[中图分类号]G206 一、研究背景 媒介信息如今会附上愈来愈浓烈的情感元素，情感或情绪近年日益受到重视，以至有论者认为，现代社会是情感量爆炸的社会(Füredi，2003)。这或与网络社会的崛起相关，尤其是“社交媒体改变了公共舆论的形态，情感在其中的意义凸显”(袁光锋，2021)。传播学者检视媒体内容的时候，也越来越重视情感，并将它视为相关的信息资源(Doveling，von Scheve，Konijn，2010)。研究网络用户情绪的传播规律主要服务于分析网络舆论，对公共事件进行预警和监测。在此，学者们往往更重视情感如何经由媒介而进行表达和传播，侧重于将媒介视为情感的载体，把重点放置于讨论情感的类型，而较少论述媒介从自身逻辑出发对情感的影响(袁光锋，2014)。其实，作为中介的媒介技术(不论是否用于沟通和传播)不再仅仅是介入沟通行动的“工具”(戴宇辰，2018)，媒介逻辑及其应用的正当性值得重新审视。 情感非常复杂，运用科学工具来观察这一内部世界既诱人又有利可图。皮卡德于1997年在她的专著中首次提出了“情感计算”(affective computing)的概念，“情感计算”是针对人类情感的外在表现，进行测量和分析并能对情感施加影响的计算(皮卡德，2005：62)，最终目标是建立和谐人机环境。当它作为应用工具走出实验室，则令网络空间中格外突出的、复杂多变的情感话语变成了具有实际运用价值的数据。皮卡德的研究支撑了情感侦测领域的龙头公司Affectiva发展壮大，如今有更多的企业取得Affectiva产品的授权，开发了形形色色的应用程序，分析在线视频中人们面部表情和其他非语言线索。类似地，当人们在网络上表达情感、构建情感表达空间时，平台的算法程序自动地收集数据、进行演算，公司、组织或机构在此基础上形成情感分析、喜好度分析的报告和榜单，用非常理性计算的方式——基于规则或基于统计(高凯等，2019)——形成了网络公共领域中的情感治理术，如“控评”、“引导”、“疏通”、“消解”、“营造”等。广告营销领域尤其视情感计算为制胜法宝，比如淘宝不仅分析用户生产内容中的情感知识，将其融入算法的预训练模型，还进一步在业务应用时于商品标题下投放算法生成的正向情感评论，可以显著提高点击通过率(CTR)和成交金额。情感计算逐步移至后台黑箱，成为一种视而不见、见怪不怪的功能，“精度”、“挖掘、分析及判别……”、“分析处理……”、“给出相应结果”等工程话语、计算术语构成了百度情感分析、讯飞自然语言处理、广告情感分析、舆情情感分析等软件中技术解决主义的核心词汇。 可见，与传统的纸质媒体、视听媒体相比，当今网络社会中的情感传播既有可计算的技术逻辑，又围绕技术生成了情感治理逻辑。换句话说，情感传播如今不仅仅是一个呈现和表达系统，也并非情感传达自内而外地找到一个媒介载体那么简单，更是一个计算系统中的回环。程序员采用形式化的代码句法、符号等构造了一个由陈述、指令和循环(loop)组成的结构化程序(Berry，2004)。与此类似，情感模型被认为是“对人体特定情感输入输出系统的描述和解释，情感系统是多级子系统的级联和一定程度的反馈循环”，情感计算则依此构造出了情感检测—识别—调节方式呈现—情感调节—情感监测—识别—调节效果评估的“闭合的情感调节系统回环”(刘光远等，2014：54)。 本研究借用“情感回环”这一概念，指代可计算的情感中始于媒介和算法、终止于媒介和算法的闭环(closed-up)，它既收编了情感计算，也对接了情感治理。最简单的回环可以对接两个系统，其辐射范围却远不止于此，而是持续连接和拓展，生成庞大而复杂的反馈控制系统。这一情感回环遮蔽和引发的一些情感议题，是本研究将要探讨的：情感计算在何种知识脉络下成为网络空间治理中的“显学”？治理主体或广告商何以、为何能让情感变得易于计算、易于处置？这样“回环式”的情感理解和治理方式又会造成何种危险的偏差？本文将通过谱系学的方式来审视这一可计算的情感回环在何种知识权力形式和关系中诞生，并对此进行批判性的反思。 二、情感计算在网络传播中的应用 情感在网络上量级增长和传播，相应地也有越来越多的数据分析机构开始投入情感计算程序的研发，情感计算已经逐渐发展为一个融合了计算机科学、工程学、心理学、教育学、神经科学及其他学科的跨学科领域，并预示着网络情感研究方法的革新。情感计算的信号采集一般来源于人脸情感、语音情感、肢体语言、语言文字和生理模式等，但对于情感的网络传播，语言文字目前仍是最主要的情感计算来源，被广泛应用于舆情、广告、民意调查。 情感计算一般分为四个步骤：通过多种方式直接或间接获取人类的情感信息，通过建模对情感信息进行分析识别，对分析结果进行推理达到感性的理解，将理解结果通过合理的方式表达出来(刘光远等，2014：8)。分析识别情感是情感计算中的技术难点，是建立自动化情感分析工具的基础。其中，基于规则和情感词典的深度学习方法依赖的是语言知识，结合语义分析，将语义规则应用到情感及情感强度识别当中：利用语言表达的语法、句法以及人工标注的情感词典，对目标文本进行匹配，根据匹配的结果计算情感词得到情感倾向的值，从而对文本进行情感分类(宋晓雷等，2010)。比如，Dodds等人(2011)使用亚马逊众包人物平台来自建情感词典，给超过1万个英文单词打分，1分代表悲伤，9分代表高兴，再用此衡量用户对某一信息的情感倾向程度。而基于机器学习的方法，则是提取经过人工标记的数据集的特征，让算法学习文本特征，利用适应测试集的数据来判断情感分类，并通过如贝叶斯分类器、支持向量机(SVG)等统计分类方法来计算情感分类中出现概率的熵(张珊等，2012)，这样就可对普通无标注的文本数据进行情感分类。一些研究者还使用表情符号来提高机器学习模型的效果(Go，Bhayani & Huang，2009)。简而言之，各类算法是基于“未来事件发生的强度大小依赖于以往发生的历史事件”这一基本逻辑，而研究者也相信“只有经过量化的情感指标才更准确”(李继红，2016)。
