近来，关于情感分析的研究一直被大家所津津乐道，然而关于这项分析方法究竟有多大的实用性，则是众说纷纭。有人认为情感分析堪比打开人类市场研究新世界大门的钥匙，而另一些人则认为，这项技术只是骗人的万灵油，甚至与占卜无异。那么，究竟谁是对的呢？
相较而言，我（笔者）更倾向于站在前者的阵营中。基于文本分析，自动情感分析技术为基于李克特量表的传统分析方法（Likert-reliant methodologies）注入了新的动力，使得研究人员能通过社群倾听技术实时掌控客户反馈的倾向变化，并由此实现了对客户心声的深入挖掘。
对于后者的阵营，我认为他们对情感分析产生质疑的原因可能来自于对这种分析方法实现能力与局限性的认识扭曲。这样的认识扭曲也许是由于某些能力不足的解决方案供应商造成的，不过不管它们究竟来自何方，我都会倾力而为去揭穿它们，还原一个有真正实际意义的情感分析技术。
我们目标是鼓励适当的使用情感分析技术并防止滥用。为了做到这点，对市场教育的呼唤十分重要，我通过会议的形式做了很多这样的事，在今年7月15号到16号的纽约情感分析研讨会上，我特地点明了这样十一件情感分析研究者必须知道的事：
1）在情感分析中，通过直接匹配词典来查找词汇是一种简单明了的方法，也但略显粗俗。词的意思往往会根据句式、语境以及上下文之间的关联而发生变化，进行情感分析时我们需要将语言学与统计学的方法都应用到其中。
2）文档层面的情感分析或许正在面临过时。我们情感分析的目标应该关注于实体（entity）、概念（concept）以及主题（topic）的层面。（例如，一部iPhone6是一个实体，iPhone是一个概念范畴，而智能手机则是它所属的主题）
3）“情感”的一般语言定义包括态度（attitude）、意见（opinion）、感觉（feelings）和情绪（emotion）。最先进的情感分析技术可以让你超越正负面倾向得分的局限，根据情绪——如快乐、惊讶、恐惧、厌恶、愤怒、悲伤等对文本情感进行评价，而不是仅仅是一个表达程度的分数。
4）请将眼界放宽：情感分析是情感计算（Affective computing）大家族的一份子，这个家族涉及到了所有与人类情感相关、来自人类情感或是对人类情感产生影响的现象计算研究。情感分析与家族中的其他伙伴皆有所联系，但在技术和方法上有着较为明显的区别。
5）并非所有的情感都是平等的。不论是情感的倾向还是强度，我们都需要努力去理解。同时，研究情感如何转化为行动也具有同样重要的意义。
6）不论你是否在项目中使用了语言工程、统计模型与机器学习方法，在很多情况下，也许针对特定领域训练合适的模型，才是模型优化的关键。
7）必须注意那些有关于准确率的说法。对于模型的准确性，这世界上不存在绝对的衡量标准，因此在度量模型的准确性时，我们总会遇到各种各样的麻烦。正因如此，有的解决方案供应商们甚至可能在提出分析模型之后对模型准确性的测量过程避而不谈。一种公认可行的准确度测量方法是将模型结果与一份经过完全精准的人工注释／分类的语料进行对比，这也意味着我们需要让人工和机器同时去进行一项庞大的语料分析工作，再进行二者匹配程度的计算。但是当你真的去尝试这样的做法时，所谓人工一方作出的判断究竟是对是错，同样也很难说明清楚。与此同时，面向不同层面的文本分析软件之间也很难进行准确度的对比，例如有些软件只做了文档层面的分析，而另一些则能够对实体和概念进行了解析，我们能说在实体层面具有70%准确率的软件就优于在文档层面具有97%准确率的软件吗？
8）文本是最常见的情感数据来源，但它并不是唯一的一个。针对视频的面部编码技术，针对音频流的语音分析，都可以用于检测人类的情绪反应，而这些也都是更先进的情感状态评估方法。而有关人类情感分析下一个前沿领域也有可能是：神经科学、可穿戴仪器开发和生理学的其他研究手段。