VAD 三维情感分析
VAD 三维情感分析用于分析文本情感，除积极、中性、消极外，还输出效价（V）、唤醒度（A）、支配度（D）三个维度，帮助区分同为负面却是愤怒、压抑还是无助等不同情绪状态。整体情感占比、VAD 三维均值、Russell 情感空间分布、四象限与逐行结果可用于比较不同文本的情绪结构、识别高唤醒或低控制感内容，并为细读、分组和研究结论提供量化依据。适用于舆情监测中的情绪地图绘制，也适用于访谈、评论和文学语料中的精细情感分析。
该方式按行计算，单行建议控制在 200 字内，不适合直接分析整段长文。
⚠️ 建议每行包含一句完整的话，如有大段文字请先使用 【文本清洗】 功能分段
指令微调（Instruction Fine-tuning）架构，自回归解码，输出情感极性、置信度、词级关键词及 VAD 三维连续分值。单条推理延迟低，适合大批量流式处理场景。
混合专家架构（MoE），内置链式思维推理（CoT），在极性判定基础上输出证据词、词性标签（POS-tagged）、极性溯源逻辑及 VAD 坐标。标注具备完整可解释性（XAI），适合需要证据追溯的研究场景。
针对不同文本类型优化情感识别策略
适用于日常文本，从通用语义角度分析情感倾向
重点关注商品质量、服务、物流等电商场景因素
分析学术观点倾向性、研究方法评价、结果认可程度
识别网络用语、讽刺反讽、话题标签等社媒情感特征
分析新闻报道立场、用词色彩与舆论情绪方向
决定情绪标签的精细程度与 VAD 坐标侧重
仅区分积极 / 中性 / 消极三类极性，给出 VAD 坐标，速度最快
映射至 Ekman 六基础情绪（喜悦、愤怒、悲伤、恐惧、惊讶、厌恶），VAD 坐标与对应情绪空间位置一致
淡化离散标签，强调 VAD 三维坐标的精细连续分布，适合需要数值建模的研究场景
Anger · Disgust · Fear · Joy · Sadness · Surprise — 跨文化验证经典框架，输出英文情绪标签。报告将替换散点图为情绪类别频次柱状图，象限替换为 6 情绪分布格
Joy · Trust · Fear · Surprise · Sadness · Anticipation · Anger · Disgust，及组合派生情绪（如 Love = Joy + Trust）。报告将替换散点图为情绪频次柱状图，象限替换为 8 情绪分布格
指导模型优先捕捉哪一类情感信号，影响 VAD 三维分值的权重
加权融合所有情感线索的 holistic appraisal，输出全文代表性 VAD 坐标，适合宏观情感基调判断
基于 Lazarus 认知评价理论（Cognitive Appraisal Theory），捕捉说话者对事物的显性评判。Valence 映射评价正负，Dominance 映射确信强度与立场权威性
聚焦情绪的生理激活程度（Physiological Arousal）与享乐质感（Hedonic Tone），契合 Russell 环形情绪模型（Circumplex Model）。Arousal 为主判维度，分值尽量分散
对应 Frijda 行动倾向理论（Action Tendency），捕捉趋近 vs. 回避、控制 vs. 顺从的行为驱动力。Dominance 为主判维度，反映能动性（Agency）强弱
决定分析"谁的情感"——表达者、被描述对象还是读者
以说话者主观立场（Speaker Subjectivity）为准，捕捉第一人称情感表达与隐性情感泄露（Sentiment Leakage）
抽取文本中被描述实体（Entity-level Sentiment）的归因情感，适用于人物描写、产品叙事、事件报道等第三方情感标注场景
预测文本对假想读者（Implied Reader）产生的情感唤起效应（Affective Priming），VAD 坐标反映预期读者反应而非作者表达意图，适用于说服力分析与受众研究
每 100 行 5 点