文句情感流動的視覺化

#文句情感流動的視覺化

德國哲學家Friedrich von Schelling曾說 "Since it architecture is music in space, as it were a frozen music.”建築是凝固的音樂，音樂是流動的建築，是我們常聽到的話。對應在閱讀而言，不知道能不能說「閱讀是凝視的探究，探究是躍動的閱讀」？

我們常在閱讀中體驗到情感，「凝視」不僅是認知上的專注，更是情感上的共鳴與沉浸。當我們凝視文本時，我們不僅理解字面意義，也直接感受到文字所傳達的氛圍、人物的情緒、作者的語氣，可能是喜悅、悲傷、憤怒、焦慮或平靜，抑或是一種直接的、當下的情感接收，如同凝視一幅畫時感受到的色彩與氛圍。

然而，情感體驗並不止於此，如同「探究」在此扮演了情感理解與深化的角色。當某段文字觸動了我們的情感，「探究」便開始「躍動」。我們有時會繼續想，為什麼這段話讓我感到悲傷？是角色的遭遇、作者的描寫技巧，還是觸動了我個人的記憶？面臨多次循環的內在提問、對情感來源和屬性的思考，就是一種「躍動的閱讀」，超越了單純的感受。

你是否也有這樣的經驗？閱讀時，可能會回頭細讀引發情感的段落（回溯），思考作者的意圖（思想實驗），甚至尋找評論或與人討論（參考資料）。藉由探究的過程，最初在「凝視」中感受到的模糊或強烈的情感，逐漸變得清晰、具體，並被賦予更深的意義。就情感體驗的深度而言，我們可能從單純的同情昇華為理解，從憤怒轉化為反思，這段過程宛如情感在凝視與探究之間往復流動、逐漸豐富和昇華的歷程。

文句所明諭/隱含的情感是否可以測量，以及情感的表現維度上是如何被建構？學術研究上，情感的表現維度常被建構成不同的模型來理解，橫跨了多個學科領域。心理學提供了基礎的情感理論模型，如 Ekman（1992）的基本情緒理論或 Russell（1980）的環狀模型，探討情感的普遍性與結構；計算語言學與自然語言處理 (NLP) 則專注於開發算法和計算模型，利用大規模標註數據（情感詞典、語料庫）來自動識別和量化文本中的情感，不斷提升處理複雜語言現象（如否定、轉折、隱喻、諷刺）的能力；情意運算 (Affective Computing) 則將視野擴展到文本之外，結合語音、圖像等多模態訊息進行情感分析；社會科學、傳播學乃至數位人文等領域則應用這些理論與技術，分析公眾意見、文學作品中的情感模式、社交互動的情感動態等。

為了能測量文章中的段落文句所明示或者隱喻的情感類型與程度，目前主流的情感建構模型提供了不同的測量路徑：第一種如同 Ekman 提出的基本情緒（快樂、悲傷、憤怒、恐懼、驚訝、厭惡等）所呈現的類別模型 (Categorical Models)的判斷方式。在測量上，通常目標是將一段文本（句子或段落）分類到這些預定義的標籤之一或多個，而類型測量的基準，藉由情感詞典（標註了詞語對應的情感類別）進行關鍵詞匹配與計算數量，整個過程類似於我們在「凝視」中捕捉到的、那種相對直接、明確的情感標籤。

另外一種就如Russell 的環狀模型，可以想像是二維平面的關係（維度模型，Dimensional Models），它將情感兩軸的維度，劃分為效價（Valence，愉悅-不悅）和激發度（Arousal，激發-平靜）的連續空間中，有時還會加入主導度（Dominance）。該模型原理直接將情感的「類型」和「程度」整合在維度得分上，例如，一段文本可能被賦予 Valence = 0.7 (偏愉悅), Arousal = 0.8 (高激發度)，所建構的座標點本身就同時定義了情感的性質（位於哪個象限，如第一象限的興奮/快樂）和其強度（離原點的距離或各維度的絕對值）。

如果想將凝視文章的探究過程中，情感流動的過程標示出來，我認為可以嘗試Russell所提的測量方法，使用標註了 V/A/D 分數的情感詞典 (Affective Lexicons)，對文本中的詞彙進行加權平均，這樣的方式能捕捉情感的細微差異（例如，滿足 vs. 狂喜，兩者效價都高，但激發度不同）、強度變化和混合狀態（例如，苦樂參半可能表現為中等偏正的效價和中等激發度），或許更貼近我們在「探究」過程中，透過反思、連結和對比所達到的那種更為豐富、流動和多層次的情感理解。

由於是中文文本，我們使用Qwen2.5大型語言模型，在情感判斷之前，定義emotion_criteria 字典，先以人工定義了數個離散的情感類別（快樂、悲傷、憤怒、恐懼、驚訝、厭惡），並為每個類別提供了具體的判斷依據（關鍵詞、特徵描述、典型表達、強度參考），建立判斷的基準，接著提供案例數據 (data DataFrame)，以實際文本範例及其人工標註（主要/次要情感、強度、指標詞），簡單示範了這些標準如何應用於具體情境，作為模型的參考範本。再來，格式化為文本 (criteria_text)，將 Python 的字典和 DataFrame 轉換成 LLM 易於理解的純文字格式，最後最關鍵的步驟是將格式化的 criteria_text 直接嵌入到每一次發送給 LLM 的分析請求 (analyze_prompt) 中，強制要求 LLM 必須依據這些當下提供的規則進行判斷。

緊接著要能嵌入Russell模型，採用最簡化的情感詞典 (Valence, Arousal)：

◼︎’快樂': (0.8, 0.6) 表示「快樂」位於模型的右上象限（高愉悅，中高激發）。

◼︎'悲傷': (-0.7, -0.3) 表示「悲傷」位於模型的左下象限（高不悅，低激發）。

◼︎'憤怒': (-0.7, 0.7) 表示「憤怒」位於模型的左上象限（高不悅，高激發）。

◼︎其他...

分析過程首先透過 get_emotion_coordinates 函數，將 LLM 分析出的每個文本片段的情感標籤和強度，轉換成 Russell 環狀模型上的 (Valence, Arousal) 座標，查找預定義的 RUSSELL_COORDINATES 字典獲取基礎座標，並根據強度調整該點與中心點的距離。接著，parse_emotion_flow_response 函數負責解析 LLM 對整個文本流動分析的回應，提取出每個片段的情感標籤與強度，並調用 get_emotion_coordinates 將它們轉換為具體的 (Valence, Arousal) 座標點，然後儲存這些資訊。最後，visualize_emotion_flow 函數利用 matplotlib 將這些計算出的座標點繪製在以 Valence 和 Arousal 為軸的二維圖上，標示出每個點對應的片段編號、情感和強度，還用箭頭按順序連接這些點，形成一條視覺化的情感流動軌跡，並處理了點重疊的問題以確保圖表清晰。

測試時，以「忘了說再見，來不及道別，一起發生後，是人生無可奈何的事。」這段話來測試，透過這視覺化軌跡，直觀地展示了模型分析出的片段文句的情感變化趨勢，例如從哪個象限移動到哪個象限，是趨向平靜還是激動，是變得更愉悅還是不悅。雖然人類的情感千變萬化，受限於讀者能力與文化環境條件，不能完全等同於讀者在「凝視」階段所「明示」感受到的全部情感，但應該作為一個有價值的「潛在量化指標」或「情感軌跡的視覺化表現」。

有了這個情感流動的視覺化模型，就可以將小說裡的對話情節與內容進行情感的流動分析，包含追蹤角色情感變化，分析特定角色在對話中的情感軌跡，了解他們的心情起伏、內心掙扎或態度轉變。同時呈現了人物關係動態，比較對話雙方的情感流動，觀察他們的情感是同步、對立還是相互影響，從而評判他們之間的關係（如親密、衝突、權力不對等）。也可用於分析情節張力，觀察對話過程中整體情感氛圍的變化，判斷情節的緊張度是如何累積、達到高潮或得到緩解的。當然，可進一步理解作者論述技巧，分析作者如何透過對話來塑造角色性格、推動情節發展和營造特定情感氛圍。

寫到這裡，想到NoteBookLM的Podcast功能，跳脫文本進入到聲音的學習，故事的體驗，應該可以繼續延伸.....(文章情感的形狀)

—

Ekman, P. (1992). An argument for basic emotions. Cognition and Emotion, 6(3–4), 169–200. https://doi.org/10.1080/02699939208411068

Russell, J. A. (1980). A circumplex model of affect. Journal of Personality and Social Psychology, 39(6), 1161–1178. https://doi.org/10.1037/h0077714

#對話型式的情感流動視覺化

『比花還美的，是你的心。比心還醜惡的，是你的花心。』

對話：

A女: 比花還美的，是你的心，純淨得讓我相信愛情。

B男: 我是如此幸運遇見妳，從未被如此理解，被如此珍視。

A女: 但比心還醜惡的，是你的花心，你的背叛毀了一切.....

比較不同的文本：

A(老師):比書還博的，是你的思，讓我看見教育的希望。