在过去20年中，语言建模技术从统计模型发展到神经模型，预训练语言模型（PLM）在NLP任务中表现出色。大语言模型（LLM）如ChatGPT的出现标志着通用人工智能时代的开启，能够自动生成语言文本并应用于多种领域，但存在理解、逻辑一致性和可信度方面的不足。OpenAI的GPT-4模型在这些方面有所提升。技术发展同时带来道德伦理和社会影响问题。新浪微博作为中国最大的社交媒体之一，其评论反映了公众对热点事件的态度。本文通过挖掘微博中关于ChatGPT和人工智能的讨论文本，运用BERTopic模型进行主题分析，百度工具进行情感分析，并进行可视化分析，以呈现公众对人工智能的态度和关注焦点。随着技术进步，探究公众对LLM的关注和情绪态度具有重要意义。

一、 文献回顾

回顾了情感分析和主题建模的研究现状，以及ChatGPT的相关研究。情感分析是分析文本中情感倾向的过程，主要方法包括基于情感词典、机器学习和深度学习，其中深度学习方法因注意力机制的融合而准确率提升。主题建模方面，LDA模型是主流方法，但存在对短文本处理不足的问题，BERTopic模型因更强的语义解释能力而受到关注。ChatGPT的研究分为技术原理、社会影响和未来发展趋势三个阶段，涉及技术革新、社会化应用、伦理问题等多个方面。目前对大语言模型的研究多集中在技术层面，对公众情感态度的研究较少，而公众对新技术的接受程度和关注领域对模型发展具有重要参考价值。

二、 研究方法

介绍了基于微博评论数据的主题-情感分析研究方法。首先，通过Python Scrapy技术抓取微博中与ChatGPT和人工智能相关的评论文本，并进行分词、去除停用词等预处理，得到有效数据9308条。其次，利用BERTopic主题模型探究公众关注重点，并基于百度情感分析技术对各主题下的文本进行情感分析。BERTopic模型借助预训练的BERT模型实现文本主题建模，具备更强的语义解释能力。在主题分析中，通过sentence_transformers、UAMP和kmeans算法将文本转换为向量表示并进行降维聚类，采用class-based TF-IDF算法提取关键词，最后使用Maximal Marginal Relevance算法微调。百度情感分析工具基于深度学习训练，自动学习语义及句法特征，对文本进行积极、消极、中性的情感分类。此外，本研究还基于情感词典提取积极词和消极词的词频并绘制词云图，使公众对大语言模型关注的领域可视化。

三、 结果分析

本章节通过词频分析、主题模型分析和情感分析，揭示了公众对ChatGPT的主要舆论焦点和具体态度。词频分析显示“人工智能”和“模型”为高频词，反映出ChatGPT在科技领域的广泛应用。BERTopic主题分析识别出公众关注ChatGPT的四个主要方面：道德伦理、教育教学、技术发展和投资。在道德伦理方面，讨论集中在ChatGPT对用户道德判断的影响和其自身存在的漏洞。教育教学主题中，ChatGPT被认为提高了工作学习效率，但也引发了学术不端问题。技术发展主题中，公众关注ChatGPT的应用领域及技术前景，同时担忧其带来的就业影响。投资主题中，公众关注ChatGPT的预测能力和对投资的看法。情感分析显示，公众对ChatGPT的网络情绪表达中正面情绪占多数，积极词语如“创新”“突破”等表明公众对人工智能未来发展的积极态度，而消极词语如“漏洞”“泄露”等则反映了公众对ChatGPT生成不实内容和信息泄露风险的担忧。

四、 总结与展望

本章节总结了基于微博评论数据对大语言模型态度的分析结果，发现公众对大模型持积极态度，但也担忧安全、失业和内容真实性问题。提出了提升专业技能、培养思辨能力和重视道德伦理的建议，以适应技术发展，避免依赖，并确保信息真实可靠。