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。
使用前请读：文件格式建议
每行需为 5～150 字的一句完整表述；大段文字请先使用 【文本清洗】功能分段
加载文件上传组件中...
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
可选。报告会把逐行 VAD 坐标与目标基调范围对照，找出最偏离的句子
只展示 VAD 与极性结果，不做目标基调偏离判断
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
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
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）
每 100 行 5 点