本文旨在将心理学中事件的应急评估理论应用到情感分类模型中，实现对事件描述的应急评估变量的学习，证明这种方法能提高分类模型对离散情感分类的准确性，并发布了应急评估标记的情感关联事件描述语料库。

Mar, 2020

情感分析涵盖了各种自然语言处理任务，其共同目标是使计算机能够理解情感。本文综合了 SEAT 和 CEAT 项目的研究结果，并指出了开放性研究问题。

Sep, 2023

通过加入评估变量作为条件，在生成框架中包含评价理论能够提高情感文本生成的准确性，并使用户可以实现更加精细的控制生成的文本。

Jul, 2023

本文探讨了基于情感理论的评估维度对于模拟人类情感分析的重要性，并对比了不同基于事件的语料库的手工和自动标注策略，在此基础上提出了 RoBERTa 模型进行情感分析的改进方法。

Feb, 2021

通过引入经验者概念，将情感标签分配给相关事件中的感受者，通过此方法，作者证明了在情感检测中忽略事件参与者是一种简化，但在情感检测任务中，忽略事件参与者是一种简化，但使用考虑事件参与者和评估的经验者感知模型来对情感进行分类比基于经验者的模型更为准确。

Oct, 2022

心理学研究中关于情感的复杂过程涉及生理和认知评估方面；虽然情境可以导致不同的情感经验，但是对于认知评估的自动预测却没有多少研究。本研究填补了这一空白，提出了 CovidET-Appraisals 数据集，该数据集是迄今为止最全面的数据集，对 241 个 Reddit 帖子中的 24 个评估维度进行了评估，并提供了自然语言的解释。CovidET-Appraisals 是评估大型语言模型在自动评估和解释认知评估方面能力的理想测试平台。研究结果显示，在这一任务上，尽管最好的模型表现出色，但开源的大型语言模型在此任务中表现不佳，为情感智能模型的未来发展提出了新的挑战。我们在此链接分享了我们的数据集 https URL。

Oct, 2023

本文借鉴心理学的评估理论，以英语事件描述文本资源为基础，采用整合性分类方法，对参与情感事件中的不同语义角色进行情感分析，并丰富地注释了事件属性，提供了可供研究不同角色情感和事件评估的有用数据，并能够开发特定于经验者的情感和评估分类系统。

Mar, 2022

通过开发一个按照多维评估理论进行注释的非实验数据语料库 APPReddit，我们证明了 SVM 模型可以预测 4 个评估维度而不会失去重要信息，并且将 APPReddit 和 enISEAR 数据集合并以进行训练可以提高评估维度预测的准确性，这为评估预测的更好分类模型铺平了道路。

May, 2022

通过评估应激与应对理论，本研究调查了大型语言模型对情绪感知的能力，并与人类数据进行了比较；结果显示了模型在评估和应对的动态方面类似于人类，但在某些维度上与预期不符，且其响应幅度与人类存在较大差异；此外，研究还发现模型对指令和提问方式非常敏感，从而丰富了对当前模型心理学方面的认识。

Oct, 2023

本研究介绍一种新的情感分析标注方法，提出一种基于自传故事纪录的情感分析的数据集，探索了使用基于规则的自动标注方法来标注情感及其语义角色，以便教练识别相关方面，并探讨了基于图结构的情感分析的未来方向。

Oct, 2022