基于大語言模型的城市街區“人—地”情感關聯測度及啟示

摘要：在Scannell與Gifford提出的地方依戀三維框架的基礎上，建立“人—地”坐標系的基本骨架，通過大語言模型計算量化的心理過程，表征“人—地”情感關聯，并以上海市虹口區多倫路街區為例進行應用探索。研究發現，人們對多倫路街區這一“嵌在居民區的景點”表現出復雜的情感反應，在此基礎上得到兩點啟示：一是日常語言、微觀行動情景有助于理解“人—地”情感的產生；二是城市街區“正在發生”的情感記憶同樣重要。最后提出構建“街區記憶圈”的策略建議，以期助力上海“建筑可閱讀、街區可漫步、城市有溫度”的城市街區更新實踐。

關鍵詞：大語言模型；城市街區；情感測度；街區記憶圈；上海

文章編號 1673-8985（2024）03-0102-07 中圖分類號 TU984 文獻標志碼 A DOI 10.11982/j.supr.20240315

0 引言

黨的二十大報告提出加快轉變超大特大城市發展方式，實施城市更新行動。城市街區作為城市的基本構成單元，是城市公共生活的體驗場所和獲得歸屬感、幸福感的心靈家園[1]。在城市街區更新的過程中，如何充分考慮人的情感需求，通過科學的方法來識別和測度“人—地”情感關聯，是一個重要且具有挑戰性的問題[2]。

Lewicka M[3]在回顧過去40年來地方依戀等相關研究進展后，指出對人與地方之間情感產生的過程機制的揭示仍然是一個“黑箱”。需要繼續探討一些重要問題：哪些地方比其他地方更能提供讓人產生地方依戀的情感？哪些地方阻止了情感的發生？不同的時空規律對地方情感的影響是否不同？汪芳等[4]構建集體記憶主體、客體、時間三要素的研究框架，探討主體訴求及其相應的情感特征、客體如何承載傳統價值，以及時間演變中的發展階段劃分等問題；李淵等[5]在地理信息系統平臺上通過對社區居民的記憶空間采集和對游客活動的GPS追蹤數據進行疊合，探索廈門鼓浪嶼社區記憶場所的現狀分類；陸邵明[6]創建“細胞模式圖”來詮釋“記憶場所”與“文物遺產”二者之間的關系；趙渺希等[7]探索了互聯網環境下城市意象的生成機理與狀態表征。

隨著人工智能的快速發展，最新進展已經顯示出大語言模型（Large Language Model，LLM）在多種自然語言處理與多模態任務上的巨大潛力[8-10]。“人—地”情感是個體對自己所處地方的情感依戀和認同感，并且常常通過語言加以表達。韓普、葉東宇[11]針對口語化較多且存在隱形表述的狀況，提出一種基于語義增強的在線健康社區情感分析模型；謝珺等[12]融合情感常識知識和降噪后句法關系，重構雙Transformer網絡，改善了ABSA的效果。張小艷等[13]將大語言模型與本地預訓練模型相結合，使用多級推理的方式逐級得出目標的方面、潛在觀點，使模型能夠推理出最終的情感極性。但也有學者指出，大語言模型在進行大樣本情感分析時存在著數據和人文分析困境等問題①。

本文以上海市虹口區多倫路街區為例，在地方依戀三維框架的基礎上，建立“人—地”坐標系的基本骨架，應用課題組前期訪談和社交媒體數據，通過大語言模型計算量化的心理過程，表征“人—地”情感關聯。在計算結果的基礎上，得出兩點啟示：一是日常語言、微觀行動情景有助于理解“人—地”情感關聯的產生；二是城市街區“正在發生”的情感記憶同樣重要。最后提出構建“街區記憶圈”的策略建議，以期助力我國的街區更新實踐。

1 “人—地”情感關聯的分析框架與要素坐標系

1.1 分析框架的提出

2010年，Scannell與Gifford提出經典的地方依戀三維框架（見圖1），該框架被認為是理解人對地方情感的完整且有用的模型[14]。它確定了3個獨立維度：人、心理過程和地方[15]。（1）人的維度。人對地方的情感既可以發生在個體層面，也可以發生在群體層面。個體層面上，涉及一個人與地方的聯系；群體層面上，依戀是群體成員感知到的“一個地方的象征意義”。（2）心理過程維度。情感上，人們對特定地方的情感連接可以是積極的，也可以是消極的；認知上，與人們對地方的記憶、信仰和意義有關；行為上，個體通過行動來保持與地方的親近，這可能包括回歸行為、社交支持等。（3）地方維度。分為物理和社會兩個方面。物理方面指一個地方的物理特征，例如建筑環境、自然環境，以及為各種物理環境提供的便利設施或資源；社會方面涉及社會紐帶，提供互動的社會關系與社會資源等。

1.2 要素坐標系的建立

根據地方依戀“人、地與過程”的三維框架，建立一個二維坐標體系。在這個坐標體系中，橫軸是地點節點，縱軸是人物節點，橫縱軸的交叉處則用心理過程各個方面的數值來表現“人—地”情感的建立過程。

在橫縱坐標軸相交的點上，使用一個向量來表示人和地的聯系。在理論框架中，這個向量即人和地情感產生的心理過程。該向量的幾個分量均由不同的心理過程來建立。其中x、y、z這3個向量分量分別表示情感的3個分量②：x表示歸屬感的強弱，y表示安全感的強弱，z表示幸福感的強弱。為了統一處理，這3個分量都在（-1，1）之間取值。m表示認知的區別，以了解程度在（-1，1）之間取值。n表示行為的區別，以保護程度在（-1，1）之間取值。

在這個坐標系框架的指引下，從大量數據入手，對地方依戀的各種內容進行識別。并將之并置在這個坐標系中，實現統一的分析與展示。同時可以根據這一坐標系，對聚類、關聯度等進行進一步分析。

2 基于大語言模型的城市街區“人—地”情感測度

2.1 研究案例

多倫路街區是位于上海市虹口區的歷史文化名人街區。街區分布有魯迅、茅盾、葉圣陶等文人故居，中國左翼作家聯盟紀念館，多倫路現代美術館，古玩店，以及成片里弄住宅等。眾多景點構成了多倫路街區獨特的歷史文化底蘊。

然而，“嵌在居民區的景點”也使得多倫路街區更新難度大③。一方面，景點對游客的吸引，給居民區的日常生活帶來困擾；另一方面，為了保護具有歷史文化價值的景點，對街區更新的各種限制較多。多倫路街區雖然自1990年代起歷經多輪改造，但是至今依舊未能形成明確的更新思路，一直在文化保護、居民生活和商業發展之間尋找平衡點[16-18]。新一輪城市更新背景下，如何通過科學的方法來識別和測度城市街區“人—地”情感，將人的情感納入考慮，需要深入思考。

2.2 數據的獲取與預處理

本文的數據來源主要有兩類：一類是課題組實地調研獲取的訪談錄音數據，另一類是社交網絡數據。

（1）訪談錄音數據

訪談語音采集于2023年12月—2024年1月，采集語音72條，總時長2 600 min④。采集人群包括原住居民、新住居民、租戶、商戶等。確保數據采集和分析過程符合相關法規和倫理標準。訪談圍繞相關問題展開（見表1），根據被訪者的特點進行適度調整，開展對話以獲得相對完整的對話資料。

（2）社交網絡數據

筆者從社交網絡抖音上獲取數據。具體步驟包括分析目標網站、確定請求參數、編寫采集代碼、處理數據機制、數據提取和數據儲存。采集了多倫路相關短視頻1 000余條⑤。在獲取這些數據之后，對數據進行清洗，其中主要的原因是數據獲取的過程中存在混淆選項⑥。

（3）數據預處理

本文使用的數據為音頻數據。音頻數據的處理涉及語音識別技術，使用自然語言處理（NLP）技術中的自動語音識別（ASR）系統，將訪談錄音、地方方言等音頻資料轉換為可分析的文字數據。數據處理的目的是讓數據規范化，以獲得統一的數據底座，并交由NER任務過程獲得向量數據庫用于后續評估。具體包括3個步驟。

①準備數據集并開展數據清洗工作。使用NLP的操作手法，訓練預訓練模型，從文字內容中提取與地方依戀有關的實體，以人名和地點為主。這一步驟主要包括文本清洗、分詞、去除停用詞、詞性標注等。

②訓練模型開展實體識別工作。在NLP領域，預訓練模型如BERT、GPT、XLNet等已經顯示出卓越的性能，這些模型通過在大規模文本數據集上預訓練，已經具備了強大的語言理解能力[19-20]（見圖2）。

本文使用GLM預訓練大語言模型，在開源GLM大模型基礎上進一步微調（fine-tuning），使模型能夠更好地適應識別提取任務。之后開展命名實體識別（NER）任務，通過訓練好的模型，從文本中識別和提取出特定類型的實體，如人名、地名、組織名等。獲得的較為完整的向量數據庫，內容貼近實際數據狀況，對圖中所展示的實際地理與人物數據有更深刻的認知。

③在數據庫中對特定文本進行查詢從而輸出結果。通過上述步驟①和②，研究團隊獲取了“人—地”要素情感關聯語境下的向量數據庫。之后的研究流程均從此出發，利用該數據庫快速獲取NER實體識別任務。

2.3 基于大語言模型的“人—地”微調數據集構建

將1 000余條來自社交網絡的視頻數據和2 600 min的訪談音頻數據處理為向量數據庫。之后從這一向量數據庫中構建“人—地”情感網絡及相關評價（見圖3）。具體包括3個步驟。

①準備數據集。需要確保數據集的質量和多樣性，以便模型能夠學習到不同語境中的實體標記。需要指出的是，與前文的數據處理不同的是，這一步的數據處理及清洗的主要目的是突出人物、地點中更深入的部分，從而建構更完善的大模型。

②微調模型。根據需要提取的實體類型（人名、地名等），準備相應的標注數據集進行模型微調。使用帶有適當標簽的數據集對模型進行監督學習，以便模型能夠更好地適應特定實體的識別。

③開展實體識別與關系識別任務。將待提取實體的文本輸入微調后的模型中，同時與向量數據庫中的文本進行匹配輸出校正，構建地方依戀要素網絡。

2.4 計算心理過程的向量得分

通常的NLP任務會對情感的強烈程度有一個離散的評估，這樣的內容大部分是從言辭的激烈程度獲得的。經過前面的數據處理，建立“人—地”坐標系的基本骨架，并基于這一骨架評估量化情感的心理過程。

（1）準備文本及其對應心理過程標簽的數據集

選擇國產GLM大語言模型執行地方依戀心理過程評判任務⑦。使用數據集對選定的預訓練模型進行微調。在這個過程中，模型的參數會根據特定數據集進行調整，使其更適合于情緒分類任務。在獨立的測試集上評估微調后的模型性能，以確保其分類準確性和泛化能力。

（2）通過提示詞工程，清楚地定義任務

如果想知道文本中的主要心理過程，關于“幸福感”強弱的分數，根據任務設計一個或一系列的提示詞。例如，“這段語料中，人物X對地點Y的主要心理感受，從-1到1對幸福感進行打分，應該是多少”。根據模型的反饋，進一步優化提示詞，分析測試結果，識別哪些提示詞能夠產生最準確的情緒分析結果。優化可能包括改變問法、使用不同的語言風格或添加額外的上下文信息。

為了確保模型輸出的一致性，需要標準化處理輸入的文本格式，例如清理文本、移除無關信息并確保文本的語法正確性。最后，需要評估不同的提示詞對模型性能的影響，并選擇產生最佳性能的提示詞。

（3）人物對地點的心理認知過程的向量得分結果

在這樣一個空間中，可以進一步對地方情感的心理過程及其結構進行分析（見圖3）。

2.5 細粒度的“人—地”情感關聯計算結果

大語言模型計算“人—地”情感具體分值如表2-表4和圖4-圖5，結合筆者實地調查結果分析如下。

（1）從不同主體來看，在幸福感得分上，自媒體、商戶、本地居民依次評分較高；在歸屬感得分上，商戶、本地居民、自媒體依次評分較高；在安全感得分上，無明顯差異。

（2）從不同地點來看，在幸福感得分方面，樓棟/房屋、里弄住宅和道路得分都較高。調查發現盡管當地居民和商戶都表示出感受到多倫路的幸福感，但多倫路的“沒落”挑戰了地方依戀的幸福感，導致兩者評分出現一定的兩極分化。

歸屬感得分中，樓棟/房屋和道路得分普遍較高。樓棟/房屋中，多倫現代美術館得分最高，其次是其他建筑。多倫路文化名人街等區域保留歷史建筑和美術館，吸引游客和居民；道路得分高主要因為多倫路街區道路密集、交通便利，周邊提供便捷的出行和商業設施。

安全感得分中，樓棟/房屋和里弄住宅得分普遍較高，多倫現代美術館得分最高，其次是上海時裝商廈。里弄住宅中，景云里和多倫路237號得分較高。多倫路237號里弄空間寬闊、建筑外貌良好；祥吉里得分低，主要因其可達性差，道路質量也較差。

3 研究啟示

本文利用大語言模型計算并量化心理過程，對多倫路街區“人—地”情感進行細粒度的測度。量化的數據支持，幫助理解情感表達的空間性和強度。研究得到以下兩點啟示。

（1）日常語言、微觀行動情景有助于理解“人—地”情感關聯

對“人—地”情感關聯的理解，應當進入其日常語言的世界，從微觀的行動情景及對話中偵知社會。研究發現，人們對多倫路街區這一“嵌在居民區的景點”有著復雜的情感反應。他們對其文化價值和歷史意義有著相當高的幸福感和歸屬感，同時也指出存在的問題，如商業活動的缺乏、居民區老舊、機動車的安全問題等。通過細粒度理解這些情感關聯，對于制定有效的街區更新策略至關重要，可以幫助決策者和規劃師更好地平衡保護歷史文化遺產和滿足居民現代生活需求之間的關系。

（2）城市街區“正在發生”的情感記憶同樣重要

我們往往重視對于城市街區歷史記憶的挖掘，而忽視當前“正在發生”的情感記憶，實際上“與我有關”的各種要素，因為在日常生活中產生了更加緊密的聯系，更能促進人們的情感表達。在本案例中，我們看到除了名人故居等歷史記憶之外，人們日常生活使用最為頻繁的道路和多倫路上的現代美術館更能引發人們情感的產生。便利的道路系統和小街坊深受人們的喜愛；多倫現代美術館在經歷20年發展后，準確定位為社區美術館，通過各種展覽和活動吸引著眾多線上線下的人群。

最后，本文需要討論的是，通過測度城市街區的“人—地”情感關聯，我們如何把它們應用到實際問題中，以及它們能對城市街區更新實踐提供哪些幫助。

一直以來，上海推動建設“建筑可閱讀、街區可漫步、城市有溫度”的城市街區環境。在此，筆者提出構建“街區記憶圈”的策略建議，在城市街區物質空間更新實踐的基礎上更多考慮人的情感維度，理解社區的文化內涵和居民的情感訴求。以多倫路街區為例，將凱文·林奇的“城市意象五要素”引入城市街區尺度，從歷史記憶、“正在發生”的記憶和未來記憶的時間維度，將“人—地”情感要素考慮進來（見圖6）。對于產生積極情感意義的要素，可以進一步加以精煉、利用和提升，將之作為記憶的錨點。對于引起消極情感的要素，如多倫路人車混行、商業業態陳舊等，可以通過具體的規劃措施加以更新改造，不斷提升居民的生活質量和街區的吸引力。城市街區記憶圈策略，就是通過恰當的方法，使人們能夠了解自己的社區、社會網絡，以及其中所包含的時間和空間的世界[21-22]；同時，根據使用者的體驗，為街區增添更多的內涵，賦予并創造新的時代意義，從而更好地踐行“人民城市”的重要理念。