Emoji-Dis：首个基于13种离散情绪特征的大规模表情符号数据集研究

本研究针对数字通信中表情符号(emoji)情感表征缺乏系统数据的问题，开发了包含112个面部表情符号在13种离散情绪(含8种积极情绪)的标准化数据集Emoji-Dis。西班牙多机构联合团队通过763名受试者的主观评估，首次提供了愤怒、愉悦等情绪维度的量化指标，验证了表情符号与词汇情感特征的高度一致性。该数据集填补了积极情绪研究空白，为社交媒体分析、人机交互设计等领域提供了重要工具。

　　

在数字通信爆炸式增长的时代，表情符号已成为全球通用的情感载体。然而科学界长期面临一个尴尬困境：这些每天被发送60亿次的图形符号，其情感属性却缺乏系统性量化数据。现有研究多聚焦于消极情绪，而实际上75%的emoji使用场景涉及积极情绪表达——这种研究失衡使得我们难以精准解析数字交互中的情感脉络，也制约了情感计算、心理健康监测等领域的发展。

针对这一空白，西班牙罗维拉-维尔吉利大学(Universitat Rovira i Virgili)联合穆尔西亚大学等机构的研究团队在《Scientific Data》发表了突破性研究。他们创新性地采用离散情绪理论框架，首次对112个面部表情符号进行13维情感测绘，其中包含 contentment（满足感）、awe（敬畏）等8种常被忽视的积极情绪，构建了目前最全面的表情符号情感数据库Emoji-Dis。

研究采用标准化心理测量学流程：从Unicode13.0筛选具情感潜力的面部emoji，通过TestMaker平台收集763名西班牙语使用者对5点Likert量表的评估。数据清洗剔除低相关性应答后，采用组内相关系数(ICC=0.97)验证了极高信度。为增强实用性，团队还将该数据集与前期开发的Emoji-SP（含效价、唤醒度等维度）进行关联整合。

技术方法亮点
研究通过多中心协作收集763人次的评估数据，采用TestMaker57构建13个平行问卷。关键创新包括：1) 引入"I don't know"选项过滤认知偏差；2) 基于Hinojosa情绪词库标准化定义13种情绪；3) 通过相关系数阈值(r<0.1)剔除异常应答；4) 与维度情绪数据进行跨模态验证。

情绪特征分布
数据揭示所有情绪维度均呈负偏态分布（均值<2.5），但各emoji存在全量程差异。如图1所示，happiness（4.69）与anger（4.73）均出现接近满分的极端案例，证实表情符号具有鲜明的情感特异性。

情绪相关性网络
图2显示消极情绪与效价(Valence)呈强负相关(r≈-0.8)，与唤醒度(Arousal)正相关；积极情绪则呈现镜像模式。值得注意的是，contentment与serenity（宁静）存在独特关联(r=0.82)，这为区分积极情绪亚型提供了实证依据。

跨模态验证
与Hinojosa词库的对比发现，emoji与词汇在anger-happiness维度的相关模式高度一致(r=0.91)，但emoji对awe等复杂情绪的表征更突出。这证实图形符号具有超越文字的情感表达能力。

这项研究开创性地构建了首个涵盖多元积极情绪的表情符号数据库，其重要意义体现在三方面：首先，为情感计算提供了标准化工具，能提升社交媒体情绪分析的精度；其次，通过揭示emoji特有的"情感指纹"，为人机交互中的情感化设计提供科学依据；最后，建立的跨模态验证方法，为未来多符号系统研究树立了新范式。团队特别指出，当前数据虽基于西班牙样本，但前期维度研究显示不同文化间具有较高一致性，这增强了数据的普适价值。

研究也存在需完善之处：性别比例失衡(女性66%)可能影响情绪评分模式；未来可扩展至非面部emoji及动态表情。这些发现为数字人类学、临床心理学等学科开辟了新研究方向——当人们用