arXiv 上新发表的一篇论文《超越情感分类：文本中情绪强度评估的生成式框架》提出了一种情绪建模的新思路，将关注点从情绪“识别”转向情绪“评估”，以克服离散分类在实际应用中的局限。该论文由 Francesco A. Fabozzi 等三位作者完成，提交于2026年5月15日，全文共10页，包含5张表格，未包含图表。研究隶属于计算与语言（cs.CL）领域，并涉及一般经济学（econ.GN）和一般金融（q-fin.GN）等交叉方向。
传统的情感分析通常将文本划分为正面、负面或中性等离散类别，或者进一步细分为愤怒、喜悦、悲伤等具体情绪标签。然而，作者指出，在许多应用场景中，真正重要的不是情绪属于哪一类，而是情绪表达的强度有多大。例如在金融领域，一条新闻或一份财报中的情绪色彩究竟有多强烈，可能直接影响市场解读和投资决策。离散分类难以刻画这种程度差异，因此研究团队提出用连续值来表示情绪强度。
为实现这一目标，研究者构建了一个包含情绪强度评分的数据集，并对开放权重的生成式语言模型进行微调，使其能够直接输出0到100之间的连续数值。这种生成式框架不再依赖固定的类别标签，而是让模型学会评估文本中情绪内容的程度。作者表示，该框架比传统分类方法更具表达力和泛化能力。
实验结果显示，该方法不仅优于分类基线，还表现出令人意外的泛化能力，并能够将学习到的知识迁移到情感（sentiment）和唤醒度（arousal）等相关构念上。这意味着，模型在情绪强度评估任务上获得的表示能力，可以辅助其他相关的情感分析任务。
论文进一步从跨学科视角重新审视了自然语言处理的研究定位，主张将情绪强度评估作为分类的一种替代方案。作者认为，这种转变更符合金融等领域的实际需求，因为这些领域往往需要理解情绪内容的程度，而非仅仅判断情绪的有无或类别。该工作为情感计算和文本分析提供了新的方向，并强调了评估式情绪建模在应用中的价值。