一项发表于 arXiv 的新研究（编号 2605.20192，2026 年 4 月 4 日提交）探讨了如何将 Discord 社区情绪与多模态金融数据结合，以提升虚拟世界经济中的加密货币价格预测能力。论文题为《Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland's MANA Token》，由 Xintong Wu 等六位作者共同完成，其中 Luyao Zhang 为提交联系人，论文归类于计算与语言（cs.CL）方向。
研究的核心背景是 Decentraland——一个运行于不断扩张的元宇宙生态中的去中心化虚拟现实平台。该平台使用其原生代币 MANA 来支持虚拟资产交易与治理。作者希望回答两个问题：第一，Decentraland 的 Discord 社区中存在怎样的情绪模式；第二，包含哪些多模态特征的模型能够更有效地预测 MANA 代币的收益率。
在方法上，研究团队使用基于 BERT 的大型语言模型对社区文本进行情绪分析，并构建了两种 LSTM 架构进行比较：一种是仅使用历史价格数据的基线模型，另一种是融合情绪得分、交易量和市值的多模态变体模型。这种设计使研究者能够直接衡量社区情绪信号相对于纯价格信息所增加的预测价值。
实验结果显示，Decentraland Discord 社区的整体情绪以中性为主，但呈现出正向偏斜。更关键的是，多模态模型在预测准确率上显著优于仅依赖价格的基线模型。这表明，源自社区讨论的信号对于虚拟经济预测具有实际参考价值。
作者指出，这些发现不仅验证了将自然语言处理与加密货币市场分析相结合的可行性，也为沉浸式虚拟环境、自然语言处理与加密市场分析交叉领域的研究奠定了基础。论文全文以 PDF 及实验性 HTML 形式开放获取，并提供了 TeX 源码与许可证信息，方便后续研究者复现与扩展工作。值得注意的是，该研究聚焦于 2026 年提交时点的单一虚拟世界代币案例，其结论向其他元宇宙项目或更广泛加密资产的推广仍需进一步验证。