如何利用LLM进行细粒度情感分析？
🌟 研究背景及意义：短视频平台已成为非物质文化遗产传播的重要渠道，但较高的点赞、收藏和评论数量并不意味着公众真正理解文化内涵或形成传承保护意识。现有研究主要依靠平台互动指标评价传播效果，缺乏对公众讨论内容及文化回应的深入分析。因此，本研究融合BERTopic主题建模、大语言模型细粒度情绪识别和传播指标，构建S-E-M综合分析框架，为从传播热度转向公众文化回应的数字传播评价提供新的计算方法。

✅ 数据集：研究采集152条竹编非遗短视频及13527条有效评论，涵盖点赞、收藏、评论、分享等传播指标及用户评论文本。利用BERTopic识别16个初始主题，经专家合并为六大主题，剔除1347条噪声评论后，保留12180条文本用于细粒度情绪分析。

👉 方法：构建S-E-M分析框架，采用BERTopic识别评论主题，利用Qwen2.5-72B-Instruct进行11类细粒度情绪分类，并构建文化共鸣倾向指数和传播显著性指数PSI。最后，通过Spearman相关分析、传播组比较及二维映射，揭示传播热度与公众文化回应的关系，并检验模型结果的可靠性。

参考文献：
[1] Chen N, Mai Y, Sun Y, et al. Beyond Visibility: Understanding Public Cultural Responses to Bamboo Weaving Intangible Cultural Heritage on Douyin[J]. npj Heritage Science, 2026.

🤔 写在最后：
这篇文章以非物质文化遗产传播热度能否转化为公众文化回应这一问题为切入点，融合BERTopic主题建模、大语言模型细粒度情绪分析、理论驱动的指标构建与跨层级数据映射，构建了涵盖平台传播表现、公众讨论主题及文化回应倾向的综合分析框架。

其将自然语言处理技术与社会科学理论有机结合，通过多维度数据融合与统计分析，实现从传播现象描述到公众回应差异解释的深化，为社交媒体文本分析及跨学科研究提供了可借鉴的方法学思路。

数据分析 文本分析 bertopic 主题分析 主题建模 情感分析 大模型 社交媒体分析 自然语言处理