Mit wachsendem gesellschaftlichem Bedarf an feinkörniger Sentimentanalyse (SA) stellt die implizite Sentimentanalyse (ISA) eine erhebliche Herausforderung dar, da in den Ausdrücken keine markanten Hinweiswörter (cue words) vorhanden sind. Hierfür ist eine zuverlässige Schlussfolgerung erforderlich, um zu verstehen, wie das Sentiment hervorgerufen wird, und somit implizite Stimmungen zu bestimmen. In der Ära der großen Sprachmodelle (LLMs) haben Encoder-Decoder-LLMs (ED-LLMs) an Beliebtheit gewonnen und dienen als Grundmodell für SA-Anwendungen, da sie beeindruckende Fähigkeiten in Textverstehen und Schlussfolgern über eine Vielzahl von Aufgaben aufweisen. Andererseits zeichnen sich Decoder-only-LLMs (DO-LLMs) durch überlegene Fähigkeiten im natürlichen Sprachgenerieren und im Lernen im Kontext (in-context learning) aus. Ihre Antworten können jedoch irreführende oder ungenaue Informationen enthalten. Um implizite Stimmungen mit zuverlässigem Schlussfolgern zu identifizieren, schlägt diese Studie RVISA vor – einen zweistufigen Schlussfolgerungsrahmen, der die Generierungsfähigkeiten von DO-LLMs und die Schlussfolgerungsfähigkeiten von ED-LLMs nutzt, um einen verbesserten Schlussfolgerer zu trainieren. Konkret verwenden wir ein Dreihop-Schlussfolgerungs-Prompting, um sentimentale Elemente explizit als Hinweise bereitzustellen. Die generierten Begründungen (rationales) werden genutzt, um ein ED-LLM zu einem fähigen Schlussfolgerer zu verfeinern. Zudem entwickeln wir eine einfache, aber effektive Überprüfungsmethode, um die Zuverlässigkeit des Schlussfolgerungsprozesses zu gewährleisten. Die vorgeschlagene Methode wurde an zwei Benchmark-Datensätzen evaluiert und erreichte Spitzenleistungen in der ISA-Performance.