2. 基础概念
在电话会文本分析中，最容易被混淆的不是模型，而是术语。很多团队把“情绪分析”和“情感计算”当成同义词，把“管理层语调”与“文本情绪”混着用，结果在标注、建模和汇报时出现口径不一致。本节先把五个核心术语的边界厘清，再给出可落地的判断方法。
一、核心术语的定义与边界
情绪分析（Sentiment Analysis）通常指从文本中判断极性，即正面、负面或中性。它关注的是“态度方向”，输出往往是离散标签或极性分数。在电话会场景中，一句“本季度需求比预期更弱”会被判为负面。
情感计算（Affective Computing）是更大的学科范畴，由 Picard 提出，研究计算机如何识别、理解、模拟和响应人类情感。它不仅处理文本，还覆盖语音、面部表情、生理信号等多模态信息。情感计算包含情绪分析，但情绪分析不等于情感计算。
文本情绪（Text Emotion）比极性更细，指文本中表达的具体情绪类别，如喜悦、愤怒、焦虑、失望、期待。电话会中管理层说“我们对下半年保持谨慎乐观”，极性偏正面，但情绪可能是“谨慎”与“期待”的混合。
管理层语调（Management Tone）是电话会文本分析的特有概念，指管理层在陈述和问答中表现出的语气倾向与确定性程度。它不只是正负，还包括自信、回避、模糊、防御、承诺等维度。语调分析的对象是“说话人角色”，通常区分 CEO、CFO、IR 与分析师。
语调分析（Tone Analysis）是更上位的操作概念，指对语调进行测量、比较和解释的过程。它既可以用词典法，也可以用机器学习或大模型。语调分析的结果常用于预测盈余意外、股价反应和未来业绩。
二、五个术语的对比清单
| 术语 | 分析对象 | 典型输出 | 电话会中的例子 |
|---|---|---|---|
| 情绪分析 | 文本极性 | 正面/负面/中性、极性分 | “需求疲软”判为负面 |
| 情感计算 | 多模态情感信号 | 情感状态、强度、模态融合 | 结合语音颤抖与文本焦虑 |
| 文本情绪 | 具体情绪类别 | 喜悦、焦虑、失望、期待 | “谨慎乐观”含期待与谨慎 |
| 管理层语调 | 管理层话语角色 | 自信、回避、模糊、防御 | CFO 对毛利率问题回答模糊 |
| 语调分析 | 语调测量与比较 | 语调分数、时序变化、差异 | Q&A 语调比陈述更负面 |
三、核心原理：从信号到语调分数
电话会文本的语调分析通常遵循“切分—标注—打分—聚合—解释”的链路。切分要区分陈述段与问答段，标注要区分说话人角色，打分要选择词典或模型，聚合要按段落、说话人和会议三个层级汇总，解释要结合财务上下文。
输入: 电话会转录文本 + 说话人标签
步骤1 切分: 按段落和问答边界切分
步骤2 角色: 标记 CEO / CFO / IR / Analyst
步骤3 打分: 词典法或模型法输出极性/情绪/确定性
步骤4 聚合: 段落分 -> 说话人分 -> 会议分
步骤5 解释: 与盈余、股价、指引变化对照
输出: 语调分数表 + 时序曲线 + 异常段落词典法常用 Loughran-McDonald 金融情感词典，它针对 10-K、电话会等金融文本构建，比通用词典更少误判。模型法则用 FinBERT、RoBERTa 或大模型微调，能捕捉否定、转折和条件句。实际项目中，两者常结合：词典法做基线，模型法做增量。
四、案例与场景：同一句话的不同解读
假设 CFO 在问答环节说：“我们预计下半年毛利率会有所改善，但具体幅度还要看产品组合。”这句话在不同术语下的输出不同：情绪分析给出弱正面；文本情绪识别出“期待”与“不确定”；管理层语调标记为“谨慎承诺”；语调分析则记录该段落在 Q&A 中的确定性分数低于陈述段。
再如分析师追问：“所以你们是在说需求已经见底了吗？”CEO 回答：“我们不会对拐点做判断。”情绪分析接近中性，文本情绪偏“回避”，管理层语调为“防御性”，语调分析会把该轮问答标记为高回避信号。这类信号在实证研究中常与后续业绩下修相关。
五、方法流程与复盘要点
- 先定义任务：你要的是极性、情绪类别，还是管理层语调？三者标注规范不同。
- 再定角色：至少区分管理层与分析师，最好细分 CEO、CFO、IR。
- 选择工具：词典法做基线，模型法做增量，大模型做解释与摘要。
- 分层聚合：段落、说话人、会议三层分数都要保留，避免信息损失。
- 复盘验证：用已知盈余意外或股价反应做外部校验，检查语调分数是否有效。
复盘时重点看三类错误：否定句误判、条件句误判、角色混淆。例如“not bad”被词典判为负面，就是否定句误判；“if demand recovers, we will invest”被整体判为正面，就是条件句误判。修正方法是在预处理中加入否定窗口和条件句标记，并在标注规范中明确边界。