Aug, 2024

分析大型语言模型（LLM）的能力，以建立软件吸引力的隐性用户情感

HTML
PDF
TL;DR本研究针对如何定量分析用户对软件吸引力的隐性情感进行了探索，填补了现有定性分类情感不足的空白。通过使用多种大型语言模型（LLM），研究提供了数值化的情感分析方法，揭示了用户情感的深度和强度。最显著的发现是，所有测试的LLM都能够有效地从用户数据中检测情感，这为用户体验评估提供了更深入的理解。
发现论文，激发创造
  • 情感分析：从文本自动检测情感倾向、情绪及其他感性状态

    本文介绍了机器学习在情感分析领域的最新进展，并对情感分析的起源、任务、挑战、方法和资源使用以及应用进行了概述。此外，文中还讨论了情感分析存在潜在有害影响的问题，并介绍了追求情感分析公平性的最新研究方向。

    May, 2020

  • 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

  • GPT是否具备分析表情包情感的能力？

    本研究旨在探索GPT-3.5作为大型语言模型在处理互联网迷因情感分析方面的能力，包括迷因情感分类、幽默类型确定和隐性仇恨迷因检测。评估结果表明，尽管GPT取得了显著进展，但仍然面临内在限制，包括对上下文的理解、隐含含义的解释和数据偏见等。该研究对AI在处理复杂的、依赖上下文的任务方面的适用性进行了探讨，为未来的发展提供了有价值的见解。

    Nov, 2023

  • 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

  • 社交情感是否内在于大型语言模型？关于不同群体情感提取的实证研究

    本研究探讨了大型语言模型 (LLMs) 能否捕捉特定社交群体的情感，填补了对不同国家、宗教和种族/族裔群体情感了解的空白。通过向 LLM 提问并进行情感分析，发现其输出的群体间情感与实际社会调查结果高度关联，显示出 LLM 在提取社会情感方面的有效性。

    Aug, 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

  • 使用大型语言模型进行应用程序评论的细粒度情感分析：评估研究

    本研究解决了自动化分析用户对于应用程序功能情感的需求，填补了大型语言模型对特定功能情感分析探索的空白。通过比较GPT-4等先进模型在无示例、少量示例条件下的表现，结果发现GPT-4在特征提取的F1分数上比基于规则的方法提高了23.6%。本研究表明，大型语言模型在生成用户评论的功能特定情感摘要方面具有潜力。

    Sep, 2024

  • 情感分析的综合研究：从基于规则的方法到现代大型语言模型系统

    本研究解决了情感分析领域中传统规则方法向深度学习技术转型的挑战，强调了处理双语文本、侦测讽刺和偏见等关键问题。通过综述现有方法并识别新兴趋势，论文展示了情感分析在人工智能和大型语言模型中的发展方向，意在推动该领域的未来研究。

    Sep, 2024

  • 基于大语言模型的应用评论细粒度情感分析：评估研究

    本研究解决了用户评论中对应用功能情感分析的需求缺口，提出了一种自动生成功能级情感摘要的方法。通过比较多种先进的大语言模型（如GPT-4），发现GPT-4在0-shot特征提取中比基于规则的方法提高了23.6%的f1分数，并在5-shot情况下进一步提升。这表明大语言模型在生成用户评论的功能特定情感摘要方面具有良好的前景。

    Sep, 2024