时间：2023-07-10 17:33:33
开篇：写作不仅是一种记录，更是一种创造，它让我们能够捕捉那些稍纵即逝的灵感，将它们永久地定格在纸上。下面是小编精心整理的12篇社交媒体内容分析，希望这些内容能成为您创作过程中的良师益友，陪伴您不断探索和进步。
关键词？演社会化媒体；微博营销策略；评价指标体系
[中图分类号]F274 [文献标识码] A [文章编号]1673-0461（2015）07-0026-05
一、前 言
目前，微博的使用率正在上升，而其他网络社交工具的使用率略微出现下降，如博客、贴吧等，微博覆盖面很广并且它是中国网民获得信息的重要途径之一，因此企业利用微博进行营销是有必要的[1]。据新浪公布2015第一季度财报数据显示，截至2015年3月，微博月活跃用户1. 98亿，日活跃用户6 660万，新浪微博上有40多万个企业认证账号。新浪公司旗下微博业务于2014年4月17日正式登陆纳斯达克，成为全球范围内首家上市的中文社交媒体，上市当天逆市上涨19%。尽管微博营销的前景十分光明，但是随着微信的出现其营销的价值也受到挑战，同时对于企业来说微博的商业模式很难真正打动消费者的兴趣，这主要是微博尽管加大了营销力度 [2]，但一直缺乏系统的营销策略有效性评价体系。因此，本文将通过实证研究系统建立微博营销策略有效性评价指标体系，从而为各大微博平台提供有借鉴价值的营销策略有效性评价方法，优化微博营销策略及关键考核指标[3]，增强客户粘性，加速微博口碑传播速度，从而有效提高客户情感忠诚度。
二、微博营销相关理论
（1）社会化媒体（Social Media）与社会化媒体营销。现阶段国内的社会化媒体主要包括微博、贴吧、微信、论坛等等[4]，国外的社会化媒体包括Linkedin、Youtube、Facebook、Twitter等为代表的新型媒体平台[5]，他们共同的特点是由用户创造内容，并且传播迅速、操作简单[6]。由于社会化媒体具有互动参与性、高度透明性以及社交性，企业将其视为一种新型的营销传播平台，以期提高营销效果[7]。
社会化媒体营销就是通过诸如社交网站、微博、微信、博客等的一系列社会化媒体工具[8]，通过信息，与用户交流互动，利用社会化媒体的病毒式传播的优势特征，来实现品牌塑造、客户反馈、客户互动、口碑营销、销售促进等的一种网络营销行为[9]。社会化媒体营销（Social Media Marketing）已成为众商家最重要的营销手段之一，从而为推荐系统的发展提供了前所未有的市场机会和应用前景[10]。微博营销有自己独特性，对于微博营销效果的研究大多关注其影响因素[11]，并未构成系统的指标体系，而且各学者对相同的指标持不同的看法，比如微博粉丝量或者活跃粉丝量，王武义认为最重要的因素是粉丝数量[12]，而邢斗提出粉丝数量与所谓的活跃粉丝数并不能评价微博营销绩效。
（2）微博营销相关概念。微博营销指的是不同的个人与组织运用微博客这种网络应用工具、借助于各类微博平台、并结合微博的传播特性所进行的市场营销、品牌推广或公共关系维护等行为[13]。与一般的社会化媒体工具相比，微博具有独特的优势。首先，微博营销的低成本是论坛不可相比的；其次，微博的瞬时分享、即时互动、简短的优势是博客所达不到的；最后，SNS覆盖用户比较集中、粘性大、侧重交往，更适合精准人群的特定营销，而微博覆盖更广，更适合话题或事件营销，并且可以实现开放式营销。
总之，在文献研究基础上，本文归纳出微博营销的五个基本策略，包括准备工作、粉丝部落、内容策略、互动策略以及情报监控，这些研究对微博营销策略有效性评价指标提取奠定了基础。
三、微博营销策略有效性评价指标体系的构建
1. 指标提取及问卷设计
本文通过内容分析法，从许多资料中提取了表1中这些未分类的具体指标，其中所有35个指标都是与微博密切相关的。基于以下指标，本文根据五点量表设计出微博营销策略评价指标有效性调查问卷。问卷第一部分包括五道基础信息题，关于被调查者的性别、年龄、使用微博时长、登录微博频率以及其微博关注对象。问卷第二部分包括35道题，测试的是各因素指标在评价微博营销策略有效性时有不同的重要程度，分别是非常不重要、比较不重要、一般重要、比较重要以及非常重要，其赋值分别为1、2、3、4、5。
2. 数据分析
（1）信度分析。本研究主要借助SPSS20.0软件进行分析，如表2所示，这次问卷共收回159份，有效问卷159份，无效问卷0份，有效率为100%。由表3可知内部一致性α系数为0.949，大于0.900，说明问卷结果的可靠性是非常理想的。
（2） 因子分析。取样适当性量数值为0.906，指标值大于0.9，如表4所示，表示变量间有共同因素存在，量表题项适合进行因素分析。
解释总方差结果如表5所示，采用最大方差法后，四个共同因素的特征值分别是5.767、4.222、3.976、3.436，四个共同因素可以解释测量题项58.003%的变异量。
由表6可以看出第一个因素包括十一个指标（Q7、Q6、Q38、Q40、Q37、Q39、Q31、Q8、Q30、Q14、Q18），这些指标负荷量介于0.714至0.525之间；第二个因素包括八个指标（Q25、Q27、Q28、Q22、Q24、Q26、Q20、Q29），这些指标负荷量介于0.707至0.542之间；第三个因素包括六个指标（Q9、Q10、Q13、Q11、Q15、Q23），这些指标负荷量介于0.832至0.522之间；第四个因素包括六个指标（Q35、Q32、Q33、Q34），这些指标负荷量介于0.727至0.610之间。这四个因素里面的题项均大于3，而且各个因素层面的题项变量的因素负荷量均在0.500以上，表示潜在变量可以有效的反映各指标变量。
3. I-B-C-S模型的评价指标体系建立
根据因子分析的结果，我们将Q6、Q7、Q8、Q14、Q18、Q30、Q31、Q37、Q38、Q39、Q40归为第一类指标，Q20、Q22、Q24、Q25、Q26、Q27、Q28、Q29归为第二类指标，Q9、Q10、Q11、Q13、Q15、Q23归为第三类指标，Q32、Q33、Q34、Q35归为第四类指标，具体分类如图1和表7所示，由此我们建立起I-B-C-S模型的微博营销策略有效性评价指标体系。
如图1所示，信息传播，即Information dissemination，微博作为一条信息传播的渠道，其信息传播的有效性很大程度上影响微博营销策略的有效性。信息传播有效性由信息有效性、传播有效性、销售转化率和客户体验获得，其中信息有效性包括内容趣味性、内容的个性、内容利益性，传播有效性包括转发质量和传播力，销售转化率包括销售量和用户转化率，客户体验包括微博情感距离、微博情绪敏感度、微博体验强度、微博分享数。
品牌互动，即Brand interaction，社会化媒体营销的最大作用就是品牌塑造，微博也不例外，所以品牌互动在一定程度上也影响着微博营销策略的有效性。品牌互动由O2O信任协同、客服质量、品牌效应三个指标构成，O2O信任协同包括微博可信度、线上线下配合度，客服质量包括用户投诉率、用户投诉解决率、投诉一次解决率、危机反应速度，品牌效应包括品牌知名度、品牌忠诚度。
客户参与，即Customer participation，微博营销的重点在于用户之间的传播，也就是说客户参与对于微博营销策略有效性也是很重要的一项指标。客户参与包括外部客户和内部客户，分别由粉丝活跃度、团队影响力决定，粉丝活跃度包括粉丝数量、活跃粉丝数、评论数、转发数，团队影响力包括发博数和微博营销团队人数。
分享集群，即Share cluster，分享集群由短链流量、众包集群两个指标决定，短链流量包括短链分享量和短链点击量，众包集群包括众包开放度和搜索数。
四、结论与展望
本文通过对国内外网络营销以及微博营销策略的研究，通过因子分析法建立了IBCS模型的微博营销策略有效性评价指标体系，其中第一中间层包括信息传播（Information dissemination）、品牌互动（Brand interaction）、客户参与（Customer participation）、分享集群（Share cluster）四个指标，这对于优化微博营销策略的个性化、智能化推荐具有重要的参考价值，也对量化微博营销策略的有效性具有科学的评价依据。
在微博营销策略中，企业首先要做的就是需要选择合适的媒介。我国最大的两个平台是新浪微博、腾讯微博，他们都有自己独特的优势，新浪微博在于其名人效应、用户多、影响力大等优势；腾讯微博在于它基于QQ用户的丰富资源与强大传播优势。因此，下一步我们将使用层次分析法，以新浪微博和腾讯微博为实验平台，对上述微博营销策略有效性指标体系进行修正与验证，基本思路如下：第一，确定目标层、准则层和方案层。目标层为微博营销策略有效性，第一准则层包括信息传播、品牌互动、客户参与、分享集群四个指标，第二中间层包括客户体验、客服质量、品牌效应、粉丝活跃度、短链流量、众包集群等11个指标，第三中间层包括内容趣味性、短链点击量、众包开放度以及搜索数等29个指标，备选方案层为新浪微博平台和腾讯微博平台；第二，组织专家利用AHP层次分析系统的群决策功能对上述指标体系进行专业打分；第三，确定指标之间的权重和得分，获得目标层得分；第四，验证这套指标体系的适切性，进行完善并做出决策。营销管理实践表明，这套微博营销策略有效性评价指标体系需要相应的营销活动做支撑，比如前期准备工作、微博粉丝部落、微博内容营销策划、微博互动关系管理以及微博舆情监控。
随着微博的快速发展，企业微博将会在过程中形成更多的变量，更多的数据，考虑到评价指标的量化，未来的微博营销策略有效性评价指标体系将采用大数据挖掘技术进一步加以完善。
[参考文献]
[1] Tamar Weinberg.正在爆发的营销革命：社会网络营销指南[M].北京：机械工业出版社，2010.
[2] 程雪芬.企业微博营销效果影响因素及测度研究[D].大连：大连理工大学，2012.
[3] 邢斗.企业微博营销绩效的影响因素研究[D].郑州：河南工业大学，2013.
[4] 刘晓伟. 社会化媒体营销研究[D].济南：山东师范大学，2014.
[5] Donna L.Hoffman and Marek Fodor.Can You Measure the ROI of Your Social Media Marketing[J].MIT SLoan Management Review，Fall，2010，52（1）：41-49.
[6] 周仁杰. 社会化媒体内容关注度分析与建模方法研究[D].哈尔滨：哈尔滨工程大学，2012.
[7] 赵源. 可口可乐“歌词瓶”的社会化媒体营销之道[J]. 东南传播，2015（1）：110-111.
[8] 田定. 中小企业的社会化媒体营销策略研究[D].上海：华东理工大学，2014.
[9] 张斯琦. 微博文化研究[D].长春：吉林大学，2012.
[10] 阴红志. 社会化媒体中若干时空相关的推荐问题研究[D].北京：北京大学，2014.
[11] 王睿. 企业微博营销影响因素与短期效果测量研究[D].北京：北京邮电大学，2012.
关键词：图像情感；情感计算；情感表示
中图分类号：TP391.4
1 引言
随着社交网络的快速发展和广泛使用，例如Twitter（https：//），Flickr（https：//），YouTube（https：//）和新浪微博（http：//），人们倾向于将自己的所见所闻、兴趣爱好等以文本、图像和视频等多媒体的形式上传至网络来呈现和分享其观点和情感。因此，即会导致文本、图像和视频等多媒体内容的规模正以显示指数级态势发生着爆炸式增长，而针对这些多媒体内容的处理及理解需求则日趋显著与突出。相对于底层视觉特征层，人们只能够感知和理解图像、视频的高层语义层，包括认知层和情感层。以往对视觉内容分析的工作主要集中在理解图像、视频的感知层，即描述图像、视频的真实内容，如物体检测与识别。然而，公众对数字摄影技术的关注热衷及对视觉内容情感表达的强烈需求，使得对图像、视频最高语义层―情感层的分析已然具有高度重要的研究和应用价值。
对多媒体内容情感层的分析属于情感计算的一部分。情感计算的概念是由麻省理工学院媒体实验室的Picard教授于1995年首次提出的，而于1997年专著《Affective Computing》则正式出版问世[1]。书中给出了情感计算的定义，即情感计算是指与情感相关、来源于情感或能够对情感施加影响的计算，包含3个部分：情感识别、情感发生和情感表达[1]。
基于此，根据需要处理的多媒体数据类型，对多媒体情感层的分析可以分为4种：基于文本的情感分析[2]、基于音频的情感分析[3-5、基于图像的情感分析[6-7]以及基于视频的情感分析[8-11]。其中，基于文本和音频的情感分析比较成熟，图像情感分析中人脸表情识别的研究也相对成熟，而关于普通图像和视频情感分析的研究相对来说，却仍显不足。对图像情感识别的研究最初源始于人脸表情R别，因为人脸检测和人脸识别的研究相对成熟，心理学对人脸表情的分类也已建立有清晰脉络，此外更有大量的研究机构也成功建立了表情识别的数据库[12-14]。
受到情感鸿沟和人类情感感知与评估的主观性等基础现实的制约，普通图像的情感分析进展缓慢。不仅如此，图像情感计算的发展还将需要心理学、艺术学、计算机视觉、模式识别、图像处理、人工智能等领域的共同支持，众多领域学科的交叉使得图像情感计算成为一个富有挑战性的研究课题。本文对图像情感计算的发展研究现状进行了全面论述和分析。
1 情感的定义与描述
人类具有很强的情感感知和表达的能力，但是由于情感的复杂性和抽象性，人们很难将情感从概念上实现具体化和清晰化。心理学、生理学领域的科学家们早在18世纪就开启了专门情感研究，并且推出了诸多情感理论来解释情感是如何源起于产生的，如1872年的Darwin三原则理论[15]、1884年的James-Lange理论[16]、1927年的Cannon-Bard 理论[17]和1991年的Lazarus理论[18]。但是迄今为止，科学家们也仍未提出一个准确、全面且可得到一致认可的情感定义。
心理学中与情感相关的词汇有emotion、affect、sentiment、mood、affective、emotional等，类似的中文词汇有情感、感情、情绪、情感的、感情的等。心理学上认为情感、情绪与感情是3个严格不同的概念[1，19-20]，但计算机学科对此区分并不严格区分，一般只是笼统将其称为情感。wikipedia上给出了一种情感的模糊定义，“情感是对一系列主观认知经验的通称，是多种感觉、思想和行为综合产生的心理和生理状态”。心理学领域主要有2种方式来描述情感：离散情感状态（CES）和维度情感空间（DES），或称为范畴观和维度观[1，19-20] 。
1.1 离散情感状态
持范畴观的心理学家将情感分成相互独立的范畴，而且在外部表现、生理唤醒模式上都存在一定的差异。近年来，持范畴观的研究人员根据生物进化理论把情感分为基本情感和复合情感。不同的心理学家对基本情感的分类差异很大，从2类到几十类也各有不等，具体的分类方法可以参照文献[1，19-20]。研究中更具代表性的成果主要有：Ekman把情感分为6类，即高兴、愤怒、厌恶、恐惧、悲伤、惊奇[21]；Izzard 用因素分析方法，提出11种基本情绪，即兴趣、惊奇、痛苦、厌恶、愉快、愤怒、恐惧、悲伤、害羞、轻蔑和自罪感[22]；Mikels 通过严格的心理学实验，把情感分为8 类，即表示积极情感的娱乐、敬畏、满意、刺激，表示消极情感的生气、厌恶、害怕和悲伤[23]；Plutchik提出了一套情感的演化理论，认为情感有8种基本类型，但是每种情感又有3种不同的愉悦度（valence），即把情感分为24类[24]。还有一种模型是将情感分成积极和消极2类，或者积极、消极和中性三类。目前对表情识别的分类多是基于Ekman 的分类，而对图像情感分类则以Mikels 的分类为主。
复合情感是由基本情感的不同组合派生出来的，可随着个体认知的成熟而烟花发展，并随着文化的不同而发生变化。Izzard认为复合情感有3类：基本情感的混合、基本情感和内驱力的集合、基本情感与认知的结合[22]。
用CES来描述和测量情感的优势可分述为：
1）符合人们的直觉和常识，容易被人们理解和标注，有利于情感计算的成果在现实生活中推广和应用；
2）有利于智能系统在识别情感后，进一步推理与之相联系的特定心理功能和可能的原因，而后做出适当的反映。
但也需明确认识到CES的缺点，具体表述为：
1）哪些情感状态或基本情感是必要的，目前研究者对此没有统一的认识；
2）CES是对情感的定性描述，无法用量化的数字表达主观的情感体验，且其对情感的描述能力也比较有限。
1.2 维度情感空间
持维度观的研究人员认为情感具有基本维度和两极性，所有的维度构成一个笛卡尔空间，DES就将情感描述为该空间中的点，理论上该空间的情感描述能力是无限的，即能够涵盖所有的情感状态。各种不同的维度情感空间可以参照[1][19][20]。常见的维度情感空间大多是3D的，如natural-temporal-energetic[25]、valence-arousal-control[26]、activity-weight-heat[27]等。比较典型的是愉悦度-激活度-优势度空间（valence-arousal-control space，VAC，有些时候也称为pleasure-arousal-dominance space，PAD）[26]。其中，愉悦度表示个体情感状态的正负特性，激活度表示个体的神经生理激活水平，优势度表示个体对情景和他人的控制状态。具体的VAC三维情感空间如图1 （a）所示[28]，从图中不难看出，优势度维度的取值范围很小，而且只有当愉悦度呈现高峰值时才会有用。因此可以说，优势度在描述情感过程中仅能发挥有限的的作用。大多数计算机学者用DES 描述情感时都不曾考虑优势度，以愉悦度-激活度空间为主。但也并非所有的愉悦度和激活度的组合都能构成情感，能构成人们常见的情感状态的愉悦度和激活度的组合范围如图1 （b）所示[28]。
用DES来描述和测量情感具有鲜明优势，具体可论述为：
1）描述能力强，理论上能描述所有的情感类别；
2）易于对情感进行量化，以精确的数值来描述情感，解决了CES 情感标签的模糊性问题，也一并消除了自感的描述问题。
但DES也存在一定的缺陷，分析可得如下结论：
1）不易于人们直观的理解，给定DES的维度值，普通人无法识别出应该归属为哪种情感；
2）测试人员对DES的打分有一定的难度，由此导致较大的偏差。
2 图像情感计算的问题描述
所谓图像情感计算，是指计算机从图像中分析并提取情感特征，使用模式识别与机器学习的方法对其执行计算，进而理解人的情感。根据情感的描述方式，图像情感计算可以分为三大任务：情感分类、情感回归和情感图像检索。
一个图像情感计算系统通常包括如下3部分：
1）图像预处理。 由于输入图像在尺寸、光照、颜色空间等方面存在很大的差异，在进行特征提取之前往往需要进行预处理。比如，把图像尺寸调整到统一大小，把颜色空间转换到同一空间等。在图像情感计算过程中，预处理虽然不是一个专门的研究热点，但却会对算法的性能产生很大的影响。
2）情感特征提取/选择。 特征提取与选择是图像情感计算过程中的重要组成部分，直接决定了算法最终的性能。该步骤的主要任务是提取或者选择一些特征，并且使得其在类内具有很大的相似性而在类间具有很大的差异性。一般而言，用于图像情感计算的特征可以分为底层特征、中层特征和高层特征。
3）模型设计。 模型设计是指根据图像情感计算的任务来设计合适的模型，并以提取的特征作为输入，通过W习的方法来获得相应的输出。情感分类是一个多类分类问题，可以直接采用多类分类器，或者转换成多个二值分类。情感回归是一个回归问题，研究针对的是维度情感模型。情感图像检索对应的是如下检索问题，即给定输入图像，查找与之表达相似情感的图像。针对不同问题，可以采用的学习模型也将各有不同。
3 图像情感计算的研究现状与分析
本节对图像情感计算的研究现状进行总结与分析。首先从不同的分类角度综合归纳了当前可高效用于图像情感计算的技术特征，然后简要介绍常用的机器学习方法，最后对已有方法存在的主要问题进行分析并给出可能的解决方案。
3.1 用于图像情感计算的特征
如何提取与情感紧密相关的特征是情感识别的关键问题。根据所提特征的通用性（generality），可将已有的特征分为2类：通用特征和专用特征。根据所提特征的层次（level），可将已有的特征分为3类：底层特征、中层特征和高层特征。
进一步地，所谓通用特征是指计算机视觉里普遍适用的特征，设计这些特征的目的并不是为了用于情感识别，而是其他的视觉任务，如物体检测。Yanulevskaya所使用的Wiccest特征和Gabor特征就是典型的通用特征[29]。而专用特征则是针对情感识别这一特定任务而设计的能够表达不同情感的特征，比如常见的颜色、纹理等底层特征。
目前，绝大多数的情感特征提取工作都是基于艺术元素的，如颜色、纹理、形状、线条等。针对每一种类的艺术元素，研究者们又设计了为数可观的不同描述方法。关于艺术元素及常用特征的典型描述可见于如下：
1）颜色（color）有3个基本的属性：色调、强度和饱和度。常用于描述颜色的特征除了这3个基本属性的平均值，还有colorfulness、area statistics[30-31]等。
2）灰度值（value）描述颜色的亮度或暗度。常用的特征有lightness、darkness[30-31]等。
3）线条（line）是在某物体表面的连续的标记。主要有2种：强调线和非强调线。强调线，又称轮廓线，勾勒出了一个物体的轮廓或边缘，而非强调线则用于描述那些轮廓和边缘未可堪称重要的作品。不同的线条给人不同的感觉，如水平线代表平静，给人轻松的感觉，垂直线代表强度与稳定，对角线代表紧张，曲线则表示运动。通常用于描述线条的特征有通过霍夫变换计算的静止和动态线条的数量和长度[30]。
4）纹理（texture）用于描述物体的表面质量（surface quality），有的艺术家使用平滑的纹理，也有的人喜欢用粗糙的纹理。常用的有基于小波的特征、Tamura特征、灰度共生矩阵[30]以及LBP特征。
5）形状（shape）是平的，具有2个维度：高度和宽度。Lu等人使用圆度（roundness）、角度（angularity）、简单性（simplicity）和复杂性（complexity）来描述形状[32]。
（6）形式（form）具有3个维度，即高度、宽度和深度，因此形式具有体积。
（7）空间（space）指物体之间、上面、下面或物体内部的距离或面积。
除了目前常规通用的底层表达，也有部分工作开始提取中层或高层的特征。Machajdik和Hanbury[30]提取了包括Level of Detail、Low Depth of Field、Dynamics和Rule of Thirds在内的构图（composition）作为中层特征，同时也发掘包括人脸、皮肤在内的图像内容（content）作为高层特征。Solli和Lenz使用每个兴趣点周围的情感直方图特征和情感包（bag-of-emotion）特征来对图像进行分类[27]。Irie等人提取基于情感的音频-视觉词组包（bag of affective audio-visual words） 的中层特征以及隐主题驱动模型来对视频进行分类[33]。
3.2 常用的机器学习方法
图像情感分类一般可建模为标准的模式分类问题，常用的分类器都可以用来解决此问题。根据建模过程，其中的有监督学习即可以分为生成式学习和判别式学习。相应地，判别式学习就是直接对给定特征条件下标签的条件概率进行建模，或者直接学习一个从特征到标签的映射，如Logistic回归和支持向量机（SVM）等。生成式学习则分别对类别先验和似然进行建模，而后再利用Bayes法则来计算后验概率，如高斯判别分析和Naive Bayes。当处理多类分类时不仅可以直接采用多类分类器，也可以转换成多个二值分类问题，常规策略有“一对一”分类和“一对多”分类。多种分类器可用来实施图像情感的分类，其中进入使用流行的主要有Naive Bayes[30]、Logistic回归[34]、 SVM[32，35-36]和稀疏表示等。
一般情况下，图像情感回归建模为标准的回归预测问题，即使用回归器对维度情感模型中各个维度的情感值进行估计。常用的回归模型有线性回归、支持向量回归（SVR）和流形核回归（manifold kernel regression）等。当前有关图像情感回归的研究仍属少见，已知的只有使用SVR对VA模型所表示的情感尝试，并实现了回归[32，35]。
目前，已知的用于图像情感检索的方法主要有SVM[36]和多图学习[37]等。
3.3 现有方法存在的主要问题及可能的解决方案
3.3.1 所提取的底层特征与图像情感之间存在语义鸿沟
目前的图像情感识别方法主要仍是基于学习的方法，因此学习时所使用的特征决定了最终学习的分类器或回归预测器性能的优劣。而时下绝大多数工作所提取的特征主要是基于艺术元素的底层特征，这就使得“情感鸿沟”极为显著，学习所得的分类器的分类准确率较为低下，回归预测器的预测结果误差较大。基于此，如何进一步缩小这一鸿沟，即改进特征与情感类别或情感得分之间的映射关系，即已成为气候工作的研究重点。
3.3.2 ]有从脑科学、心理学及艺术学等学科的研究成果中得到启发
情感表达是一个多学科交叉的研究方向，现有的从计算机的角度进行情感表达的工作大多都未曾引入脑科学、心理学及艺术学等产生的丰硕研究成果，这极大地限制了图像情感表达领域的发展、推进和完善。
在进行艺术作品创作时，艺术家不仅仅需要使用艺术元素，而且还要研究艺术原理，即把艺术元素进行组织与排列以产生特定语义与情感的各类规则。因此，使用艺术原理作为描述情感的中层特征，可能会对情感识别产生一定的帮助。
3.3.3 没有考虑个性化的情感识别
目前绝大多数的情感识别工作对情感的处理都是基于期望情感的[38-39]，即图像拍摄者或电影制作者创作作品时希望读者产生怎样的情感，或者基于大众化情感，即大多数人所产生的类同式情感。这样做虽然便于研究，但却不符合实际情况，因为人的情感具有宽泛的主观性，例如喜欢看恐怖片的人可能觉得这部影片并不恐怖。也就是说，不同人对同一图像的情感反应是不同的，即情感评价是因人而异的，而且同一个人在不同时刻对同一图像的情感反应也有可能出现不同，即情感评价是因时而异的。因此，课题重点就是需要研究每个人的真实情感。
要想解决上述问题，就需要为每个人都建立一个数据库。人工标记显然费时、费力，不过，把社交媒体中人们对图像的评价作为对图像情感的理解将不失为是一种近便且准确的方法。同时，还可以进一步考虑对社交媒体中情感的传播和影响进行建模，即人们某时刻对图像情感的理解可能受当时朋友情感的影响。
如果说只考虑期望情感将太过泛化，那么个性化的情感识别却可能过于特殊，并且为之产生的计算复杂度还会很高。因此，介于期望情感和个性化情感之间的群体情感就可能会是一个合理的适用性解决方案。所谓群体情感，是指具有相同教育背景、生活环境和社会文化的人对同一幅图像所产生的情感是相似的。
3.3.4 高层语义和情感的理解相互制约
人们产生情感，是由特定的知识背景与特定的语义所共同决定的。那么，考虑基于语义的图像情感识别就应该更具备克星的真实性。但是，对图像语义的研究本身即是一个尚未解决的疑难课题，这将使得运用语义进行情感识别还存在很大的困难。如果图像语义分析技术达到了一定的技术水平后，图像情感识别也必将获得根本性解决。
3.3.5 目前用于情感表_测试的数据库规模很小
现有已公布的图像情感数据库规模很小，大型的仅在2 000左右，小型的仅有200，这也限制了图像情感表达的迅速发展，首要就是无法运用统计的思想和理论来发现其中的一些规则。而与此同时，社交网络即给出了一种可能的应对方案，如何利用社交网络上的大规模数据提高图像情感的识别率，挖掘图像情感之间的相互关系则需要研究学界的更大关注与投入。
3.3.6 没有适用于图像情感识别的理想学习策略
语音情感识别之所以发展得比较迅速，即是因为得到了与语音表达的机制相关的混合高斯模型和人工神经网络的有效技术支撑。但是目前适用于图像情感识别的学习策略或分类方法却仍显匮乏，而这又需要脑科学和机器学习等交叉领域研究的进化、提升与发展。
4 结束语
研究图像情感计算，实现对图像情感语义的分析对认知心理学、行为科学、计算机视觉、多媒体技术和人工智能领域的理论和技术发展均有促进作用。在过去的十几年内，已有较多的相关工作获得发表、并进入实践。但是，图像情感计算的研究仍然处在初级阶段，仍有众多问题未获解决。本文在分析研究现状的基础上，总结出了现有方法存在的问题以及可能的解决方案，为后续研究提供了参考。
参 考 文 献
[1] Picard R W. Affective computing[M]. London， England： MIT Press， 1997.
[2] PANG B， LEE L. Opinion mining and sentiment analysis[J]. Information Retrieval， 2008， 2 （1/2）： 1-135.
[3] YANG Y H， CHEN H H. Machine recognition of music emotion： A review[J]. ACM Transactions on Intelligent Systems and Technology， 2012， 3 （3）： 40.
[4] RODA A， CANAZZA S， De POLI G. Clustering affective qualities of classical music： beyond the valence-arousal plane[J]. IEEE Transactions on Affective Computing， 2014， 5 （4）： 364-376.
[5] ZHAO S， YAO H， WANG F， et al. Emotion based image musicalization[C] //Proceedings of IEEE International Conference on Multimedia and Expo Workshops. Chengdu， China： IEEE， 2014： 1-6.
[6] WANG W， HE Q. A survey on emotional semantic image retrieval[C] //Proceedings of IEEE International Conference on Image Processing. San Diego， California， USA： IEEE， 2008：117-120.
[7] JOSHI D， DATTA R， FEDOROVSKAYA E， et al. Aesthetics and emotions in images[J]. IEEE Signal Processing Magazine， 2011， 28 （5）： 94-115.
[8] WANG S， JI Q. Video affective content analysis： a survey of state of the art methods[J]. IEEE Transactions on Affective Computing， 2015， 6 （4）： 410-430.
[9] ZHAO S， YAO H， SUN X， et al. Flexible presentation of videos based on affective content analysis[C] //Proceedings of International Conference on Multimedia Modeling. Huangshan， China： Springer， 2013： 368-379.
[10] ZHAO S， YAO H， SUN X， et al. Video Indexing and Recommendation Based on Affective Analysis of Viewers[C] //Proceedings of ACM International Conference on Multimedia. Scottsdale， AZ， USA： ACM， 2011： 1473-1476.
[11] ZHAO S， YAO H， SUN X. Video classification and recommendation based on affective analysis of viewers[J]. Neurocomputing 119： 101-110， 2013.
[12] WANG S， LIU Z， LV S， et al. A natural visible and infrared facial expression database for expression recognition and emotion inference[J]. IEEE Transactions on Multimedia， 2010， 12 （7）： 682-691.
[13] LUCEY P， COHN J F， KANADE T， et al. The extended Cohn-Kanade dataset （CK+）： A complete dataset for action unit and emotion-specified expression[C] //Proceedings of IEEE Conference on Computer Vision and Pattern Recognition Workshops. San Francisco， CA， USA： IEEE， 2010： 94-101.
[14] YIN L， WEI X， SUN Y， et al. A 3D facial expression database for facial behavior research[C] //Proceedings of IEEE International Conference on Automatic face and gesture recognition. Southampton， UK： IEEE， 2006： 211-216.
[15] DARWIN C， EKMAN P， PRODGER P. The expression of the emotions in man and animals[M]. New York， USA： Oxford University Press， 1872/1998.
[16] JAMES W. What is an emotion？[J] Mind， 1884（34）：188-205.
[17] CANNON W B. The James-Lange theory of emotions： A critical examination and analternative theory[J]. The American Journal of Psychology， 1927， 39 （1/4）： 106-124.
[18] LAZARUS R S. Progress on a cognitive-motivational-relational theory of emotion[J]. American psychologist， 1991， 46 （8）： 819.
[19] 王志良. 人工情感[M]. 北京： C械工业出版社， 2009.
[20] 陈俊杰. 图像情感语义分析技术[M]. 北京： 电子工业出版社， 2011.
[21] EKMAN P. An argument for basic emotions[J]. Cognition & emotion， 1992， 6 （3/4）： 169-200.
[22] IZARD C E. Basic emotions， relations among emotions， and emotion-cognition relations[J]. Psychology Review， 1992， 99： 561-565.
[23] MIKELS J A， FREDRICKSON B L， LARKIN G R， et al. Emotional category data on images from the International Affective Picture System[J]. Behavior research methods， 2005， 37 （4）： 626-630.
[24] PLUTCHIK R. Emotion： A psychoevolutionary synthesis[M]. New York， USA： Harpercollins College Division， 1980.
[25] BENINI S， CANINI L， LEONARDI R. A connotative space for supporting movie affective recommendation[J]. IEEE Transactions on Multimedia， 2011， 13 （6）： 1356-1370.
[26] RUSSELL J A， MEHRABIAN A. Evidence for a three-factor theory of emotions[J]. Journal of research in Personality， 1977， 11 （3）： 273-294.
[27] SOLLI M， LENZ R. Color based bags-of-emotions[C] //Proceedings of International Conference on Computer Analysis of Images and Patterns. M¨unster， Germany：Springer， 2009： 573-580.
[28] Dietz R， Lang A. Affective agents： Effects of agent affect on arousal， attention， liking and learning[C]//Proceedings of International Cognitive Technology Conference. San Francisco， CA， USA： Springer， 1999.
[29] YANULEVSKAYA V， Van GEMERT J， ROTH K， et al. Emotional valence categorization using holistic image feature[C] //Proceedings of IEEE International Conference on Image Processing. San Diego， California， USA： IEEE， 2008： 101-104.
[30] MACHAJDIK J， HANBURY A. Affective image classi?cation using features inspired by psychology and art theory[C] //Proceedings of ACM International Conference on Multimedia. Firenze， Italy： ACM， 2010： 83-92.
[31] WANG W N， YU Y L， JIANG S M. Image retrieval by emotional semantics： A study of emotional space and feature extraction[C] //Proceedings of IEEE International Conference on Systems， Man and Cybernetics. Taipei， Taiwan： IEEE， 2006： 3534-3539.
[32] LU X， SURYANARAYAN P， ADAMS J R B， et al. On Shape and the Computability of Emotions[C] //Proceedings of ACM International Conference on Multimedia. Nara， Japan： ACM， 2012：229-238.
[33] IRIE G， SATOU T， KOJIMA A， et al. Affective audio-visual words and latent topic driving model for realizing movie affective scene classification[J]. IEEE Transactions on Multimedia， 2010， 12 （6）： 523-535.
[34] BORTH D， JI R， CHEN T， et al. Large-scale visual sentiment ontology and detectors using adjective noun pairs[C] //Proceedings of ACM International Conference on Multimedia. Barcelona， Spain： ACM， 2013： 223-232.
[35] ZHAO S， GAO Y， JIANG X， et al. Exploring Principles-of-Art Features for Image Emotion Recognition[C]//Proceedings of ACM International Conference on Multimedia. Orlando， FL， USA： ACM， 2014： 47-56.
[36] WU Q， ZHOU C，WANG C. Content-based affective image classification and retrieval using support vector machines[C] //Proceedings of International Conference on Affective Computing and Intelligent Interaction， Beijing， China： Springer， 2005：239-247.
[37] ZHAO S， YAO H， YANG Y， Zhang Y. Affective Image Retrieval via Multi-Graph Learning[C]//Proceedings of ACM International Conference on Multimedia. Orlando， FL， USA： ACM， 2014： 1025-1028.
[38] HANJALIC A. Extracting moods from pictures and sounds： Towards truly personalized TV[J]. IEEE Signal Processing Magazine， 2006， 23 （2）： 90-100.
[39] HANJALIC A， XU L Q. Affective video content representation and modeling[J]. IEEE Transactions on Multimedia， 2005， 7 （1）： 143-154.
[40] ZHAO S， YAO H， JIANG X， et al. Predicting discrete probability distribution of image emotions[C] //Proceedings of IEEE International Conference on Image Processing. Quebec， QC， Canada： IEEE， 2015： 2459-2463.
【关键词】学前儿童;社会性发展;社会领域教育;年度报告
【中图分类号】G612 【文献标识码】A 【文章编号】1004-4604（2015）10-0008-05
社会领域是幼儿园五大课程与教学领域之一。近年来，随着人们对幼儿社会性发展与教育的重视程度不断提高，相关研究也越来越多。为了解当前学前儿童社会性发展与教育的研究状况，笔者收集了2011年至2013年与学前儿童社会性发展与教育相关的最新研究文献，包括相关著作、国内外相关专业期刊、硕博论文等，进行了比较全面的文献梳理，综述如下。
一、关于学前儿童社会性发展特点与影响因素的研究
了解学前儿童社会性发展特点与影响因素是对学前儿童进行社会性教育的基本前提。研究者在这两方面做了许多研究。
1.关于学前儿童社会性发展特点的研究
马婷婷（2013）采用陈会昌编制的《儿童社会性量表》，对245名3～6岁幼儿进行了调查，以研究幼儿社会性发展的性别、年龄特征。调查发现，在社会性发展的总分上幼儿的性别差异不显著，年龄差异显著。〔1〕张莅颖、孙敬（2012）选取河北保定市186名4～7岁流动儿童作为研究对象，同样采用陈会昌编制的这一量表进行了调查，结果发现，与常模相比，学前流动儿童社会性发展总分符合常模正态分布;学前流动儿童社会性发展总分存在显著的性别差异，男孩总分高于女孩;学前流动儿童社会性发展总分随年龄增长、家庭定居市区时间的增加及母亲文化水平的提高而提高。〔2〕
围绕幼儿社会性发展的一些重要方面，研究者进行了比较细致的探讨。例如：吴育红（2012）分析了幼儿同伴交往中存在的问题及影响因素，指出城市化生活压缩了幼儿同伴交往的空间，家庭结构的变化导致幼儿缺少交往对象，教育者的教养观念也影响了幼儿的同伴交往。〔3〕郭苗苗（2012）对自由活动中大班被忽视幼儿的同伴交往行为进行了个案研究。〔4〕张凤（2011）则运用问卷调查法、情境访谈法和现场观察法，对5～6岁幼儿的同伴冲突解决策略进行了探究。〔5〕王芳、刘少英（2011）选择了3个班级的幼儿，对他们的同伴关系进行了为期三年的追踪研究，以探究幼儿同伴关系的发展特点及交往能力的培养策略。〔6〕有研究者对幼儿亲社会行为的发展特点进行了研究。赖佳欣、杨恒、郭力平（2012）通过层层递进的7个分享实验，考察了不同教育环境中3岁和5岁幼儿的分享行为特征，结果发现，5岁幼儿利他趋向显著高于3岁幼儿，且5岁幼儿在分享行为中已表现出一定的策略性;幼儿的分享行为不存在明显性别差异;教养环境会影响幼儿的分享行为;在无涉自身利益或关涉自身利益但无法把控结果的情况下，幼儿的分配行为更趋公平。〔7〕赵科等人（2013）则采用《儿童气质教师问卷》和《幼儿责任心问卷》，对357名4～7岁幼儿进行了调查，以研究不同气质类型幼儿的责任心发展特点。〔8〕罗丽（2012）就3～6岁幼儿分享行为的特点、动机与影响因素，对北京市598名幼儿的分享行为和动机开展了教师评定问卷调查，并且对2所幼儿园240名幼儿的分享动机进行了问卷调查。研究发现，（1）随着年龄的增长，3～6岁幼儿分享行为的表现越来越好，但幼儿分享行为的发展不是匀速的，4～5岁是幼儿分享行为发展的关键时期。（2）在分享行为的发生频率、类型及水平上，女孩的得分显著高于男孩。（3）幼儿分享行为的动机可分为同情利他、获得朋友、外貌吸引、不喜欢分享物、服从规范、逃避惩罚和互惠互利等七种。在有动机提示情况下，幼儿的分享行为显著优于没有动机提示时的表现。（4）同情利他是3～6岁幼儿分享行为的主要动机，但不同年龄幼儿的分享行为动机类型分布存在显著差异。随着年龄的增长，幼儿分享行为的动机日趋复杂。〔9〕李灵子（2011）对2～3岁幼儿的同情与亲社会行为的相关性进行了研究。〔10〕钟佑洁、李艳华、张进辅（2012）基于社会信息加工模型理论，运用问卷调查法和个别访谈技术，对幼儿攻击行为的一般特征及其社会信息加工过程进行研究，以探讨身体攻击幼儿和关系攻击幼儿的社会信息加工特点。研究表明，3～6岁幼儿的攻击行为存在显著的性别差异，男孩的攻击行为多于女孩，身体攻击幼儿和关系攻击幼儿存在一定程度的社会信息加工缺陷。〔11〕曾娟、谷中玉（2012）通过自然观察法对混龄班幼儿引发同伴冲突的原因进行探究，发现动作意图误解、故意挑衅、物品争议、空间和位置争议是引起混龄班幼儿同伴冲突的主要原因，研究者据此提出了相应的建议，以帮助混龄班教师更好地处理幼儿间的冲突。〔12〕
2.关于学前儿童社会性发展影响因素的研究
有相当数量的研究集中探讨了父母教养方式等家庭因素对幼儿社会性发展的影响。刘丽莎等人（2013）在一项短期的跟踪调查中发现，父亲参与教养的质和量都会对幼儿的社会性发展有重要影响。〔13〕刘国艳、陆克俭（2012）为了解婴幼儿早期社会性发展与母亲个性的关系，采用问卷调查法对深圳市22 所托幼机构亲子班的867 名月龄为30～36个月的婴幼儿的母亲进行随机抽样调查。结果显示，（1）婴幼儿早期社会性发展异常与母亲的情绪不稳定有关。（2）母亲的个性特点对婴幼儿早期社会性发展有预测意义，如母亲情绪不稳定是导致婴幼儿出现心理和行为问题的原因之一，又如母亲外向型的个性特点有利于婴幼儿早期社会性的良好发展。〔14〕薛建梦（2013）发现祖父母的教养方式也对幼儿社会性发展有重要影响。〔15〕许凤麟、牛静静（2013）发现特殊结构家庭对幼儿的社会性发展有重要的负面影响，如导致幼儿自制力差，社会认知偏差等。〔16〕张彩霞（2013）则研究了家里的电视等媒体设备对幼儿社会性发展的影响。〔17〕国外研究者也研究过电子设备等对幼儿社会性发展的影响。例如，Yongsuk Kim等人（2012）研究了用多媒体播放童话故事与幼儿亲社会行为间的相关性。结果表明，在多媒体条件下，听童话故事有利于显著提高幼儿的亲社会行为，尤其是帮助和分享行为。〔18〕
正如钱立英（2012）在其对幼儿社会性发展的研究述评中指出的那样，当前对幼儿社会性发展影响因素的研究主要集中在家庭、学校和同伴关系三个方面。〔19〕除家庭因素外，幼儿园教师和同伴对幼儿的社会性发展也有重要影响。刘海红（2012）利用有关幼儿间发生纠纷及教师介入处理的录像，对日本幼儿园教师进行了访谈，了解其是如何看待幼儿纠纷及教师的介入的。结果表明，教师们普遍认为幼儿间发生的纠纷对幼儿的成长有帮助，可以提高幼儿的社交技能。教师应适时、适当地介入幼儿的纠纷，可先对幼儿的感受表示理解，等幼儿情绪稳定后，再鼓励幼儿思考解决办法。教师重视利用纠纷让幼儿学习理解他人，学会换位思考。〔20〕王振宇（2012）指出，儿童早期的性别化发展对其今后人格的最终形成和社会适应程度具有深远影响，呼吁人们关注幼儿园男女教师比例悬殊以及幼儿性别化发展问题。〔21〕
二、关于幼儿园社会领域教育的研究
3～6岁是幼儿社会性发展的重要阶段，幼儿园社会领域教育的实施效果会直接影响幼儿的社会性发展。因此，幼儿园社会领域教育也是研究者非常关注的研究领域。从这三年的相关研究文献看，研究者关注的问题主要集中在以下三方面。
1.关于幼儿园社会领域教育的意义与价值
相关研究多采用文献分析法。研究者主要通过查阅教育家文集及各个历史时期有关幼儿园社会领域教育的文献资料，试图以古观今，分析幼儿园社会领域教育的发展趋势，提出对当今幼儿园社会领域教育的意见建议，并预测今后幼儿园社会领域教育的发展方向。例如，梁瑞雪（2013）整理了我国不同时期幼儿园社会领域教育的特点，分析了我国幼儿园社会领域教育的发展趋势。〔22〕李彦琳（2012）分析了改革开放以来我国幼儿道德教育的变革。〔23〕甘剑梅（2011）对幼儿园社会领域教育的内涵、性质及社会地位进行了梳理，认为社会领域教育具有常识性、道德性、生活性、人文性等特点，认为社会领域教育在幼儿园课程体系中应占据导向性地位。〔24〕
2.关于幼儿园社会领域教育的目标与内容
《幼儿园教育指导纲要（试行）》（以下简称《纲要》）对幼儿园社会领域教育的目标和内容等作出了较详细的规定。然而，有研究者将《纲要》与幼儿园社会领域教育实践联系起来分析发现，《纲要》提出的目标失之于宽泛笼统，对一些教学经验不足的教师来说，指导性和操作性都不强。嵇B（2012）具体分析了中、美、日、英、俄五国幼儿园社会领域教育的目标，发现中国对相关目标的界定不够全面、相对空泛。〔25〕于开莲（2012）从结构和具体内容两方面详细比较了我国不同地区（上海、香港）以及日本、英国、美国、加拿大等国幼儿园社会领域教育的目标，发现幼儿园社会领域教育均强调了幼儿自我系统的发展、人际交往和人际关系的建立、对他人的理解与认识及关爱和尊重、遵守社会行为规则和养成良好的社会行为习惯、认识周围环境等方面。〔26〕2012年底，教育部出台了《3～6岁儿童学习与发展指南》（以下简称《指南》），对之前《纲要》提出的相关目标作了进一步的细化，在一定程度上解决了原本幼儿园社会领域教育目标失之宽泛笼统，指导性和操作性不强的问题。
3.关于幼儿园社会领域教育实践的有效性
研究者试图通过分析目前幼儿园社会领域教育实践的现状，寻找对幼儿社会性发展最有利的教育方式和实施路径。嵇B（2012）采用内容分析方法，对幼儿园社会领域集体教学活动内容进行了分析，结果发现，当前幼儿园社会领域的集体教学活动在内容安排上不够均衡，比较受重视的内容是“亲社会行为和人际关系”“社会文化与节日庆典”“社会环境”“情绪情感”等，而有关“个性品质”“生活技能与行为习惯”“礼仪教育”“安全与生命教育”“理财教育”等的内容不太受重视。〔27〕亢琪（2013）通过问卷调查、文本分析、录像分析、集体访谈等研究方法，分析了当前幼儿园社会领域教学活动的组织实施现状，对教师设计和组织社会领域教学活动提出了相关建议。〔28〕嵇B（2013）通过对幼儿园社会领域教学活动个案的分析，提出社会领域教育要在坚持幼儿主体地位的基础上，注重体验与实践，且需不断重复和坚持，还需建立良好的师幼互动关系。〔29〕还有研究者进行了更细化的研究。例如，马洁然、周念丽（2012）认为小班幼儿已经具备了初步的移情能力，可以通过家庭教育与幼儿园一日活动相结合的方法，尤其是可以利用幼儿与同伴的交往，提高幼儿的移情能力。姚素慧（2012）针对社会退缩幼儿的特点，为幼儿园教师提供了促进幼儿健康发展的建议，如建立温馨的师幼关系，创设良好的同伴游戏环境等。〔30〕
研究者还尝试通过一些实证研究来探讨幼儿园社会教育实践的有效性。Betsy L. Schultz等人（2011）考查了“社会和情感能力学习课程”对幼儿行为改变的效果，结果发现，“社会和情感能力学习课程”确实对幼儿行为的改变有积极影响作用。〔31〕冯承芸等人（2013）研究了深圳“儿童早期发展项目”对幼儿情绪社会性发展的影响。研究者按年龄分层抽取822名符合条件的幼儿，请这些幼儿的家长填写《中国12～36月龄幼儿情绪社会性发展评估量表》。半年后，研究者对其中参与“儿童早期发展项目”的244名幼儿进行复测。结果发现，“儿童早期发展项目”强调的家庭科学育儿与机构教育服务相结合，的确有助于幼儿情绪社会性的发展。〔32〕孙巧锋、郑福明（2012）依据欺负行为发生的冷认知理论，采用实验干预法，对有欺负行为倾向的幼儿进行了为期一个月的移情训练。结果表明，通过移情训练可以有效减少幼儿的欺负行为。所谓冷认知理论，即是从幼儿内在心理特点出发分析幼儿欺负行为的一种理论假设。这一理论认为，有欺负行为倾向的幼儿在欺负他人时知道如何去伤害对方，能很好地把握对方的心理。他们欺负别人只是喜欢给别人造成痛苦，也就是说，他们缺乏移情能力。〔33〕周念丽（2012）提出了幼儿园社会领域教育“一脑三育”理论，“一脑”是指“社会脑”理论假设，“三育”是指社会交往中的礼仪教育、社会生存中的安全教育和社会情绪中的情绪管理教育。〔34〕
三、当前学前儿童社会性发展与教育研究的不足与未来展望
基于对当前学前儿童社会性发展及社会领域教育实践研究现状的文献梳理，我们看到，当前这一领域的研究虽然取得了一定的成绩，但总体上存在着研究对象有缺失、研究内容不系统、研究方法较简单等问题，亟待加以改进。
从研究对象看，已有研究大多以3～6岁幼儿为研究对象，仅有极少数研究者关注到0～3岁婴幼儿社会性发展的特点并展开相关研究。随着人们对0～3岁婴幼儿早期发展与教育重视程度的不断提高，今后有必要加强对0～3岁婴幼儿早期社会性发展特点及教育的研究。
从研究内容看，已有研究主要侧重在对分享、合作等少部分亲社会行为的研究上，对影响幼儿社会性发展因素的探讨也大多局限在家庭因素方面。随着时代和社会的变迁，当前社会文化环境，尤其是电子媒介等，对幼儿社会性发展的影响亟待加以研究。此外，对幼儿园社会领域教育的研究大多是对社会领域教育目标与内容的文献研究，或是结合《纲要》《指南》等政策文件对幼儿园社会领域教育活动作分析，而很少从幼儿园一日生活中的实际问题入手，具体探讨如何通过专门性教育活动和渗透性活动提高幼儿园社会领域教育活动的有效性。相比美国从20世纪70年代开始就广泛应用社会情绪教学金字塔模型等理论开展社会领域教育实践研究，我国对社会领域教育活动有效性的研究亟待加强。〔35〕
从研究方法看，一些研究者开始尝试采用追踪研究、教育干预研究等方法进行较长时期的实证研究（主要是一些硕博论文的研究），以探讨社会领域教育的有效性，这是令人欣喜的。不过，大部分研究还是以教师和家长的评价为主，评价的准确性有待提高。另外，在研究对象的选取上比较单一，要么选幼儿，要么选成人，很少有将两者结合起来综合加以研究的成果。在这一方面，建议借鉴国外有关研究的经验。例如采用交叉序列研究方法，既做横向调查研究，也做纵向追踪研究，而且同时考虑幼儿与成人两个群体，从而对幼儿社会性发展进行多角度的、较全面的印证和评价研究。有研究者甚至对研究对象进行了从几个月大到几岁的追踪研究，有的还追踪到其成年后的发展，以研究社会领域教育的长效性问题。这种研究往往有大量的数据支持，科学性比较强。这一研究范式对我国今后开展幼儿园社会领域教育研究具有较好的借鉴意义。
参考文献：
〔1〕马婷婷，赫英娟，耿艳萌.儿童社会性发展研究〔J〕.中国市场，2013，（25）：161-162.
〔2〕张莅颖，孙敬.学前流动儿童社会性发展现状及其特点〔J〕.学前教育研究，2012，（12）：37-40.
〔3〕吴育红.我国学前儿童交往的现状与对策〔J〕.教育理论与实践，2012，（14）：16-18.
〔4〕刘淑凤.5岁儿童社会认知与同伴接纳的相关研究〔D〕.大连：辽宁师范大学，2013.
〔5〕张凤.5～6岁儿童同伴冲突解决策略差异的文化发生研究〔D〕.北京：北京师范大学，2011.
〔6〕王芳，刘少英.幼儿同伴关系发展特点及交往能力培养〔J〕.幼儿教育，2011，503.
〔7〕赖佳欣，杨恒，郭力平.学前儿童分享行为的差异性〔J〕.学前教育研究，2012，（2）：20-26.
〔8〕赵科，杨丽宏，张海清，等.不同气质类型4～7岁儿童责任心发展研究〔J〕.现代中小学教育，2013，（6）：67-70.
〔9〕罗丽.3～6岁幼儿分享行为特点、动机和影响因素的研究〔D〕.北京：北京师范大学，2012.
〔10〕李灵子.2～3岁儿童的同情与亲社会行为的相关研究〔D〕.大连：辽宁师范大学，2011.
〔11〕钟佑洁，李艳华，张进辅.身体攻击幼儿和关系攻击幼儿的社会信息加工特点〔J〕.幼儿教育：教育科学，2012，555/556（7/8）：49-53.
〔12〕曾娟，谷忠玉.混龄班幼儿同伴冲突起因探析〔J〕.幼儿教育： 教育科学， 2012，559（9）：18-21.
〔13〕刘丽莎，李燕芳，吕莹，等.父亲参与教养状况对学前儿童社会技能的作用〔J〕.心理发展与教育，2013，（1）：38-45.
〔14〕刘国艳，陆克俭.婴幼儿社会性发展与母亲个性的关系〔J〕.幼儿教育：教育科学，2012，537/538（1/2）：81-84.
〔15〕薛建梦.祖父母教养方式与学前儿童社会能力关系的研究〔D〕.济南：山东师范大学，2013.
〔16〕许凤麟，牛静静.特殊结构家庭对儿童社会性发展的负面影响及对策〔J〕.科教文汇：下旬刊，2013，（2）：154-155.
〔17〕张彩霞.电视媒体对学前儿童社会化的影响〔D〕.临汾：山西师范大学，2013.
〔18〕NATHAN A FOX，et al.Families and child health，national symposium on family〔M〕.New York：Springer Science+Business Media，2013.
〔19〕钱立英.儿童社会性发展的研究评述〔J〕.经济研究导刊，2012，（4）.
〔20〕刘海红.通过纠纷处理培养幼儿的社会性：对日本幼儿园教师的访谈研究〔J〕.幼儿教育：教育科学，2012，555/556（7/8）：88-91.
〔21〕王振宇.性别化：儿童社会化的重要环节〔J〕.幼儿教育，2012，560.
〔22〕梁瑞雪.我国不同时期幼儿园社会教育特点研究〔D〕.北京：首都师范大学，2013.
〔23〕李彦琳.改革开放以来我国幼儿道德教育变革研究〔D〕.重庆：西南大学，2012.
〔24〕甘剑梅.学前儿童社会教育的内涵、性质与课程地位〔J〕.学前教育研究，2011，（1）：53-59.
〔25〕嵇B.我国幼儿园社会领域教育研究〔D〕.南京：南京师范大学，2012.
〔26〕于开莲.幼儿园社会领域课程目标的国际比较〔J〕.学前教育研究，2012，（3）：48-51.
〔27〕嵇B.我国幼儿园社会领域教学活动的内容现状与分析〔J〕.学前教育研究，2012，（3）：42-47.
〔28〕亢琪.幼儿园社会领域教育活动现状调查与分析〔D〕.北京：北京师范大学，2013.
〔29〕嵇B.社会领域教育要注重体验和实践〔J〕.幼儿教育，2013，587/588.
〔30〕马洁然，周念丽.小班幼儿移情能力发展的特点及其培养方法〔J〕.幼儿教育：教育科学，2012，537/538（1/2）：58-60.
〔31〕BETSY L SCHULTZ，et al.A preschool pilot study of connecting with others：Lessons for teaching social and emotional competence〔J〕.Early Childhood Education Journal，2011，39（2）：143-148.
〔32〕冯承芸，魏新燕，刘建华，等.深圳实施儿童早期发展项目对幼儿情绪社会性影响研究〔J〕.中国儿童保健杂志，2013，（6）：660-663.
〔33〕孙巧锋，郑福明.基于冷认知理论的幼儿欺负行为干预研究〔J〕.幼儿教育：教育科学，2012，562（10）：38-41.
〔34〕周念丽.幼儿社会教育中的“一脑三育”〔J〕.幼儿教育，2012，542.
〔35〕杨印.幼儿园教师社会情绪教育的现状评估：基于金字塔模型的分析〔D〕.北京：北京师范大学，2014.
Review and Analysis on Social Development and Education of Early Childhood： Based on the Literature of Year 2011 to 2013
Hong Xiumin， Jiang Liyun
（Faculty of Education， Beijing Normal University， Beijing， 100875）
