通过分析 Twitter 上的在线表达，使用 hedonometer 实时远程测量了幸福感，以单词使用频率为主要依据建立了高度稳健的度量方法。

Jan, 2011

通过对美国各地实时表达和生活相关数据的大规模分析，探索了社交媒体作为估测肥胖率等人口水平的工具的潜力。

Feb, 2013

本研究使用自然语言处理和 Bert 算法对 4000 首孟加拉歌曲的歌词进行分析，将其分为快乐、悲伤、浪漫和放松四种情绪，从而实现了歌曲情绪的多类分类，使音乐与人们的情感更加契合。

Jul, 2023

通过对来自 10 种语言、24 个语料库的 100,000 个单词的人类评估结果，我们发现自然人类语言中存在一种普遍存在的积极偏差，并且这种偏好与词频强烈独立；通过描述语言的情感谱，我们可以比较不同语料库的差异，并利用词汇评估构建情感内容实时和离线测量工具。

Jun, 2014

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

通过分析 Facebook 上对学术文章的回应，本研究使用一种新颖的方法来评估公众的情感反应，基于 LDA 主题模型和统计测试，研究发现性别、遗传学以及农业 / 环境科学等主题引发用户的情感反应显著不同，Facebook 上具有积极情感反应的文章更容易被广泛分享，与其他社交媒体平台的先前研究得出的结论相反。

Jan, 2020

本文针对 Twitter 用户于 2008 年 8 月至 12 月发布的公开推文进行情绪分析，提取 6 种情绪维度，并将数据与股市、原油价格、大选等事件进行比较，研究结果表明社会、政治、文化和经济领域的事件对公众情绪有明显、即时和高度特定的影响，因此情绪的大规模分析可以提供一个可靠的平台，用于以现有的社会和经济指标来模拟集体的情感趋势。

Nov, 2009

本文探讨了情感分析如何与有效的可视化技术结合使用，定量和跟踪书籍中的情绪及其在大型文集中的表现。本文还介绍了情感词密度的概念，并以格林兄弟童话作为例子，展示了如何更好地组织搜索文本。最后，通过比较童话和小说中的情感词，本文表明童话中的情感词密度要比小说更广泛。

Sep, 2013

该研究首次研究推文情绪动态与心理健康障碍之间的关系，发现言语情绪动态指标与自我公开的诊断之间存在显著差异，这为语言线索在心理疾病的诊断和管理中发挥关键作用提供了重要的初步证据。

Oct, 2023

本文通过对大规模 Twitter Feed 情绪的追踪分析，发现公众情绪状态对 Dow Jones 工业平均指数 (DJIA) 未来走势有显著预测作用，其中一些情绪维度会带来更高的 DJIA 预测准确率。

Oct, 2010