二、文学情感计算的不同方向
按照研究方式或目标的差异，对文学作品进行情感计算的课题可以分为若干不同的方向。虽然都基于大致相当的对文本进行的情感赋值过程，但有的研究是为了对文学作品的情感模式进行分类；有的则专注于情感弧线的生成，以便进行故事模式的分析；有的则将目光聚焦在特定的人物之间，对其彼此间的互动进行情感分析；有的在不同的文类流派中寻找情感模式的差异；还有的着重分析文本中的情感与特定时空的关联。
（一）情感极性分析
目前所能找到的最早对文学作品进行情感计算的研究来自安德森（Anderson）和麦克马斯特（McMaster），两人在1982年发表的一篇论文里，首次在计算机的辅助下对文本段落的情感基调进行了定量计算。他们的动机在于分析为何不同故事的吸引力有区别。他们认为，引人入胜的故事的一个特点是“情绪紧张感的起伏”，而这种紧张感会在“故事接近尾声时逐渐释放出来”（Anderson and McMaster 1）。为此，他们使用了海斯（Heise）建立的一个包含了1000个常见单词的情感极性词典，来计算不同文本段落的情感得分。其计算过程是半监督式的，即通过程序扫描文本，发现其中出现的海斯词典中的词汇，对单义词直接叠加计算，多义词则弹出选择项，通过人机对话选出其中一个义项进行计算。通过这样的方式，他们对乔伊斯·卡罗尔·欧茨（Joyce Carol Oates）的长篇小说《奇境》（Wonderland）的第二章，以及毕翠克丝·波特（Beatrix Potter）的五个儿童故事进行了情感计算，并将不同文本块所得的情感分数连接起来，为每个作品绘制出一个反映情感走向的折线图。在《奇境》的折线图中，第28、29个文本块所在位置呈现出陡峭的峰值，研究者将其称为“情感灾难”（emotional catastrophes）（Anderson and McMaster 5），并认为正是这样突然的情感变化增强了作品的吸引力。
安德森等人的工作表明，对文学作品进行情感的建模和计算是可行的，其展示的情感极性分析案例也为之后的研究提供了一个有效范式。例如，几个新近的研究案例包括一个基于人工注释的对莱辛（Gotthold E. Lessing）六部戏剧的情感极性研究、通过自行建立的拉丁语情感词典对贺拉斯（Horace）抒情诗集《颂歌》（Carmina）的情感极性分析、基于自己编写的一个情感分析软件对20世纪的一些意大利诗歌和小说进行的情感词统计分析，等等。在这些研究中，情感极性的赋值一般分为正负两极，正值表示正面情感，负值则代表负面情感。这种赋值方式固然是对人类丰富情感体验的一种极度简化的投影处理，但相对于传统的情绪分析方法，它具有一些显著优势：其一，基于词典的赋值方法具有客观性和一致性，可以避免人为分析中的主观性，即在不同时间或对不同作品进行分析时出现标准偏差；其二，它具有易操作性，由于情绪分析过程中尽量减少了主观判断的介入，分析者不再需要成为情绪或认知方面的专家，只需要熟悉算法流程即可；其三，计算机进行情绪赋值和数据处理的速度远远超过人类，因此可以在有限时间内进行大批量的文本情感计算，并基于大数据建模分析。
此外，也有研究者采用情感值的高低作为二元极性的划分方法，并以此研究早期美国小说中感伤主义流派的语言模式。一个对格林童话进行情绪计算的研究虽然采用了多种情绪进行文本标注，但在分析时却只将这些情绪分为积极和消极的两类。他们发现，这些童话故事的开头部分往往并不带有太多极性情绪，在第二部分中消极情绪出现明显增长，而积极情绪则在结尾部分大幅增加，意味着它们基本上都有一个好的结局。事实上，一些基于情感极性的研究专门将目标放在作品的结尾，致力于通过故事结局的圆满与否来对其进行“好结局/坏结局”的分类。有研究者认为，识别结尾是否圆满幸福有助于我们更好地理解作品的整体情节结构。他们的研究结合了词典、人工注释和机器学习算法：首先通过专家对两百余部德国小说进行结局好坏的分类，然后基于一个情感词典计算出各小说分块之后的情感值，从而得到一个多维数组，最后将数组和专家注释的结果作为输入数据，通过支持向量机的算法进行机器学习。
需要指出的是，所谓幸福结局或悲剧结局，一般是对故事的主要人物而言的，一个作为主角对手的反面人物落得悲惨下场，并不意味着悲剧结局，事实上这反而是幸福结局的主要特征之一。因此，研究者需要在对文本中的情绪进行赋值的同时，将其与特定人物关联起来，也就是进行“情绪归因”的工作。然而，由于情绪归因在技术和操作上的困难性，大部分此类研究都只是笼统地对各序列的情感词汇进行数值叠加，得出该序列的情感值，并没有进行精细的归因工作。这导致在各序列的情感计算中，主角和其他人物的情感数值产生了平均效应，降低了结果判断的准确性和方法的有效性。与此同时，平均主义的处理方式也让研究者无法精确分析文本结尾处的微妙情绪，对于某些结局悲中有喜或喜中藏悲的作品而言，此类计算很可能只能得到一个平庸的结果。此外，作品的悲剧结局通常与人物性格、时代背景等因素密切相关，没有归因的情感计算自然也就很难进行此类更为深层的文本分析。
（二）情感弧线提取
很多研究者都试图从情感分析中获得与文本情节相关的信息，通常他们会借助“情感弧线”（Sentiment Arcs）的概念——这是美国作家库尔特·冯内古特（Kurt Vonnegut）在20世纪中叶首先提出的。他认为，以文本序列为横轴、不同文本序列的情绪为纵轴，绘制出的线条是对故事情节的一种可视化表征。上文中提到的安德森等人的研究，其绘制的折线图本质上就是情感弧线，虽然在他们的论文里并没有直接提到“情感弧线”一词。其实，在20世纪20年代的创造社时期，成仿吾就在“《残春》的批评”一文中表述过类似概念，即用一个坐标轴来表征文学作品中情绪的发展走向。不过成仿吾使用情感曲线的目的是为了论证“高潮”对于小说是非必需的， 因为一旦高潮结束之后，情感曲线势必下降，他认为这会导致“有害而无益的蛇足”，所以与其“有一个有害的最高点，我们宁可欢迎没有最高点的文艺”（成仿吾44）。成仿吾把情感曲线简单抽象为一个抛物线，并略显偏激地认为高潮是有害的，但冯内古特认为上升和下降的曲线对于一个故事都是必要的，不同的故事可以通过这些弧线的形态进行分组，而且这种分组的数量或者说情感弧线的模式数量——是有限的。
里根（Andrew J. Reagan）等人通过对古腾堡计划（Project Gutenberg）小说集中1327个故事的情感弧线进行绘制和分类，找到了六个核心的弧线模式，某种程度上印证了冯内古特的观点。他们首先用基于词典的方法计算出每个小说文本不同文本块的情绪值，得到它们的情感弧线，然后将奇异值分解、聚类和机器学习算法结合起来，从这些情感弧线中提取出几种共同的结构模式。在此之前两年，马修·乔克斯（Matthew Jockers）就在自己的个人网站上发表文章，认为情感弧线是一种检测故事情节的有效方案，并在网上发布了自己开发的软件包Syuzhet。在此之后，他与其他学者以网上发文的方式进行了深入讨论，发现了软件包存在的一些问题，对其进行了更新。有研究者使用该软件包分析了英国作家伍尔芙（Virginia Woolf）的意识流小说《到灯塔去》（To the Lighthouse），以检验现代主义小说是否打破了传统的情节结构。在此之前，已有研究者做过类似的尝试，即通过情绪词汇的检测和统计来辅助分析故事情节。最近，还有学者提出一种新的基于自我监督的情感弧线提取方法，认为其可以应用于包括文学作品在内的长文本的情感与叙事分析。
需要指出的是，在情感弧线的绘制方式上，并不局限于以上的简单线图模式。有的研究者通过彩色编码的密堆条形图来呈现情感值在不同文本区块中的变化，还在不同条形图与其对应的文字之间建立超链接，使读者可以直接访问原始文本。另一些研究则通过自适应滤波器来过滤原始的极端不规则的情感弧线，并从这种过滤所体现的趋势中来提取关于文本的隐藏特征。
不管其表现形式如何，情感弧线的绘制都是对文本情感极性随着文本序列起伏趋势的一种可视化表征。在叙事文本中，情感状态通常与故事发展有着紧密关联，因此，情感弧线必然从某种程度上反映了故事情节的走向，从而使得研究者可以利用它对故事模式和情节结构进行建模分析。对于传统的基于词频、句长等微观特征量进行数学建模的文学计量研究来说，由于很难在特征量与情节叙事层面建立联系，所以无法实现对叙事等较高层次的文学概念进行建模。情感弧线多少弥补了这一缺失。然而，通过情感进行故事建模，毕竟是一种间接的方式，因为情感走向与故事发展并不一定完全合拍。同时，正负两极的简化处理所得的情感数值与真实而丰富的人物情感也必然产生偏离，从而无法完全反映文学作品中的情感状态。
另外，在情感弧线的生成中需要将文本划分成连续的文本序列，但是，应该如何适当进行文本序列的划分，仍然是一个值得思考的问题。在很多研究中，研究者只是简单根据固定字数（单词数）进行序列的切分。毫无疑问，这种机械的切分方式会割裂文本的自然结构，导致与某种情绪相关的文本段落出现断裂，从而对计算结果造成误差。另外一种较常见的处理方式是利用小说原本的章节进行序列的切分，虽然避免了文本结构的割裂，但这种方式完全依赖作品本身的章节结构，缺少主动性，无法按需调整。比如在需要进行文本间的比较时，相差甚远的章节数会让情感弧线的细腻度产生巨大差异，影响比较的进行。其实，文本序列的划分在文学计算中是一个普遍存在的问题，在计量叙事研究中，也同样需要划分出不同的叙事序列，以便观察作品的叙事节奏和故事结构。最合理的方法其实是基于故事场景来进行序列的划分，因为场景往往也是叙事推进和情绪转变的基本单元。目前，虽然已经有了一些对文学作品进行场景自动切分的尝试，但其有效性和便捷性仍然无法让人满意。
（三）情绪分析与文类流派
从阅读经验中我们可以提出一个假设，即不同的文类可能会使用不同的情感词组合或呈现出不同的情感词汇分布。如果假设成立，我们就可以借助情绪分析的方法来对不同文类或不同文学流派进行聚类分析，在不同的类型中挖掘其独特的情绪模式。
萨莫斯拉基斯（Spyridon Samothrakis）等人试图检验这一假设。他们从古腾堡计划的文本库中收集了3403篇不同类型的小说，囊括了科幻、恐怖、西部、狂热、犯罪、神秘、幽默等类型标签，然后基于埃克曼的基本情绪分类，使用名为“WordNet-Affect”的软件来进行情绪词检测，计算出每个句子的情绪值，其结果是一个对应于六个情绪类型的六维数组。接着，便可以文本进度为横轴、不同情绪的数值为纵轴，在同一坐标中绘制出六条曲线图——本质上就是进行了情绪细分的“情感弧线”。这种细分的情感弧线可以帮助我们直观地看到诸多文类在情绪模式上的差别：例如恐怖小说具有极高的情绪值，且恐怖情绪通常集中在故事的最后出现；而科幻小说则普遍具有较低的情绪值。此外，在使用随机森林分类器的情况下，加入了情绪数值后进行文类分类的结果，其准确度几乎是之前的两倍，这也表明不同文类的确潜藏着某些独特的情绪模式。
另一个与之相近的项目同样在古腾堡计划中收集了2019本书，包括冒险、科幻、神秘、幽默和浪漫五类，然后基于词典为每部作品建构出基于普拉奇克八种基本情绪的细分情感弧线，将其作为特征集的一部分输入随机森林算法中进行分类。与萨莫斯拉基斯等人的结果一样，情绪特征集的加入显著提升了分类的准确性。研究者还分析了在每个文类中各类情绪的情感弧线的一致程度，发现恐惧和愤怒在同文类中的一致性最好，期待和信任的一致性最差。这意味着，对基于情绪的自动分类来说，恐惧和愤怒的数值是更好的特征量。通过综合各种情绪的弧线，不同文类得以呈现出不同的趋势特征，比如冒险小说，其典型的情绪特征为：信任和期待在开始部分处于高值，接下来悲伤、愤怒和恐惧的情绪值达到峰值，但在故事最后，信任往往再次成为主导情绪。不过，虽然以上情绪模式适用于语料库中的大部分作品，但研究者同时注意到，在每一种模式中都有少量的显著偏离模式的例子，而这些例子里优秀作品的比例很高。这代表着创作者对情感发展模式的某种超脱和革新的愿望，这种创新的愿望正是孕育杰作的温床。
以上两个研究都使用机器学习算法作为分类器。事实上，在文本分类领域，近年来有越来越多的项目用到了各种机器学习或深度学习算法。这些算法有效地提高了分类的准确性和有效性，但同时也带来一个必然的负面效应，即降低了计算方法的透明度和可阐释性。除了算法本身的可解释性问题之外，其在计算过程中使用的超参数——如数据平滑过程、学习率、深层神经网络隐藏层数等，也会对结果产生重要影响。那么，这些超参数在计算中是否会扭曲和误导数据与文学意义之间的关联呢？目前仍然缺乏一个广泛而系统的研究。在文学计算中，特别是在想要深入到文本分析和文学批评领域的研究里，应该更审慎地使用这些会降低算法可阐释性的工具。
此外，一个对西语裔美国小说的研究显示，不同的子类型具有不同的情绪特征。比如， 感伤主义小说在叙述文本中具有较低的信任值和较高的期待值；历史小说在叙述文本中包含了较多的恐惧和愤怒；而那些具有更强的西班牙本土性的小说，其叙述文本在悲伤情绪上比社会政治小说更弱，在信任情绪上则强于感伤主义小说。该研究的另一亮点在于，它把文本中的叙述部分和对话部分进行了区分处理，从而让情绪计算更为精准。本质上，这相当于一个弱化版的情绪归因，因为叙述部分的情感词很多时候来源于作者的叙事意图，而对话中的情感词则更多地从属于对话角色本身。另一个研究则通过情感词的分布密度来分析不同文类间的差异。该研究发现，与小说相比，童话故事在期待、厌恶、喜悦和惊喜情绪上的词密度明显更高，但信任情绪的词密度更低。还有研究者通过一个名为“SentiProfiler”的可视化情绪分析系统进行了一个更为微妙的研究——分辨哥特小说中的心理恐怖（terror）和本体恐怖（horror）两个子类型在情绪上的区别。结果显示，胆怯、焦虑和害羞的情绪在心理恐怖小说中更为常见，恐惧和厌恶则在本体恐怖小说中更常见，恶心则通常是本体恐怖小说中独有的情绪。这意味着，即便在通常认为的同一类型內部，不同亚型之间也可能存在情绪模式的差别。同时，我们也注意到，上述几个研究总体仍然偏向验证层面，其结果基本没有脱离人们的认知经验，因此虽然使用了很新颖的量化方法，但对于文学研究而言价值不高。对于文类间不同的情绪模式及其成因，未来应该结合故事模式、叙事需求，作者风格等因素进行更深入和细致的分析。
（四）人物指向的情感分析
在通过情感弧线进行故事模式识别和分类的研究中，一个隐藏的假设是故事视角的单一性。因为从文字识别出的情绪主要源于当前视角下的人物，如果该视角贯穿故事的始终，那么情感弧线很大程度上可以被看作是故事发展进程在主角情绪上的一个投影，因此可以基于此进行故事的建模。但通常来说，文学作品中都存在两个或更多的视角，此时的情感数值便成了众多人物情绪的一种平均值。因为传统的粗粒度的情感分析并不能分辨检测到的情绪究竟对应于哪个人物，比如：“张三看着一脸平静的李四，心里却很害怕，因为李四拿刀的手开始颤动”，这句话所检测到的恐惧情绪或负极情感，应该归于张三， 而与李四无关。因此，在进行文学作品的情绪分析时，不仅应该关心从文本中检测到的情绪类型，更应该关心该情绪指向的人物究竟是谁，这就是“情绪归因”的工作。如果不进行情绪归因，上述例句中从“害怕”提取的负面数值与从“一脸平静”提取到的正面数值会互相中和，最终削弱总和数值对故事走向的映射效果。换句话说，只有经过情绪归因，我们才能将分析深入到虚构人物的本体和关系层面，并最终为更精细的情节分析服务。
对于戏剧等具有结构化对话格式的文学作品来说，情绪的识别和归因较为简单。因此，纳利斯尼克（Eric T. Nalisnick）等人首先通过识别人物对话中的情绪词，对莎士比亚戏剧中不同角色之间的情感动态进行了分析。他们将一组人物彼此间的极性情绪绘制到同一幅情绪弧线中，让两者间的关系变得一目了然。比如，对《奥赛罗》的情感分析图显示，奥赛罗“在故事开始阶段对他的新婚妻子具有强烈的积极情绪”，但随着奥赛罗越来越深地陷入伊阿古的欺骗中，这种积极情绪出现了“迅速下降”（Nalisnick and Baird 481）。之后，纳利斯尼克等人将这一工作进行了扩展，提出了人物情感网络的概念，即在一般的角色网络的基础上，将人物间情感的极性值作为网络中的边的权重。他们测试了从莎士比亚戏剧中提取的情感网络是否符合结构平衡理论（Structural Balance Theory）——即朋友的朋友也是你的朋友，但结果并不如预期。其原因可能在于，研究者所用的浅层情感分析方法很难识别言语中的讽刺和欺骗等元素，而这些元素对于人物情感关系的判断至关重要。这正是当前情感计算中的一个重要障碍，对于隐喻、讽刺等深层情感表达方式，当前仍然没有一个较好的建模和分析方式。
金（Evgeny Kim）等人将情感网络的建构分析应用到了非结构性的文学文本中。他们建立了一个由19部同人短篇小说组成的语料库，对其进行情感和关系注释之后，通过机器学习算法来建构其中角色的情感网络。之后，在另一项研究中，他们通过同一语料库重点观察了人物间的情感是如何通过非语言的途径来表达的，比如通过面部表情和声音特征来表现快乐的情绪，通过手势和身体姿势来传递信任的情绪，等等。显然，他们在这两项研究中选择同人短篇构建语料库，是因为这些文本共享同样的人物设定，因此也就遵循同样的人物情感关系。这相当于变相地扩大了学习语料的数量，有利于提高关系抽取的精确度。但是，对于大部分文学作品来说，并不存在以其为基础的同人作品，这种情感网络的提取方法是否还适用呢？或者说，其有效性会受到何等程度的影响呢？同一年，中国人民大学的张旋等学者则在构建人物关系网络时引入一个亲密度函数，通过一个基于情感词典的方法来进行计算，并以此分析了14部金庸武侠小说中的爱情模式。但这一方法的识别结果受到文本分析的窗口宽度的影响，在不同窗口宽度上，识别的精确率和召回率会出现显著差异。总体来看，目前对文学作品中的人物情感关系的提取在方法上仍然不成熟，因此尚不能进入更深层的情感网络量化分析和情节分析阶段。
另一些研究对虚构人物间的情感关系进行了更为精细的数学建模。比如贾法里（Sajad Jafari）等人提出了一个基于微分方程的动力学模型，对阿拉伯古典爱情故事《莱拉和马吉努》（Layla and Maynun）中的人物感情发展过程进行了模拟。其特别之处在于，情感被处理为一个二维向量，而不是极性的一维——这意味着人物之间的情感是由爱与恨的两个分量所耦合而成，因此能够复现出一些更现实，更复杂的情感关系。此外，还有更多类似的情感动力学模拟研究成果，大多发表在物理学期刊上。它们大多只是通过对数学模型的调试，来模拟某一特定文学作品中的情感模式，目的是对模型本身的有效性进行检验，因此并不关心文本本身，自然也无意于探索更深入的文学问题。
当然，情感分析也可以聚焦于人物本身，而不仅仅是考虑与他人的关系。金等人在一项研究中将人物的情感与其产生原因连接起来，这种细粒度的情感提取方法对于文学批评无疑是更有用的。还有研究者提出可以对文学人物的内心世界进行建模，从文本中出现的语言描述来展开情感分析，以捕捉和推断人物的心理特征。国内也有研究者进行过类似的尝试，例如中科院心理研究所的吴育锋等人通过其计算网络心理实验室研发的“文心”中文心理分析系统，对小说《平凡的世界》中的人物进行了心理分析和大五人格预测。此外，还有一个有趣的研究值得一提：通过人物的情感关系来判断《西游记》中孙悟空在“真假美猴王”事件前后的身份真实性是否发生转变。研究者对孙悟空与其他角色的对话进行情感分析，发现在事件前后孙悟空对猪八戒，沙悟净等人的态度几乎没有转变，对唐三藏的正面情感有明显上升，对神佛群体的态度明显转好，由此发现孙悟空并没有被六耳猕猴取代，这一事件却“消灭了孙悟空的反抗精神”（即诛灭了“心魔”）（张辰麟等 125）。
（五）情绪与时空的关联
前述的研究基本上都将研究重心聚焦于文学本身，通过情感计算对文本的叙事模式、人物关系或文类区别进行分析，但也有研究将其拓展到社会层面，在文学作品的情绪和特定的时代、地域和族群之间寻找关联。20世纪下半叶以来，在人文社会科学“空间转向”的潮流之下，地理信息系统（GIS）已经被广泛用于各种研究课题之中，其数据管理、空间分析和可视化的强大功能同样可以用于文学研究，包括用于文学情绪地图的建立。
海瑟（Ryan Heuser）等人建构了一个包括5000余部在18和19世纪出版的英语小说语料库，找到作品中出现的伦敦地名并计算了与之相关的情绪值，从而得到了一个直观的伦敦情绪地图。在这张地图中，绿色所代表的欢乐情绪区域一般位于那些开阔的公共空间，如圣詹姆斯广场、海德公园等，而红色所代表的恐惧情绪区域则通常位于那些具有强制拘禁性或封闭性较强的空间附近，如新门监狱、精神病院或伦敦。此外，他们还对情绪地图在不同时代的变化进行了分析，发现在两百年间，作品中的欢乐情绪基本维持在一个稳定的比例上，但恐惧情绪则出现了大幅度减弱的趋势，特别是在18世纪上半叶与下半叶之间，其“关键因素”可能在于现代文明的发展，例如“夜间电灯、保险政策、警察部队”（Heuser 7）在伦敦市区的普及。
然而，如果将统计范围扩大到更大规模的文学文本或非英语写作的文本，这一情绪涨落的结构似乎就不太成立了。例如，莫林（Olivier Morin）等人通过一个结合了谷歌图书和古腾堡项目的大型英文小说语料库，分析了从18到20世纪的不同时间段内，文学作品中情绪值的变化趋势。他们发现，从19世纪开始，英语文学中情感词的出现频率就逐渐下降，而且这种改变完全是由于积极情绪相关词汇的减少所导致的，而与消极情绪相关的情感词的频率则几乎没有下降。另一项稍早的研究则将目光聚焦于20世纪，研究者引入了一个基于文学文本情绪计算的“文学苦难指数”（literary misery index），将其与作者所在国的经济苦难指数相对比，发现两者之间具有很强的相关性——这一结论不管在英语文本还是德语文本中都同样成立。海瑟与莫林等人的研究所得出的不同结论显示，研究语料的语言种类和数据规模差异有可能对结论产生很大的影响，这同时也削弱了此类研究本身的普适性和科学价值。
来自中国科学院大学的陈曦东等人则对宋词中的情感特征进行了时间和空间上的定量分析。他们挑选了340篇写景类的宋代诗词，并从中提取出时间、地点和情感信息。基于罗素（James Russell）所提出的情绪环形分类模式，他们对快乐、旷达、平静、愤懑、悲伤、忧虑和思念这七类情绪词各自赋予一个极性强度（前三类为正值，后四类为负值），然后结合统计到的各类情绪词的数量，对文本中的情绪进行量化。计算结果显示，作品中情感值的变化整体上与宋代国势的发展趋势相吻合，而且“宋朝词人情感的时空分布变化与重大历史事件发生的时间和地理位置有很大关联”（陈曦东等 1147）。
还有一些研究将文学文本的情绪与某一特定的族群联系起来。比如，有研究者将目光聚焦在二战期间的韩国慰安妇群体上，对其自述经历的个人叙事文本进行了情感挖掘。他们发现，恐惧是这些文本中最突出的情绪，悲伤、遗憾、愤怒和绝望等情绪也很常见，特别是悲伤和遗憾，通常出现在文本的结尾。研究者通过可视化的方式将这些结果呈现出来，以帮助读者在时间、空间、情感和认知元素之间建立联系，促进人们对这一群体和历史事件的了解。
21世纪以来，“文学地理学”展现出日益蓬勃的发展势头，地理学的视野和方法论与文学研究相结合，在文学史、文学批评、文化研究等领域都取得了丰硕的成果。此类基于情感计算的时空关联研究，可以被视为文学地理学的一个重要组成部分，它填补了传统分析数据中在情感这一关键维度上的缺失。
