利用大型語言模型進行情感分析：Decentraland的MANA代幣多模態分析
本文研究將Discord社群情感與多模態金融資料結合，以增強虛擬世界經濟中的加密貨幣價格預測。利用基於BERT的大型語言模型進行情感分析，開發了兩種LSTM架構，結果表明多模態模型在預測準確性上顯著優於僅使用價格的基線模型。
在元宇宙和加密貨幣的交匯點上，一項新研究探索瞭如何利用社群情感資料來預測虛擬世界代幣的價格。該研究聚焦於Decentraland平臺的原生代幣MANA，透過分析其Discord社群中的對話情感，結合多模態金融資料，構建了兩種LSTM模型進行對比。Decentraland是一個去中心化虛擬現實平臺，執行在日益擴充套件的元宇宙生態系統中，其原生代幣MANA用於虛擬資產交易和治理。研究團隊首先使用基於BERT的大型語言模型從Discord聊天記錄中提取情感分數，發現社群情感整體呈中性偏正面。隨後，他們設計了兩類LSTM架構：基線模型僅使用歷史價格序列，而多模態模型則整合了情感分數、交易量和市值。實驗結果顯示，多模態模型在預測MANA代幣回報方面顯著優於基線模型，準確率提升明顯。這一發現表明，社群情感等非傳統資料來源能夠為加密貨幣預測提供有價值的訊號。研究者指出，該工作為未來結合沉浸式虛擬環境、自然語言處理和加密貨幣市場分析的跨學科研究奠定了堅實基礎。隨著元宇宙經濟不斷發展，這種多模態分析方法有望在更廣泛的數字資產預測中得到應用。該論文由Xintong Wu等六位作者撰寫，於2026年4月4日提交至arXiv，收錄於計算與語言類別（cs.CL）。論文詳細闡述了從資料收集到模型構建、實驗評估的全過程，強調了社群訊號在虛擬經濟預測中的潛力。儘管研究僅限於MANA代幣，但其方法論可推廣至其他虛擬世界代幣。未來工作可探索更復雜的情感模型和即時資料處理，以進一步提升預測效能。