本文介绍了情感计算和 AI 伦理学的想法，旨在呈现有关情感词汇表创建和使用的实践和伦理考虑事项 —— 最佳实践。该目标是提供全面的相关考虑因素，以便读者（特别是那些新于情感处理的人）可以在一个地方找到相关信息。 我们希望这项工作将促进更多思索，在决定要处理哪些情感，如何创建情感词典，如何使用情感词典，如何得出有意义的推理以及如何判断成功方面有所依据。

Oct, 2022

本文扩展了一种英语情感词典并创建了适用于意大利语的新词典，同时提出了简单的方法来提高不同特定领域的数据集和任务的性能。

Oct, 2018

本文通过定量和系统地评估，比较了两种情感环路的常见方法：机器学习模型和仅词典方法。为了在世界范围内从情感相关研究中得出有意义的结论（从而避免西方中心主义偏见），作者说明使用自动翻译的英语情感词典可以用于生成高质量的情感弧。

Jun, 2023

在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

Apr, 2024

本文介绍了有关词汇情感词典的几个实际和伦理考虑，是为了有效地利用这些词汇资源。

Nov, 2020

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

本文提出了一种利用众包情感注释从社交媒体数据中自动化提取高覆盖率和高精度情感得分的新方法，得到了一个称为 DepecheMood 的大约 37,000 个术语的情感词典，并在无监督设置中提供了新的最先进的性能。

May, 2014

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

本文提出一种将情感词典与分类模型相结合的方法，以提高情感分析任务的准确性，并实验证明此方法能够提高分类模型的性能。

Oct, 2022

该研究提供了一个由 79 个数据集组成的开放性跨语言语料库，可用于培训情感模型，同时展现了基于不同基础模型、训练目标、数据集集合和微调策略所进行的数百次实验的多方面情感分类基准。

Jun, 2023