مساله نظرکاوی در سال های اخیر بسیار مورد توجه بوده است. تمرکز روش های موجود نظرکاوی بر نظرات مستقیم بوده است و اغلب آن ها از نظرات غیرمستقیم صرف نظر کرده اند. درحالی که در برخی دامنه ها از جمله پزشکی نظرات غیرمستقیم به دفعات رخ می دهند و نادیده گرفتن آنها باعث کاهش دقت سیستم نظرکاوی می شود. در این مقاله روشی نیمه خودکار برای ساخت پیکره ای از نظرات غیرمستقیم به زبان انگلیسی در دامنه دارو ارائه می شود. در مرحله نخست روش پیشنهادی، جملاتی که بیان گر یک نظر غیرمستقیم هستند، شناسایی و در مرحله دوم قطبیت آن ها با کمک دانش دامنه، الگوهای زبانی و ساختار نظرات تعیین می شود. سپس از این پیکره در روش های یادگیری ماشین جهت تعیین قطبیت نظرات مطرح شده درباره داروها استفاده می شود. نتایج آزمایش ها نشان می دهد که روش پیشنهادی در تعیین قطبیت مجموعه آزمون به دقت 82.81 درصد می رسد و بر یک روش برجسته تحلیل نظرات مستقیم به نام الگوهای سنتیک غلبه می کند.