简介这是一份《聆听心声音乐审美心理分析》课程考试答案资料面向正在学习音乐审美心理或准备相关课程考试的学生。资源为单个PDF文件大小约179KB包含完整的单选题和多选题参考答案内容覆盖音乐联觉、期待心理、平衡感需求、作品演绎手法、自约性符号等高频考点可对照原卷快速核验答案、补充理解。值得强调的是资料并非简单罗列答案题目本身也提供了复习线索比如通过对比不同演奏版本的音乐处理、分析作曲家创作意图等能帮助梳理音乐审美的核心概念和答题思路。目前已有140人学习对考前查漏补缺和知识体系回顾有实用价值。建议结合教材或课堂笔记使用可以更全面地掌握音乐审美中的感性体验与理性判断方法。1. 一份“考试答案.pdf”凭什么值得做结构化解析拿到“聆听心声音乐审美心理分析考试答案.pdf”这个文件大多数人的第一反应是打印出来、背完、然后让它躺在回收站里。但如果把它当作语料源而不是标准答案这张纸上能挖的东西比分数多得多主观题里学生对旋律、节奏、歌词的描述性词汇是被同一道题触发的审美感受样本答案长度、名词选择、否定词密度都是可以量化的风格特征。做课程题库、用户偏好建模、音乐推荐前期的“人怎么描述音乐”调研这份 PDF 就是一个带真实标注的语料集。这篇文章要做的事很清楚把一份考试答案 PDF 变成可分析的结构化文本库再变成可检索的本地工具。整个流程不依赖具体某次考试内容换任何同类型 PDF 都可以套用。2. 先让 PDF 里的中文“开口说话”抽取与版式还原2.1 用 pdftotext 验证文本层是否可用拿到 PDF 的第一步不是解析是先确认它是文本型还是扫描型。很多所谓“考试答案.pdf”脱胎于课堂派、问卷星导出的报告本身就自带文本层但另一些是从纸质答题卡扫描成图片再合成的直接抽文本只会得到空页。最省事的验证工具是 Poppler 自带的 pdftotextpdftotext 聆听心声音乐审美心理分析考试答案.pdf check.txt wc -l check.txt这里有几个关键点值得说透。pdftotext 默认按 PDF 内容流顺序输出不保留版式对选择题这种“题号选项答案”混排的页面建议加上-layout让输出尽量还原相对位置。编码方面Linux 下中文 PDF 常常导出成 Latin-1 或 GBK抽出后全是问号这是终端编码问题不是 PDF 本身没文本层。如果wc -l返回 0 或者行数明显少于实际页面数就要转 OCR。常见做法是先用pdftoppm把页面转成 300 DPI 的 PNG再用 Tesseract 或 PaddleOCR 识别这里不再展开。继续往下走之前我习惯再用 PyMuPDF 复核一次字符质量import fitz doc fitz.open(聆听心声音乐审美心理分析考试答案.pdf) print(doc.page_count) print(doc[0].get_text()[:300])doc[0].get_text()返回第一页的可见文本。如果这里中文正常而 pdftotext 输出乱码多半是环境编码问题如果这里也乱码说明 PDF 字体内嵌的 ToUnicode CMap 是坏的多见于用某些国产编辑器“压缩保存”过的文件这种情况就只能逐页渲染成图片走 OCR。2.2 按“题号”切分文本躲开年份和分值文本层正常后需要把一大块流式文字切成“一题一记”。抽出来的 PDF 里题号的行通常长这样“1. 下列哪段旋律让你感到平静”或“一、简答题25分”。如果 PDF 是问卷星导出题号可能是“第 3 题”。统一策略是用正则匹配题号开头的行import re text 1. 你觉得古典音乐和流行音乐的区别是什么 能够引起情绪共鸣的是旋律不一定。 2. 你在什么时候会反复听一首歌 考试复习的时候听纯音乐。 pattern re.compile(r(?m)^\s*(\d{1,2})[\.、]\s*) positions [(m.start(), m.group(1)) for m in pattern.finditer(text)] records [] for i, (pos, qno) in enumerate(positions): end positions[i 1][0] if i 1 len(positions) else len(text) records.append((qno, text[pos:end].strip())) print(records[0])正则(?m)^\s*(\d{1,2})[\.、]\s*的含义是只在行首匹配 1 到 2 位数字后面的分隔符同时兼容英文句点、中文句点和顿号。(?m)让^从“整个文本开头”变成“每一行的开头”这是有效切题的关键。要注意“2024 年兴起的听感”这种句子如果它恰好被排成了独立一行就会被误判成第 2024 题实际数据里很难遇到 1000 道题所以我在切分后还会过滤一遍题号超过试卷总题数时把这条记录合并回前一条的末尾。2.3 表格型答案卡用 pdfplumber 还原坐标如果这份 PDF 的答案是类似“答题卡”的表格——第一列题号、第二列考生选项、第三列分值——pdftotext 会把列内容按阅读顺序混在一起肉眼根本分不清哪列是哪列。pdftotext-layout能保留相对位置但跨页页码、页眉照样会插进表格中间清洗成本不低。这种版式我更推荐用 pdfplumberimport pdfplumber with pdfplumber.open(聆听心声音乐审美心理分析考试答案.pdf) as pdf: for page in pdf.pages[:5]: table page.extract_table({ vertical_strategy: lines, horizontal_strategy: lines, snap_tolerance: 3, }) if table: print(table[:2])vertical_strategy决定纵向表格线如何识别lines表示只按页面内实际画出的线条切分snap_tolerance是像素容差允许稍微歪斜的线被吸到同一坐标上。对未扫描的 PDFlines够用如果表格线是浅色的经常识别不到改成text按文字对齐方式推断列更稳但代价是相邻两列文字挨得近时会被合并成一列。碰到这种问题我会先只打印第二页对比两种策略的效果再决定用哪个。下面是三个工具的选型对比工具场景中文支持主要坑pdftotext快速验证文本层 / 流程脚本取决于编码参数编解码问题常抽出一堆问号PyMuPDF需要逐页精读、字体分析好文本流可能和视觉顺序不同pdfplumber表格、坐标、复杂版式好对扫描件无效需先 OCR这三个工具不是替代关系。我的习惯是 pdftotext 做探针PyMuPDF 做逐页清洗pdfplumber 只处理表格页三层下来基本能把一份排版混乱的考试 PDF 收拾干净。3. 给“审美心理”定标尺答案如何映射成维度3.1 先拆心理构念再定字段音乐审美心理分析不是把分数相加而是在答案里找到被试对音乐刺激的心理反应模式。题目设计背后一般有几个常用构念愉悦度valence、唤醒度arousal、熟悉度familiarity、认知偏好cognitive preference。它们不是凭空想出来的四个词而是来自音乐心理学里沿用多年的二维情感模型和熟悉度理论。愉悦度对应“喜欢/厌恶”的效价唤醒度对应“强烈/平静”的唤醒水平熟悉度回答“这首作品是不是进入过被试的经验世界”认知偏好则记录被试更关注旋律、节奏、歌词、还是演奏者。对应到一份考试答案 PDF客观题只能提供选项分布有价值的是主观题那几段自述。所以我在设计结构化档案时给每个答案记录一组原始字段和一组标注字段。标注字段是给别人看的必须可审计。下面是一个节选的数据字典字段名类型来源说明q_noint切题模块原始题号raw_texttext抽取层未改动的原句dimtext标注层valence / arousal / familiarity / cognitionkeywordtext词典匹配命中的词多个用逗号分隔polarityfloat加权计算-1 到 1表示正负倾向confidencefloat置信度计算词典命中数 / 句子总词数这个表看起来简单实际价值在“来源”这一行每个字段都能回溯到原始 PDF 哪一页、哪一句话而不是模型给的一个黑盒数字。这也是我在这个环节不用深度学习模型的原因——不是模型不好是标注结果需要被出题人复核解释性比准确率优先。3.2 词典法打分规则与参数都摆在外面封闭语料场景我一般用词典法做第一轮标注。考试答案的用词范围本来就窄常见的“好听”“安静”“有力量”“循环了一晚上”都是高信号词规则简单明了谁都能看懂。先定义一个集合把词和维度、极性绑在一起lexicon { 喜欢: (valence, 1), 好听: (valence, 1), 平静: (valence, 0.5), 汹涌: (arousal, 1), 强烈: (arousal, 1), 轻快: (arousal, 0.5), 循环: (familiarity, 1), 第一次: (familiarity, -1), 旋律: (cognition, 0), 歌词: (cognition, 0), } def annotate(sentence): hits [w for w in lexicon if w in sentence] if not hits: return None dims {} for w in hits: dim, score lexicon[w] dims.setdefault(dim, 0.0) dims[dim] score conf len(hits) / max(1, len(sentence)) return {keywords: ,.join(hits), dims: dims, confidence: round(conf, 3)}lexicon的键是词值是“维度极性分”。annotate()函数先找句子中命中了哪些词按维度累加再用“命中词数/句子字数”算置信度。参数调整要明确一点valence 和 arousal 的分数阈值不是越大越好它只在同一个题号内比较有意义。跨题比较时不同题目的题目导向不同直接比维度分没有意义这一条经常被忽略。3.3 一个现场常见的翻车点否定句和程度副词规则法的第一个坑是否定词。“我不喜欢太吵闹的编曲”这句话里词典法会把“喜欢”按正分处理可实际语义是负向。处理方式有两种一是在正则里把“不|没|不太”这些词先截出来做成否定前缀规则二是引入一个程度词表对“非常”“极其”“有点”做加权比如“非常喜欢”valence 记 1.5“有点喜欢”记 0.5。直接替换 lexcion 值也行就是不够细。下面这个补丁级别的代码是处理否定句的常用写法import re NEG re.compile(r(不|没|不太|别)) def annotate_v2(sentence, lexicon): neg_flag bool(NEG.search(sentence)) dims {} for w, (dim, score) in lexicon.items(): if w in sentence: s -score if neg_flag else score dims[dim] dims.get(dim, 0) s return dims这个版本的逻辑是把整个句子的否定标记作用到该句所有命中的词上。它比词级否定降一个精度“我不喜欢”会正确变成负分但代价是“我喜欢平静的歌但现在的歌太吵”这种转折句会被整体翻转。所以我的建议是词典法用于快速粗筛转折句留给分句级规则最后人工抽查十句。4. 从“被评论文本”到“审美偏好画像”统计与可视化4.1 答案长度和词性密度是最稳的信号把文本切分、标注完成后先跑一组最粗糙但最有解释力的统计。在打分之前我一般先看每个题目的答案平均长度和形容词密度这两个指标在心理审美分析里通常都能拉开差距。import pandas as pd df pd.DataFrame(records, columns[q_no, raw_text]) df[length] df[raw_text].str.len() df[adj_count] df[raw_text].apply( lambda x: len([w for w in [好听, 平静, 强烈, 轻快, 优雅] if w in x])) df[adj_density] df[adj_count] / df[length] print(df.groupby(q_no).agg({length: mean, adj_density: mean}))这里没有引入分词器直接用一个小词表近似形容词密度。对中文文本精确的词性标注需要 jieba 的字典但考试答案的总量可能只有几十到几百句跑一个词性标注反而容易在小样本上过拟合。用“词典命中数/文本长度”作为密度近似值能稳定反映“这个被试有没有在认真描述感受”已经足够做排序。下面是我常用的特征表后面列出的场景都能直接往这个框架里套特征计算方法对应轴常见误用答案长度len(str)认知投入把空答案当低投入忽略了答题时间形容词密度命中词数 / 总字数情绪唤起词典不含语气词时不准确共现强度同一题内词对同现次数题目引导方向只看两两共现忽略三四词结构维度均值按题聚合求平均整体偏好倾向不同题目直接对比均值4.2 用共现矩阵看“出题人埋了什么钩子”题目和关键词的共现关系透视的是出题人偏好的逻辑。比如“旋律”这个关键词频繁和“循环”“安静”同时出现说明该题目的诱导方向是“唤起-平静”这条情感轴如果“歌词”总跟“共鸣”同时出现说明题目在引导被试做认知归因。用 sklearn 的 CountVectorizer 构造一个词共现矩阵from sklearn.feature_extraction.text import CountVectorizer corpus df[raw_text].tolist() vec CountVectorizer(vocabulary[旋律, 歌词, 节奏, 循环, 平静, 强烈, 喜欢]) co (vec.fit_transform(corpus).T * vec.fit_transform(corpus)).toarray() print(pd.DataFrame(co, indexvec.get_feature_names_out(), columnsvec.get_feature_names_out()))CountVectorizer(vocabulary[...])限制了只统计那七个业务关键词fit_transform的转置矩阵乘自身得到的就是词与词的同现次数。为什么不用默认全词表因为默认会被“的”“了”“是”这些停用词刷屏共现矩阵里全是对角线很高的大数字看不出业务结构。设置vocabulary等于自己手动锁定分析范围代价是漏掉词典外的词比如某一年试卷里冒出新词“颅内高潮”它不会进入矩阵。4.3 学生答案的“均值画像”怎么对比当拿到两个班级或两批不同试卷答案时把维度分聚合到题目层面会更有价值。下面这段把 annotate 的结果展开成宽表然后按题号求均值def expand_row(row): dims annotate(row[raw_text]) out {q_no: row[q_no]} for dim in [valence, arousal, familiarity, cognition]: out[dim] (dims or {}).get(dim, 0) return out wide pd.DataFrame([expand_row(r) for r in df.to_dict(records)]) wide.groupby(q_no)[[valence, arousal, familiarity]].mean()结果的每一行就是一道题在三个心理维度的班级均值。对比不同班型时我会直接画热力图但热力图必须先归一化否则 arousal 的分数基准和 valence 不一致。归一化用(x - min) / (max - min)按列做。注意按列归一化之后维度之间不可比只能做“哪些题目的 arousal 相对高”这样的相对判断别说出“valence 是 0.7 所以喜欢度高于 0.3”这种话。可视化按行画折线图能一眼看出哪道题把学生口味区分开了。5. 把结构化答案装进 SQLite FTS5十分钟搭一个可检索题库5.1 建表与倒排索引配置分析做完最后一步是让结果可以被反复查询。常见诉求有三个按关键词找回原始答案按维度分筛选高分组按题目找“特色句子”。一次性脚本就能做但如果要把这份 PDF 变成长期可检索的资料我建议直接落 SQLite用 FTS5 建全文索引。CREATE VIRTUAL TABLE answers_fts USING fts5(q_no, raw_text, content, tokenizeunicode61);USING fts5创建的是一个倒排索引表content表示这是一张独立的内容表数据不重复存储只存索引。tokenizeunicode61是默认 tokenizer它按 Unicode 码点分词对中文只做字符级切分检索“旋律”时不会自动匹配“旋 律”想要词级效果可以换tokenizesimple配合外部分词写入不过对单选题答案这种短文本字符级已经够用别过度设计。import sqlite3 conn sqlite3.connect(answer.db) conn.execute(INSERT INTO answers_fts(q_no, raw_text) VALUES (?, ?), (q3, 考试复习的时候听纯音乐更容易集中注意力。)) conn.commit()查询时用 MATCH 语法内容 纯音乐实际匹配包含连续字符序列的行想模糊一点写纯 OR 音乐排除写纯 NOT 电子。注意 FTS5 的unicode61默认忽略标点和全角空格如果原始 PDF 里全是全角空格排版的表格页写入前需要用s.replace( , )把全角空格清理掉否则关键词会被拆断。5.2 维度字段和全文检索打通FTS5 表里存的是原文分析出来的维度分数存在另一张普通表里查询时先过滤维度分再回 FTS5 匹配文本。这里有个 FTS5 用户看不透的坑MATCH执行计划和普通表 join 时如果直接WHERE tagged.valence 0 AND answers_fts MATCH 纯音乐SQLite 不一定按 FTS5 索引走可能在几百条记录上做全表筛。对几千条的本地库性能差异为零但写了content的表没有真实行数据不能直接SELECT *取原文字段必须通过 FTS5 的辅助函数snippet()或者回连原表取值。5.3 用 10 条人工抽样验收标注质量整个流水线做完最容易被跳过的步骤是验收。每批做完标注都要随机抽 10 条原始答案人工看一遍维度分是否符合直觉。做法很简单先用SELECT * FROM answers_fts ORDER BY RANDOM() LIMIT 10;抽出随机句子再把对应记录的维度分打出来对比。如果 10 条里有 2 条以上分明显失实就回到词典表补词而不是直接调超参。最后补一句对整个链条重要的话所有分析都依赖“文本抽取成功”这一前提所以任何时候改过抽取代码都要再跑一次 2.2 的题号切分单元测试用固定样例断言记录数量不变。我会在脚本里挂一条python tests/test_split.py python tests/test_annotate.py每次改完正则或 pdfplumber 策略都先跑一遍这个习惯比任何调参都值钱。本文还有配套的精品资源点击获取 PDF文本抽取与结构化解析：音乐审美心理考试答案分析实战
简介这是一份《聆听心声音乐审美心理分析》课程考试答案资料面向正在学习音乐审美心理或准备相关课程考试的学生。资源为单个PDF文件大小约179KB包含完整的单选题和多选题参考答案内容覆盖音乐联觉、期待心理、平衡感需求、作品演绎手法、自约性符号等高频考点可对照原卷快速核验答案、补充理解。值得强调的是资料并非简单罗列答案题目本身也提供了复习线索比如通过对比不同演奏版本的音乐处理、分析作曲家创作意图等能帮助梳理音乐审美的核心概念和答题思路。目前已有140人学习对考前查漏补缺和知识体系回顾有实用价值。建议结合教材或课堂笔记使用可以更全面地掌握音乐审美中的感性体验与理性判断方法。1. 一份“考试答案.pdf”凭什么值得做结构化解析拿到“聆听心声音乐审美心理分析考试答案.pdf”这个文件大多数人的第一反应是打印出来、背完、然后让它躺在回收站里。但如果把它当作语料源而不是标准答案这张纸上能挖的东西比分数多得多主观题里学生对旋律、节奏、歌词的描述性词汇是被同一道题触发的审美感受样本答案长度、名词选择、否定词密度都是可以量化的风格特征。做课程题库、用户偏好建模、音乐推荐前期的“人怎么描述音乐”调研这份 PDF 就是一个带真实标注的语料集。这篇文章要做的事很清楚把一份考试答案 PDF 变成可分析的结构化文本库再变成可检索的本地工具。整个流程不依赖具体某次考试内容换任何同类型 PDF 都可以套用。2. 先让 PDF 里的中文“开口说话”抽取与版式还原2.1 用 pdftotext 验证文本层是否可用拿到 PDF 的第一步不是解析是先确认它是文本型还是扫描型。很多所谓“考试答案.pdf”脱胎于课堂派、问卷星导出的报告本身就自带文本层但另一些是从纸质答题卡扫描成图片再合成的直接抽文本只会得到空页。最省事的验证工具是 Poppler 自带的 pdftotextpdftotext 聆听心声音乐审美心理分析考试答案.pdf check.txt wc -l check.txt这里有几个关键点值得说透。pdftotext 默认按 PDF 内容流顺序输出不保留版式对选择题这种“题号选项答案”混排的页面建议加上-layout让输出尽量还原相对位置。编码方面Linux 下中文 PDF 常常导出成 Latin-1 或 GBK抽出后全是问号这是终端编码问题不是 PDF 本身没文本层。如果wc -l返回 0 或者行数明显少于实际页面数就要转 OCR。常见做法是先用pdftoppm把页面转成 300 DPI 的 PNG再用 Tesseract 或 PaddleOCR 识别这里不再展开。继续往下走之前我习惯再用 PyMuPDF 复核一次字符质量import fitz doc fitz.open(聆听心声音乐审美心理分析考试答案.pdf) print(doc.page_count) print(doc[0].get_text()[:300])doc[0].get_text()返回第一页的可见文本。如果这里中文正常而 pdftotext 输出乱码多半是环境编码问题如果这里也乱码说明 PDF 字体内嵌的 ToUnicode CMap 是坏的多见于用某些国产编辑器“压缩保存”过的文件这种情况就只能逐页渲染成图片走 OCR。2.2 按“题号”切分文本躲开年份和分值文本层正常后需要把一大块流式文字切成“一题一记”。抽出来的 PDF 里题号的行通常长这样“1. 下列哪段旋律让你感到平静”或“一、简答题25分”。如果 PDF 是问卷星导出题号可能是“第 3 题”。统一策略是用正则匹配题号开头的行import re text 1. 你觉得古典音乐和流行音乐的区别是什么 能够引起情绪共鸣的是旋律不一定。 2. 你在什么时候会反复听一首歌 考试复习的时候听纯音乐。 pattern re.compile(r(?m)^\s*(\d{1,2})[\.、]\s*) positions [(m.start(), m.group(1)) for m in pattern.finditer(text)] records [] for i, (pos, qno) in enumerate(positions): end positions[i 1][0] if i 1 len(positions) else len(text) records.append((qno, text[pos:end].strip())) print(records[0])正则(?m)^\s*(\d{1,2})[\.、]\s*的含义是只在行首匹配 1 到 2 位数字后面的分隔符同时兼容英文句点、中文句点和顿号。(?m)让^从“整个文本开头”变成“每一行的开头”这是有效切题的关键。要注意“2024 年兴起的听感”这种句子如果它恰好被排成了独立一行就会被误判成第 2024 题实际数据里很难遇到 1000 道题所以我在切分后还会过滤一遍题号超过试卷总题数时把这条记录合并回前一条的末尾。2.3 表格型答案卡用 pdfplumber 还原坐标如果这份 PDF 的答案是类似“答题卡”的表格——第一列题号、第二列考生选项、第三列分值——pdftotext 会把列内容按阅读顺序混在一起肉眼根本分不清哪列是哪列。pdftotext-layout能保留相对位置但跨页页码、页眉照样会插进表格中间清洗成本不低。这种版式我更推荐用 pdfplumberimport pdfplumber with pdfplumber.open(聆听心声音乐审美心理分析考试答案.pdf) as pdf: for page in pdf.pages[:5]: table page.extract_table({ vertical_strategy: lines, horizontal_strategy: lines, snap_tolerance: 3, }) if table: print(table[:2])vertical_strategy决定纵向表格线如何识别lines表示只按页面内实际画出的线条切分snap_tolerance是像素容差允许稍微歪斜的线被吸到同一坐标上。对未扫描的 PDFlines够用如果表格线是浅色的经常识别不到改成text按文字对齐方式推断列更稳但代价是相邻两列文字挨得近时会被合并成一列。碰到这种问题我会先只打印第二页对比两种策略的效果再决定用哪个。下面是三个工具的选型对比工具场景中文支持主要坑pdftotext快速验证文本层 / 流程脚本取决于编码参数编解码问题常抽出一堆问号PyMuPDF需要逐页精读、字体分析好文本流可能和视觉顺序不同pdfplumber表格、坐标、复杂版式好对扫描件无效需先 OCR这三个工具不是替代关系。我的习惯是 pdftotext 做探针PyMuPDF 做逐页清洗pdfplumber 只处理表格页三层下来基本能把一份排版混乱的考试 PDF 收拾干净。3. 给“审美心理”定标尺答案如何映射成维度3.1 先拆心理构念再定字段音乐审美心理分析不是把分数相加而是在答案里找到被试对音乐刺激的心理反应模式。题目设计背后一般有几个常用构念愉悦度valence、唤醒度arousal、熟悉度familiarity、认知偏好cognitive preference。它们不是凭空想出来的四个词而是来自音乐心理学里沿用多年的二维情感模型和熟悉度理论。愉悦度对应“喜欢/厌恶”的效价唤醒度对应“强烈/平静”的唤醒水平熟悉度回答“这首作品是不是进入过被试的经验世界”认知偏好则记录被试更关注旋律、节奏、歌词、还是演奏者。对应到一份考试答案 PDF客观题只能提供选项分布有价值的是主观题那几段自述。所以我在设计结构化档案时给每个答案记录一组原始字段和一组标注字段。标注字段是给别人看的必须可审计。下面是一个节选的数据字典字段名类型来源说明q_noint切题模块原始题号raw_texttext抽取层未改动的原句dimtext标注层valence / arousal / familiarity / cognitionkeywordtext词典匹配命中的词多个用逗号分隔polarityfloat加权计算-1 到 1表示正负倾向confidencefloat置信度计算词典命中数 / 句子总词数这个表看起来简单实际价值在“来源”这一行每个字段都能回溯到原始 PDF 哪一页、哪一句话而不是模型给的一个黑盒数字。这也是我在这个环节不用深度学习模型的原因——不是模型不好是标注结果需要被出题人复核解释性比准确率优先。3.2 词典法打分规则与参数都摆在外面封闭语料场景我一般用词典法做第一轮标注。考试答案的用词范围本来就窄常见的“好听”“安静”“有力量”“循环了一晚上”都是高信号词规则简单明了谁都能看懂。先定义一个集合把词和维度、极性绑在一起lexicon { 喜欢: (valence, 1), 好听: (valence, 1), 平静: (valence, 0.5), 汹涌: (arousal, 1), 强烈: (arousal, 1), 轻快: (arousal, 0.5), 循环: (familiarity, 1), 第一次: (familiarity, -1), 旋律: (cognition, 0), 歌词: (cognition, 0), } def annotate(sentence): hits [w for w in lexicon if w in sentence] if not hits: return None dims {} for w in hits: dim, score lexicon[w] dims.setdefault(dim, 0.0) dims[dim] score conf len(hits) / max(1, len(sentence)) return {keywords: ,.join(hits), dims: dims, confidence: round(conf, 3)}lexicon的键是词值是“维度极性分”。annotate()函数先找句子中命中了哪些词按维度累加再用“命中词数/句子字数”算置信度。参数调整要明确一点valence 和 arousal 的分数阈值不是越大越好它只在同一个题号内比较有意义。跨题比较时不同题目的题目导向不同直接比维度分没有意义这一条经常被忽略。3.3 一个现场常见的翻车点否定句和程度副词规则法的第一个坑是否定词。“我不喜欢太吵闹的编曲”这句话里词典法会把“喜欢”按正分处理可实际语义是负向。处理方式有两种一是在正则里把“不|没|不太”这些词先截出来做成否定前缀规则二是引入一个程度词表对“非常”“极其”“有点”做加权比如“非常喜欢”valence 记 1.5“有点喜欢”记 0.5。直接替换 lexcion 值也行就是不够细。下面这个补丁级别的代码是处理否定句的常用写法import re NEG re.compile(r(不|没|不太|别)) def annotate_v2(sentence, lexicon): neg_flag bool(NEG.search(sentence)) dims {} for w, (dim, score) in lexicon.items(): if w in sentence: s -score if neg_flag else score dims[dim] dims.get(dim, 0) s return dims这个版本的逻辑是把整个句子的否定标记作用到该句所有命中的词上。它比词级否定降一个精度“我不喜欢”会正确变成负分但代价是“我喜欢平静的歌但现在的歌太吵”这种转折句会被整体翻转。所以我的建议是词典法用于快速粗筛转折句留给分句级规则最后人工抽查十句。4. 从“被评论文本”到“审美偏好画像”统计与可视化4.1 答案长度和词性密度是最稳的信号把文本切分、标注完成后先跑一组最粗糙但最有解释力的统计。在打分之前我一般先看每个题目的答案平均长度和形容词密度这两个指标在心理审美分析里通常都能拉开差距。import pandas as pd df pd.DataFrame(records, columns[q_no, raw_text]) df[length] df[raw_text].str.len() df[adj_count] df[raw_text].apply( lambda x: len([w for w in [好听, 平静, 强烈, 轻快, 优雅] if w in x])) df[adj_density] df[adj_count] / df[length] print(df.groupby(q_no).agg({length: mean, adj_density: mean}))这里没有引入分词器直接用一个小词表近似形容词密度。对中文文本精确的词性标注需要 jieba 的字典但考试答案的总量可能只有几十到几百句跑一个词性标注反而容易在小样本上过拟合。用“词典命中数/文本长度”作为密度近似值能稳定反映“这个被试有没有在认真描述感受”已经足够做排序。下面是我常用的特征表后面列出的场景都能直接往这个框架里套特征计算方法对应轴常见误用答案长度len(str)认知投入把空答案当低投入忽略了答题时间形容词密度命中词数 / 总字数情绪唤起词典不含语气词时不准确共现强度同一题内词对同现次数题目引导方向只看两两共现忽略三四词结构维度均值按题聚合求平均整体偏好倾向不同题目直接对比均值4.2 用共现矩阵看“出题人埋了什么钩子”题目和关键词的共现关系透视的是出题人偏好的逻辑。比如“旋律”这个关键词频繁和“循环”“安静”同时出现说明该题目的诱导方向是“唤起-平静”这条情感轴如果“歌词”总跟“共鸣”同时出现说明题目在引导被试做认知归因。用 sklearn 的 CountVectorizer 构造一个词共现矩阵from sklearn.feature_extraction.text import CountVectorizer corpus df[raw_text].tolist() vec CountVectorizer(vocabulary[旋律, 歌词, 节奏, 循环, 平静, 强烈, 喜欢]) co (vec.fit_transform(corpus).T * vec.fit_transform(corpus)).toarray() print(pd.DataFrame(co, indexvec.get_feature_names_out(), columnsvec.get_feature_names_out()))CountVectorizer(vocabulary[...])限制了只统计那七个业务关键词fit_transform的转置矩阵乘自身得到的就是词与词的同现次数。为什么不用默认全词表因为默认会被“的”“了”“是”这些停用词刷屏共现矩阵里全是对角线很高的大数字看不出业务结构。设置vocabulary等于自己手动锁定分析范围代价是漏掉词典外的词比如某一年试卷里冒出新词“颅内高潮”它不会进入矩阵。4.3 学生答案的“均值画像”怎么对比当拿到两个班级或两批不同试卷答案时把维度分聚合到题目层面会更有价值。下面这段把 annotate 的结果展开成宽表然后按题号求均值def expand_row(row): dims annotate(row[raw_text]) out {q_no: row[q_no]} for dim in [valence, arousal, familiarity, cognition]: out[dim] (dims or {}).get(dim, 0) return out wide pd.DataFrame([expand_row(r) for r in df.to_dict(records)]) wide.groupby(q_no)[[valence, arousal, familiarity]].mean()结果的每一行就是一道题在三个心理维度的班级均值。对比不同班型时我会直接画热力图但热力图必须先归一化否则 arousal 的分数基准和 valence 不一致。归一化用(x - min) / (max - min)按列做。注意按列归一化之后维度之间不可比只能做“哪些题目的 arousal 相对高”这样的相对判断别说出“valence 是 0.7 所以喜欢度高于 0.3”这种话。可视化按行画折线图能一眼看出哪道题把学生口味区分开了。5. 把结构化答案装进 SQLite FTS5十分钟搭一个可检索题库5.1 建表与倒排索引配置分析做完最后一步是让结果可以被反复查询。常见诉求有三个按关键词找回原始答案按维度分筛选高分组按题目找“特色句子”。一次性脚本就能做但如果要把这份 PDF 变成长期可检索的资料我建议直接落 SQLite用 FTS5 建全文索引。CREATE VIRTUAL TABLE answers_fts USING fts5(q_no, raw_text, content, tokenizeunicode61);USING fts5创建的是一个倒排索引表content表示这是一张独立的内容表数据不重复存储只存索引。tokenizeunicode61是默认 tokenizer它按 Unicode 码点分词对中文只做字符级切分检索“旋律”时不会自动匹配“旋 律”想要词级效果可以换tokenizesimple配合外部分词写入不过对单选题答案这种短文本字符级已经够用别过度设计。import sqlite3 conn sqlite3.connect(answer.db) conn.execute(INSERT INTO answers_fts(q_no, raw_text) VALUES (?, ?), (q3, 考试复习的时候听纯音乐更容易集中注意力。)) conn.commit()查询时用 MATCH 语法内容 纯音乐实际匹配包含连续字符序列的行想模糊一点写纯 OR 音乐排除写纯 NOT 电子。注意 FTS5 的unicode61默认忽略标点和全角空格如果原始 PDF 里全是全角空格排版的表格页写入前需要用s.replace( , )把全角空格清理掉否则关键词会被拆断。5.2 维度字段和全文检索打通FTS5 表里存的是原文分析出来的维度分数存在另一张普通表里查询时先过滤维度分再回 FTS5 匹配文本。这里有个 FTS5 用户看不透的坑MATCH执行计划和普通表 join 时如果直接WHERE tagged.valence 0 AND answers_fts MATCH 纯音乐SQLite 不一定按 FTS5 索引走可能在几百条记录上做全表筛。对几千条的本地库性能差异为零但写了content的表没有真实行数据不能直接SELECT *取原文字段必须通过 FTS5 的辅助函数snippet()或者回连原表取值。5.3 用 10 条人工抽样验收标注质量整个流水线做完最容易被跳过的步骤是验收。每批做完标注都要随机抽 10 条原始答案人工看一遍维度分是否符合直觉。做法很简单先用SELECT * FROM answers_fts ORDER BY RANDOM() LIMIT 10;抽出随机句子再把对应记录的维度分打出来对比。如果 10 条里有 2 条以上分明显失实就回到词典表补词而不是直接调超参。最后补一句对整个链条重要的话所有分析都依赖“文本抽取成功”这一前提所以任何时候改过抽取代码都要再跑一次 2.2 的题号切分单元测试用固定样例断言记录数量不变。我会在脚本里挂一条python tests/test_split.py python tests/test_annotate.py每次改完正则或 pdfplumber 策略都先跑一遍这个习惯比任何调参都值钱。本文还有配套的精品资源点击获取