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

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

综合研究了大语言模型在情感识别中的性能，包括上下文学习、少样本学习、准确性、泛化能力和解释性，并提供了一些见解和潜在挑战，以促进情感识别在新的先进和广义大模型时代的发展。

Aug, 2023

本文介绍一种基于情感分析的新数据集以及依此数据集进行的一系列实验，重点是训练一个强大的情感分类器用于议会会议。此外，还引入了第一个领域特定的LLM（语言模型）用于政治科学应用，并在27个欧洲议会的会议记录中进行了1.72亿专业领域词汇的预训练。通过实验证明，LLM在议会数据上的额外预训练可以显著提高模型的性能，尤其是在情感检测等具体领域任务上。同时，该研究显示多语言模型在未知语言上表现良好，并且来自其他语言的额外数据显著提高了目标议会的结果。本文对社会科学的多个领域做出了重要贡献，并将其与计算机科学和计算语言学相结合。最后，它建立了一种更可靠的政治文本情感分析方法，使学者能够使用标准化的工具和技术，从比较的视角研究政治情感。

Sep, 2023

通过使用大型语言模型，在情感识别领域中研究了LLMs的性能，发现其在语言情感识别任务中具有强大的迁移性和可行性。

Oct, 2023

该研究探讨使用大型语言模型（LLMs）分析Reddit用户的文本评论，旨在实现两个主要目标：首先，找出支持预定义心理评估自杀风险的关键摘录；其次，总结材料以证实预先分配的自杀风险水平。该研究仅限于在本地运行的“开源”LLMs的使用，从而增强数据隐私。此外，该研究优先考虑计算要求低的模型，使其可供具有有限计算预算的个人和机构使用。该实施策略仅依靠精心设计的提示和语法来指导LLM的文本补全。尽管简单，评估指标显示出卓越结果，使其成为一种重要的关注隐私和成本效益的方法。这项工作是2024年计算语言学和临床心理学（CLPsych）共享任务的一部分。

Feb, 2024

大语言模型对于分类注释的自动化主要用于处理标注语料库的瓶颈问题，但对于连续标签分配的自动化注释尚无相关研究。本研究通过对情感强度进行自动化预测，并比较直接使用评分标注、两两比较和最佳-最差比例三种方法，发现最后一种方法具有最高的可靠性。在这些数据上微调的Transformer回归器表现几乎与原始手动标注模型相当。

Mar, 2024

评估了在多语言和代码混合通信环境中使用的七个领先大型语言模型（LLMs）的情感分析性能，发现GPT-4和GPT-4-Turbo在理解语言输入和处理上下文信息方面表现出色，与人的一致性高且决策过程透明，但在非英语环境中的文化细微差别方面存在不稳定性，结果强调了LLMs不断改进以有效应对文化差异、资源有限的真实世界环境的必要性。

Jun, 2024

本研究解决了情感识别模型训练依赖人类标注数据的多样性、质量和成本挑战的问题。通过比较GPT-4与监督模型及人类标注者在情感标注的一致性、与人类感知的对齐以及对模型训练的影响，我们发现GPT-4的标注在多项数据集和评估者中受到一致青睐，表明其在情感标注任务中具有巨大潜力，并强调了改进评估方法的必要性。

Aug, 2024

本文研究了大型语言模型（LLMs）对文本情感的检测和反应能力，填补了对其情感处理能力的评估缺口。通过一系列实验，发现LLMs在情感识别中存在一定敏感性，但准确性和一致性有显著差异，提示需改进其训练流程，以更好捕捉细微的情感线索。

Sep, 2024