面向中文青少年社交媒体的强情境情感标注语料库
A multi-dimensional sentiment corpus for Chinese adolescent social media — building data from identity, temporality, relationships, and subculture, not just keywords.
SCAYS 1.4 是一个从小红书采集的中文青少年情感语料库，目前包含 73,426 条 句子级标注数据（三分类：负面 / 中性 / 正面），覆盖 3 个维度、64 个关键词（身份锚点 17 个 + 周期节律 29 个 + 关系场域 18 个）。
现有的中文情感数据集几乎都是"扁平"的——随机抓一批文本，标上正面/负面/中性，结束。它们不关心说话的人是谁、处在什么阶段、面对什么关系。但青少年的情绪从来不是孤立存在的，它长在具体的 身份、周期、关系、文化、身体、经济、行为 里。
SCAYS 和其他数据集最大的区别：我们从一开始就按照这七个维度去设计采集策略、搜罗数据。不是先有数据再贴标签，而是先有维度框架，再围绕每个维度的关键词定向采集。这套 从"扁平化"到"多维情境化" 的数据构建方式，才是 SCAYS 存在的核心理由。
传统情感数据集的问题不只是标注方法，而是从数据采集阶段就已经丢失了情境：
| 传统数据集 | SCAYS | |
|---|---|---|
| 采集方式 | 通用关键词抓取，或随机采样 | 按七维体系定向采集：每个维度都有专门设计的采集关键词（共 100+ 个） |
| 数据视角 | 一句话就是一句话，没有上下文 | 一句话 + 谁在说（身份）+ 什么时候说（周期）+ 在什么关系中说（场域） |
| 标注深度 | 正面/负面/中性 | 情绪类型 + 情绪动机 + 所属情境维度 |
| 语言覆盖 | 通用中文 | 专门覆盖中国初高中生的话语体系和亚文化表达 |
简单来说：传统数据集在标注环节做优化，SCAYS 在数据源头就做分层。
在这个过程中，SCAYS 也处理了传统模型的一个典型短板——隐含情绪。青少年的真实表达往往不含任何情绪词：
"我妈每天都让我吃一个苹果，我每次都不吃但她每次都还是给我"
→ 无情绪词，但有家庭关系中的复杂情感
"我成绩其实还行，但再这个态度我大概能看到自己以后的成绩了"
→ 无情绪词，但有对未来的焦虑和自我否定
传统模型会把这些全部判为"中性"。但这不是 SCAYS 的目的——识别隐含情绪只是多维情境标注过程中自然附带的能力。真正重要的是，因为我们按维度采集数据，这类句子才不会在采集阶段就被遗漏。
SCAYS 认为，青少年的情绪不是孤立的"正面/负面"标签，而是在具体的 身份、时间、关系、文化、身体、经济、行为 情境中产生的。这七个维度本身是情绪中立的——每个维度都可能产生正面、负面或复杂交织的情感。我们设计它们不是为了捕捉"坏情绪"，而是为了还原青少年完整的生存情境：
| # | 维度 | 英文 | 核心关注 |
|---|---|---|---|
| 1 | 身份锚点 | Identity Anchor | 你是谁？——年级、学校类型、学科、角色 |
| 2 | 周期节律 | Temporal Rhythm | 什么时候？——考试、日常、假期、学习周期 |
| 3 | 关系场域 | Relational Field | 和谁？——家庭、师生、同学、恋爱 |
| 4 | 精神避难所 | Digital Refuge | 逃向哪里？——饭圈、二次元/谷圈、游戏、设圈 |
| 5 | 躯体觉醒 | Somatic Awakening | 身体怎么了？——容貌、生理变化、睡眠、疾病 |
| 6 | 消费认知 | Economic Imprint | 花钱背后？——家庭条件、经济控制、物质攀比 |
| 7 | 主体性夺回 | Agency Reclaim | 如何反抗？——化妆、逃学、翘课等叛逆行为 |
⚠️ 以下仅展示各维度的 代表性标签示例。完整关键词表包含 100+ 个标签，将随数据集 v2.0 发布。
维度 1：身份锚点（Identity Anchor）— 4 个子类，17 个标签
青少年的情绪表达高度依赖其身份定位。同样是"学不完了"，准初三和复读生的焦虑浓度完全不同。
| 子类 | 示例标签 |
|---|---|
| 年级/阶段 | 准高三 复读生 等 5 个 |
| 学校作息 | 住校生 等 3 个 |
| 分科 | 理科生 美术生 等 4 个 |
| 校园地位 | 学渣 学霸 等 5 个 |
维度 2：周期节律（Temporal Rhythm）— 4 个子类，24 个标签
青少年的情绪有明显的周期性：月考前焦虑飙升，假期结束前集中爆发，成绩单发放当天是情绪巅峰。
| 子类 | 示例标签 |
|---|---|
| 考试 | 月考 一模 发成绩单 等 8 个 |
| 日常 | 晚自习 拖堂 等 6 个 |
| 假期 | 开学综合征 等 5 个 |
| 学习 | 偏科 小镇做题家 等 6 个 |
维度 3：关系场域（Relational Field）— 4 个子类，30 个标签
青少年无法选择自己的家庭、老师和同学，关系中既有冲突（被孤立、被偏心对待），也有成长（交到新朋友的兴奋、被老师认可的喜悦）。这种关系的"不可选择性"让情绪体验格外强烈——无论正面还是负面。
| 子类 | 示例标签 |
|---|---|
| 家庭 | 偏心 查手机 道德绑架 等 9 个 |
| 师生 | 被针对 请家长 全校通报 等 10 个 |
| 同学 | 孤立 校园冷暴力 等 8 个 |
| 恋爱 | 暗恋 早恋被抓 等 3 个 |
维度 4：精神避难所（Digital Refuge）— 4 个子类，21 个标签
青少年在数字世界中建立自己的精神归属——追星带来的归属感、吃谷带来的满足感、游戏中的成就感，都是真实的正面情绪。同时这些空间也会制造负面波动（塌房、退坑、被骗）。传统 NLP 模型几乎无法理解这些圈层"黑话"。
| 子类 | 示例标签 |
|---|---|
| 饭圈 | 塌房 脱粉 等 7 个 |
| 二次元/谷圈 | 吃谷 退坑 等 5 个 |
| 游戏 | 防沉迷 抽卡保底 等 6 个 |
| 设圈 | OC 等 3 个 |
维度 5：躯体觉醒（Somatic Awakening）— 4 个子类，16 个标签
青春期的身体在剧烈变化，这些变化既有困扰（烂脸、失眠），也有惊喜（长高了、变好看了）。这个维度关注的是青少年对自身身体变化那种复杂的感受——不只是焦虑，也包括成长带来的喜悦和自信。
| 子类 | 示例标签 |
|---|---|
| 容貌 | 青春痘/烂脸 身高 等 4 个 |
| 生理 | 痛经 变声期 等 4 个 |
| 其他 | 睡眠 视力 等 3 个 |
| 特殊疾病 | 躯体化 进食障碍 等 5 个 |
维度 6：消费认知（Economic Imprint）— 3 个子类，12 个标签
消费行为折射出家庭背景和同辈文化。不只有物质差距带来的自尊冲击，也有买到心仪的谷子、收到礼物时的满足感。这个维度关注的是消费行为背后的情绪体验。
| 子类 | 示例标签 |
|---|---|
| 家庭条件 | 留学 等 3 个 |
| 经济控制 | 零花钱 买谷吃土 等 4 个 |
| 物质攀比 | 假鞋 等 5 个 |
维度 7：主体性夺回（Agency Reclaim）— 6 个标签
青少年在高压环境下通过"越轨行为"夺回自主权。这些行为本身是情绪的出口，也是重要的风险信号。
| 示例标签 |
|---|
逃学 翘课 等 6 个 |
这七个维度不是一条因果链，而是 描述青少年所处世界的七个切面：
身份 — 你是谁（准高三 / 住校生 / 学渣）
周期 — 你在什么时间节点（月考前 / 假期最后一天 / 发成绩单）
关系 — 你和谁在一起（偏心的父母 / 针对人的老师 / 排挤的同学）
推 — 你的精神世界在哪（追星 / 吃谷 / 打游戏）
生长 — 你的身体在经历什么（烂脸 / 失眠 / 痛经）
消费 — 你的物质条件如何（别人穿AJ我穿假鞋）
叛逆 — 你做了什么（翘课 / 逃学 / 抽烟）
一个青少年在任意时刻，同时处在这七个轴上的某个位置。这些位置的组合，就是他/她的"情境"。
比如同一句"不想活了"，放在不同的坐标组合里意味完全不同：
- 身份=高三党 + 周期=发成绩单 → 大概率是考试后的情绪宣泄
- 身份=复读生 + 关系=被孤立 + 生长=长期失眠 → 需要认真对待的求助信号
反过来，同一句"今天好开心"也需要情境才能理解：
- 关系=交到新朋友 + 身份=小透明 → 长期孤立后的社交突破，情绪意义很大
- 周期=放假第一天 → 普遍性的轻松感，情绪意义一般
这就是 SCAYS 所说的 "强情境"：理解一句话的情绪，不能只看这句话本身，要看说这句话的人同时处在哪些维度的什么位置上。
在社交媒体上，用户很少主动声明自己的完整身份——但它可能会用一些只有特定身份才说的话。这时候，七个维度之间就可以 互相推导，填补缺失信息：
示例：一条提到特定日常作息的帖子
已知维度：
周期 = 某个日常作息场景
周期 = 某个师生互动
可推导维度：
身份 → 特定学校类型（作息暗示）
身份 → 特定学科方向（学科关键词暗示）
身份 → 学习状态（语气暗示长期困难）
关系 → 师生压力（被动承受）
再比如：
示例：一条提到亚文化消费的帖子
已知维度：
推 = 某种亚文化消费行为
消费 = 经济状况描述
可推导维度：
身份 → 特定年龄段（消费模式暗示）
消费 → 经济自主程度
关系 → 可能引发的家庭冲突
这意味着七维框架不只解决了"数据扁平化"的问题，还解决了社交媒体上"身份难以锚定"的问题。传统数据集无法知道一句话是谁说的；SCAYS 的七维体系让维度之间成为彼此的线索，即使用户没有明确表达，也能通过已知维度推导出缺失的情境信息。
| 类别 | 数量 | 说明 |
|---|---|---|
| 显性情绪句子 (normal) | 2,172 条 | 含明确情绪词汇 |
| 隐含负面情绪 | 524 条 | 无情绪词但有隐含负面 |
| 隐含正面情绪 | 250 条 | 隐含正面表达 |
| 中性句子 | 5,052 条 | 无情绪表达 |
| 小计 | 8,004 条 | 17 个关键词 |
| 类别 | 数量 | 说明 |
|---|---|---|
| 显性情绪句子 (normal) | 6,030 条 | 含明确情绪词汇 |
| 隐含负面情绪 | 1,465 条 | 无情绪词但有隐含负面 |
| 隐含正面情绪 | 586 条 | 隐含正面表达 |
| 中性句子 | 17,551 条 | 无情绪表达 |
| 小计 | 25,632 条 | 29 个关键词 |
| 类别 | 数量 | 说明 |
|---|---|---|
| 显性情绪句子 (normal) | 13,470 条 | 含明确情绪词汇 |
| 隐含负面情绪 | 2,119 条 | 无情绪词但有隐含负面 |
| 隐含正面情绪 | 520 条 | 隐含正面表达 |
| 中性句子 | 23,681 条 | 无情绪表达 |
| 小计 | 39,790 条 | 18 个关键词 |
| 类别 | 数量 |
|---|---|
| 含情绪句（负面 + 正面） | 32,000+ 条 |
| 纯中性句（无情绪） | 46,000+ 条 |
| 总计 | 78,000+ 条 |
| 类别 | 精确率 | 召回率 | F1 |
|---|---|---|---|
| 中性 | 97% | 99% | 98% |
| 负面 | 97% | 92% | 95% |
| 正面 | 87% | 97% | 92% |
| 总体准确率 | 97% |
- 平台：小红书（Xiaohongshu / RED）
- 采集范围：基于维度 1-3 设计的 64 个定向关键词
- 维度 1 关键词（17 个）：准高三、准初三、高三党、初三党、复读生、住校生、住宿生、走读生、理科生、文科生、美术生、体育生、学渣、学霸、卷王、小透明、班干部
- 维度 2 关键词（29 个）：月考、周测、摸底考、开学考、一模、二模、百日誓师、发成绩单、晚自习、早读、跑操、课间操、拖堂、占课、大扫除、没收手机、剪头发、查宿舍、请家长、留堂、写检讨、全校通报、补作业、赶作业、开学综合征、补课、高考出分、高考失利、出分焦虑
- 维度 3 关键词（18 个）：偏心、查手机、道德绑架、重男轻女、原生家庭、爸妈吵架、留守、单亲家庭、亲子关系、被针对、班主任、老师偏心、被罚、办公室谈话、被孤立、校园冷暴力、被排挤、没有朋友
- 内容类型：帖子标题、正文、评论，句子级拆分
- 采集方式：DrissionPage 模拟真人浏览，保留原始语言风格
| 字段 | 类型 | 说明 | 取值示例 |
|---|---|---|---|
Keyword |
str | 采集关键词 | 准高三 |
Note_ID |
str | 原帖 ID | 69d9f944... |
Source |
str | 来源类型 | title / content / comment |
Sentence |
str | 句子文本 | 快中考了这种成绩咋办 |
label |
int | 三分类标签 | 0=中性, 1=负面情绪, 2=正面情绪 |
隐含情绪 |
str | 情绪类别 | 焦虑/无助/自卑/委屈/愤怒/孤独/正面/中性 |
情绪动机 |
str | 情绪来源 | 学业/人际/家庭/未来/自我/身体/生活 |
身份锚点维度：
Keyword,Source,Sentence,label,隐含情绪,情绪动机
准初三,content,快中考了这种成绩咋办🥹🥹,1,焦虑,学业
住宿生,comment,我去我感冒一个多星期了导员不给请假一直硬抗着,1,委屈,身体
复读生,comment,复读生和应届生同分同录无隐形限制,0,中性,无
学渣,comment,我成绩其实还行但再这个态度我大概能看到自己以后的成绩了,1,焦虑,学业
体育生,comment,体育生的快乐就是这么简单,2,正面,生活周期节律维度：
Keyword,Source,Sentence,隐含情绪,情绪动机,置信度
月考,comment,月考前一天晚上才开始复习真的来不及了,焦虑,学业,0.9
百日誓师,comment,百日誓师的时候全班都哭了,中性,无,0.8
晚自习,comment,晚自习被老师抓到看小说直接没收了,委屈,人际,0.85
发成绩单,comment,成绩单发下来那一刻感觉世界都安静了,焦虑,学业,0.9SCAYS v1.0 发布的是基于小红书的初始语料和基础标注。以下是后续的完整规划：
-
扩大数据规模：从 8,000 条扩展到 73,000+ 条✅ 已完成（v1.4，73,426 条） -
维度 1-2 全部关键词完成✅ 已完成 -
新增维度 3（关系场域）：18 个关键词，39,790 条✅ 已完成 - 继续扩展：覆盖维度 4-7 的关键词，目标 100,000+ 条
- 完善隐含情绪标注：引入 LLM 辅助 + 人工双审校，提高标注质量
-
发布 BERT 三分类模型（验证集准确率 97%）✅ 已更新
- 七维情境标注落地：为每条句子标注所属维度和子标签（而不仅仅是情绪类型）
- 多平台扩展：从小红书扩展到 B 站评论区、QQ 空间等青少年活跃平台
- 动态词库：建立青少年亚文化热词的持续更新机制，跟踪语义漂移
- 对比表：发布与主流中文情感数据集的系统性 benchmark 对比
- 多模态融合：结合表情包、短视频配乐等非文本信息
- 情感溯源（Emotion Tracing）：不只判断"有没有情绪"，而是推理"情绪从哪来"——基于七维情境的因果链条
- 垂直领域微调模型：针对中国青少年特有的社会压力（学业、亲子关系、校园人际）发布专用的情感分析模型
- 跨学科应用接口：为心理学和社会学研究者提供标准化的特征提取工具
现有中文情感数据集普遍存在四个结构性缺陷。SCAYS 针对每一个都给出了明确的对策：
中文情感分析领域不缺数据集（微博、电商评论、新闻），但 专门面向青少年群体 的几乎没有。模型训练用的是成年人的表达方式，却被拿去分析青少年的话——青少年特有的话语体系（"emo""发疯文学""小镇做题家""吃谷吃土"）和特定压力场景（月考、住校、被查手机、早恋被抓）在通用数据集中几乎不存在。
SCAYS 的对策：从零构建一个专门面向中国初高中生的情感语料库，采集关键词全部来自青少年的真实话语体系和生活场景。
传统数据集的工作流程是：抓数据 → 标正面/负面/中性 → 结束。数据来源是扁平的，标注也是扁平的。一句话脱离了说话人的身份、所处阶段和面对的关系，情绪标签就只是一个无根的判断。
SCAYS 的对策：先建立七维情境框架 → 按维度关键词定向采集 → 标注情绪类型 + 情绪动机 + 情境维度。数据从源头就带有结构化的情境信息。
在社交媒体上，用户很少主动声明自己的身份。一条帖子几乎不会直接写明自己的年级、学校类型——但它可能会说出一些只有特定身份才会经历的场景。传统数据集只能看到这句话本身，无法锚定说话人的身份，也就无法判断同一句话在不同人嘴里意味着什么。
SCAYS 的对策：七维框架让维度之间可以互相推导、补全缺失信息。日常作息的描述可以推导学校类型，学科关键词可以推导分科方向，语气词可以推导长期状态。即使用户没有明确表达身份，也能通过已知维度推导出缺失的情境。（详见上方 七维不只是坐标，还是互相推导的依据）
青少年的语言是所有年龄段中变化最快的。一个词在半年内可能完全反转含义——亚文化圈层的"黑话"不断向主流扩散，语义也随之漂移。传统数据集是静态的快照——采集完就不管了，遇到新的亚文化表达要么误判，要么直接忽略。
SCAYS 的对策：追踪热词演化，建立动态词库更新机制。数据集不是一次性交付品，而是持续跟踪青少年话语体系的活文档。
| 问题 | 传统数据集 | SCAYS |
|---|---|---|
| 目标人群 | 通用（成年人为主） | 专门面向中国初高中生 |
| 情境信息 | 无——采集阶段就丢失了 | 七维情境框架，从源头带入 |
| 身份锚定 | 不知道谁在说话 | 七维互相推导，补全缺失身份 |
| 情绪粒度 | 正/负/中 三分类 | 三分类（正面/负面/中性）+ 焦虑/无助/自卑/委屈/愤怒/孤独等细粒度标签 |
| 语义消歧 | 难以识别反讽、自嘲 | 通过身份和关系情境判定真实意图 |
| 语义漂移 | 静态词库，易过时 | 通过亚文化维度持续跟踪，动态更新 |
| 应用深度 | 知道"他不开心" | 知道"他因为偏科被分到普通班，觉得努力没用，所以不开心" |
解决这四个问题之后，同一句话在不同的维度坐标组合里意味着完全不同的事。以 "不想上学了" 为例：
| 维度组合 | 情绪 | 风险等级 |
|---|---|---|
| 周期=假期最后一天 + 周期=作业没写完 | 焦虑 | 低（普遍性） |
| 关系=被全校通报 + 身份=住校生 | 羞耻/愤怒 | 中（需关注） |
| 关系=长期被孤立 + 关系=家长不理解 + 生长=长期失眠 | 绝望 | 高（需干预） |
正面情绪同理。"我考了全班第一"：
| 维度组合 | 情绪 | 意义 |
|---|---|---|
| 身份=学霸 + 周期=周测 | 平淡 | 符合预期 |
| 身份=学渣 + 周期=一模 + 关系=同辈比较 | 强烈的喜悦和自我证明 | 身份逆转，情绪意义很大 |
没有情境，模型只能给出一个"负面"或"正面"标签。有了四个问题的解决方案，才能判断同一句话在不同坐标下的真实含义。
对于 AI 模型：提供带有完整情境信息的训练数据，显著提升青少年场景下的情感识别精度——尤其是隐含情绪。
对于跨学科研究：为心理学和社会学研究者提供可量化的特征体系，将社交媒体语言数据系统性地转化为青少年生存状态的研究素材。
对于早期识别与危机预防：通过情境维度的组合分析，在情绪累积阶段就识别需要关注的个体——无论是学校的心理辅导系统、互联网平台的内容安全机制，还是心理危机热线的主动筛查，都能从日常语言表达中捕捉到风险信号，而不是等到危机发生后才介入。
Python >= 3.8
torch >= 1.13
transformers >= 4.20
pandas
scikit-learngit clone https://github.com/LexuanWang-Michelle/SCAYS.git
cd SCAYS
pip install -r requirements.txtimport pandas as pd
# 加载某个维度的数据
identity_normal = pd.read_csv("data/identity/normal.csv")
identity_invisible = pd.read_csv("data/identity/invisible_labeled.csv")
print(f"身份锚点维度: {len(identity_normal) + len(identity_invisible)} 条")
event_normal = pd.read_csv("data/event/normal.csv")
event_invisible = pd.read_csv("data/event/invisible_labeled.csv")
print(f"周期节律维度: {len(event_normal) + len(event_invisible)} 条")
# 加载 BERT 训练集（合并所有维度）
bert_df = pd.read_csv("data/bert训练集.csv")
print(bert_df["label"].value_counts())
# 0 (中性): 9254
# 1 (负面): 5034python scripts/bert_3class.py --trainpython scripts/bert_3class.py --predictSCAYS/
├── data/ # 📊 数据文件（按维度分目录）
│ ├── identity/ # 维度1：身份锚点 (8,004 条)
│ │ ├── normal.csv # 显性情绪句子 (2,172 条)
│ │ └── invisible_labeled.csv # 隐含情绪标注 (5,832 条)
│ ├── event/ # 维度2：周期节律 (25,632 条)
│ │ ├── normal.csv # 显性情绪句子 (6,030 条)
│ │ └── invisible_labeled.csv # 隐含情绪标注 (19,602 条)
│ ├── relationship/ # 维度3：关系场域 (39,790 条)
│ │ ├── normal.csv # 显性情绪句子 (13,470 条)
│ │ ├── invisible_labeled.csv # 隐含情绪标注 (26,320 条)
│ │ └── 需人工审核.csv # 低置信度待审核 (288 条)
│ ├── 训练数据集.csv # 完整训练集 (73,426 条)
│ └── bert训练集.csv # BERT 格式 (raw_text + label)
├── scripts/ # 🐍 代码脚本
│ ├── bert_3class.py # BERT 三分类训练/预测
│ ├── xhs_crawl_v3.py # 数据采集（含广告过滤）
│ ├── xhs身份爬取1.py # 数据采集（早期版本）
│ ├── filter_emotion.py # 情绪词匹配与分流
│ ├── label_invisible.py # 隐含情绪标注
│ ├── merge_review.py # 人工审核合并
│ └── remove_usernames.py # 用户名脱敏
├── experiments/ # 🔬 方法论验证实验
│ ├── README.md # 实验说明
│ ├── colander_full.py # Colander 标注质量审计
│ ├── alchemist_experiment.py # AlCHEmist 多规则覆盖率实验
│ ├── pruning_colander.py # Colander 数据剪枝对比实验
│ ├── overlap_density.py # 重叠密度分析
│ └── alchemist_prompt.md # 标注函数设计模板
├── README.md # 📝 项目说明（中文）
├── README_EN.md # 项目说明（English）
├── requirements.txt # ⚙️ Python 依赖
└── LICENSE # CC BY-NC-SA 4.0
小红书原始帖子
↓ DrissionPage 模拟真人浏览采集（26 个关键词，覆盖 2 个维度）
帖子级数据
↓ 句子级拆分（标题 / 正文 / 评论）
句子级语料
↓ 去重 + 去广告 + 用户名脱敏
↓ 按维度分目录存储
│
├── identity/（维度1：身份锚点，17 个关键词）
│ ├── normal.csv (2,172 条 → 显性负面)
│ └── invisible_labeled.csv (5,832 条)
│ ├── 隐含负面 (514 条) + 正面 (173 条) + 中性 (5,052 条)
│
└── event/（维度2：周期节律，9 个关键词）
├── normal.csv (1,356 条 → 显性负面)
└── invisible_labeled.csv (4,928 条)
├── 隐含负面 (520 条) + 正面 (137 条) + 中性 (4,202 条)
↓ 合并所有维度 → bert训练集.csv (14,288 条)
↓ BERT 三分类训练 → 准确率 96%
SCAYS 的构建融合了数据高效学习领域的最新研究成果，在采集策略、标注质量和训练效率三个环节实现了系统性优化。
原理：基于 Burns et al. (OpenAI, 2023) 的弱到强泛化理论，结合 Sala et al. (ICLR 2025) 提出的重叠密度量化框架。重叠密度 = 同时具备显性情绪信号（关键词）和隐性情绪信号（情境语义）的数据占比。高重叠密度的维度采集命中率高、废料少。
分析各维度特征，指导 v2.0 的数据扩展优先级：
| 维度 | 重叠密度 | 采集效率 | 策略 |
|---|---|---|---|
| 身份锚点 | 27.0% | 高 | 优先扩展，命中率高、废料少 |
| 周期节律 | 23.6% | 中 | 次优先 |
| 关系场域 | 待测 | — | 后续补充 |
成果：通过重叠密度指导采集顺序，优先爬取高密度维度，以更少的采集成本获得更多有效训练数据。
原理：提取 BERT 倒数两层的内部特征向量（1536 维），训练一个轻量级神经网络识别"LLM 标注与模型内部状态冲突"的模式——即使 LLM 输出高置信度，Colander 仍能从内部特征中识别出标注错误（Sala et al., NeurIPS 2024）。
对 LLM 标注进行质量审计，发现并修正大模型的系统性标注盲区：
- 识别出 11.5%（8,469 条） LLM 标注不可靠的数据
- 定位了 LLM 的三大盲区：网络口语判定不一致、鼓励类句子误标、隐含情绪标签错误
- 正在针对这些盲区数据进行人工修正，提升标注质量
成果：SCAYS 不只是"用大模型标注"——而是发现大模型标不准的地方，用人工修正。这使得用 SCAYS 训练的模型有潜力在 LLM 盲区上超越大模型本身。
原理：受 Superfiltering (Ming Li et al., ACL 2024) 启发，我们尝试用 Colander 置信度进行数据选择——只保留高置信度（标签可靠）的数据训练，去除可疑数据。
| 策略 | 训练数据量 | 准确率 | 对比全量 |
|---|---|---|---|
| 全量训练 | 58,741 条 | 97.0% | baseline |
| Colander 高置信度 50% | 29,370 条 | 90.6% | -6.4% |
| Colander 高置信度 30% | 17,622 条 | 84.3% | -12.7% |
| 随机 50%（对照） | 29,370 条 | 96.9% | -0.1% |
关键发现：简单去除低置信度数据反而严重损害模型性能（-6.4%），而随机采样 50% 几乎无损（-0.1%）。这说明低置信度数据虽然标签可能有误，但包含了模型必须学习的困难模式。正确的做法不是丢弃它们，而是修正其标签后保留训练——这正是 Colander 作为质量审计工具（而非剪枝工具）的正确用法。
原理：基于程序化弱监督（Programmatic Weak Supervision）的标注函数投票框架，设计 10 条覆盖不同语言信号的标注函数，量化"有多少情绪数据无法被任何表面模式匹配"。
- SCAYS 中 64.9% 的情绪数据不含任何可匹配的表面模式（关键词、句式、标点）
- 这些隐含情绪只能通过深度语义理解识别，传统关键词方法完全无法触及
成果：SCAYS 的核心差异化价值——覆盖了占比 65% 的、其他数据集无法采集到的隐含情绪数据。
原理：受 DoReMi (Xie et al., Google, ICLR 2024) 的域感知数据混合策略启发，按维度动态调整训练权重——困难维度（重叠密度低、隐含情绪占比高）给予更高训练权重，而非所有维度均匀训练。
预期成果：在困难维度（如关系场域）上的准确率提升，同时不牺牲高密度维度的表现。
| 论文 | 发表 | 在 SCAYS 中的应用 |
|---|---|---|
| Burns et al., Weak-to-Strong Generalization | OpenAI 2023 | 弱到强泛化理论基础 |
| Sala et al., Weak-to-Strong (Data-Centric Lens) | ICLR 2025 | 重叠密度量化框架 |
| Sala et al., The AlCHEmist | NeurIPS 2024 | 程序化标注方法论参考 |
| Sala et al., Pearls from Pebbles | NeurIPS 2024 | Colander 质量审计 + 数据剪枝 |
| Ming Li et al., Superfiltering | ACL 2024 | 数据筛选策略参考 |
| Xie et al., DoReMi | ICLR 2024 | 维度感知训练策略 |
- 所有数据均来自公开可访问的社交媒体内容
- 已进行 用户名脱敏 处理，不包含任何个人身份信息
- 本数据集仅用于 学术研究 目的，不得用于商业监控或用户画像
- 如发现数据中包含可识别个人信息，请联系我们删除
如果本数据集对你的研究有帮助，请引用：
@misc{scays2026,
title={SCAYS: Strong-Context Annotation for Youth Sentiment},
author={Yang Chao},
year={2026},
howpublished={\url{https://github.com/LexuanWang-Michelle/SCAYS}},
note={A deep-context Chinese adolescent sentiment corpus from Xiaohongshu}
}本数据集采用 CC BY-NC-SA 4.0 许可证发布。
- ✅ 学术研究使用
- ✅ 标注方法参考
- ❌ 商业用途
- ❌ 用户监控/画像
SCAYS 是一个活的基座。我们需要：
- 数据矿工：挖掘深埋在网络角落的原生情绪。
- 标注专家：用你的直觉与 AI 协同，定义下一个潮流标签。
- 开发者：在 SCAYS 基础上跑出中文青少年情感分析的新 SOTA。
- 数据来源：小红书
- 基础模型：BERT-base-Chinese
- 采集工具：DrissionPage
- 方法论参考：Sprocket Lab, UW-Madison（Frederic Sala）、Google Research、OpenAI