面向城市建成环境的公众情感体验研究综述

谭铃千 郝培尧＊

2017年，《住房城乡建设部关于加强生态修复城市修补工作的指导意见》提出开展生态修复、城市修补是治理“城市病”、改善人居环境的重要行动，并进一步提出修复城市生态、改善生态功能、修补城市功能、提升环境品质的任务目标[1]。《“十四五”新型城镇化实施方案》强调坚持人民城市人民建、人民城市为人民，顺应城市发展新趋势，加快转变城市发展方式[2]。《北京市“十四五”时期智慧城市发展行动纲要》强调要建设城市数据共享和开放平台，利用信息技术和数据资源推动未来智慧城市建设行动高质量发展及居民幸福感的提升[3]。在“城市高质量发展”和“以人民为中心”的政策背景下，关注城市建成环境中的公众需求十分重要。因此，有必要使用多源数据量化居民幸福感，促进城市建成环境高质量发展与人们幸福感提升的双向反馈。

幸福感的观测复杂且多维，可通过主观幸福感（subjective well-being, SWB）衡量人们的幸福水平和生活质量[4]。心理学家埃德·迪纳尔（Ed Diener）[5-6]和丹尼尔·卡尼曼（Daniel Kahneman）[7]分别将SWB定义为“生活满意度”和“情感体验”。其中生活满意度研究集中在心理学和社会学领域，主要利用访谈、问卷等方法研究社区、邻里范围的可达性及群体日常需求[8]。情感体验研究主要集中在神经科学、社会学和计算机科学等领域，如利用脑成像技术和生物学指标来探索情感的神经基础[9]，以及采用语义差异法、地图法等进行文化记忆的分析[10]，采用自然语言处理文本进行情感分析[11]等。相对于对生活满意度的研究，情感体验研究范围更广且可以克服时空和地域差异，更具有实践参考价值。

大数据研究热潮为公众情感研究创新提供新机遇。随着多学科领域的相互交融，研究数据和技术呈现出多元化的发展趋势[12-13]。然而当前的公众情感体验研究存在一定局限，鲜有研究能够准确地评价城市建成环境品质、科学地测量和监测情感、完善地归纳多尺度情感识别框架[14]。因此，本研究从公众情感视角出发，以“城市建成环境”和“情感体验”为主题，借助CiteSpace文献计量学分析软件对相关研究成果展开可视化分析，系统归纳城市建成环境情感评价研究的数据、内容和方法，并提出城市情感动态监测的概念模型，为改善城市居住环境及促进城市高质量健康发展提供参考。

1 情感研究概况

1.1 情感的定义

情感是人有别于动物，从固有的生理模式进化而来的适应性反应，也是一种主观的、复杂的心理状态[15-16]。在日常生活中，情绪、情感通常不做区分[17]，但在心理学中，两者有显著差异。情感是稳定、持久、深切的，作为背景通过不断积淀并刺激了情绪的发生，表现为外显的行为模式，而情绪是易变、短暂、被激发的，情绪积累不断加深情感的厚度，增加了内在体验[18]。因此每种情绪都包含了生物学基础、外显行为模式和内在体验状态3种成分[19-20]。目前主要通过测量情绪积累结果来衡量情感。同时评价情感需要考虑个体对情绪的多种反馈机制[21-22]（图1）。

图1 情感与情绪的关系Relationship between sentiment and emotion

1.2 相关理论基础

19世纪后期，美国心理学家威廉·詹姆斯（William James）最早提出系统的情绪心理学理论[23]，之后，人们对情绪的生理基础[24]、神经基础[25]进行深入研究，相关理论变得更加丰富。但总体上，情绪分类的理论可以概括为基本情绪理论和情绪维度理论两类。基本情绪理论最早由詹姆斯提出[23]，之后保罗·艾克曼（Paul Ekma）确定了6种基本情绪[26]，其他学者又进一步扩大基本情绪类型数量[27-28]。情绪维度理论最早由威廉·冯特（Wilhelm Wundt）[29]提出，随后Plutchik情绪模型[30]、三维情绪模型[31]等在国际上被广泛使用。之后情绪理论逐渐在风景园林领域衍生出景观美学、环境心理学等重要理论。此外，在多学科交融背景下，不同学科的研究方法和理论的相互交流也为情感研究提供了更全面的视角[32]。如在情感识别和预测的研究中，已有研究对深度学习模型进行了融合文本语境和上下文语境[33]、基于视觉语义嵌入[34]的新尝试，从技术更新角度推进了情感分析研究。

1.3 建成环境情感研究进展

自21世纪以来，城市化带来便利的同时也伴随着环境恶化的诸多问题，推动园林城市和生态城市建设已成为城市发展的主导方向。然而城市建成环境的设计多着眼于形式和功能性，却忽视了公众在城市中的心理需求以及环境所应具备的精神内涵。因此，情感化设计迫在眉睫。为进一步梳理国际上建成环境中情感体验的研究进展，本研究利用CiteSpace 6.2R4知识图谱可视化软件进行量化分析。使用Web of Science（WoS）核心合集作为相关文献研究检索平台。在2023年12月31日，以“TS=sentiment”AND“TS=built environment”为关键词进行检索，限制论文类型为综述或研究文章（review article/article），语言为英文。最终从WoS核心合集中筛选出1 294篇论文。

1.3.1 发表时间与国家分布

从发表时间来看，情感与建成环境研究相关文献的发文量自2013年以来呈显著增长趋势，并在2022年达到巅峰。从文章来源来看，美国期刊的发文量（301篇）最多，其次是中国期刊（194篇）、英国期刊（156篇）。

1.3.2 研究热点

关键词聚类的结果表明，“建成环境”（built environment）、“情感识别”（sentiment recognition）、“积极情绪”（positive emotions）是建成环境与情感研究的热点（表1）。对聚类的结果进行总结，发现目前建成环境与情感研究主要集中在3个方面。

表1 建成环境中情感研究的高频关键词聚类信息Tab.1 Clustering information of high-frequency keywords involved in the research on built environment

1）情感研究的数据来源广泛。从关键词可以看出情感数据来源包括生理健康、社交媒体、生活质量等多个方面。其中多种数据结合进行反馈的模式对于更全面、更深入地理解情感具有重要意义。如通过运动传感器捕捉个体的运动模式、姿势或生理反应，并结合虚拟现实环境中的情境、体验或刺激来推断个体的情感状态，使得情感识别更具动态性[35]。这些具有不同结构和特性的数据构成了建成环境情感研究多维度、大规模的数据库。

2）情感研究更关注积极情绪的影响因素。从关键词可以看出围绕“满意”情况展开的建成环境评价逐渐增多。早期情感研究集中在景观美学和城市美学等领域，主要研究本土建筑对人们的情感作用。随着气候变暖趋势的加快以及提升人民幸福感政策的提出，学者对建成环境使用后评价的研究逐渐过渡到对热舒适性及生活满意度指标的探讨[36]。更多学者关注到人的差异化需求，并基于人群分布的密集型和特殊性，重点关注大学校园、写字楼、无障碍环境等场所中人群积极情绪的影响因素[37-39]。

3）情感识别方法的多模态化。模态即信息的来源或形式[40]，随着数据类型多元化趋势的加强，情感识别的方法也愈发多样。心理学考察外部环境对情感的影响，认知神经学关注大脑如何处理信息，而环境行为学研究个体的观察行为[41]。在交叉学科的背景下，三者的相互交织有助于人们更全面地理解情感形成、表达和调节的复杂过程。随着计算机技术的飞速发展，城市建成环境中的公众情感研究势必发展出多模态化的科学方法。

1.4 情感研究发展及演变过程

早期情感研究数据收集耗时长且样本少，认知神经学发展后开始涌现出更多与生理测量结果相关的研究[42-43]，之后情绪地理学和环境行为学将情感研究由室内拓展到室外[44-47]，机器学习、人工智能等技术的支持更推动了大规模情感分析的研究[48-50]。从时间维度以及感知-认知维度的变化可以看出，情感研究逐渐从单一方法过渡到多模态融合的综合研究方法（图2）。目前，对情感数据的研究方法主要集中在以舆情大数据分析、主观评测为主的情绪空间测量模型[51-52]，以及以认知神经实时生理反馈结合生理指标测量为主的情绪分维测量模型[53-54]（表2）。

表2 情感研究发展过程[42-43,45-46,49,51,55-58]Tab.2 Development process of sentiment research[42-43,45-46,49,51,55-58]

图2 情感研究多模态演变过程Multimodal evolution process of sentiment research

综上所述，数据的多元化、技术的智能化拓展了城市建成环境中公众情感分析的广度和深度，也增强了情感研究的客观性，明确其具体特征。然而，城市建成环境对不同尺度空间中人群的情感影响机制尚未明确，有必要深入研究城市建成环境对人们情感的影响机制。

2 城市建成环境中的公众情感体验研究

2.1 城市建成环境公众情感体验影响机制

城市建成环境中公众情感影响机制基于空间环境的异质性，在不同尺度上存在使用数据、研究内容、应用方法3个方面的差异（图3）。1）在使用数据层面，大尺度空间研究中，情感数据通常种类多样，与小尺度空间研究依赖问卷调查和生理测量获得的数据相比，具有多时空、跨地域的优势，但在准确性和信息量方面稍显逊色[59]。2）在研究内容层面，大尺度空间的情感研究聚焦城市宏观调控，小尺度空间的情感研究聚焦局部的布局优化。3）在应用方法层面，建成环境情感研究融入机器学习、深度学习等新技术，辅以局部的神经生物测量完善建成环境情感评价内涵，提升了研究结果的匹配度和结果的丰富性。

图3 城市建成环境公众情感体验影响机制Public sentiment experience influencing mechanism of urban built environment

2.2 城市建成环境公众情感体验使用数据

物联网、互联网、人工智能等技术的兴起导致数据呈现爆发式的增长和积累，更多有价值的信息开始被人们关注。其中情感分析的使用数据包括生理信号数据、问卷调查数据、社交媒体数据、交通传感数据、网络开放数据等类型。

1）生理信号数据。大量研究表明，生理信号能较好地反映人对周围环境的感受。有学者在传统图片情绪刺激实验的基础上引入机器学习，提出情感计算（affective computing）技术，将模型预测准确率从50%～60%提升到80%～90%[60]。近年来，可穿戴设备突破早期生理测量场地的限制，可以实时采集人体的生理信号（如心率、皮电等），还有助于实现人机交互技术，如实时记录被试者在行走过程中的情绪变化以及影响情绪的压力源[61]，以更好地理解和响应用户的情感。

2）问卷调查数据。问卷数据通常采用标度法或定量分析来衡量受访者对不同变量的看法、态度或行为，利用相关数据可进行量化和统计，从而得出客观的可验证的结果和结论。目前，问卷数据多数应用在小尺度的历史文化街区[62]、居住区[63]等的满意度研究。

3）社交媒体数据。社交网络可以记录大量的用户使用信息，如时间和空间信息、情感信息以及语义文本信息等[59]，通过对数据的筛选和挖掘，可以将其中部分信息用于城市公园游憩使用规划的前期分析和使用后评价[64]。社交媒体数据的来源包括国内常用的微博、小红书等，国外常用的Twiter、Facebook、Google map等。与社交媒体相关的研究多集中在大规模的时空分析，如使用城市微博数据研究群体疫情情感响应的时空特征[65]、使用百度舆情数据和微博每日热搜数据研究城市意向感知[66]等。

4）交通传感数据。交通传感数据是通过各种传感器和设备在交通领域收集到的信息，包括与居民移动、城市内部和城市之间交通相关的各类传感信息数据[67]，如通过红外线传感器、超声波传感器、雷达或摄像头等传感器收集的用于计算特定路段的车流量数据。交通传感数据的应用范围相对较为广泛，相关研究多是大尺度上的规划研究，如城市景观绿道骑行者行为特征及体验研究[68]，快速公交基础设施对出行者情感的影响[69]等。

5）网络开放数据。网络开放数据能直观地反映数据出现的频率和用户对签到地点的评价[70]，数据来源主要包括3类：在线旅游平台（如马蜂窝、去哪儿等）、生活服务平台（如美团、大众点评等）、户外平台（如两步路、八只脚等）。目前对网络开放数据的使用多出现在公众满意度和空间分布格局[71]的大尺度研究中，以及社区居民通勤弹性[72]等中小尺度的研究中。

2.3 城市建成环境公众情感体验研究内容

城市建成环境情感分析的研究内容包括整体环境和特定空间2个层面，当前研究主要针对空间要素和人群类型进行分析。

2.3.1 整体环境中的情感分析

在整体环境中，在大尺度空间要素中的情感分析研究包括城市土地利用格局评价[73]、交通路网规划[74]等；中尺度的研究包括公园设计格局[75]、公园规划[76]等。对于整体环境中不同人群类型的情感分析，研究主要关注群体在大型城市基础设施中的情感压力，如居住在养老设施的老年人相较于居住在社区的老年人有更高比例的负向情绪[77]；空中花园对于居住在高密度城区住宅中的青年人具有显著的恢复性效益[78]。

2.3.2 特定空间中的情感分析

在特定空间中，情感分析研究集中在小尺度的空间要素，包括对城市建成环境空间中植物景观[38]、建筑特征和景观要素[79]的评价等。已有研究进行情感分析的主要方法是测量被试者观看视频和照片后的生理指标变化[80]。之后有学者此基础上设计了脑电实验，促进了景观情绪研究方法的拓展与技术的深化[81]。对于特定空间内的人群类型，当前情感分析主要关注小尺度空间对个体的情绪疗愈和恢复作用。如在社区公园的健康设计中，设计者考虑了个体在景观环境中的生理指标变化，如肌肉导电率和心率变异性等，这使设计获得了公众的好评[82]。此外，景观要素中的声音、光照对人类情绪压力也有缓解作用[79]。

2.4 城市建成环境公众情感体验应用方法

情感分析应用方法包含3种类型：1）基于自我感受的情感分析，以自我评价法为主；2）基于生理数据的情感分析，以客观测量法为主；3）基于思考表达过程的情感分析，包括情感词典、情感知识图谱、图片分割等多种多模态情感识别法。

2.4.1 自我评价法

自我评价法要求被试能够准确地认知和表达自己的情绪[37]。当前国际上应用较广泛的自评量表包括：用来评价焦虑程度的焦虑自评量表（self-rating anxiety scale, SAS）、汉密尔顿焦虑量表（hamilton anxiety scale, HAMA）和抑郁情绪量表（self-rating depression scale, SDS）。此外还有评价个体在不同场景下情绪状态的正负情绪量表（positive and negative affect scale,PANAS）等。

2.4.2 客观测量法

客观测量法通过捕捉人的神经系统、行为和其他生理学数据的瞬间变化情况进行情感分析。目前常用的生理数据包括心电、呼吸、血压、肌电、脑电图（electroencephalography,EEG）、磁共振等。随着技术的迅速发展，近年来涌现了很多新型测量方法，如用功能性近红外光谱（functional near-infrared spectroscopy,fNIRS）辅助EEG测量情绪等[83]。

2.4.3 多模态情感识别法

随着技术的不断进步，人们现在可以通过多种渠道来表达自己的观点和感受，这为情感分析带来了新的机遇。多模态学习融合了对多类信息进行向量化处理、协同训练学习的手段，广泛应用于海量数据分析[40]。笔者归纳了多模态情感识别的4种主要方法。

1）基于情感词典处理的方法。中文与英文的语言形式不同，处理中文时需要预先进行文本分词处理[84]，基于情感词典处理是其中一种常用的方法。国内相关研究主要以HowNet①和SC-LIWC②这2个被广泛应用的情感词典为依据。然而情感词典缺乏对文本中情绪词缺失和隐式情绪表达情况的处理[85]。有学者改进后提出两阶段法：第一阶段借助情感词典进行情绪的自动识别，第二阶段利用支持向量机对未覆盖的文本进行情感预测。两阶段法在相关研究中取得了较好效果[86]。

2）基于卷积神经网络（convolutional neural network, CNN）的图像识别的方法。此方法既可以克服情绪词缺失和不能表达文本当前真实情绪的问题，又可以对图像进行分析，当前被大量应用于解决图文情绪识别问题。同时，社交媒体中个人用户所撰写的文本通常带有强烈的个人情感，且图像通常是个人较为关注和印象较深的内容，其中包含位置、占比、画面结构等感知信息，文本和图像在认知上存在一定的典型性[87]，将两者结合进行情感分析将会极大增强情感识别的准确性[88]。

3）基于可视化知识图谱的方法。通过提取图像和文本中情感的关键词分析公众的情绪极性[89]，利用机器学习技术进行相关分析，结构化情感与要素之间的关系，并以知识图谱的形式存储和查询大规模的语义信息，是实现某一目的地的形象和公众情绪特征研究可视化的重要手段[90]。

4）基于空间测量模型的方法。识别情绪的空间测量模型包括ArcGIS空间模型、机器学习模型、深度学习模型。ArcGIS空间模型使用基于兴趣点（point of interest, POI）大数据的空间模型计算方法，如空间自相关[91]、地理加权回归等[92]，可以识别城市的空间分布结构并划分不同的空间类型。基于机器学习模型的情感分析方法可分为有监督和无监督两种[93]。前者包括支持向量机、朴素贝叶斯、K近邻、最大熵和条件随机场等方法；后者包括概率潜在语义分析模型和潜在狄利克雷分配模型等[94]。适用于建成环境情感分析的深度学习模型包括循环神经网络（recurrent neural network, RNN）和长短时记忆网络（long short-term memory, LSTM）、生成对抗网络（generative adversarial networks, GANs）等模型。RNN和LSTM适用于处理建成环境中时序数据，例如用户在不同时间点的情感变化，或者环境随时间的演变[95]。GANs用于生成逼真的建筑环境图像，也可以应用于增强用户的建筑设计情感体验[96]。目前，研究者将注意力机制引入情感分析中[97]，不仅可以考虑到全部的文本信息，还能为关键词汇分配更高权重，进而可以提高模型情感识别的准确性。

2.5 城市建成环境公众情感监测识别流程

基于上述研究，笔者提出一套适用于城市建成环境公众情感监测识别的流程。该流程以调控公众情感健康为目的，提出3个监测及识别的目标并列举出相应对策和措施。首先，实施大数据多时段情感监测以及逐尺度空间情感的可视化，探索公众情感体验的时空规律。其次，构建具有风景园林特色的情感词典，对数据进行情感识别后形成多元多模态数据集；融合图文信息解析情感，采用深度学习模型探索建成环境与情感的内在关系；打造公众满意度评价平台、情感在线评分平台进行模型模拟。通过以上措施，制定可感知、可量化、可操作的监测对策，实现城市与公众情感的动态反馈。最后，构建以高质量情感体验为目标导向的建成环境多尺度评价体系，对城市规划管理进行更加系统化、精细化、智能化的评估（图4）。

图4 情感监测识别流程Sentiment monitoring and identification procedures

3 结论及展望

本研究总结了情感研究的基本概念，并基于CiteSpace文献计量学分析软件将建成环境中情感体验的研究进展、研究热点可视化。从数据、内容、方法3个层面分析建成环境与情感影响机制的内在关系，得出3个方面结论。

1）建成环境情感体验研究数据目前呈现出多来源、多类型的特点。但数据模态以文本数据为主，缺失对图片、语音等内容的直接分析。未来可深度挖掘图片隐含含义，诸如讽刺、幽默、比喻、夸张等，并进一步引入注意力机制加强对情感分析中有用信息的提取，为后续建成环境评价提取图片和视频显性内容增强可参考性。

2）建成环境情感体验研究内容对城市中不同人群类型及空间要素的影响作用有待形成更全面的、更完善的分类。同时在提升人们幸福感、实现可持续发展的目标下，研究者应更加关注多尺度下积极情绪与城市建成环境的关系，总结未来规划中各类型空间结构、景观要素等设计内容的情感影响机制及使用路径。

3）建成环境情感体验应用方法主要受研究内容和研究类型的限制，不同尺度间信息质量和数量差异较大。应聚焦于发挥多种模态数据之间的协同作用，如利用数字化技术辅助式测度方法加强虚拟现实技术的实践应用，以此提高建成环境评价研究结果的信度、效度和泛化性。

随着多学科的交叉融合，情感体验的评价研究将深入到认知、文化和社会层面，为理解人类的情感和建成环境质量的内在联系提供更多理论支持。此外，城市应推进建设多源异构数据共享平台，打造公众满意度评价平台，了解公众对城市环境的看法和反馈，获得更全面的城市环境信息，促进城市规划和管理的综合决策。希望通过信息技术和数据资源的整合利用，推动未来智慧城市建设行动高质量发展，实现居民幸福感的稳步提升。

致谢(Acknowledgments)：

感谢中国城市规划设计研究院风景园林和景观研究分院绿地所副所长刘宁京先生、中国政法大学社会学院心理学系谢中垚老师在本文撰写过程中给予的指导与帮助。