مسئله نظرکاوی در سال‌های اخیر بسیار مورد توجه بوده است. تمرکز روش‌های موجود نظرکاوی بر نظرات مستقیم بوده است و اغلب آنها از نظرات غیرمستقیم صرفنظر کرده‌اند. درحالی‌که در برخی دامنه‌ها از جمله پزشکی نظرات غیرمستقیم به کرات رخ می‌دهند و نادیده گرفتن آنها باعث کاهش دقت سیستم نظرکاوی می‌شود. در این مقاله روشی نیمه‌خودکار برای ساخت پیکره‌ای از نظرات غیرمستقیم به زبان انگلیسی در دامنه دارو ارائه می‌شود. در مرحله اول روش پیشنهادی، جملاتی که بیانگر یک نظر غیرمستقیم هستند شناسایی می‌شوند و در مرحله دوم قطبیت آن‌ها با کمک دانش دامنه، الگوهای زبانی و ساختار نظرات تعیین می‌شود. سپس از این پیکره در روش‌های یادگیری ماشین جهت تعیین قطبیت نظرات مطرح شده درباره داروها استفاده می‌گردد. نتایج آزمایشات نشان می‌دهد که روش پیشنهادی در تعیین قطبیت مجموعه تست به دقت 82.81 درصد می‌رسد و بر یک روش‌ برجسته تحلیل نظرات مستقیم به نام الگوهای سنتیک غلبه می‌کند.