迄今為止，科學家們也仍未提出一個準確、全面且可得到一致認可的情感定義。
心理學中與情感相關的詞匯有emotion、affect、sentiment、mood、affective、emotional等，類似的中文詞匯有情感、感情、情緒、情感的、感情的等。心理學上認為情感、情緒與感情是3個嚴格不同的概念[1，19-20]，但計算機學科對此區(qū)分并不嚴格區(qū)分，一般只是籠統(tǒng)將其稱為情感。wikipedia上給出了一種情感的模糊定義，“情感是對一系列主觀認知經驗的通稱，是多種感覺、思想和行為綜合產生的心理和生理狀態(tài)”。心理學領域主要有2種方式來描述情感：離散情感狀態(tài)（CES）和維度情感空間（DES），或稱為范疇觀和維度觀[1，19-20] 。
1.1 離散情感狀態(tài)
持范疇觀的心理學家將情感分成相互獨立的范疇，而且在外部表現(xiàn)、生理喚醒模式上都存在一定的差異。近年來，持范疇觀的研究人員根據生物進化理論把情感分為基本情感和復合情感。不同的心理學家對基本情感的分類差異很大，從2類到幾十類也各有不等，具體的分類方法可以參照文獻[1，19-20]。研究中更具代表性的成果主要有：Ekman把情感分為6類，即高興、憤怒、厭惡、恐懼、悲傷、驚奇[21]；Izzard 用因素分析方法，提出11種基本情緒，即興趣、驚奇、痛苦、厭惡、愉快、憤怒、恐懼、悲傷、害羞、輕蔑和自罪感[22]；Mikels 通過嚴格的心理學實驗，把情感分為8 類，即表示積極情感的娛樂、敬畏、滿意、刺激，表示消極情感的生氣、厭惡、害怕和悲傷[23]；Plutchik提出了一套情感的演化理論，認為情感有8種基本類型，但是每種情感又有3種不同的愉悅度（valence），即把情感分為24類[24]。還有一種模型是將情感分成積極和消極2類，或者積極、消極和中性三類。目前對表情識別的分類多是基于Ekman 的分類，而對圖像情感分類則以Mikels 的分類為主。
復合情感是由基本情感的不同組合派生出來的，可隨著個體認知的成熟而煙花發(fā)展，并隨著文化的不同而發(fā)生變化。Izzard認為復合情感有3類：基本情感的混合、基本情感和內驅力的集合、基本情感與認知的結合[22]。
用CES來描述和測量情感的優(yōu)勢可分述為：
1）符合人們的直覺和常識，容易被人們理解和標注，有利于情感計算的成果在現(xiàn)實生活中推廣和應用；
2）有利于智能系統(tǒng)在識別情感后，進一步推理與之相聯(lián)系的特定心理功能和可能的原因，而后做出適當的反映。
但也需明確認識到CES的缺點，具體表述為：
1）哪些情感狀態(tài)或基本情感是必要的，目前研究者對此沒有統(tǒng)一的認識；
2）CES是對情感的定性描述，無法用量化的數字表達主觀的情感體驗，且其對情感的描述能力也比較有限。
1.2 維度情感空間
持維度觀的研究人員認為情感具有基本維度和兩極性，所有的維度構成一個笛卡爾空間，DES就將情感描述為該空間中的點，理論上該空間的情感描述能力是無限的，即能夠涵蓋所有的情感狀態(tài)。各種不同的維度情感空間可以參照[1][19][20]。常見的維度情感空間大多是3D的，如natural-temporal-energetic[25]、valence-arousal-control[26]、activity-weight-heat[27]等。比較典型的是愉悅度-激活度-優(yōu)勢度空間（valence-arousal-control space，VAC，有些時候也稱為pleasure-arousal-dominance space，PAD）[26]。其中，愉悅度表示個體情感狀態(tài)的正負特性，激活度表示個體的神經生理激活水平，優(yōu)勢度表示個體對情景和他人的控制狀態(tài)。具體的VAC三維情感空間如圖1 （a）所示[28]，從圖中不難看出，優(yōu)勢度維度的取值范圍很小，而且只有當愉悅度呈現(xiàn)高峰值時才會有用。因此可以說，優(yōu)勢度在描述情感過程中僅能發(fā)揮有限的的作用。大多數計算機學者用DES 描述情感時都不曾考慮優(yōu)勢度，以愉悅度-激活度空間為主。但也并非所有的愉悅度和激活度的組合都能構成情感，能構成人們常見的情感狀態(tài)的愉悅度和激活度的組合范圍如圖1 （b）所示[28]。
用DES來描述和測量情感具有鮮明優(yōu)勢，具體可論述為：
1）描述能力強，理論上能描述所有的情感類別；
2）易于對情感進行量化，以精確的數值來描述情感，解決了CES 情感標簽的模糊性問題，也一并消除了自感的描述問題。
但DES也存在一定的缺陷，分析可得如下結論：
1）不易于人們直觀的理解，給定DES的維度值，普通人無法識別出應該歸屬為哪種情感；
2）測試人員對DES的打分有一定的難度，由此導致較大的偏差。
2 圖像情感計算的問題描述
所謂圖像情感計算，是指計算機從圖像中分析并提取情感特征，使用模式識別與機器學習的方法對其執(zhí)行計算，進而理解人的情感。根據情感的描述方式，圖像情感計算可以分為三大任務：情感分類、情感回歸和情感圖像檢索。
一個圖像情感計算系統(tǒng)通常包括如下3部分：
1）圖像預處理。 由于輸入圖像在尺寸、光照、顏色空間等方面存在很大的差異，在進行特征提取之前往往需要進行預處理。比如，把圖像尺寸調整到統(tǒng)一大小，把顏色空間轉換到同一空間等。在圖像情感計算過程中，預處理雖然不是一個專門的研究熱點，但卻會對算法的性能產生很大的影響。
2）情感特征提取/選擇。 特征提取與選擇是圖像情感計算過程中的重要組成部分，直接決定了算法最終的性能。該步驟的主要任務是提取或者選擇一些特征，并且使得其在類內具有很大的相似性而在類間具有很大的差異性。一般而言，用于圖像情感計算的特征可以分為底層特征、中層特征和高層特征。
3）模型設計。 模型設計是指根據圖像情感計算的任務來設計合適的模型，并以提取的特征作為輸入，通過W習的方法來獲得相應的輸出。情感分類是一個多類分類問題，可以直接采用多類分類器，或者轉換成多個二值分類。情感回歸是一個回歸問題，研究針對的是維度情感模型。情感圖像檢索對應的是如下檢索問題，即給定輸入圖像，查找與之表達相似情感的圖像。針對不同問題，可以采用的學習模型也將各有不同。
3 圖像情感計算的研究現(xiàn)狀與分析
本節(jié)對圖像情感計算的研究現(xiàn)狀進行總結與分析。首先從不同的分類角度綜合歸納了當前可高效用于圖像情感計算的技術特征，然后簡要介紹常用的機器學習方法，最后對已有方法存在的主要問題進行分析并給出可能的解決方案。
3.1 用于圖像情感計算的特征
如何提取與情感緊密相關的特征是情感識別的關鍵問題。根據所提特征的通用性（generality），可將已有的特征分為2類：通用特征和專用特征。根據所提特征的層次（level），可將已有的特征分為3類：底層特征、中層特征和高層特征。
進一步地，所謂通用特征是指計算機視覺里普遍適用的特征，設計這些特征的目的并不是為了用于情感識別，而是其他的視覺任務，如物體檢測。Yanulevskaya所使用的Wiccest特征和Gabor特征就是典型的通用特征[29]。而專用特征則是針對情感識別這一特定任務而設計的能夠表達不同情感的特征，比如常見的顏色、紋理等底層特征。
目前，絕大多數的情感特征提取工作都是基于藝術元素的，如顏色、紋理、形狀、線條等。針對每一種類的藝術元素，研究者們又設計了為數可觀的不同描述方法。關于藝術元素及常用特征的典型描述可見于如下：
1）顏色（color）有3個基本的屬性：色調、強度和飽和度。常用于描述顏色的特征除了這3個基本屬性的平均值，還有colorfulness、area statistics[30-31]等。
2）灰度值（value）描述顏色的亮度或暗度。常用的特征有l(wèi)ightness、darkness[30-31]等。
3）線條（line）是在某物體表面的連續(xù)的標記。主要有2種：強調線和非強調線。強調線，又稱輪廓線，勾勒出了一個物體的輪廓或邊緣，而非強調線則用于描述那些輪廓和邊緣未可堪稱重要的作品。不同的線條給人不同的感覺，如水平線代表平靜，給人輕松的感覺，垂直線代表強度與穩(wěn)定，對角線代表緊張，曲線則表示運動。通常用于描述線條的特征有通過霍夫變換計算的靜止和動態(tài)線條的數量和長度[30]。
4）紋理（texture）用于描述物體的表面質量（surface quality），有的藝術家使用平滑的紋理，也有的人喜歡用粗糙的紋理。常用的有基于小波的特征、Tamura特征、灰度共生矩陣[30]以及LBP特征。
5）形狀（shape）是平的，具有2個維度：高度和寬度。Lu等人使用圓度（roundness）、角度（angularity）、簡單性（simplicity）和復雜性（complexity）來描述形狀[32]。
（6）形式（form）具有3個維度，即高度、寬度和深度，因此形式具有體積。
（7）空間（space）指物體之間、上面、下面或物體內部的距離或面積。
除了目前常規(guī)通用的底層表達，也有部分工作開始提取中層或高層的特征。Machajdik和Hanbury[30]提取了包括Level of Detail、Low Depth of Field、Dynamics和Rule of Thirds在內的構圖（composition）作為中層特征，同時也發(fā)掘包括人臉、皮膚在內的圖像內容（content）作為高層特征。Solli和Lenz使用每個興趣點周圍的情感直方圖特征和情感包（bag-of-emotion）特征來對圖像進行分類[27]。Irie等人提取基于情感的音頻-視覺詞組包（bag of affective audio-visual words） 的中層特征以及隱主題驅動模型來對視頻進行分類[33]。
3.2 常用的機器學習方法
圖像情感分類一般可建模為標準的模式分類問題，常用的分類器都可以用來解決此問題。根據建模過程，其中的有監(jiān)督學習即可以分為生成式學習和判別式學習。相應地，判別式學習就是直接對給定特征條件下標簽的條件概率進行建模，或者直接學習一個從特征到標簽的映射，如Logistic回歸和支持向量機（SVM）等。生成式學習則分別對類別先驗和似然進行建模，而后再利用Bayes法則來計算后驗概率，如高斯判別分析和Naive Bayes。當處理多類分類時不僅可以直接采用多類分類器，也可以轉換成多個二值分類問題，常規(guī)策略有“一對一”分類和“一對多”分類。多種分類器可用來實施圖像情感的分類，其中進入使用流行的主要有Naive Bayes[30]、Logistic回歸[34]、 SVM[32，35-36]和稀疏表示等。
一般情況下，圖像情感回歸建模為標準的回歸預測問題，即使用回歸器對維度情感模型中各個維度的情感值進行估計。常用的回歸模型有線性回歸、支持向量回歸（SVR）和流形核回歸（manifold kernel regression）等。當前有關圖像情感回歸的研究仍屬少見，已知的只有使用SVR對VA模型所表示的情感嘗試，并實現(xiàn)了回歸[32，35]。
目前，已知的用于圖像情感檢索的方法主要有SVM[36]和多圖學習[37]等。
3.3 現(xiàn)有方法存在的主要問題及可能的解決方案
3.3.1 所提取的底層特征與圖像情感之間存在語義鴻溝
目前的圖像情感識別方法主要仍是基于學習的方法，因此學習時所使用的特征決定了最終學習的分類器或回歸預測器性能的優(yōu)劣。而時下絕大多數工作所提取的特征主要是基于藝術元素的底層特征，這就使得“情感鴻溝”極為顯著，學習所得的分類器的分類準確率較為低下，回歸預測器的預測結果誤差較大?；诖?，如何進一步縮小這一鴻溝，即改進特征與情感類別或情感得分之間的映射關系，即已成為氣候工作的研究重點。
3.3.2 ]有從腦科學、心理學及藝術學等學科的研究成果中得到啟發(fā)
情感表達是一個多學科交叉的研究方向，現(xiàn)有的從計算機的角度進行情感表達的工作大多都未曾引入腦科學、心理學及藝術學等產生的豐碩研究成果，這極大地限制了圖像情感表達領域的發(fā)展、推進和完善。
在進行藝術作品創(chuàng)作時，藝術家不僅僅需要使用藝術元素，而且還要研究藝術原理，即把藝術元素進行組織與排列以產生特定語義與情感的各類規(guī)則。因此，使用藝術原理作為描述情感的中層特征，可能會對情感識別產生一定的幫助。
3.3.3 沒有考慮個性化的情感識別
目前絕大多數的情感識別工作對情感的處理都是基于期望情感的[38-39]，即圖像拍攝者或電影制作者創(chuàng)作作品時希望讀者產生怎樣的情感，或者基于大眾化情感，即大多數人所產生的類同式情感。這樣做雖然便于研究，但卻不符合實際情況，因為人的情感具有寬泛的主觀性，例如喜歡看恐怖片的人可能覺得這部影片并不恐怖。也就是說，不同人對同一圖像的情感反應是不同的，即情感評價是因人而異的，而且同一個人在不同時刻對同一圖像的情感反應也有可能出現(xiàn)不同，即情感評價是因時而異的。因此，課題重點就是需要研究每個人的真實情感。
要想解決上述問題，就需要為每個人都建立一個數據庫。人工標記顯然費時、費力，不過，把社交媒體中人們對圖像的評價作為對圖像情感的理解將不失為是一種近便且準確的方法。同時，還可以進一步考慮對社交媒體中情感的傳播和影響進行建模，即人們某時刻對圖像情感的理解可能受當時朋友情感的影響。
如果說只考慮期望情感將太過泛化，那么個性化的情感識別卻可能過于特殊，并且為之產生的計算復雜度還會很高。因此，介于期望情感和個性化情感之間的群體情感就可能會是一個合理的適用性解決方案。所謂群體情感，是指具有相同教育背景、生活環(huán)境和社會文化的人對同一幅圖像所產生的情感是相似的。
3.3.4 高層語義和情感的理解相互制約
人們產生情感，是由特定的知識背景與特定的語義所共同決定的。那么，考慮基于語義的圖像情感識別就應該更具備克星的真實性。但是，對圖像語義的研究本身即是一個尚未解決的疑難課題，這將使得運用語義進行情感識別還存在很大的困難。如果圖像語義分析技術達到了一定的技術水平后，圖像情感識別也必將獲得根本性解決。
3.3.5 目前用于情感表_測試的數據庫規(guī)模很小
現(xiàn)有已公布的圖像情感數據庫規(guī)模很小，大型的僅在2 000左右，小型的僅有200，這也限制了圖像情感表達的迅速發(fā)展，首要就是無法運用統(tǒng)計的思想和理論來發(fā)現(xiàn)其中的一些規(guī)則。而與此同時，社交網絡即給出了一種可能的應對方案，如何利用社交網絡上的大規(guī)模數據提高圖像情感的識別率，挖掘圖像情感之間的相互關系則需要研究學界的更大關注與投入。
3.3.6 沒有適用于圖像情感識別的理想學習策略
語音情感識別之所以發(fā)展得比較迅速，即是因為得到了與語音表達的機制相關的混合高斯模型和人工神經網絡的有效技術支撐。但是目前適用于圖像情感識別的學習策略或分類方法卻仍顯匱乏，而這又需要腦科學和機器學習等交叉領域研究的進化、提升與發(fā)展。
4 結束語
研究圖像情感計算，實現(xiàn)對圖像情感語義的分析對認知心理學、行為科學、計算機視覺、多媒體技術和人工智能領域的理論和技術發(fā)展均有促進作用。在過去的十幾年內，已有較多的相關工作獲得發(fā)表、并進入實踐。但是，圖像情感計算的研究仍然處在初級階段，仍有眾多問題未獲解決。本文在分析研究現(xiàn)狀的基礎上，總結出了現(xiàn)有方法存在的問題以及可能的解決方案，為后續(xù)研究提供了參考。
參 考 文 獻
[1] Picard R W. Affective computing[M]. London， England： MIT Press， 1997.
[2] PANG B， LEE L. Opinion mining and sentiment analysis[J]. Information Retrieval， 2008， 2 （1/2）： 1-135.
[3] YANG Y H， CHEN H H. Machine recognition of music emotion： A review[J]. ACM Transactions on Intelligent Systems and Technology， 2012， 3 （3）： 40.
[4] RODA A， CANAZZA S， De POLI G. Clustering affective qualities of classical music： beyond the valence-arousal plane[J]. IEEE Transactions on Affective Computing， 2014， 5 （4）： 364-376.
[5] ZHAO S， YAO H， WANG F， et al. Emotion based image musicalization[C] //Proceedings of IEEE International Conference on Multimedia and Expo Workshops. Chengdu， China： IEEE， 2014： 1-6.
[6] WANG W， HE Q. A survey on emotional semantic image retrieval[C] //Proceedings of IEEE International Conference on Image Processing. San Diego， California， USA： IEEE， 2008：117-120.
[7] JOSHI D， DATTA R， FEDOROVSKAYA E， et al. Aesthetics and emotions in images[J]. IEEE Signal Processing Magazine， 2011， 28 （5）： 94-115.
[8] WANG S， JI Q. Video affective content analysis： a survey of state of the art methods[J]. IEEE Transactions on Affective Computing， 2015， 6 （4）： 410-430.
[9] ZHAO S， YAO H， SUN X， et al. Flexible presentation of videos based on affective content analysis[C] //Proceedings of International Conference on Multimedia Modeling. Huangshan， China： Springer， 2013： 368-379.
[10] ZHAO S， YAO H， SUN X， et al. Video Indexing and Recommendation Based on Affective Analysis of Viewers[C] //Proceedings of ACM International Conference on Multimedia. Scottsdale， AZ， USA： ACM， 2011： 1473-1476.
[11] ZHAO S， YAO H， SUN X. Video classification and recommendation based on affective analysis of viewers[J]. Neurocomputing 119： 101-110， 2013.
[12] WANG S， LIU Z， LV S， et al. A natural visible and infrared facial expression database for expression recognition and emotion inference[J]. IEEE Transactions on Multimedia， 2010， 12 （7）： 682-691.
[13] LUCEY P， COHN J F， KANADE T， et al. The extended Cohn-Kanade dataset （CK+）： A complete dataset for action unit and emotion-specified expression[C] //Proceedings of IEEE Conference on Computer Vision and Pattern Recognition Workshops. San Francisco， CA， USA： IEEE， 2010： 94-101.
[14] YIN L， WEI X， SUN Y， et al. A 3D facial expression database for facial behavior research[C] //Proceedings of IEEE International Conference on Automatic face and gesture recognition. Southampton， UK： IEEE， 2006： 211-216.
[15] DARWIN C， EKMAN P， PRODGER P. The expression of the emotions in man and animals[M]. New York， USA： Oxford University Press， 1872/1998.
[16] JAMES W. What is an emotion？[J] Mind， 1884（34）：188-205.
[17] CANNON W B. The James-Lange theory of emotions： A critical examination and analternative theory[J]. The American Journal of Psychology， 1927， 39 （1/4）： 106-124.
[18] LAZARUS R S. Progress on a cognitive-motivational-relational theory of emotion[J]. American psychologist， 1991， 46 （8）： 819.
[19] 王志良. 人工情感[M]. 北京： C械工業(yè)出版社， 2009.
[20] 陳俊杰. 圖像情感語義分析技術[M]. 北京： 電子工業(yè)出版社， 2011.
[21] EKMAN P. An argument for basic emotions[J]. Cognition & emotion， 1992， 6 （3/4）： 169-200.
[22] IZARD C E. Basic emotions， relations among emotions， and emotion-cognition relations[J]. Psychology Review， 1992， 99： 561-565.
[23] MIKELS J A， FREDRICKSON B L， LARKIN G R， et al. Emotional category data on images from the International Affective Picture System[J]. Behavior research methods， 2005， 37 （4）： 626-630.
[24] PLUTCHIK R. Emotion： A psychoevolutionary synthesis[M]. New York， USA： Harpercollins College Division， 1980.
[25] BENINI S， CANINI L， LEONARDI R. A connotative space for supporting movie affective recommendation[J]. IEEE Transactions on Multimedia， 2011， 13 （6）： 1356-1370.
[26] RUSSELL J A， MEHRABIAN A. Evidence for a three-factor theory of emotions[J]. Journal of research in Personality， 1977， 11 （3）： 273-294.
[27] SOLLI M， LENZ R. Color based bags-of-emotions[C] //Proceedings of International Conference on Computer Analysis of Images and Patterns. M¨unster， Germany：Springer， 2009： 573-580.
[28] Dietz R， Lang A. Affective agents： Effects of agent affect on arousal， attention， liking and learning[C]//Proceedings of International Cognitive Technology Conference. San Francisco， CA， USA： Springer， 1999.
[29] YANULEVSKAYA V， Van GEMERT J， ROTH K， et al. Emotional valence categorization using holistic image feature[C] //Proceedings of IEEE International Conference on Image Processing. San Diego， California， USA： IEEE， 2008： 101-104.
[30] MACHAJDIK J， HANBURY A. Affective image classi?cation using features inspired by psychology and art theory[C] //Proceedings of ACM International Conference on Multimedia. Firenze， Italy： ACM， 2010： 83-92.
[31] WANG W N， YU Y L， JIANG S M. Image retrieval by emotional semantics： A study of emotional space and feature extraction[C] //Proceedings of IEEE International Conference on Systems， Man and Cybernetics. Taipei， Taiwan： IEEE， 2006： 3534-3539.
[32] LU X， SURYANARAYAN P， ADAMS J R B， et al. On Shape and the Computability of Emotions[C] //Proceedings of ACM International Conference on Multimedia. Nara， Japan： ACM， 2012：229-238.
[33] IRIE G， SATOU T， KOJIMA A， et al. Affective audio-visual words and latent topic driving model for realizing movie affective scene classification[J]. IEEE Transactions on Multimedia， 2010， 12 （6）： 523-535.
[34] BORTH D， JI R， CHEN T， et al. Large-scale visual sentiment ontology and detectors using adjective noun pairs[C] //Proceedings of ACM International Conference on Multimedia. Barcelona， Spain： ACM， 2013： 223-232.
[35] ZHAO S， GAO Y， JIANG X， et al. Exploring Principles-of-Art Features for Image Emotion Recognition[C]//Proceedings of ACM International Conference on Multimedia. Orlando， FL， USA： ACM， 2014： 47-56.
[36] WU Q， ZHOU C，WANG C. Content-based affective image classification and retrieval using support vector machines[C] //Proceedings of International Conference on Affective Computing and Intelligent Interaction， Beijing， China： Springer， 2005：239-247.
[37] ZHAO S， YAO H， YANG Y， Zhang Y. Affective Image Retrieval via Multi-Graph Learning[C]//Proceedings of ACM International Conference on Multimedia. Orlando， FL， USA： ACM， 2014： 1025-1028.
[38] HANJALIC A. Extracting moods from pictures and sounds： Towards truly personalized TV[J]. IEEE Signal Processing Magazine， 2006， 23 （2）： 90-100.
[39] HANJALIC A， XU L Q. Affective video content representation and modeling[J]. IEEE Transactions on Multimedia， 2005， 7 （1）： 143-154.
[40] ZHAO S， YAO H， JIANG X， et al. Predicting discrete probability distribution of image emotions[C] //Proceedings of IEEE International Conference on Image Processing. Quebec， QC， Canada： IEEE， 2015： 2459-2463.
第3篇：社交媒體內容分析范文
【關鍵詞】學前兒童;社會性發(fā)展;社會領域教育;年度報告
【中圖分類號】G612 【文獻標識碼】A 【文章編號】1004-4604（2015）10-0008-05
社會領域是幼兒園五大課程與教學領域之一。近年來，隨著人們對幼兒社會性發(fā)展與教育的重視程度不斷提高，相關研究也越來越多。為了解當前學前兒童社會性發(fā)展與教育的研究狀況，筆者收集了2011年至2013年與學前兒童社會性發(fā)展與教育相關的最新研究文獻，包括相關著作、國內外相關專業(yè)期刊、碩博論文等，進行了比較全面的文獻梳理，綜述如下。
一、關于學前兒童社會性發(fā)展特點與影響因素的研究
了解學前兒童社會性發(fā)展特點與影響因素是對學前兒童進行社會性教育的基本前提。研究者在這兩方面做了許多研究。
1.關于學前兒童社會性發(fā)展特點的研究
馬婷婷（2013）采用陳會昌編制的《兒童社會性量表》，對245名3～6歲幼兒進行了調查，以研究幼兒社會性發(fā)展的性別、年齡特征。調查發(fā)現(xiàn)，在社會性發(fā)展的總分上幼兒的性別差異不顯著，年齡差異顯著?！?〕張蒞穎、孫敬（2012）選取河北保定市186名4～7歲流動兒童作為研究對象，同樣采用陳會昌編制的這一量表進行了調查，結果發(fā)現(xiàn)，與常模相比，學前流動兒童社會性發(fā)展總分符合常模正態(tài)分布;學前流動兒童社會性發(fā)展總分存在顯著的性別差異，男孩總分高于女孩;學前流動兒童社會性發(fā)展總分隨年齡增長、家庭定居市區(qū)時間的增加及母親文化水平的提高而提高?！?〕
圍繞幼兒社會性發(fā)展的一些重要方面，研究者進行了比較細致的探討。例如：吳育紅（2012）分析了幼兒同伴交往中存在的問題及影響因素，指出城市化生活壓縮了幼兒同伴交往的空間，家庭結構的變化導致幼兒缺少交往對象，教育者的教養(yǎng)觀念也影響了幼兒的同伴交往。〔3〕郭苗苗（2012）對自由活動中大班被忽視幼兒的同伴交往行為進行了個案研究?！?〕張鳳（2011）則運用問卷調查法、情境訪談法和現(xiàn)場觀察法，對5～6歲幼兒的同伴沖突解決策略進行了探究?！?〕王芳、劉少英（2011）選擇了3個班級的幼兒，對他們的同伴關系進行了為期三年的追蹤研究，以探究幼兒同伴關系的發(fā)展特點及交往能力的培養(yǎng)策略?！?〕有研究者對幼兒親社會行為的發(fā)展特點進行了研究。賴佳欣、楊恒、郭力平（2012）通過層層遞進的7個分享實驗，考察了不同教育環(huán)境中3歲和5歲幼兒的分享行為特征，結果發(fā)現(xiàn)，5歲幼兒利他趨向顯著高于3歲幼兒，且5歲幼兒在分享行為中已表現(xiàn)出一定的策略性;幼兒的分享行為不存在明顯性別差異;教養(yǎng)環(huán)境會影響幼兒的分享行為;在無涉自身利益或關涉自身利益但無法把控結果的情況下，幼兒的分配行為更趨公平?！?〕趙科等人（2013）則采用《兒童氣質教師問卷》和《幼兒責任心問卷》，對357名4～7歲幼兒進行了調查，以研究不同氣質類型幼兒的責任心發(fā)展特點。〔8〕羅麗（2012）就3～6歲幼兒分享行為的特點、動機與影響因素，對北京市598名幼兒的分享行為和動機開展了教師評定問卷調查，并且對2所幼兒園240名幼兒的分享動機進行了問卷調查。研究發(fā)現(xiàn)，（1）隨著年齡的增長，3～6歲幼兒分享行為的表現(xiàn)越來越好，但幼兒分享行為的發(fā)展不是勻速的，4～5歲是幼兒分享行為發(fā)展的關鍵時期。（2）在分享行為的發(fā)生頻率、類型及水平上，女孩的得分顯著高于男孩。（3）幼兒分享行為的動機可分為同情利他、獲得朋友、外貌吸引、不喜歡分享物、服從規(guī)范、逃避懲罰和互惠互利等七種。在有動機提示情況下，幼兒的分享行為顯著優(yōu)于沒有動機提示時的表現(xiàn)。（4）同情利他是3～6歲幼兒分享行為的主要動機，但不同年齡幼兒的分享行為動機類型分布存在顯著差異。隨著年齡的增長，幼兒分享行為的動機日趨復雜?！?〕李靈子（2011）對2～3歲幼兒的同情與親社會行為的相關性進行了研究。〔10〕鐘佑潔、李艷華、張進輔（2012）基于社會信息加工模型理論，運用問卷調查法和個別訪談技術，對幼兒攻擊行為的一般特征及其社會信息加工過程進行研究，以探討身體攻擊幼兒和關系攻擊幼兒的社會信息加工特點。研究表明，3～6歲幼兒的攻擊行為存在顯著的性別差異，男孩的攻擊行為多于女孩，身體攻擊幼兒和關系攻擊幼兒存在一定程度的社會信息加工缺陷?！?1〕曾娟、谷中玉（2012）通過自然觀察法對混齡班幼兒引發(fā)同伴沖突的原因進行探究，發(fā)現(xiàn)動作意圖誤解、故意挑釁、物品爭議、空間和位置爭議是引起混齡班幼兒同伴沖突的主要原因，研究者據此提出了相應的建議，以幫助混齡班教師更好地處理幼兒間的沖突。〔12〕
2.關于學前兒童社會性發(fā)展影響因素的研究
有相當數量的研究集中探討了父母教養(yǎng)方式等家庭因素對幼兒社會性發(fā)展的影響。劉麗莎等人（2013）在一項短期的跟蹤調查中發(fā)現(xiàn)，父親參與教養(yǎng)的質和量都會對幼兒的社會性發(fā)展有重要影響?！?3〕劉國艷、陸克儉（2012）為了解嬰幼兒早期社會性發(fā)展與母親個性的關系，采用問卷調查法對深圳市22 所托幼機構親子班的867 名月齡為30～36個月的嬰幼兒的母親進行隨機抽樣調查。結果顯示，（1）嬰幼兒早期社會性發(fā)展異常與母親的情緒不穩(wěn)定有關。（2）母親的個性特點對嬰幼兒早期社會性發(fā)展有預測意義，如母親情緒不穩(wěn)定是導致嬰幼兒出現(xiàn)心理和行為問題的原因之一，又如母親外向型的個性特點有利于嬰幼兒早期社會性的良好發(fā)展?！?4〕薛建夢（2013）發(fā)現(xiàn)祖父母的教養(yǎng)方式也對幼兒社會性發(fā)展有重要影響?！?5〕許鳳麟、牛靜靜（2013）發(fā)現(xiàn)特殊結構家庭對幼兒的社會性發(fā)展有重要的負面影響，如導致幼兒自制力差，社會認知偏差等?！?6〕張彩霞（2013）則研究了家里的電視等媒體設備對幼兒社會性發(fā)展的影響?！?7〕國外研究者也研究過電子設備等對幼兒社會性發(fā)展的影響。例如，Yongsuk Kim等人（2012）研究了用多媒體播放童話故事與幼兒親社會行為間的相關性。結果表明，在多媒體條件下，聽童話故事有利于顯著提高幼兒的親社會行為，尤其是幫助和分享行為?！?8〕
正如錢立英（2012）在其對幼兒社會性發(fā)展的研究述評中指出的那樣，當前對幼兒社會性發(fā)展影響因素的研究主要集中在家庭、學校和同伴關系三個方面?！?9〕除家庭因素外，幼兒園教師和同伴對幼兒的社會性發(fā)展也有重要影響。劉海紅（2012）利用有關幼兒間發(fā)生糾紛及教師介入處理的錄像，對日本幼兒園教師進行了訪談，了解其是如何看待幼兒糾紛及教師的介入的。結果表明，教師們普遍認為幼兒間發(fā)生的糾紛對幼兒的成長有幫助，可以提高幼兒的社交技能。教師應適時、適當地介入幼兒的糾紛，可先對幼兒的感受表示理解，等幼兒情緒穩(wěn)定后，再鼓勵幼兒思考解決辦法。教師重視利用糾紛讓幼兒學習理解他人，學會換位思考?！?0〕王振宇（2012）指出，兒童早期的性別化發(fā)展對其今后人格的最終形成和社會適應程度具有深遠影響，呼吁人們關注幼兒園男女教師比例懸殊以及幼兒性別化發(fā)展問題?！?1〕
二、關于幼兒園社會領域教育的研究
3～6歲是幼兒社會性發(fā)展的重要階段，幼兒園社會領域教育的實施效果會直接影響幼兒的社會性發(fā)展。因此，幼兒園社會領域教育也是研究者非常關注的研究領域。從這三年的相關研究文獻看，研究者關注的問題主要集中在以下三方面。
1.關于幼兒園社會領域教育的意義與價值
相關研究多采用文獻分析法。研究者主要通過查閱教育家文集及各個歷史時期有關幼兒園社會領域教育的文獻資料，試圖以古觀今，分析幼兒園社會領域教育的發(fā)展趨勢，提出對當今幼兒園社會領域教育的意見建議，并預測今后幼兒園社會領域教育的發(fā)展方向。例如，梁瑞雪（2013）整理了我國不同時期幼兒園社會領域教育的特點，分析了我國幼兒園社會領域教育的發(fā)展趨勢?！?2〕李彥琳（2012）分析了改革開放以來我國幼兒道德教育的變革?！?3〕甘劍梅（2011）對幼兒園社會領域教育的內涵、性質及社會地位進行了梳理，認為社會領域教育具有常識性、道德性、生活性、人文性等特點，認為社會領域教育在幼兒園課程體系中應占據導向性地位?！?4〕
2.關于幼兒園社會領域教育的目標與內容
《幼兒園教育指導綱要（試行）》（以下簡稱《綱要》）對幼兒園社會領域教育的目標和內容等作出了較詳細的規(guī)定。然而，有研究者將《綱要》與幼兒園社會領域教育實踐聯(lián)系起來分析發(fā)現(xiàn)，《綱要》提出的目標失之于寬泛籠統(tǒng)，對一些教學經驗不足的教師來說，指導性和操作性都不強。嵇B（2012）具體分析了中、美、日、英、俄五國幼兒園社會領域教育的目標，發(fā)現(xiàn)中國對相關目標的界定不夠全面、相對空泛。〔25〕于開蓮（2012）從結構和具體內容兩方面詳細比較了我國不同地區(qū)（上海、香港）以及日本、英國、美國、加拿大等國幼兒園社會領域教育的目標，發(fā)現(xiàn)幼兒園社會領域教育均強調了幼兒自我系統(tǒng)的發(fā)展、人際交往和人際關系的建立、對他人的理解與認識及關愛和尊重、遵守社會行為規(guī)則和養(yǎng)成良好的社會行為習慣、認識周圍環(huán)境等方面?！?6〕2012年底，教育部出臺了《3～6歲兒童學習與發(fā)展指南》（以下簡稱《指南》），對之前《綱要》提出的相關目標作了進一步的細化，在一定程度上解決了原本幼兒園社會領域教育目標失之寬泛籠統(tǒng)，指導性和操作性不強的問題。
3.關于幼兒園社會領域教育實踐的有效性
研究者試圖通過分析目前幼兒園社會領域教育實踐的現(xiàn)狀，尋找對幼兒社會性發(fā)展最有利的教育方式和實施路徑。嵇B（2012）采用內容分析方法，對幼兒園社會領域集體教學活動內容進行了分析，結果發(fā)現(xiàn)，當前幼兒園社會領域的集體教學活動在內容安排上不夠均衡，比較受重視的內容是“親社會行為和人際關系”“社會文化與節(jié)日慶典”“社會環(huán)境”“情緒情感”等，而有關“個性品質”“生活技能與行為習慣”“禮儀教育”“安全與生命教育”“理財教育”等的內容不太受重視。〔27〕亢琪（2013）通過問卷調查、文本分析、錄像分析、集體訪談等研究方法，分析了當前幼兒園社會領域教學活動的組織實施現(xiàn)狀，對教師設計和組織社會領域教學活動提出了相關建議?！?8〕嵇B（2013）通過對幼兒園社會領域教學活動個案的分析，提出社會領域教育要在堅持幼兒主體地位的基礎上，注重體驗與實踐，且需不斷重復和堅持，還需建立良好的師幼互動關系?！?9〕還有研究者進行了更細化的研究。例如，馬潔然、周念麗（2012）認為小班幼兒已經具備了初步的移情能力，可以通過家庭教育與幼兒園一日活動相結合的方法，尤其是可以利用幼兒與同伴的交往，提高幼兒的移情能力。姚素慧（2012）針對社會退縮幼兒的特點，為幼兒園教師提供了促進幼兒健康發(fā)展的建議，如建立溫馨的師幼關系，創(chuàng)設良好的同伴游戲環(huán)境等?！?0〕
研究者還嘗試通過一些實證研究來探討幼兒園社會教育實踐的有效性。Betsy L. Schultz等人（2011）考查了“社會和情感能力學習課程”對幼兒行為改變的效果，結果發(fā)現(xiàn)，“社會和情感能力學習課程”確實對幼兒行為的改變有積極影響作用?！?1〕馮承蕓等人（2013）研究了深圳“兒童早期發(fā)展項目”對幼兒情緒社會性發(fā)展的影響。研究者按年齡分層抽取822名符合條件的幼兒，請這些幼兒的家長填寫《中國12～36月齡幼兒情緒社會性發(fā)展評估量表》。半年后，研究者對其中參與“兒童早期發(fā)展項目”的244名幼兒進行復測。結果發(fā)現(xiàn)，“兒童早期發(fā)展項目”強調的家庭科學育兒與機構教育服務相結合，的確有助于幼兒情緒社會性的發(fā)展。〔32〕孫巧鋒、鄭福明（2012）依據欺負行為發(fā)生的冷認知理論，采用實驗干預法，對有欺負行為傾向的幼兒進行了為期一個月的移情訓練。結果表明，通過移情訓練可以有效減少幼兒的欺負行為。所謂冷認知理論，即是從幼兒內在心理特點出發(fā)分析幼兒欺負行為的一種理論假設。這一理論認為，有欺負行為傾向的幼兒在欺負他人時知道如何去傷害對方，能很好地把握對方的心理。他們欺負別人只是喜歡給別人造成痛苦，也就是說，他們缺乏移情能力?！?3〕周念麗（2012）提出了幼兒園社會領域教育“一腦三育”理論，“一腦”是指“社會腦”理論假設，“三育”是指社會交往中的禮儀教育、社會生存中的安全教育和社會情緒中的情緒管理教育?！?4〕
三、當前學前兒童社會性發(fā)展與教育研究的不足與未來展望
基于對當前學前兒童社會性發(fā)展及社會領域教育實踐研究現(xiàn)狀的文獻梳理，我們看到，當前這一領域的研究雖然取得了一定的成績，但總體上存在著研究對象有缺失、研究內容不系統(tǒng)、研究方法較簡單等問題，亟待加以改進。
從研究對象看，已有研究大多以3～6歲幼兒為研究對象，僅有極少數研究者關注到0～3歲嬰幼兒社會性發(fā)展的特點并展開相關研究。隨著人們對0～3歲嬰幼兒早期發(fā)展與教育重視程度的不斷提高，今后有必要加強對0～3歲嬰幼兒早期社會性發(fā)展特點及教育的研究。
從研究內容看，已有研究主要側重在對分享、合作等少部分親社會行為的研究上，對影響幼兒社會性發(fā)展因素的探討也大多局限在家庭因素方面。隨著時代和社會的變遷，當前社會文化環(huán)境，尤其是電子媒介等，對幼兒社會性發(fā)展的影響亟待加以研究。此外，對幼兒園社會領域教育的研究大多是對社會領域教育目標與內容的文獻研究，或是結合《綱要》《指南》等政策文件對幼兒園社會領域教育活動作分析，而很少從幼兒園一日生活中的實際問題入手，具體探討如何通過專門性教育活動和滲透性活動提高幼兒園社會領域教育活動的有效性。相比美國從20世紀70年代開始就廣泛應用社會情緒教學金字塔模型等理論開展社會領域教育實踐研究，我國對社會領域教育活動有效性的研究亟待加強?！?5〕
從研究方法看，一些研究者開始嘗試采用追蹤研究、教育干預研究等方法進行較長時期的實證研究（主要是一些碩博論文的研究），以探討社會領域教育的有效性，這是令人欣喜的。不過，大部分研究還是以教師和家長的評價為主，評價的準確性有待提高。另外，在研究對象的選取上比較單一，要么選幼兒，要么選成人，很少有將兩者結合起來綜合加以研究的成果。在這一方面，建議借鑒國外有關研究的經驗。例如采用交叉序列研究方法，既做橫向調查研究，也做縱向追蹤研究，而且同時考慮幼兒與成人兩個群體，從而對幼兒社會性發(fā)展進行多角度的、較全面的印證和評價研究。有研究者甚至對研究對象進行了從幾個月大到幾歲的追蹤研究，有的還追蹤到其成年后的發(fā)展，以研究社會領域教育的長效性問題。這種研究往往有大量的數據支持，科學性比較強。這一研究范式對我國今后開展幼兒園社會領域教育研究具有較好的借鑒意義。
參考文獻：
〔1〕馬婷婷，赫英娟，耿艷萌.兒童社會性發(fā)展研究〔J〕.中國市場，2013，（25）：161-162.
〔2〕張蒞穎，孫敬.學前流動兒童社會性發(fā)展現(xiàn)狀及其特點〔J〕.學前教育研究，2012，（12）：37-40.
〔3〕吳育紅.我國學前兒童交往的現(xiàn)狀與對策〔J〕.教育理論與實踐，2012，（14）：16-18.
〔4〕劉淑鳳.5歲兒童社會認知與同伴接納的相關研究〔D〕.大連：遼寧師范大學，2013.
〔5〕張鳳.5～6歲兒童同伴沖突解決策略差異的文化發(fā)生研究〔D〕.北京：北京師范大學，2011.
〔6〕王芳，劉少英.幼兒同伴關系發(fā)展特點及交往能力培養(yǎng)〔J〕.幼兒教育，2011，503.
〔7〕賴佳欣，楊恒，郭力平.學前兒童分享行為的差異性〔J〕.學前教育研究，2012，（2）：20-26.
〔8〕趙科，楊麗宏，張海清，等.不同氣質類型4～7歲兒童責任心發(fā)展研究〔J〕.現(xiàn)代中小學教育，2013，（6）：67-70.
〔9〕羅麗.3～6歲幼兒分享行為特點、動機和影響因素的研究〔D〕.北京：北京師范大學，2012.
〔10〕李靈子.2～3歲兒童的同情與親社會行為的相關研究〔D〕.大連：遼寧師范大學，2011.
〔11〕鐘佑潔，李艷華，張進輔.身體攻擊幼兒和關系攻擊幼兒的社會信息加工特點〔J〕.幼兒教育：教育科學，2012，555/556（7/8）：49-53.
〔12〕曾娟，谷忠玉.混齡班幼兒同伴沖突起因探析〔J〕.幼兒教育： 教育科學， 2012，559（9）：18-21.
〔13〕劉麗莎，李燕芳，呂瑩，等.父親參與教養(yǎng)狀況對學前兒童社會技能的作用〔J〕.心理發(fā)展與教育，2013，（1）：38-45.
〔14〕劉國艷，陸克儉.嬰幼兒社會性發(fā)展與母親個性的關系〔J〕.幼兒教育：教育科學，2012，537/538（1/2）：81-84.
〔15〕薛建夢.祖父母教養(yǎng)方式與學前兒童社會能力關系的研究〔D〕.濟南：山東師范大學，2013.
〔16〕許鳳麟，牛靜靜.特殊結構家庭對兒童社會性發(fā)展的負面影響及對策〔J〕.科教文匯：下旬刊，2013，（2）：154-155.
〔17〕張彩霞.電視媒體對學前兒童社會化的影響〔D〕.臨汾：山西師范大學，2013.
〔18〕NATHAN A FOX，et al.Families and child health，national symposium on family〔M〕.New York：Springer Science+Business Media，2013.
〔19〕錢立英.兒童社會性發(fā)展的研究評述〔J〕.經濟研究導刊，2012，（4）.
〔20〕劉海紅.通過糾紛處理培養(yǎng)幼兒的社會性：對日本幼兒園教師的訪談研究〔J〕.幼兒教育：教育科學，2012，555/556（7/8）：88-91.
〔21〕王振宇.性別化：兒童社會化的重要環(huán)節(jié)〔J〕.幼兒教育，2012，560.
〔22〕梁瑞雪.我國不同時期幼兒園社會教育特點研究〔D〕.北京：首都師范大學，2013.
〔23〕李彥琳.改革開放以來我國幼兒道德教育變革研究〔D〕.重慶：西南大學，2012.
〔24〕甘劍梅.學前兒童社會教育的內涵、性質與課程地位〔J〕.學前教育研究，2011，（1）：53-59.
〔25〕嵇B.我國幼兒園社會領域教育研究〔D〕.南京：南京師范大學，2012.
〔26〕于開蓮.幼兒園社會領域課程目標的國際比較〔J〕.學前教育研究，2012，（3）：48-51.
〔27〕嵇B.我國幼兒園社會領域教學活動的內容現(xiàn)狀與分析〔J〕.學前教育研究，2012，（3）：42-47.
〔28〕亢琪.幼兒園社會領域教育活動現(xiàn)狀調查與分析〔D〕.北京：北京師范大學，2013.
〔29〕嵇B.社會領域教育要注重體驗和實踐〔J〕.幼兒教育，2013，587/588.
〔30〕馬潔然，周念麗.小班幼兒移情能力發(fā)展的特點及其培養(yǎng)方法〔J〕.幼兒教育：教育科學，2012，537/538（1/2）：58-60.
〔31〕BETSY L SCHULTZ，et al.A preschool pilot study of connecting with others：Lessons for teaching social and emotional competence〔J〕.Early Childhood Education Journal，2011，39（2）：143-148.
〔32〕馮承蕓，魏新燕，劉建華，等.深圳實施兒童早期發(fā)展項目對幼兒情緒社會性影響研究〔J〕.中國兒童保健雜志，2013，（6）：660-663.
〔33〕孫巧鋒，鄭福明.基于冷認知理論的幼兒欺負行為干預研究〔J〕.幼兒教育：教育科學，2012，562（10）：38-41.
〔34〕周念麗.幼兒社會教育中的“一腦三育”〔J〕.幼兒教育，2012，542.
〔35〕楊印.幼兒園教師社會情緒教育的現(xiàn)狀評估：基于金字塔模型的分析〔D〕.北京：北京師范大學，2014.
Review and Analysis on Social Development and Education of Early Childhood： Based on the Literature of Year 2011 to 2013
Hong Xiumin， Jiang Liyun
（Faculty of Education， Beijing Normal University， Beijing， 100875）
