据外媒New Atlas报道，继2月份发表了一项有影响力的分析报告后，斯坦福大学的一个研究小组对“Zoom疲劳症”（Zoom Fatigue）这一非常现代的现象进行了首次大型调查。新的研究显示，与男性相比，女性在视频会议后更容易感到疲惫，研究人员认为他们知道原因。

自 cnbeta

1、研究与开发

• 从2019年到2020年，人工智能期刊出版物的数量增长了34.5%，比2018年到2019年（19.6%）的增长率要高得多。
• 在美国，公司资助的研究占总出版物的19.2%；而在中国（15.6%）和欧盟（17.2%）政府是第二重要的发起人。
• 2020年，中国人工智能期刊在世界上的引用份额首次超过美国。
• 2019年，人工智能出版物占全球所有同行评审的科学出版物的3.8%，高于2011年的1.3%。

2、技术性能

随着AI技术的发展，它现在可以实现如下性能：

• 生成一切。
• 计算机视觉的产业化。
• 自然语言处理（NLP）超过了其评估指标。
• 机器学习正在改变医疗保健和生物领域。

3、经济

• “药物、癌症、分子、药物发现”在2020年获得了最多的私人人工智能投资，超过138亿美元，是2019年的4.5倍。
• 2020年私人人工智能投资额较2019年增长了9.3%，增幅高于2019年（5.7%）。
• 从2019年到2020年，美国人工智能职位占比下降，这是六年来首次下降, 人工智能工作岗位总数也下降了8.2%。

4、人工智能教育

• 在过去十年，选择行业工作的新AI博士比例增长了48%，从2010年的44.4%增至2019年的65.7%。相比之下，进入学术界的AI博士比例下降了44%，从2010年的42.1%降至2019年的23.7%。
• 在过去10年，人工智能相关博士在美国获得的CS博士学位总数所占比例从14.2%上升到2019年的23%左右。
• 2019年，北美新AI博士中的国际学生比例继续上升，达到64.3%，比2018年增长4.3%。

5、人工智能应用的伦理挑战

• 自2015年以来，提交给人工智能会议的标题中包含伦理相关关键词的论文数量有所增长。

6、人工智能的多样性

北美AI博士项目的女性毕业生平均占所有博士毕业生的比例不到18%。在全球多所大学中，女性教师仅占所有终身教师的16%。

7、人工智能政策和国家战略

自2017年加拿大发布世界第一个国家人工智能战略以来，截至2020年12月，已有30多个国家和地区发布了类似文件。

PDF版本将分享到199IT知识星球，扫描下面二维码即可！

据外媒VentureBeat报道，中国在人工智能研究论文总数上已经超过了美国，获得资金的人工智能初创公司越来越少，美国国会比以往任何时候都更多地谈论人工智能。这是斯坦福大学上周发布的年度报告《2021年人工智能指数报告》中强调的三大趋势。该报告试图记录人工智能的进展，以及该技术对教育、创业公司和政府政策的影响。报告详细介绍了人工智能主要子领域的性能进展，如深度学习、图像识别和物体检测，以及蛋白质折叠等领域。

自 cnbeta

据外媒BGR报道，斯坦福大学的一项新研究发现，近50%的美国高校在去年秋季开学后2周内经历了COVID-19感染率的飙升。在大学校园里，成千上万的学生近距离互动，遵守新冠安全准则尤为关键。校园内严格的限制很重要，因为超级传播者事件可能是毁灭性的。

自 cnbeta

不包括学术界，在中国和欧洲，政府附属机构贡献的人工智能出版物数量最多；而在美国，企业则是人工智能论文发布的主要主体。

2018年，中国政府机构发表的人工智能论文几乎是中国企业的三倍。自1998年以来，中国政府发布的人工智能论文也增长了300倍，而同期企业人工智能论文增长了66倍。

2018年，美国企业发布的人工智能论文的数量是中国企业人的7倍多，几乎是欧洲的两倍。在所有三个地区，学术论文远远超过政府、企业和医学论文，占中国人工智能论文的92%，欧洲为90%，美国为85%。

近年来，专注于人工智能的公司与学术界合作进行研究的情况越来越常见。

机器学习（ML）是人工智能领域最活跃的研究领域之一。其中，深度学习（DL）方法近年来变得越来越流行。在arxiv上发表的深度学习（DL）论文的数量在所有地区都在增加。调查发现，2018年北美发表的DL论文数量最多，其次是欧洲。来自东亚的DL论文数量在2018年达到了与欧洲相同的水平。

新加坡、瑞士、澳大利亚、以色列、荷兰和卢森堡在arxiv上发表的人均DL论文相对较高。

PDF版本将分享到199IT交流群，支持我们发展可加入！

斯坦福大学一组研究者们利用人工智能，从数千万张谷歌（Google）街景图中的汽车图片分析出了该区域的人口组成信息，包括选民的政治倾向等。

这一多数成员来自斯坦福大学的研究团队，通过分析某个城市街道上小卡车（pickup truck）和轿车（sedan）的数量来预测该区的选民倾向。如果小卡车数量多，这个城市有82%的概率会是共和党当选；如果轿车多， 88%的几率会选民主党。

随着计算机处理数据量的不断增大，人工智能在快速发展——通过大量的“信息阅读”，加上一些规则的设定，计算机就能做出一些“预测”。在本项研究中，计算机“消化”了来自200个城市的逾5000万张谷歌街景图，利用物体识别技术从图片中找出了约2200个电脑判定为汽车的物体。这些汽车占美国汽车总量的8%。然后对这些汽车按照品牌、型号和年份进行分类。

他们开发了一个人工智能工具来从事这项工作，花了不到两周时间完成。如果雇佣一个人，则需要近15年时间才能看完所有的图片。

研究者们使用一个统计学的回归分析算法，分析以往投票和该地汽车类型等数据，找到了汽车类型与当地政治倾向和人文信息之间微妙的联系。

这份研究论文的第一作者、斯坦福人工智能实验室的前女研究员Timnit Gebru说，他们分析出来的结果“准得令人震惊”。比如，该系统“预测”Wyoming的Casper市应该会是共和党当选。按照2008年总统竞选结果，果真如此。

但是她提醒说，这个系统不能代替普查，不过可以作为辅助工具。对于资源紧张的国家，使用这样的工具可以节省一些举办一个全面普查所需的资金。

当然，这项技术的前景远不止是分析汽车图片来“预测”过去的投票历史，Gebru说它的意义在于人文学家将来可以很好的利用大量数据，比如谷歌街景、甚至卫星图片，进行更多有意义的研究。图片和课题也不仅于汽车和政治，可以扩展到比如树木植被等方面。

这份研究近日发表在《美国科学院院报》（PNAS）上。

西北经济学家本杰明·琼斯（Benjamin Jones）及其同事非常好奇，如果人工智能可以拥有原始思想，会对经济增长造成什么样的影响。现在，他们正在研究，在AI的帮助下，多少工作可以自动化，以及AI是否能创造新的想法。

琼斯在接受CNBC采访时说：“如果机器学习真的可以接手人类的所有工作并创造新的思想，那么经济增长速度将发生翻天覆地的变化。“但真正的问题是，AI能够接手人类所有的工作吗？”

本月初，琼斯，斯坦福大学的乍得·琼斯和法兰西学院的Philippe Aghion发表了题目为“人工智能和经济增长”的文章，表达了自己的观点。

如果人工智能的飞速发展可以为市场创新注入新动力，改善工作环境，部分工作的工资会猛增，但也有一些工作会被淘汰。

随着世界顶尖科技公司的发展，AI技术也取得突飞猛进的发展。例如，自驾车就是一个非常受欢迎的研究课题。包括Nvidia在内的芯片制造商也改进了产品，以更好地适应人工智能计算系统，亚马逊长期以来也在使用AI推广电子商务业务。

Jones和他的研究团队研究了不同的场景。 第一个场景中，他们使用AI代替所有人力，并研究了相应的经济增长变化。而在其余场景中，他们只使用自动化代替部分人力。结果显示，数字层面来说并有没多大变化。其实，这项研究的目的是为了了解人工智能如何带来经济增长，就像19世纪早期蒸汽机和20世纪中期的电脑芯片。

用AI代替人力的场景表明，创造出新的想法只需要AI和经济资本。

有些人认为，AI可以快速循环，自我完善，每次循环过后，AI都比上次更加智能。 如果任其这样发展下去，人类的生活方式会发生天翻地覆的变化。

Jones说，如今经济学家们就AI是否能够创造新的想法存在分歧。他们从研究中得出的一个教训是，经济增长可能不受人类因素的控制，一些难以攻克却至关重要的问题才是影响经济增速的关键。

例如，在农业中，短期内，化肥和结合物可以促进农作物生长，但是有限的可开垦土地才是限制产量的关键。

Jones解释说：“关键在于瓶颈。“比起100年前，我们种植农作物的技术飞速发展。但是由于自动化的飞速发展，现在农作物只占国内生产总值的2％。”

琼斯补充说：“现在的计算机运算速度惊人。然而，经济增长速度却不见起色，这也许是因为经济增长速度受限，不是因为计算机速度不够快，对吧？限制经济增速的仍然是我们无法突破或解决的某些问题。

此外，还存在另一个瓶颈，研究人员称之为“搜索极限”。

意思是，一开始，最浅显的创新想法是最容易发现的，之后，获得新的想法越来越难。 虽然AI可以加快搜索速度，但最终还是因为没有新的想法而原地踏步。

不过，琼斯说自己仍然对这项研究结果感到非常兴奋。他说，“有趣的是，表面上看来，AI正在接近感知智能的边缘。”

然而，事实上，一些发明家和科学家认为研发AI不是什么好主意。

来自：36KR编译

PDF版本将同步到199IT交流群，199IT感谢您的支持！

        斯坦福大学用智能手机追踪了全球111个国家的消费者每天步行步数，并发布了活动不平等带来的公共卫生风险。

        530万人死于与身体不活动相关的原因。

        斯坦福大学的研究人员将一些人定义为“活动丰富”，而另一些人则定义为“活动不足”，两者之间的差距就是这个国家社会肥胖程度的重要指标。

        从全球来看，男性比女性走路更多。而且，居住在适宜步行的地区的人，运动量更大。

        平均而言，人们平均每天步行4,961步，远低于推荐量（8,000-10,000步）。按国家和地区分，香港人最活跃，平均每天步行6,880步。从整体看，中国人平均每天步行6,189步，位于全球之首；其次是日本（6,019步）。其他国家平均步行数量都不超过6000步。美国人平均每天步行4,774步。印度尼西亚人最不活跃，每天只走3,513步。

        199IT.com原创编译自： 斯坦福大学  非授权请勿转载

根据一项以亲近自然对大脑的生理影响为主题的有趣的新研究，去公园散步或许能放松心神，在此期间让大脑的运作发生有助于改善精神健康状况的变化。

如今，我们大多数人都生活在城市中，比起几代以前的人，我们与绿意盎然的自然空间相处的时间大大减少了。

还有研究显示，城市居民感到焦虑、抑郁或出现其他精神问题的风险，高于居住在城市中心以外的人。

越来越多的研究表明，这些新情况之间似乎存在某种程度的关联。根据多项研究，基本不接触绿地的城市居民遭遇心理问题的几率，比住在公园附近的人要高；而城市居民在亲近大自然之后，体内压力荷尔蒙的水平立即就会低于近来没走出过家门的人。

但目前还不清楚，逛公园或探访其他绿色空间可能如何改变人的情绪。亲近自然真能给我们的大脑带来某种会影响精神健康的改变吗？

这种可能性激起了斯坦福大学(Stanford University)埃米特环境与资源跨学科项目(Emmett Interdisciplinary Program in Environment and Resources)研究生格雷戈里·布拉特曼(Gregory Bratman)的兴趣，他一直在研究城市生活对心理的影响。在早前的一项研究中，他和同事们发现，志愿者短暂穿行于斯坦福校园内一片郁郁葱葱的绿地之中后，比那些花同样长的时间在交通繁忙处散了步的志愿者更专注，也更快乐，相关研究结果已于上月发表。

但该研究并未考察或许在外出亲近自然的影响背后发挥作用的神经机制。

因此，布拉特曼及其同事决定在新研究中密切审视散步会对一个人沉溺于忧思的倾向产生什么影响，其研究成果于上周发表在了《国家科学院院刊》(Proceedings of the National Academy of Sciences)上。

沉溺于忧思被认知科学家称为病态的反刍思考，是我们大多数人都很熟悉的一种心理状态，当我们陷入其中时，会情不自禁地反复琢磨我们自己以及我们的生活怎么就出了问题。这种过分的焦躁是不健康的，也于事无补。有研究显示，它可能是抑郁的先兆；比起住在城市地区以外的人，城市居民出现这种情况的比例奇高。

不过，就布拉特曼及其同事的目的而言，最有趣的或许是：这种反刍思考与脑内膝下区前额叶皮层活动增加之间有很高的关联度。

布拉特曼意识到，如果研究人员能在人们亲近自然之前和之后追踪其脑内这一区域的活动，就可以更好地了解自然能否改变，或者能在多大程度上改变人类的情绪。

布拉特曼及其同事先是找到38名健康且已成年的城市居民，并让他们完成一份问卷，以确定通常情况下他们的病态反刍思考指数。

研究人员还通过以扫描仪追踪每名志愿者脑部的血流，检查了其膝下区前额叶皮层的活动。通常而言，脑部哪个区域的血流量增大，就代表着那个区域的活动增多。

随后，科学家们随机分派半数志愿者在斯坦福校园内一个绿荫环绕、安安静静，仿佛公园般的去处散步90分钟，另外半数则被分派到帕罗奥图的一条嘈杂、繁忙的多车道高速公路边，走了同样长的时间。志愿者不得结伴而行或听音乐，但可以自行控制速度。

散步一结束，志愿者便返回实验室，再一次填写问卷、做脑部扫描。

不出所料，在高速公路边散步没有对人们的情绪起到抚慰作用。膝下区前额叶皮层的血流量仍然很高，他们的忧思指数也没变。

但问卷上的分数显示，那些沿着绿树成荫的静谧小路散步的志愿者，精神健康状况出现了虽然不大但却很有意义的改善。他们对生活的消极面的关注程度比出去散步前要低。

膝下区前额叶皮层的血流量也下降了。他们脑部的那一区域更为平静。

布拉特曼说，这些结果“强烈暗示，外出亲近大自然”是改善城市居民情绪的一个简单而又近乎立竿见影的方法。

        在过去的十年里，网络社交媒体获得了巨大的发展，它甚至开始影响人们的社会活动。

        Facebook曾推出一项“彩虹”活动，用户只要点选活动网址，就能一键将自己的大头贴套上彩虹色，以示对同性婚姻法案通过的支持。约2600万Facebook用户参与了这个活动。

        斯坦福大学对80万参与彩虹活动的Facebook用户进行了一项调查，希望借此了解具有不同人口统计属性的Facebook用户心理上有哪些差异。

        调查发现：

        开放和神经质等人格特征与参与“彩虹活动”的可能性之间有积极的联系，但是，责任心越强的用户越不大可能参与这项活动；

        年龄方面，参与“彩虹活动”的Facebook用户以20到30岁的成年人为主；

        性比方面，参与“彩虹活动”的Facebook用户更多的是女性；

        而且，参与“彩虹活动”的Facebook用户中无信仰者和民主主义者居多；

        调查还发现，身边的朋友参与网络互动能影响Facebook用户也参与其中。

        而且，研究人员发现Facebook用户的个人兴趣和喜欢参与的活动是预测参与某个项目的最佳指标。

1610-05358v1

        199IT.com原创编译自：斯坦福       非授权请勿转载

美国媒体最新调查显示，斯坦福大学被美国学生与家长一致评选为最梦寐以求的大学，而大学开支则是他们最大的担心。

美国高考补习和申请大学服务公司普林斯顿评论(Princeton Review)18日公布该公司2015年“大学希望和担心调查”。

调查结果显示，斯坦福大学被美国学生与家长一致评选为最梦寐以求的大学，而大学开支则是他们最大的担心，因而认为经济援助非常必要；入读大学的申请，则是大部分人认为压力最大的事。

这次是普林斯顿评论进行的第12个同类调查。调查根据学生与家长的回馈分别列出他们心目中前10位的梦想大学。在学生和家长的两个排名榜中，斯坦福均名列榜首。位列学生排名榜上的其他梦想大学还有哈佛大学、纽约大学、哥伦比亚大学、加州大学洛杉矶分校等。

在家长排名榜上其它梦想大学还有哈佛、普林斯顿、耶鲁、密歇根大学Ann Arbor分校、圣母大学(U. of Notre Dame)及加州大学洛杉矶分校等。

调查发现，73%的受访者认为大学申请程序“压力山大”，比2003年首次进行这类调查时的56%大增17%。认为压力大的学生比例高于家长。

申请程序中哪一方面最困难？34%的回应者选择大学入学考试SAT、ACT或AP(大学先修课程考试)。但也有33%的人认为是完成入学及经济援助的申请程序。

在 SSRN 上发布的一篇工作论文中，斯坦福大学的 Navdeep Sahni 和芝加哥大学布斯商学院的 Pradeep Chintagunta 和 Dan Zou 分析了一个票务转售网站两年定向市场营销活动的实验数据。研究人员发现，即使促销活动已过期，及即使没有打折的其他产品， 发送电子邮件折扣信息可促进消费者花费意欲。此发现说明了电子邮件促销能刺激消费者对特定折扣产品以外的兴趣，为公司带来更多收益。

研究人员发现，在促销期间消费者的消费额度平均增长了 3.03 美元，增长率为 37.2%。但这些收益的 90% 并非来自折扣商品，这说明促销活动的影响范围不仅限于降价商品。该现象在促销活动结束后的一周仍然持续，在此期间消费额度仍有 1.55 美元的平均增长。此外，研究人员还发现不在折扣范围内的门票类型（本例中的MLB）仍有 1.27 美元的平均消费额度增长。

原论文链接：https://papers.ssrn.com/sol3/Data_Integrity_Notice.cfm?abid=2530290

斯坦福大学于2012年3月在Coursera启动了在线自然语言处理课程，由NLP领域大牛Dan Jurafsky 和 Chirs Manning教授授课：
https://class.coursera.org/nlp/

以下是本课程的学习笔记，以课程PPT/PDF为主，其他参考资料为辅，融入个人拓展、注解，抛砖引玉，欢迎大家在“我爱公开课”上一起探讨学习。

课件汇总下载地址：斯坦福大学自然语言处理公开课课件汇总

二、情感分析（Sentiment Analysis）

1）What is Sentiment Analysis?

情感分析（Sentiment analysis），又称倾向性分析，意见抽取（Opinion extraction），意见挖掘（Opinion mining），情感挖掘（Sentiment mining），主观分析（Subjectivity analysis），它是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程，如从评论文本中分析用户对“数码相机”的“变焦、价格、大小、重量、闪光、易用性”等属性的情感倾向。

更多例子如下：

l  从电影评论中识别用户对电影的褒贬评价：

l  Google Product Search识别用户对产品各种属性的评价，并从评论中选择代表性评论展示给用户：

l  Bing Shopping识别用户对产品各种属性的评价：

l  Twitter sentiment versus Gallup Poll of Consumer Confidence：挖掘Twitter（中文：微博）中的用户情感发现，其与传统的调查、投票等方法结果有高度的一致性（以消费者信心和政治选举为例，corelation达80%），详细见论文：Brendan O’Connor, Ramnath Balasubramanyan, Bryan R. Routledge, and Noah A. Smith. 2010. From Tweets to Polls: Linking Text Sentiment to Public Opinion Time Series. In ICWSM-2010。（注：下图中2008年到2009年初，网民情绪低谷是金融危机导致，从2009年5月份开始慢慢恢复）

l  Twitter sentiment: 通过Twitter用户情感预测股票走势，2012年5月，世界首家基于社交媒体的对冲基金 Derwent Capital Markets 在屡次跳票后终于上线。它会即时关注Twitter 中的公众情绪指导投资。正如基金创始人保罗•郝汀（Paul Hawtin）表示：“长期以来，投资者已经广泛地认可金融市场由恐惧和贪婪驱使，但我们从未拥有一种技术或数据来量化人们的情感。”一直为金融市场非理性举动所困惑的投资者，终于有了一扇可以了解心灵世界的窗户——那便是 Twitter 每天浩如烟海的推文，在一份八月份的报道中显示，利用 Twitter 的对冲基金 Derwent Capital Markets 在首月的交易中已经盈利，它以1.85%的收益率，让平均数只有0.76%的其他对冲基金相形见绌。类似的工作还有预测电影票房、选举结果等，均是将公众情绪与社会事件对比，发现一致性，并用于预测，如将“冷静CLAM”情绪指数后移3天后和道琼斯工业平均指数DIJA惊人一致。详细见论文： Johan Bollen, Huina Mao, Xiaojun Zeng. 2011. Twitter mood predicts the stock market, Journal of Computational Science 2:1, 1-8.（注：DIJA，全称Dow Jones Industrial Average）

l  Target Sentiment on Twitter（Twitter Sentiment App）：对Twitter中包含给定query的tweets进行情感分类。对于公司了解用户对公司、产品的喜好，用于指导改善产品和服务，公司还可以据此发现竞争对手的优劣势，用户也可以根据网友甚至亲友评价决定是否购买特定产品。详细见论文：Alec Go, Richa Bhayani, Lei Huang. 2009. Twitter Sentiment Classification using Distant Supervision.

情感分析的意义何在？下面以实际应用为例进行直观的阐述：

•  Movie:  is this review positive or negative?

•  Products:  what do people think about the new iPhone?

•  Public sentiment:  how is consumer confidence? Is despair increasing?

•  Politics:  what do people think about this candidate or issue?

•  Prediction:  predict election outcomes or market trends from sentiment

情感分析主要目的就是识别用户对事物或人的看法、态度（attitudes：enduring, affectively colored beliefs, dispositions towards objects or persons），参与主体主要包括：

1. Holder (source) of attitude：观点持有者
2. Target (aspect) of attitude：评价对象
3. Type of attitude：评价观点
   • ​ From a set of types：Like, love, hate, value, desire, etc.
   •  Or (more commonly) simple weighted polarity: positive, negative, neutral,together with strength
4. Text containing the attitude：评价文本，一般是句子或整篇文档

更细更深入的还包括评价属性，情感词/极性词，评价搭配等、

通常，我们面临的情感分析任务包括如下几类：

1. Simplest task: Is the attitude of this text positive or negative?
2. More complex: Rank the attitude of this text from 1 to 5
3. Advanced: Detect the target, source, or complex attitude types

后续章节将以Simplest task为例进行介绍。

2）A Baseline Algorithm

本小节对影评进行情感分析为例，向大家展示一个简单、实用的情感分析系统。详细见论文: Bo Pang, Lillian Lee, and Shivakumar Vaithyanathan.  2002.  Thumbs up? Sentiment Classification using Machine Learning Techniques. EMNLP-2002, 79—86.

Bo Pang and Lillian Lee. 2004. A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts.  ACL, 271-278

我们面临的任务是“Polarity detection: Is an IMDB movie review positive or negative?”，数据集为“Polrity Data 2.0: http://www.cs.cornell.edu/people/pabo/movie-review-data”.作者将情感分析当作分类任务，拆分成如下子任务：

1. Tokenization：正文提取，过滤时间、电话号码等，保留大写字母开头的字符串，保留表情符号，切词；
2. Feature Extraction：直观上，我们会认为形容词直接决定文本的情感，而Pang和Lee的实验表明，采用所有词（unigram）作为特征，可以达到更好的情感分类效果。

其中，需要对否定句进行特别的处理，如句子”I didn’t like this movie”vs “I really like this movie”，unigram只差一个词，但是有着截然不同的含义。为了有效处理这种情况，Das and Chen (2001)提出了“Add NOT_ to every word between negation and following punctuation”，根据此规则可以将句子“didn’t like this movie , but I”转换为“didn’t NOT_like NOT_this NOT_movie, but I”。

另外，在抽取特征时，直观的感觉“Word occurrence may matter more than word frequency”，这是因为最相关的情感词在一些文本片段中仅仅出现一次，词频模型起得作用有限，甚至是负作用，则使用多重伯努利模型事件空间代替多项式事件空间，实验也的确证明了这一点。所以，论文最终选择二值特征，即词的出现与否，代替传统的频率特征。log(freq(w))也是一种值得尝试的降低频率干扰的方法。

1. Classification using different classifiers:如Naïve Bayes、MaxEnt、SVM，以朴素贝叶斯分类器为例，训练过程如下：

预测过程如下：

实验表明，MaxEnt和SVM相比Naïve Bayes可以得到更好的效果。

最后，通过case review可以总结下，影评情感分类的难点是什么？

• 语言表达的含蓄微妙：“If you are reading this because it is your darling fragrance, please wear it at home exclusively, and tape the windows shut.”，“ She runs the gamut of emotions from A to B”。
• 挫败感表达方式：先描述开始的期待（不吝赞美之词），后表达最后失望感受，如“This film should be brilliant.  It sounds like a great plot, the actors are first grade, and the supporting cast is good as well, and Stallone is attempting to deliver a good performance. However, it can’t hold up.”，“Well as usual Keanu Reeves is nothing special, but surprisingly, the very talented Laurence Fishbourne is not so good either, I was surprised.”。

3）Sentiment Lexicons

情感分析模型非常依赖于情感词典抽取特征或规则，以下罗列了较为流行且成熟的开放情感词典资源：

• GI（The General Inquirer）：该词典给出了每个词条非常全面的信息，如词性，反义词，褒贬，等，组织结构如下：

详细见论文：Philip J. Stone, Dexter C Dunphy, Marshall S. Smith, Daniel M. Ogilvie. 1966.The General Inquirer: A Computer Approach to Content Analysis. MIT Press

• LIWC (Linguistic Inquiry and Word Count)：该词典通过大量正则表达式描述不同类别的情感词规律，其类别体系与GI（The General Inquirer）基本一致，组织结构如下：

详细见论文：Pennebaker, J.W., Booth, R.J., & Francis, M.E. (2007). Linguistic Inquiry and Word Count: LIWC 2007. Austin, TX

• MPQA Subjectivity Cues Lexicon：其中包含Positive words: 2718，Negative words: 4912，组织结构如下图所示：

详细见论文：Theresa Wilson, Janyce Wiebe, and Paul Hoffmann (2005). Recognizing Contextual Polarity in Phrase-Level Sentiment Analysis. Proc. of HLT-EMNLP-2005.

Riloff and Wiebe (2003). Learning extraction patterns for subjective expressions. EMNLP-2003.

• Bing Liu Opinion Lexicon：其中包含Positive words: 2006，Negative words: 4783，需要特别说明的是，词典不但包含正常的用词，还包含了拼写错误、语法变形，俚语以及社交媒体标记等，详细见论文：Minqing Hu and Bing Liu. Mining and Summarizing Customer Reviews. ACM SIGKDD-2004.
• SentiWordNet：其通过对WordNet中的词条进行情感分类，并标注出每个词条属于positive和negative类别的权重大小，组织结构如下：

详细见论文：Stefano Baccianella, Andrea Esuli, and Fabrizio Sebastiani. 2010SENTIWORDNET 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining. LREC-2010

以上给出了一系列可用的情感词典资源，但是，如何选择一个合适的为我所用呢？这里，通过对比同一词条在不同词典之间的分类，衡量词典资源的不一致程度，如下：

对于在不同词典中表现不一致的词条，我们至少可以做两件事情。第一，review这些词条，通过少量人工加以纠正；第二，可以得到一些存在褒贬歧义的词条。

给定一个词，如何确定其以多大概率出现在某种情感类别文本中呢？以IMDB下不同打分下影评为例，最简单的方法就是计算每个分数（星的个数）对应的文本中词条出现的频率，如下图所示为Count(“bad”)分布情况：

使用更多的是likelihood公式：

为了使得不同词条在不同类别下的概率可比，通常使用Scaled likelihood公式代替，如下：

如下图所示，列出了部分词条在不同类别下的Scaled likelihood，据此可以判断每个词条的倾向性。

另外，我们通常会有这么一个疑问：否定词（如not, n’t, no, never）是否更容易出现在negative情感文本中？Potts, Christopher（2011）等通过实验给出了答案：More negation in negative sentiment，如下图所示：

4）Learning Sentiment Lexicons

我们在庆幸和赞扬众多公开情感词典为我所用的同时，我们不免还想了解构建情感词典的方法，正所谓知其然知其所以然。一方面在面临新的情感分析问题，解决新的情感分析任务时，难免会需要结合实际需求构建或完善情感词典，另一方面，可以将成熟的词典构建方法应用于其他领域，知识无边界，许多方法都是相通的。

常见的情感词典构建方法是基于半指导的bootstrapping学习方法，主要包括两步：

1. Use a small amount of information（Seed）
   1. A few labeled examples
   2. A few hand-built patterns
2. To bootstrap a lexicon

接下来，通过相关的几篇论文，详细阐述下构建情感词典的方法。具体如下：

     1. Hatzivassiloglou & McKeown：论文见Vasileios Hatzivassiloglou and Kathleen R. McKeown. 1997. Predicting the Semantic Orientation of Adjectives. ACL, 174–181，基于这样的一种语言现象：“Adjectives conjoined by ‘and’’ have same polarity；Adjectives conjoined by ‘but ‘ do not”，如下示例：

• Fair and legitimate, corrupt and brutal
• *fair and brutal, *corrupt and legitimate
• fair but brutal

Hatzivassiloglou & McKeown（1997）提出了基于bootstrapping的学习方法，主要包括四步：

• Step 1：Label seed set of 1336 adjectives (all >20 in 21 million word WSJ corpus)

初始种子集包括657个 positive words（如adequate central clever famous intelligent remarkable reputed sensitive slender thriving…）和679个 negative words（如contagious drunken ignorant lanky listless primitive strident troublesome unresolved unsuspecting…）

• Step 2：Expand seed set to conjoined adjectives，如下图所示：

• Step 3：Supervised classifier assigns “polarity similarity” to each word pair, resulting in graph，如下图所示：
  

• Step 4：Clustering for partitioning the graph into two

最终，输出新的情感词典，如下（加粗词条为自动挖掘出的词条）：

• Positive: bold decisive disturbing generous good honest important large mature patient peaceful positive proud sound stimulating straightforwardstrange talented vigorous witty…
• Negative: ambiguous cautious cynical evasive harmful hypocritical inefficient insecure irrational irresponsible minor outspoken pleasant reckless risky selfish tedious unsupported vulnerable wasteful…

     2.  Turney Algorithm：论文见Turney (2002):  Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews，具体步骤如下：

• Step 1：Extract a phrasal lexicon from reviews，通过规则抽取的phrasal如下图所示：

• Step 2：Learn polarity of each phrase，那么，如何评价phrase的polarity呢？直观上，有这样的结论：“Positive phrases co-occur more with ‘excellent’，Negative phrases co-occur more with ’poor’”，这时，将问题转换成如何衡量词条之间的共现关系？于是，学者们引入了点互信息（Pointwise mutual information，PMI），它经常被用于度量两个具体事件的相关程度，公式为：

两个词条的PMI公式为：

常用的计算PMI(word1, word2)方法是分别以”word1”，”word2”和”word1 NEAR word2”为query，根据搜索引擎检索结果，得到P(word)和P(word1, word2)，如下：

P(word) = hits(word)/N

P(word₁,word₂) = hits(word1 NEAR word2)/N²

则有：

那么，计算一个phrase的polarity公式为（excellent和poor也可以使用其它已知极性词代替）：

Turney Algorithm在410 reviews（from Epinions）的数据集上，其中170 (41%) negative，240 (59%) positive，取得了74%的准确率（baseline为59%，均标注为positive）。

• Step 3：Rate a review by the average polarity of its phrases

     3. Using WordNet to learn polarity：论文见S.M. Kim and E. Hovy. 2004.Determining the sentiment of opinions. COLING 2004，M. Hu and B. Liu. Mining and summarizing customer reviews. In Proceedings of KDD, 2004.该方法步骤如下：

• Create positive (“good”) and negative seed-words (“terrible”)
• Find Synonyms and Antonyms

Positive Set:  Add  synonyms of positive words (“well”) and antonyms of negative words

Negative Set: Add synonyms of negative words (“awful”)  and antonyms of positive words (”evil”)

• Repeat, following chains of synonyms
• Filter

以上几个方法都有较好的领域适应性和鲁棒性，基本思想可以概括为“Use seeds and semi-supervised learning to induce lexicons”，即：

• Start with a seed set of words (‘good’, ‘poor’)
• Find other words that have similar polarity:
  • Using “and” and “but”
  • Using words that occur nearby in the same document
  • Using WordNet synonyms and antonyms
  • Use seeds and semi-supervised learning to induce lexicons

5）Other Sentiment Tasks

上面介绍了文档级或句子级情感分析，但是，实际中，一篇文档（评论）中往往会提及不同的方面/属性/对象（以下统称属性），且可能对不同的属性持有不同的倾向性，如“The food wasgreat but the service was awful”。一般通过Frequent phrases + rules的方法抽取评价属性，如下：

• Find all highly frequent phrases across reviews (“fish tacos”)
• Filter by rules like “occurs right after sentiment word”：“…great fish tacos” means fish tacos a likely aspect

通常，我们还会面临一种问题：评价属性缺失，准确的讲，评价属性不在句子中。这是很常见的现象，此时就需要结合上下文环境，如来自某电影的评论缺失的评价属性基本上就是电影名或演员，可以基于已知评价属性的句子训练分类器，然后对评价属性缺失的句子进行属性预测。

Blair-Goldensohn et al.提出了一套通用的aspect-based summarization models，如下图所示：

详细见论文：S. Blair-Goldensohn, K. Hannan, R. McDonald, T. Neylon, G. Reis, and J. Reynar. 2008.  Building a Sentiment Summarizer for Local Service Reviews.  WWW Workshop

另外，其他的一些情感分析的相关任务有：

• Emotion: 个人情绪
  • Detecting annoyed callers to dialogue system
  • Detecting confused/frustrated  versus confident students
• Mood: 个人情绪
  • Finding traumatized or depressed writers
• Interpersonal stances: 人际关系中的谈话方式
  • Detection of flirtation or friendliness in conversations
• Personality traits: 性格
  • Detection of extroverts

三、参考资料

1. Lecture Slides：Sentiment Analysis
2. Sentiment tutorial
3. 赵妍研，文本情感分析综述v

   ia：52opencourse

虽然移动已经改变了人们的购物模式，但这并不意味着零售商跟上了步伐。

很多购物者已经不在应用上购物了，而零售商对移动服务的渴望还在增加。

根据一项新的研究，60%的智能手机用户表示移动设备已经改变了他们的购物方式。

基于2014数字影响调查，就移动购物而言，应用有点让人出乎意料。

该调查是与斯坦福大学的移动创新小组合作进行，范围涉及1000个成年智能手机用户，其中600个来自美国，400个来自英国，并由一家研究和战略组织Apigee Institute执行完成。

依据这个假日季消费，该研究发现，更多的移动消费将不通过应用发生的。

45%的智能手机用户会每天或每周使用购物应用，18%的人只是每月使用它们，而且37%的人一个月都不见得用上一次，或者根本就不用它们。

虽然智能手机用户将通过应用消费大约80亿美元，但他们通过移动设备而不是使用应用消费的数字几乎是它的两倍之多（130亿美元）。

今年的假日季，移动消费总额预计将达到大约200亿美元，20%的智能手机用户在明年预期会消费的更多。

好奇的是，74%的智能手机用户表示他们可能会在商家提供的核心功能和服务的应用中购物，即使这大多数并不是高频率应用购物者。

这并不是说零售商应当放弃应用。该研究发现，90%的美国智能手机用户期望在未来2年内百货公司通过应用提供核心服务。

17%的智能手机用户表示他们会因为商家的应用而开始在一个新店里购物。这对移动零售商来说这可能是一个利好。

最后，从整体数据来看，90%的智能手机用户是躺在床上看手机的，81%是在厕所里。。。。

199IT原创编译

        2013年，拉里-埃里森再一次跻身全球收入最高CEO的行列，当年薪酬高达7800万美金。他的同伴还有不少——去年有65位总裁将超 过2000万美金的年度薪酬捧回了家。是什么让这些公司的董事会愿意批准如此惊人的数字？另一方面，不管用什么标准来衡量，这些人的需求都早已得到满足， 他们为什么还要追求如此夸张的金额呢？

　　斯坦福大学管理学教授查尔斯-奥莱利（Charles A. O’Reilly）的最新研究显示，自恋型的CEO具有说服力的性格以及进攻性的“先我”（me first）态度，是帮助他们拿到丰厚收入的原因。自恋的CEO比那些不自恋（而只是自信）的同行拿钱更多。同时，自恋的CEO和他们手下高管间的工资差 距，也比不具备这种性格特质的CEO与其下属间的差距更大。根据《领导者季刊》（Leadership Quarterly）今年早些时候发布的研究，由自恋者出任高位越久，上面所提到的差距就越大。

　　自恋这种性格的特征包括：有统治欲、自信、自我权利感强、自大，并且缺乏同情心。自恋的人天然会成为领导者，因为他们具有典型的领导特质，比如活力、自信和感召力。

　　“他们实际上不在乎别人怎么看，基于自恋者的本性，他们容易冲动，并且乐于操纵他人。”奥莱利说道。他的研究专注于“浮夸型自恋”，和这种自恋联系在一起的，是很高的外向程度以及低认同感。

　　这项研究报告由奥莱利和加州大学伯克利分校的博士研究生伯纳戴特?多尔、圣塔克拉拉大学教授大卫?卡德维尔以及伯克利分校教授珍妮弗?查特曼共 同撰写。它以调查问卷的方式采访了32家大型上市科技公司的员工，来识别出其中的“自恋CEO”。员工填写了关于他们CEO性格的评估测试，包括给主管们 的自恋特质评级，如“自我中心”、“自大”或者“自负”。

　　员工们还完成了一份关于CEO们的“十项人格调查”。除此之外，研究者还在这些CEO的致股东信以及收入会议的文本，寻找大量的提及自己时的代词，比如“我”字。之前的研究显示，自恋型的人比他们不自恋的同行更多地使用第一人称代词和其他人称代词。

　　学者们选择变化快、风险高的科技行业作为研究对象，有一部分原因在于，这个行业奖励那些深信自己愿景并乐意承担风险的人。他们正确地推测出这个 行业会用酬劳丰厚的合同来支持自恋者。“硅谷这种地方鼓励狂妄自大，我们几乎是专门挑选出了他们。”奥莱利说，“我们要的是那些想要按照自己的想法来改造 世界的人”。

　　自恋的CEO能得到这些合同，至少有一部分原因在于他们搏得了董事会成员的青睐。研究发现，由很自恋的人率领的公司并不一定比那些不太自恋的人执掌 的公司表现好。 另一方面，自恋的创始人型CEO（或者不担任CEO的创始人）获得的薪酬要比并非公司创始人的自恋型CEO更高。奥莱利表示这可以理解，因为创始人为了生 存需要筹资并克服困难，他们极度自信并执着。

　　“从董事会的角度来考虑，如果有这样一个人：很迷人、有人格魅力、自信、富有远见、是个行动派，并且可以做出艰难的决定（这也意味着此人没有很 多的同情心），董事会就会说：‘这是一位很棒的领袖。’”奥莱利说。不过他补充说，董事会成员未必能看出这些人也有自私自利和肤浅的特质。

　　研究报告注意到，在公司招聘薪酬顾问时，CEO经常参与其中——顾问也设定CEO的薪资，所以保证CEO的酬劳优厚也符合顾问自身的利益。自恋的人毫不在乎他人是否获得公平对待，他们相信自己是特殊的，并且通常会操控他人，来获得他们认为自己应得的高薪合同。

　　研究还发现，自恋的CEO在职时间越长，他的收入就会领先他的团队越多。因为他经常和董事会交流，为自己寻求更多的酬劳,为团队争取的则要更少。

　　根据奥莱利的研究，CEO和其他高管之间较大的收入差距将会影响一个公司的士气，导致更快的员工流失以及更低的满意度。考虑到员工之间收入的鸿沟可能引发的不满和抗议，研究者提出了问题，这些自恋的CEO为何能长久地占据自己的巨型办公室？

　　有一些员工是自发离开的，但是研究报告认为，CEO们可能会“驱除那些会挑战他们，或者不认可他们才华的人”。“同情心匮乏”这种让自恋者被下 属讨厌的特质，同时也使他 想要避免被扫地出门，为自恋者工作的人必须要“不断吹捧他们”。“你不能挑战他们。要对他们把你的主意据为己有做好准备。这就是游戏规则。”奥莱利在此引 用了麦克?麦考比在《自恋式的领导:打造领导者的成功性格》一书中给出的建议。

　　奥莱利的研究团队还认为，因为高管的酬劳基于同类公司的可比数据，自恋型CEO对薪酬的要求不断提高，也助长了更大范围内CEO薪酬的提高，这是一种破坏性的上升螺旋。

　　查尔斯-奥莱利是斯坦福研究生院弗兰克E巴克管理教授，并担任领导改变和组织革新高管培训课程主任。

当前，在网上发布的工作岗位中，STEM（科学、技术、工程和数学）方面的工作岗位约占28％。

一个应用程序开发人员的平均工资是9.2万美元，相当于旧金山一套公寓的首付款。

据报道，计算机科学去年已经成为斯坦福大学的顶级专业，而且我们很容易明白这是为什么。

美国的大部分学生平均负有大约3万美元的债务。在不确定的经济环境中，这是一个可怕的数字。

值得注意的是，网上的工作岗位偏向那些具有学士学位的毕业生。该统计数据“偏向要求学士学位或研究生学位的工作。”乔治城教育和劳动力中心（Center on Education and the Workforce）主任 Anthony P. Carnevale说。

“它们占到要求学士学位或研究生学位的职位的80%。究其原因，这是因为这些工作岗位是国家劳动力市场网上招聘的一部分。”

换句话说，家庭经营的商店不在Monster.com上做招聘广告 。其次，他们也可能也不想找一个薪水超过他们的总收入的应用程序开发人员。

via：BI中文站

19世纪40年代邮政服务的发展导致商业通信学院在全国范围的发展；
1858年，建立在外部课程基础上，伦敦的大学成为第一所提供远程教育学位的大学；
1873年，Society to encourage studies at home在马萨诸塞州的波士顿成立，它是美国第一所函授学校；
1911年，昆士兰大学成立了函授学习部；
1946年，南非大学成为另一所开创性的机构，开始提供函授教育课程。
1953年，休斯顿大学成为首家通过KUHT提供电视大学学分课程的大学，成为美国第一家公共电视台。
20世纪60年代，斯坦福大学实施的系统可以让学生和老师用指令和笔记实现沟通。
1989年，凤凰城大学启动了第一家网络大学项目，提供学士学位和硕士学位；
1992年，飞利浦全球互动媒体和派拉蒙全球视频在CD上开创了全动态影像电影；
1994年，加州大学引入完全网络教育概念
1995年，Arnold Pizer 和 Michael Gage开发了WeBWorK, 一款基于perl的通过网络递交习题的系统。
1996年，主席Glenn Jones和Bernard Luskin创建了琼斯国际大学，成为第一家全网络授课大学；
2003年，WebCT宣布在55个国家的1350个机构里，每年有4万名教授讲授15万门课程，学生超过600万。
2008年，伦敦的一所学校成为第一家使用虚拟场景为其进行护理培训的学生提供身临其境的环境。
2009年，巴拉克•奥巴马(Barack Obama)承诺5亿美元用于网络课程和资料。

有96%的传统大学会提供部分网络课程；
2005年秋季学期，有320万的学生至少会选一门网络课堂，这一数字在2007年秋季学期增加到394万；
2007年秋季学期，有超过20%的美国高等教育学生会选取至少一门网络课程；
2008年网络教育注册增长率为12.9%，远高于总体高等教育学生人数1.2%的增长率；
WebCT在其最高峰时，被来自80个国家的1000万学生使用;
2009年网络教育部门同比去年上升13%，与前几年相比上升了约20%；
随着油价的不断上涨，将有越来越多的学生选择网络教育，这一观点已被广泛认同；
有69%的学科带头人认为学生对网络学习的需求还在增长；
83%的网络教育提供机构预计他们明年的线上注册人数会增长；
由于不断上升的失业率，专门为已工作的成年人提供课程的机构对网络教育人数的增长前景预计最为乐观；

网络教学方法包括：
视频、音频、DVD、文本、工作薄、分组学习、电脑、网络、CS、活动、学报、广播、网络课程工具等

我们正面临一场“自恋大流行（narcissism epidemic）”，心理学家吉恩（Jean M。 Twnege）和肯瑟（W。 Keith Campbell）在他们的书中曾经这样描述。在参加测试的3万7千名大学生当中，自恋倾向的性格特征普及十分迅速，堪比肥胖症。对于那些自恋狂来说，社交网络的爆发让他们有了一个非常高效的传播工具——也就是Facebook、Twitter、Pinterest、

Foursquare 和 Google Plus、微博、微信这些。

自恋现象正在蔓延的情况不断出现在研究结果和新闻报道中。心理学家纳森博士（Dr。 Nathan DeWall）和他的研究团队发现，自1980年代以来，“从统计结果上看，流行音乐当中有大量自恋倾向和敌对意识”。心理学家肖恩·伯格曼（Shawn Bergman）发现，“千禧年代（00后）出生的人群（Millennials）当中，自恋倾向要高于历史上任何一代人”。

研究人员主要从自恋型人格的两个行为失调现象进行判断——过高的自我表现欲望（grandiose exhibitionism）和自认理所应当的特权感（entitlement/exploitativeness）。有过高自我表现欲望的人会在Facebook上积累许多好友。此外研究人员还发现自恋人格指数（Narcissistic Personality Inventory，NPI）和用户的Facebook活动有高度的正相关性。

斯坦福大学心理学教授埃丽亚斯（Elias Aboujaoude）指出，人们在互联网上的活动让我们变得更加自恋。除了一些社交媒体平台让自恋者有机会展示自己之外，也有大量的资源能够为自恋者提供帮助。有一些文章就教人如何在Facebook上扩大粉丝群，如何在亚马逊上获得好评，此外还有增加pv点击率、YouTube 播放次数和社交媒体僵尸粉的服务。

不幸的是，自恋者们正在为当下的用户们设定标杆。人们总要陷入“现在流行什么”的问题当中，焦虑没有获得和别人同样的体验；有人甚至因此感到消沉，因为他们没有跟上微博的话题速度，或者没有被点“赞”。

对于全球数亿用户的生活来说，社交媒体已经成为重要的一部分。如果你是这其中的一员，保持看问题的心态和角度非常关键。不要让自恋者混淆视听。可能在社交媒体的无谓竞争当中你被远远抛在后面，但那是因为你的NPI（自恋人格指数）不够高。在微博上没有上千粉丝好友？因为你是正常人，这一点应该是每一个自恋者求之而不得的。

斯坦福大学与Facebook数据团队日前合作进行的一项研究指出：社交媒体上普遍存在“看客多、反馈少”的“社交路过”现象，且严重被低估。多数社交媒体们也刻意不让用户知道这一“残酷”真相，这也是为了不伤及自身坚持的社交理念。呃，也有冒险者。今年3月，新浪微博为了标榜自己的存在感，开始显示用户单条微博的阅读次数。阅读次数与互动反馈（“赞”、评论和转发）的反差之大，反而坐实了自己活跃度下降的事实。

从某种程度上来讲，如果说“社交装B” 在粉饰微博、甚至Facebook等“广播式”社交媒体的表面繁荣，那么“社交路过”现象就在不时地戳破这种“繁荣”。缺乏互动反馈的社交媒体终究难以持久，而强互动反馈的移动社交工具，也已经在改写格局。

“社交路过”很严重

“社交路过”现象这项研究由斯坦福大学计算机系助理教授迈克尔·伯恩斯坦（Michael S. Bernstein）与Facebook的数据科学团队合作完成。他们在为期一个月的时间内对22万名发帖内容仅好友可见的用户进行了分析，发现他们的每一篇帖子能被35%的好友看到，而每个月的帖子能被61%的好友看到。但是，他们在调查500多名用户对帖子看客数量的主观感受时，却发现这些用户认为自己的某篇特定帖子仅被6%的好友看到，而每个月的帖子仅能被不到20%的好友看到也就是说，用户的主观感受与帖子的实际看客数量存在数倍的差异。

此外，在接受调查的Facebook用户当中，21%的人表示“赞”和评论数量会左右他们对看客数量的主观感受。虽然这些反馈并不能反映真实的看客数量，但是没有收到任何反馈的帖子或许会让用户大失所望那么，他们为何如此迅速地对看客数量做出低估呢？

斯坦福大学的研究报告指出：人们低估社交媒体看客数量的一个原因，可能是为了减少心理上的不平衡感与其认为很多人看到了帖子但是没人喜欢，还不如认为压根没人看到，这样或许会让人觉得更好受一些。

社交媒体刻意不告诉真相

这份报告还指出：社交媒体在一定程度上的不透明以及合理推诿也有其好处除了有助于分享者保持心理平衡，还能帮助不愿承认自己看了某些帖子的看客“隐身”。

你在社交网络上发帖时，就像躲在幕布后面给人们放幻灯片一样你知道谁收到了放映邀请，但是你看不到房间里到底有谁在观看。

Facebook、Instagram和Twitter等公司深知，对着满屋亲朋好友讲话却被无视比对着空荡荡的房间讲话更伤人，所以它们不愿意让用户知道这一“残酷真相”。

伯恩斯坦认为，“害怕被否定”只是我们低估社交媒体看客数量的潜在原因之一，而我们需要思索的问题还有很多。“当我发布内容时，人们会不会虽不回应但其实很喜欢呢？又或者，他们的不回应会不会是出于反感？会不会进而屏蔽我？”

互动反馈更为重要

所以，互动反馈变得弥足珍贵，对于移动社交工具而言，尤其重要。坚持这一社交理念，也才有可能在移动互联网时代，与广播式社交媒体竞争胜出，进而改变格局。

这也是为何即时消息应用（IM）能够持久不衰，在当下更为风靡。迅速积累起数亿用户的微信、WhatWhat’s App、line都被认为是可颠覆Facebook的力量。有没有注意到，”正在输入”也已成为一个现象级的功能，让用户充满期待。
也有另外一个分支，就是私密社交，比如Path，以及微信的朋友圈。它们更为重视用户之间的互动。

还有其他诸多案例。比如，iMessage等服务告知用户”消息送达”，Snapchat等新兴服务（看客数量少但反馈相当迅速）走红的驱动力。

与上述这些善于激发反馈的服务相比，”社交路过”现象严重的”广播式”社交媒体可能会让很多人觉得不够给力，未来面临很大的被颠覆的风险。

2013年5月27日斯坦福大学研究人员本月发布的一份报告显示，在线拍卖正在快速衰落。目前，eBay上只选择通过拍卖出售商品的用户不到总数的15%，而大多数用户则选择定价出售商品，这也使得eBay更像一家传统的电商网站。

研究报告的主笔人之一，来自斯坦福大学的经济学家利兰·安纳夫(Liran Einav)说：“大多数人认为eBay是一家大型的拍卖网站，但是我们意识到他们的经营业务更像亚马逊。”

报告认为，出现这样转变的部分原因是由于人们更加倾向于通过社交网站Facebook和视频网站YouTube等其他方式来打发休闲时间。安纳夫认为，不同形式的消遣服务的出现大大降低了在线拍卖的吸引力，从而可能导致商品的流拍。安纳夫指出，人们现在越来越喜欢进行快速交易，虽然也有人热衷于淘货，但这样的消费方式实在消耗时间。

移动设备的迅速发展则加速了这一变化进程。据报告显示，相对于桌面用户而言，eBay移动用户的平均浏览时间下降了25%。此外，由于电商网站的迅猛发展，在线拍卖模式所带来的价格优惠也在逐渐丧失。

不过，eBay的拍卖模式对于买家而言还是有好消息的。参与竞拍的买家往往能达成不错的交易。研究显示，近几年，被拍卖的商品的成交价往往比同类定价商品价格低16%左右。研究还显示，目前在eBay进行的拍卖更多像是传统零售市场所进行的营销策略。此外，一些不易购买的商品仍仰仗eBay，例如收藏品、珠宝以及歌星贾斯汀•比伯(Justin Bieber)的头发。

对于这些迹象，eBay早已推出应对措施。2008年，eBay改变了其搜索算法，更加强调了与搜索相关的产品，而不物品销售窗口的剩余时间，此举大大降低了拍卖的权重。然而，这一改变并没有使其销售额受到影响，eBay去年的收入为61亿美元，较上年增长了12%。

这一调查结果预示着，太阳能发电的使用前景越来越明亮。研究人员指出，2015年到2020年之间，全球所有通过太阳能产生的电量将可以收回其以往消耗的所有能量。与此同时，太阳能的安装费用以及材料成本价也将越来越低，这也将带动太阳能的经济效益。

目前，他们的调查报告刊登在《环境科学与技术》期刊中。

要设计好产品先要体验生活

正如瘦子永远不懂胖子站在体重计上的忧伤，年轻的设计师和工程师们往往不能真正理解老年人想要什么。工业设计师Rupa Chaturvedi说老年人有许多生理和心理上的需求会碍于面子说不出口。她建议设计师们可以先体验生活，比如把一只手绑起来，只能用另一只手生活一周以体验中风患者，带磨砂镜片和耳塞生活一周以体验视力和听力逐渐衰退的老年生活等等。在这过程中，设计师们应该把每一个小的细节都记录下来，做出贴心的设计，这样的产品才最受他们欢迎。

Rupa举了一个简单的例子，美国有一位科学家模仿病人在床上躺了一周，他发现每天睁眼闭眼都是枯燥的天花板是件令人绝望的事，所以，他正在研发可以让病人在床上轻松进行娱乐活动的设施 。

斯坦佛大学工业设计系教授David Jaffe说，老年人也爱美，只是找不到相关的服务。比方说，轮椅和拐杖对老年人来说就是他们的衣服，如果有厂商制造出更高贵优雅的轮椅，相信不差钱的老年人们会争相购买。在老年人口互联网普及率已达到50%的美国，针对老年人的网页和应用也应该在设计上做出相应的调整。

例如：

• 把长篇文章分成多个小段
• 一步一步仔细地写出使用说明，不能假设任何知识是常识
• 减少使用科技术语
• 减少使用鼠标右键的机会
• 减少滚动鼠标，而选择翻页
• 在链接周围留出多余的空间供视力不好的老年人点击
• 使用较大的字体，色差大的设计，并且把“放大”这个选项放在容易找到的地方
• 提供语音识别服务

下面为大家简单介绍几个美国针对老年人群的网站和应用：

社交类

Pew研究中心的报告显示，在美国，43%的老人感到孤独。老年人往往不会直接说“我很孤独”，而是说“我想交一些新的朋友”。目前，每天3个上网的老年人中就有1个有Facebook或LinkedIn账号，2009年4月至2011年5月，65岁以上社交网络用户增长了150%。越来越多的老年人开始使用社交网络寻找老朋友。尽管如此，Facebook毕竟是年轻人的天下，所以除了Facebook，美国老年人也会去AAPR，GrowingBolder等网站查看同龄网友分享的抗衰老心得，而上面的内容很多都以用视频或音频的方式取代文字。

另外，也CareArchitech这样提供全方位服务的社交网站。在CareArchitech注册后，会员可以在线上跟其他用户交流，网站也会定期组织老年大学和同城活动。网站更为用户提供例如交通、房屋维修等服务，用户只需在网页上选择所需要的服务，工作人员就会安排人员到用户家中。

医疗服务类

1）护理记录和提醒服务

还在内测中的Unfrazzle是一个帮助护工记录老人身体指标的app。家人可以先设置好日程，接着Unfrazzle就会提醒护理者老人几点喝下午茶，几点量血压、心跳，几点应该服用锻炼身体，几点该服药。护工在应用上输入测量的指标数据，这些数据也能同时传给医生进行备案。同样类别的记录工具有Heartwise和iHealth BPM 血压记录应用，当用户测完血压之后手动输入数据，应用就会告诉你你的血压情况是否正常，用户也可以把数据用email发送给医生，iHealth BPM也已支持中文系统。

2）寻找家政服务

淘宝网的数据显示，仅9月7日-10月7日，在淘宝上网购家政服务的消费者超过1200人次。在美国，大部分人是去Craigslist找一个同城的护理者，但不论中国美国，都存在无法核实从业人员的身份的问题。Carelinx为护工和寻找护工的家庭搭建了一个有保障的桥梁。护工先在Carelinx上注册，上传从业资格证和社会保障号等身份证明，并说明自己擅长哪方面的护理。Carelinx经过认证后，这名护工的信息就会显示在网页上。当一个家庭想要联系这名护工时，他们可以在Carelinx及时聊天来确定视频面试的时间。双方签订协议后，护工可以委托Carelinx在网上代收工资。Carelinx向每队成功的配对收取一定的手续费。Carelinx的创始人Sherwin Sheik说，在美国，70%的65岁以上的老人需要长期护理，这个市场大约有4500亿美金左右，家政市场还有更多潜力让大家挖掘。

对于互联网普及率都没有那么高的中国老年人群，收音机和电视是他们生活中最高科技的产品。但为了能跟子女沟通，或者跟牌友、太极友交流，大部分老年人也乐意学习一些新的科技，所以网站、应用要做得足够简单，足够体贴才能吸引他们的使用。在内容方面，如今的视频网站都是年轻人爱看的节目，老年人则更喜欢看类似《地道战》这样的怀旧电影，如果专门为他们开设一个怀旧频道，相信也会有很多老年戏迷捧场。另外，老年婚介，银色旅游，医疗保健，都是有着巨大潜力的市场。开发者也可以先锁定他们的子女为目标用户，让他们把信息传递给老年人。

(photo by le niners)

我最近看了一部电视剧，男主角在研发一种能把医保，档案，退休金等福利统统放在一起 的app。老年人也不需要去银行取钱，可以用网上账号在超市直接刷钱。他为了方便老年人使用，在密码环节出现一张狗狗的照片，通过手势（比如点分别左右耳朵两下）来代替密码的输入。相信这样的细节，会越来越多地出现在针对老年人的网页和应用中去。20年后，当与互联网一起成长的70后80后步入中老年的时候，老年互联网市场又会是怎样的繁荣景象？

via：pingwest

据国外媒体报道，斯坦福大学最近发表的一份研究报告称，10%的美国员工每周在家工作一天时间，4.3%的美国员工大多数时间在家工作。在家工作的员工工作效率更高。尽管在家工作的员工数量超过以往任何时候，但这种工作方式仍然受到广泛质疑。对于工作方式，每个公司的政策都不相同，甚至是同一个行业的公司。

例如，研究报告称，在绝大多数时间，JetBlue的呼叫中心员工都在家工作，德耳塔(Delta)和西南(Southwest)航空公司都没有让员工在家工作的计划。

为了研究员工在办公室还是在家工作效率更高，研究人员对有1.3万名员工的携程网进行了研究。报告作者之一、携程网前首席执行官梁建章为研究携程网的管理策略提供了方便。

携程网对不断上涨的办公楼租赁成本和50%的员工流失率忧心忡忡。携程网发现，机票和宾馆业务部门的255名员工都希望在家中工作，而且满足在家中工作的条件。他们在公司工作的时间都超过6个月，家中有宽带连接和用于工作的房间。研究人员将这255名员工分成两部分，生日是偶数的员工每周(5天)在家中工作4天，生日为奇数的员工在办公室工作。

研究人员通过9个月的研究发现：

·在家工作的员工的工作效率提高12%，其中8.5%来自更长的工作时间(主要原因是更短的休息时间和更短的病假时间)，3.5%来自每分钟更多的工作量。研究人员认为原因在于更安静的工作环境。

·尽管表示希望在家中工作，但在办公室工作的对照组并非出现不满情绪。

·在在家工作的员工中，员工流失率下降了50%。

·在家工作的员工的满意度大幅提高。

这项研究后，携程网向所有符合条件的员工提供了在家中工作的机会。研究人员对在家工作的携程网员工进行数个月的跟踪研究发现：工作效率高的员工选择在家中办公，工作效率低的员工选择在办公室工作。这表明不仅仅呼叫中心的员工在家中工作能提供工作效率，还有助于企业吸引和留住更好的员工。

当我决定做一名大学教员的时候，对当时的大学就业环境非常满意。老教授们都退休了，急缺新人。之后我参加了学校的“大规模在线课程（MOOC）”，被其繁荣的景象所震惊。

一个老师，一个摄像头，一个能上网的电脑，就可以教教育整个世界。斯坦福大学调查专家、MOOC网络课程公司Udacity联合创始人Sebastian Thrun曾扬言，“50年后，世界上只能剩下10所大学能够提供高等教育。”

我感到很震惊。今年年初，我和其他九万名大学生一起选了Udacity提供的网络课程《如何搭建搜索引擎》。在这个视频课程中，教授们会与学生讨论问题，传授最先进的理念。这很容易就让人联想到，网络教育可能就是大学象牙塔教育模式的终结者。但是我也发现了MOOC出现的5个最基本问题：

1、太容易作弊

Udacity鼓励学生在网络上帮助其他同学。虽然不能直接查看答案，但是还可以通过网络搜索到，简单到都懒得去搜。出现作弊就是大学教育中最失败的地方。更何况出了教室，没有教师监督，这种情况更加严重。

2、好学生无法闪光

即使一个学生在这们课程上表现的非常突出，授课老师也不会知道他。虽说是网络，但是却无法将学生和教授联系在一起。在传统的大学中，我会为自己最出色的学生写推荐信，把他们的优良品格和学业成绩巨细无比地写出来。然而网络教育却做不到。

Udacity能做的只是把看完视频的学生建立投递给有兴趣的用人单位而已。当然，如果真的可以为网络教育出色的学生写介绍信的话，1%的学生，就意味着要写900封。就算教授们愿意去写，市场也不会接受这么多所谓的“优秀学生”。

3、用人单位不喜欢奇怪的人

公司雇人的目的就是让他们来干活。任何公司都不会希望有奇怪的人来把公司搅得一塌糊涂。更何况那些来路不明的人。网络教育毕业的学生，肯定比不过正常大学毕业的学生。

4、计算机打分不可靠。

MOOC之所以受人喜欢，就是因为大众可以轻松地接触到。学生的成绩可以轻松地用计算机进行评判打分，但是传统的期末论文或者演示却不能靠电脑来打分，尤其是期末论文。

学生与教师沟通是一项基本的而且非常实用的技巧，绝对不可能从网络教育中学到。

5、能力换不来金钱

高学历一般意味着高收入，因为大学的学位就是一个身份的象征。学生在大学里可以学到实实在在的技能，还能让用人单位看到你的智慧与才干。虽然哲学在生活中不怎么用到，但是拿到哲学的A等成绩也会被用人单位刮目相看。当然得非常突出才能凸显成绩和能力重要性。

如果大学教育非常廉价，学生就能省出很多钱来花在超越其他学生身上。同样，教师为了避免过多的高分学生出现，课堂教育也会越来越难。这样一来，学生之间的竞争将更加激烈，网络教育的收费越来越高，直到超过传统大学教育为止。

这种情形此前就发生过。很久之前，大学教育稀缺，大学毕业就意味着工作有了保障，之后进入大学的人越来越多，大学毕业的学士学位已经不是什么高等学历，相反却成了人们求职的必需品。

Udacity正在寻找应对作弊的方法，它准备设立测试中心，学生通过测试之后，可以得到其他学校（非网络学校）的认证。目前MOOC弊端太多，学生们为了获得高分，纷纷出奇招作弊，但是总的来说，不如去教室上课划算。

但是从网络教育的发展趋势来看，传统的课堂教育模式继续改进。在网络上可以学到很多知识，如果大学还不采取这样的方式，将会措施最好的机会。这里给教授们提供一个好办法：采用网络教学，课堂定期提问，组织学生活动。不仅可以节省经费，还不会降低教学质量。

如果传统的大学不从MOOC中学习借鉴，大学注定会慢慢被淘汰掉。在Sebastian Thruns的预言到来之前，传统大学能做的还有很多。

原文作者David Youngberg，是贝瑟尼大学经济学的助理教授。