Jul, 2024

基于局部大型语言模型的动态情感分析与 多数投票：对影响餐厅评价的因素的研究

HTML
PDF
TL;DR利用在线平台上的用户生成内容（UGC）可以帮助市场研究人员理解消费者对产品和服务的偏好。本研究通过引入多数投票机制，使用本地LLMs对评论进行情感分析，发现使用中型模型进行多次尝试的多数投票机制能够产生比使用大型模型进行单次尝试更稳健的结果，并进一步分析各个方面对整体评估的影响。
发现论文，激发创造
  • 轮询潜在观点：使用变换器语言模型的计算机社会语言学方法

    使用Transformer Language Models等方法对Yelp评论进行语言行为学习，并利用prompt-based queries生成合成文本以分析特定观点，证明即使在缺乏特定关键词的情况下，这些模型也能准确产生具有正确情感的大量文本。

    Apr, 2022

  • 大语言模型时代的情感分析: 现实检验

    本文讨论了大型语言模型在情感分析任务中的有效性，对13项不同的任务进行了评估，在简单任务中表现良好，但在涉及更深层次理解和结构化情感信息方面仍有待提高；然而，在资源有限的情况下，大型语言模型表现出色，提供了潜在可能性。该研究提出了一个新的基准评估框架SentiEval。

    May, 2023

  • 形式胜于内容：大型语言模型的评估偏见

    在评估自然语言生成的过程中，使用大型语言模型 (LLMs) 作为人类评判的替代方法是一种最新的趋势。然而，本研究发现其评估结果存在偏见。为解决这一问题，提出了多维度独立评估系统 (Multi-Elo Rating System)，在提高 LLM 评估质量方面取得了显著成效，但对众包评估没有明显改善，需要进一步探索和改进。

    Jul, 2023

  • 通过大型语言模型增强人类说服能力

    经过调查，发现大型语言模型（LLMs）在金融行业消费者投诉中的使用与获取理想结果的可能性及语言特征改善相关，进一步实验证明了LLM在人类沟通中提升信息说服力的能力，并凸显了LLM在人类沟通中的转变潜力。

    Nov, 2023

  • 基于 ChatGPT 的大型语言模型用于众包决策的提示设计策略：模型、分析与挑战

    利用ChatGPT辅助Crowd Decision Making（CDM）过程来提取意见和做决策，并在多标准决策场景中进行了实证实验，结果表明利用ChatGPT开发高质量决策模型的前景很有希望。

    Mar, 2024

  • LLMs作为标注者的有效性：直接表征的比较概述和实证分析

    通过比较概述了12个研究探索了大型语言模型在数据标注方面的潜力，同时揭示了存在的限制，如表征性、偏见、对提示变化的敏感性和对英语的偏好。利用这些研究的见解，我们的实证分析在四个主观数据集上进一步检查了人类和生成的GPT意见分布之间的一致性，从而支持了少数研究在评估数据标注任务时考虑多元化观点的方法，并强调了在这个方向上进一步研究的必要性。

    May, 2024

  • 超越指标：评估LLM在文化细微、资源贫乏的真实场景中的有效性

    评估了在多语言和代码混合通信环境中使用的七个领先大型语言模型（LLMs）的情感分析性能，发现GPT-4和GPT-4-Turbo在理解语言输入和处理上下文信息方面表现出色，与人的一致性高且决策过程透明，但在非英语环境中的文化细微差别方面存在不稳定性，结果强调了LLMs不断改进以有效应对文化差异、资源有限的真实世界环境的必要性。

    Jun, 2024

  • 利用大型语言模型（LLM）注释系统扩展技术接受分析

    利用大型语言模型进行注释，以转化评论为结构化数据，验证其在用户情感分析方面的有效性。

    Jun, 2024

  • 使用大型语言模型对立陶宛在线评论进行情感分析

    本研究针对立陶宛在线评论的情感分析问题，填补了当前对这一语言的研究空白。我们首次应用了预训练的多语言大型语言模型（LLMs），特别关注于微调BERT和T5模型，取得了显著的识别准确率。该研究的结果表明，微调后的模型在情感不模糊的情况下表现优异，并超越了目前最先进的商业模型GPT-4。

    Jul, 2024

  • 大型语言模型是否对情感敏感？

    本文研究了大型语言模型（LLMs）对文本情感的检测和反应能力，填补了对其情感处理能力的评估缺口。通过一系列实验，发现LLMs在情感识别中存在一定敏感性，但准确性和一致性有显著差异，提示需改进其训练流程，以更好捕捉细微的情感线索。

    Sep, 2024