当人工智能试图理解人类文字中的喜怒哀乐时，大多数系统只能识别英语等主流语言的情感表达。一项名为BRIGHTER的国际合作研究正试图改变这一现状，他们为非洲、亚洲等地区的28种语言建立了首个高质量情感标注数据集。
情感识别（Emotion Recognition）是让计算机理解文本中隐含情绪的技术，广泛应用于客服分析、心理健康监测等领域。但现有研究存在明显的不均衡——全球约7000种语言中，超过95%的语种缺乏足够标注数据，尤其是非洲土著语言、东南亚方言等。这种数据缺失导致相关技术在这些语言场景中准确率骤降，形成数字时代的“情感理解鸿沟”。
BRIGHTER团队面临三重难题：首先，许多语言没有统一书写标准，比如非洲的富拉尼语存在多种拉丁化拼写方式；其次，文化差异导致情绪表达方式不同，例如某些语言中“沉默”可能隐含愤怒；最后，招募熟练的母语标注者成本极高。为解决这些问题，研究团队联合了来自35个机构的母语研究者，采用“多标签标注”方法——允许同一文本标注多种混合情绪，更贴近真实表达。
这个覆盖28种语言的数据集包含三大特点：
文化适配性：标注时考虑本地表达习惯，如阿拉伯语中诗歌特有的隐喻式情感；
领域多样性：收集社交媒体、民间故事、新闻等不同文体，避免数据偏差；
质量控制：通过标注者交叉验证、情绪强度评分等机制确保可靠性。例如斯瓦希里语数据经过肯尼亚当地语言学家的三次复核。
项目采用“桥接标注”（Bridging Annotation）策略：先由英语研究者制定统一标注框架，再由母语团队调整细则。比如菲律宾语中“gigil”（因喜爱产生的咬人冲动）这类文化特定情绪，被单独增补为标签。技术层面，数据集支持两种应用场景：
直接训练小语种情感分析模型
作为跨语言迁移学习的“跳板”，帮助资源更少的语言（如刚果的林加拉语）建立基础模型
首批实验显示，使用BRIGHTER数据的模型在祖鲁语等语言上的识别准确率提升23-40%。这对以下领域尤为重要：
公共卫生：监测边缘语言社群的心理健康趋势
文化保护：数字化记录土著语言中的情感表达传统
商业服务：为跨国企业提供本地化客户情绪分析