利用众智的力量，通过提出包括单词选择问题在内的“情感注释”问题，快速且廉价地生成了一个大型、高质量的单词-情感和单词极性关联词典，并通过实验证明，询问单词是否与情感相关比询问单词是否会唤起情感，获得更高的注释者互动一致性。

Aug, 2013

本文旨在研究从文本中检测情感强度的任务。我们创建了第一个标记有愤怒、恐惧、喜悦和悲伤强度的推文数据集，并使用最佳-最差比例（BWS）技术提高注释一致性和获得可靠的细粒度分数。我们发现情感词hashtag通常会影响情感强度，通常传达更强烈的情感。最后，我们创建了一个基准回归系统，并进行实验，以确定哪些特征对于检测情感强度有用，以及两种情感在语言表现方面的相似程度。

Aug, 2017

文本情感检测研究综述表明，虽然目前已经有许多技术、方法和模型来检测文本中的情感表达，但人类情感的复杂性以及使用隐喻性语言等因素使得这些方法不足以应对这些复杂性，因此需要关注情感表达的语言细节。

Jun, 2018

本文介绍了机器学习在情感分析领域的最新进展，并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外，文中还讨论了情感分析存在潜在有害影响的问题，并介绍了追求情感分析公平性的最新研究方向。

May, 2020

本研究利用GoEmotions和Vent两个情感分类的大型数据集，通过多种特征空间和学习算法设计了一个基准测试，并在BERT基础上提出了两个简单却有效的模型，超过了先前的强基线。通过人体实验分析了作家表达情感和读者感知情感之间的差异，证明了作家表达的情感更难被识别。研究者可以通过我们提供的公共网络界面来研究我们的模型。

Sep, 2021

本研究首次系统而定量地评估了自动生成的情感弧，并比较了使用机器学习模型和仅词典方法生成情感弧的优劣。研究发现，尽管词典方法在实例级别上表现不佳，它们通过聚合来自数百个实例的信息高度准确地生成情感弧。此结果对商业发展，以及注重简单解释方法、不需要特定领域培训数据、编程专业知识和高碳足迹模型的心理学、公共健康、数字人文等领域的研究具有广泛的影响。

Oct, 2022

本研究利用预训练转换器对多语言和多领域的输入文本进行情感分析，使用基于趋势-唤醒维度的情感分析方法，比传统方法更细致地区分不同的情感，并发现模型大小对预测质量有显著影响，可自信地预测不同语言的趋势性和唤醒性。

Feb, 2023

情感分析是应用于数字文本数据的常见方法，总结了现有工作，但忽视了对有效性和科学实践的讨论。我们通过综合38个系统性综述和2,275项主要研究，提出了一个针对系统评价方法和报告标准的专属质量评估框架，发现了多样的应用和方法、有限的报告严谨性以及随时间推移的挑战。我们讨论了未来研究和从业者如何解决这些问题，并强调它们在许多应用中的重要性。

Oct, 2023

对自然语言处理领域的情感分析进行全面综述，讨论任务定义、重要情感框架、文化因素的主观性考虑以及NLP应用，并指出研究中存在的四个缺陷。

Mar, 2024

大型语言模型 (LLMs) 在性别方面反映了社会规范和偏见。本文填补情绪分析中对于社会偏见的研究空白，首次对五种最先进的开源和闭源 LLM 进行了性别化情绪归因的全面研究，发现这些模型始终存在受到性别刻板印象影响的性别化情绪。

Mar, 2024