有关CMACE数据集，感谢！

[kayzhou]

您好！

我是周振坤（zhenkun@cueb.edu.cn），目前在首都经济贸易大学进行社交网络与心理学相关研究。

近期，我在研究过程中发现了贵团队发布的 CMACD 数据集（https://arxiv.org/abs/2411.08347），对我的研究提供了很大帮助。
我已详细阅读了贵团队关于数据集获取的说明，从demo数据中我们初步验证了一些分析思路的可行性，但由于样本量的限制，无法进行深入的研究。

我承诺仅将该数据集用于学术研究目的，并遵守贵团队制定的隐私保护和数据使用规则。在研究成果发表时，会明确引用和感谢贵团队提供的数据集。
希望您能分享完整的数据集链接，感谢！

Best Regards,
祝好
Zhenkun Zhou
周振坤
Capital University of Economics and Business
首都经济贸易大学

https://kayzhou.github.io/

[chenmoacr]

周同学你好，

我并非 CMACD 数据集项目的直接参与者，因此也无法提供完整数据集的下载链接。不过，我想结合自己的实践经验，为你提供一个可能的替代方案，或许能帮助你在无法获取原始数据的情况下推进研究工作。

近年来，我在多个涉及情绪识别和文本标注的数据项目中发现，借助大语言模型（LLM）API 来高效构建高质量标注数据集是一种非常有效的方法。具体流程如下：

数据采集：通过编写自动化脚本（例如使用油猴/Tampermonkey 脚本）从社交媒体平台（如小红书、微博等）抓取公开的用户博文；
大模型标注：将采集到的文本提交给国内大模型（如通义千问）API，由其完成情绪分类、主题标签、心理维度评分等标注任务；
知识蒸馏与模型微调：将大模型标注的结果作为训练数据，对轻量级模型（如 BERT 或 Qwen 小模型）进行 LoRA 微调，从而得到一个可在本地快速推理、成本更低的专用分析模型。
我曾用这一方法成功实现了旅游类内容的质量评估与多维打分系统，也在课程项目中应用于新闻的情绪趋势分析与关键节点识别。实践表明，这种方式不仅大幅降低了人工标注的成本，还能保持较高的语义理解准确性。

虽然这不能代替你获取原始 CMACD 数据集，但如果你们的研究重点在于建模或分析框架的验证，这种方法可以帮助你快速构建一个功能相似的自有数据集。

希望这些经验对你有所启发，祝你的研究顺利！