本文介绍了一种基于情感分析的新数据集和实验。实验使用情感分类器进行议会会议的情感检测，并引入了领域特定的语言模型（LLM）。实验证明，LLM的额外预训练可以显著提高模型性能，特别是在情感检测等领域任务上。研究还发现多语言模型在未知语言上表现良好，并且其他语言的额外数据可以提高目标议会的结果。该研究对社会科学做出了重要贡献，并将其与计算机科学和计算语言学相结合。最后，它建立了一种可靠的政治文本情感分析方法，使学者能够从比较的视角研究政治情感。

本文介绍了一种基于情感分析的新数据集，并训练了一个强大的情感分类器用于议会会议。同时，引入了第一个领域特定的LLM用于政治科学应用，并在27个欧洲议会的会议记录中进行了1.72亿专业领域词汇的预训练。实验证明，LLM在议会数据上的额外预训练可以显著提高模型的性能，尤其是在情感检测等具体领域任务上。

本文介绍了一种基于情感分析的新数据集和使用该数据集进行的实验。研究者训练了一个强大的情感分类器，用于议会会议，并引入了第一个领域特定的 LLM 用于政治科学应用。实验证明，LLM 在议会数据上的额外预训练可以显著提高模型的性能。同时，该研究显示多语言模型在未知语言上表现良好，并且来自其他语言的额外数据显著提高了目标议会的结果。

本文介绍了一种基于情感分析的新数据集，以及使用该数据集进行的一系列实验。研究者训练了一个强大的情感分类器，用于议会会议，并引入了第一个领域特定的 LLM（语言模型）用于政治科学应用。实验证明，LLM 在议会数据上的额外预训练可以显著提高模型的性能，尤其是在情感检测等具体领域任务上。同时，该研究显示多语言模型在未知语言上表现良好，并且来自其他语言的额外数据显著提高了目标议会的结果。该研究对社会科学的多个领域做出了重要贡献，并建立了一种更可靠的政治文本情感分析方法。

本文介绍了一种基于情感分析的新数据集以及依此数据集进行的一系列实验，重点是训练一个强大的情感分类器用于议会会议。同时，引入了第一个领域特定的 LLM（语言模型）用于政治科学应用，并在 27 个欧洲议会的会议记录中进行了 1.72 亿专业领域词汇的预训练。实验证明，LLM 在议会数据上的额外预训练可以显著提高模型的性能，尤其是在情感检测等具体领域任务上。该研究对社会科学的多个领域做出了重要贡献，并建立了一种更可靠的政治文本情感分析方法。