Zespół badawczy zaproponował NTDH, nową metodę która przeformułowuje kompleksową analizę emocji jako problem złożonego rozumowania zamiast bezpośredniego mapowania danych wejściowych na etykiety. Innowacyjne podejście umożliwia jednolity interfejs wyjściowy dla heterogenicznych przestrzeni etykiet i trajektorię, na której można optymalizować weryfikowalną nagrodę.
Istniejące metody bezpośrednio uczą się mapowania emocji na etykiety, co prowadzi do problemów, ponieważ znaczenie emocjonalne jest zależne od kontekstu i wymaga pogodzenia sprzecznych wskazówek. Syntetyzowanie śladów rozumowania affektywnego było dotychczas problematyczne - generyczne podejścia były niezgodne z celami analizy emocji i traciły istotne przypadki błędów. NTDH rozwiązuje to poprzez cztery mechanizmy: naturalizację, która ustawia odpowiedź treningową na etykietę złotego standardu zapewniając poprawność przez konstrukcję; bramkę świadomą tolerancji sprawdzającą każdą odpowiedź względem marginesu scoringu zadania; strategie uwzględniające domenę korzystające z idei z nauk o emocjach; oraz wskazówki kierunkowe raportujące tylko typ i kierunek błędu bez ujawniania celu.
Badacze wytrenowali model Qwen3-8B z 8 miliardami parametrów przy użyciu supervised fine-tuning oraz GRPO, wykorzystując tę samą tolerancję dla weryfikacji. To pierwsze podejście łączące analizę sentymentu i emocji w ramach spójnego systemu opartego na złożonym rozumowaniu, otwierające nowe możliwości dla bardziej nuansowanego zrozumienia tekstu przez modele AI.