近日，我院林安琪副教授在融合大语言模型与流空间分析的社交媒体情感空间解释研究方面取得新进展。相关成果以“A bi-directional flow weighted regression for interpreting social media sentiment identified by large language models”为题，发表于《International Journal of Geographical Information Science》期刊，2026年9月入选全球ESI高被引论文。
社交媒体作为公众表达观点和情绪的重要平台，为分析区域社会情感差异提供了新的数据来源，但是传统空间分析方法通常基于地理距离刻画区域关联，难以有效解释互联网时代信息传播突破地理限制后形成的复杂空间关系。针对这一问题，研究团队提出了融合大语言模型与流空间分析的社会媒体情感空间解释新框架。该方法综合利用微博用户IP位置与文本提及位置构建双向信息流网络，通过大语言模型对社交媒体文本进行情感识别，并结合点赞、评论、转发等用户互动行为构建社会媒体情感指数。在此基础上，研究进一步将双向流距离引入地理加权回归模型，提出双向流加权回归模型（Bi-directional Flow Weighted Regression, BDFWR），用于刻画区域间信息联系特征，并揭示社会经济因素对区域社会媒体情感差异的影响机制。
研究结果表明，基于大语言模型的情感识别方法能够有效提升社交媒体情感分析精度，其中ERNIE模型整体分类准确率达到92.08%，GPT-3.5 Turbo达到90.70%，均优于传统情感分析方法。同时，研究发现区域间社会关注流具有明显的方向性和非均衡特征，部分地理距离较远的区域仍可能形成高强度信息联系，说明流空间关系能够有效补充传统地理空间分析方法的不足。进一步对比发现，BDFWR模型相比传统GWR模型能够更加准确地刻画社交媒体情感的空间异质性，在解释“远程高交互”和“邻近低交互”等复杂空间现象方面表现出更强适用性。该研究为数字时代社会情感空间分析、区域联系识别以及流空间研究提供了新的方法框架。
图1 双向流加权回归（BDFWR）模型流程
图2 GWR与BDFWR模型中邻近权重及流模式对比
本研究得到了国家自然科学基金联合基金重点项目(U23A2020)和青年基金（42201468）的联合支持。
论文链接：https://doi.org/10.1080/13658816.2025.2555582
数据与代码链接：https://doi.org/10.6084/m9.figshare.28235441.v1
通讯员：林安琪
编辑：周亲
审读：吴浩
