本文通过标准测试、极性转移测试、开放域测试和情感推理测试等方法，对 ChatGPT 在理解文本中的意见、情感和情绪方面进行了初步评估，并与 Fine-tuned BERT 和现有的端到端情感分析模型进行了比较，并进行了人工评估和定性分析。

Apr, 2023

我们分析了研究者对 ChatGPT 在使用方面的各个方面的感受，提出了一种使用可解释性人工智能的方法来促进这种分析，以在较新的数据集上拓展 Aspect-Based Sentiment Analysis 的最新技术和洞见。

Aug, 2023

使用大型语言模型 ChatGPT 3.5 进行金融情感分析，特别关注外汇市场，通过零样本提示方法的探究，比起金融文本情感分析模型 FinBERT，ChatGPT 表现出了大约 35% 的情感分类性能提升以及 36% 更高的与市场回报的相关性，强调了提示工程在零样本上下文中的重要性，突显了 ChatGPT 在金融应用中显著提升情感分析的潜力，并分享所使用的数据集以促进该领域的进一步研究与发展。

Aug, 2023

通过混合方法研究 ChatGPT 的早期用户发表的 10,732 条推文，主题建模确认了软件开发、娱乐和创造力等主题的积极情绪，仅少数人表达了对 ChatGPT 潜在误用和教育影响等问题的关注。

Dec, 2022

在人工智能时代，数据虽然珍贵，但标注成本却很高。本文利用 ChatGPT 在情感分析中进行文本增强，展示了一种突破性的解决方案。我们利用 ChatGPT 的生成能力创造了合成训练数据，显著提高了较小模型的性能，使其能够与甚至胜过更大的对手。这一创新使得模型既高效又有效，同时降低了计算成本、推理时间和内存使用量，而不会降低质量。我们的工作在经济高效的情感分析模型的开发和部署方面取得了重要进展。

Dec, 2023

本技术报告探讨了 ChatGPT 在从文本中识别情感方面的能力，这可以作为交互式聊天机器人、数据注释和心理健康分析等各种应用的基础。通过实验证明了 ChatGPT 在情感识别方面具有合理的可重复性，通过微调可以明显提高其性能。然而，性能会随不同的情感标签和数据集而异，突显了固有的不稳定性和潜在的偏差。数据集和情感标签的选择对 ChatGPT 的情感识别性能具有显著影响。本文阐明了数据集和标签选择的重要性，以及通过微调提高 ChatGPT 情感识别能力的潜力，为使用 ChatGPT 的应用程序中更好地整合情感分析奠定了基础。

Oct, 2023

基于 ChatGPT 模型的广泛研究评估了 GPT-4 和 GPT-3.5 在 13 个影响计算问题上的性能，发现它们在涉及情感、情绪和毒性等问题上表现出色，但在涉及隐性信号的问题上表现较差，如参与度测量和主观性检测。

Aug, 2023

利用大型语言模型，特别是 ChatGPT，进行对科学文献中引用的情感分析是一项创新的方法，可以提供关于引用作品影响和接受程度的洞见。通过利用先进的自然语言处理技术，ChatGPT 可以辨别引文的微妙积极或消极性，进而为引用作品的接受程度和影响力提供了有价值的洞察。此外，ChatGPT 还能够检测引文中潜在的偏见和利益冲突，增强科学文献评价的客观性和可靠性。这项研究展示了人工智能辅助工具在提升引用分析和促进学术研究诚信方面的潜力。

Apr, 2024

本文运用自然语言处理技术对推特数据进行情感分析和主题建模，研究公众对 ChatGPT 的态度，发现总体上态度中立到正面，人工智能、搜索引擎、教育、写作、问答等是推特中提到度最高的话题。

Jun, 2023

ChatGPT 评估了其在已注释和后续任务处理方面的有效性，以验证 ChatGPT 能否在表情符号研究中作为可行的替代品，并且其解释表情符号含义的能力能增加在线沟通的清晰度和透明度。研究结果表明，ChatGPT 对表情符号有广泛的知识，并能够在不同应用场景中阐明其含义，具备取代人类注释者进行多种任务的潜力。

Jan, 2024