待验证50% 置信事实精确时间
研究论文《Finding Errors Is Not Enough: Selective Model Escalation for Entity-Targeted Sentiment Analysis》探讨了实体级情感分析（ELSA）场景下的数据采集顺序、不确定性驱动的预测重审以及模型路由策略。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
错误检测不够：实体级情感分析的选择性模型升级
rss2026/11/2
涉及实体
相关事实
待验证情感分析数据集通常存在类别不平衡，正面评论远多于负面，只看整体准确率会导致全部预测为正面的模型也能拿到很高分数。73% 相似待验证情感分析、用户意图识别和转化节点检测属于NLP领域不同子任务，单一模型难以在所有子任务上都表现最优71% 相似待验证该会议总结Agent Skill内置了情感分析模块，能判断会议整体的情感倾向为积极、消极或中性70% 相似待验证当推荐模型的优化目标被设定为最大化engagement时，模型会系统性给予情绪化内容更高分发权重，这被研究者称为算法放大效应（algorithmic amplification）70% 相似待验证情感分析的常见方法包括基于词典的规则匹配和基于预训练模型的分类器，前者轻量但精度有限，后者需要标注数据但准确度更高。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1130540API
curl https://kongchang.com/api/v1/knowledge/claims/1130540MCP
get_claim(id=1130540)