Forskere bag NTDH har præsenteret en metode, der gør AI væsentligt bedre til at forstå følelser i tekst – og det med markant færre træningsdata end hidtil. Resultatet er ikke bare en teknisk landvinding: Det kan ændre, hvordan virksomheder bygger systemer til kundeanalyse, markedsføring og brugerindsigt.

Traditionelt har affektiv analyse – at afgøre om en tekst er positiv, negativ, vred eller glad – været behandlet som et klassifikationsproblem: Modellen lærer at koble tekst direkte til en følelseslabel. Men følelser er kontekstafhængige, og modsatrettede signaler skal afvejes mod hinanden. Det har NTDH løst ved at omdefinere opgaven som et komplekst ræsonnementsproblem, hvor modellen ikke bare gætter, men ræsonnerer sig frem til svaret.

Det giver to fordele. For det første får modellen én ensartet output-struktur på tværs af forskellige opgavetyper – kontinuerte, ordinale og multi-label. For det andet kan ræsonnementet belønnes og verificeres undervejs, hvilket gør træningen mere effektiv. Ifølge forskerne er det første gang, at denne tilgang dækker både sentiment og emotion.

Den centrale innovation ligger i datahåndteringen. NTDH løser fire konkrete problemer med syntetiske ræsonnementstrace: Naturalisation sikrer, at træningssvaret altid er det korrekte label; en tolerance-baseret gate tjekker hvert svar mod opgavens egen scoringsmargin; domænebevidste strategier forfiner ræsonnementet med viden fra affektiv videnskab; og Directional Hints rapporterer kun fejltype og -retning uden at afsløre det rigtige svar.

Resultaterne er bemærkelsesværdige. Med kun 16.302 træningsrekorder – omkring 14 gange færre end sammenlignelige instruktions-tunede systemer – forbedrer den endelige politik sin SFT-baseline på fem af seks officielle testmetrikker og opnår det stærkeste resultat på EI-reg-opgaven med en Pearson-korrelation på 0,862. Det er dokumenteret i abstraktet.

For beslutningstagere betyder det noget på to fronter. For det første kan virksomheder, der bygger følelsesanalyse, nu gøre det med langt færre data – en direkte omkostningsbesparelse, især hvis data er dyre eller følsomme at indsamle. For det andet åbner tilgangen for mere pålidelige systemer, der kan håndtere komplekse, modsatrettede signaler – hvilket er afgørende i alt fra social listening til kundeservice-automatisering.

Metoden er stadig forskning, ikke et produkt, men den peger på en retning: at ræsonnement – ikke større datasæt – kan være vejen til bedre affektiv analyse. Det er en pointe, investorer og teknologiledere bør notere sig, når de vurderer næste generation af analyseværktøjer.