BERT微調【情緒類別】
傳統情緒詞典的限制在於，詞彙通常被固定標記在單一情緒類別中，無法隨語境變化而調整。為了解決這個問題，本研究導入 BERT 作為詞典的「語境雷達」，讓模型能根據上下文理解詞彙在歌詞中的實際情緒。
- 傳統詞典：「眼淚」這個詞被貼上了悲傷的標籤。只要歌詞出現眼淚，系統就會判定這首歌是難過的。
- BERT模型：讀取語境並進行動態微調。當模型讀到上下文關係，例如：「終於等到你，流下了眼淚」，雷達偵測到了「終於」和「等到」代表圓滿的詞彙，理解當下的氣氛是喜悅的，於是把「眼淚」動態歸類為【快樂】（喜極而泣）。達到去標籤化，由它身處的歌詞環境來決定它的情緒身分。
♬判斷方式
首先，模型會讀取歌詞中的關鍵詞（例如「眼淚」），並將其輸入到 BERT 模型中。接著，BERT 會根據整句歌詞的語境進行理解，例如判斷是「久別重逢」還是「失戀分手」的情境。在理解語境後，模型會偵測關鍵詞周圍的語意線索，例如「終於」、「等到」或「離開」、「只剩下」等詞，用來判斷當下的情緒方向。最後，系統會依據語境進行動態情緒分類，將原本可能被固定為「悲傷」的詞（如眼淚），重新判斷為「快樂／感動」或「悲傷」，讓情緒判斷更貼近真實語意。
淚
為悲傷
重逢
流下了眼淚…」
分手
只剩下眼淚…」
微調
[終於]、[等到]
[快樂／感動]
[離開]、[只剩下]
[悲傷]
♬混淆矩陣分析
此圖為情緒類別微調模型的混淆矩陣，用來呈現模型在四個情緒象限（Q1～Q4）的分類表現。
四象限預測正確數量：
Q1：16筆
Q2：23筆
Q3：8筆
Q4：2筆
- 總樣本數：108
- 預測正確筆數：49
- 成功機率： 45.37%
圖7、情緒類別微調的混淆矩陣
在四個象限中，Q2（憤怒／焦慮） 表現最佳，正確預測達 23 筆， 顯示模型對於高能量負向情緒的辨識能力最強。
Q1（快樂／興奮） 次之，正確預測為 16 筆， 顯示對正向高激起情緒的良好辨識力，能有效區別出具備積極能量的歌詞文本。
Q3（悲傷／沮喪） 表現較弱，正確預測為 8 筆， 其中有 13 筆 被誤判為 Q2， 顯示模型容易將「低能量負向情緒」誤判為「高能量負向情緒」， 反映在負向情緒中Arousal（強度）判斷較不穩定。
Q4（平靜／滿足） 表現最差，正確預測僅 2 筆， 且有 12 筆 被誤判為 Q2， 顯示模型傾向將「低能量正向情緒」誤判為「高能量負向情緒」， 在Valence（正負）與 Arousal（強度）兩個維度上皆出現偏移。
整體而言，模型對於高強度情緒（特別是 Q2）的辨識效果較佳， 但在低強度情緒（Q3、Q4）的判斷上仍存在明顯困難， 尤其容易出現情緒強度與正負方向的混淆。