Enhancing TinyBERT for Financial Sentiment Analysis Using GPT-Augmented FinBERT Distillation
本文提出利用GPT-4 Omni生成领域数据增强FinBERT，并通过两层知识蒸馏策略训练紧凑模型TinyFinBERT，在金融情感分析中实现与FinBERT相当的性能且效率更高。
2024-09-19 cs.CL cs.LG
Optimizing Performance: How Compact Models Match or Exceed GPT's Classification Capabilities through Fine-Tuning
Ai For Alpha；CentraleSupelec（中央高等电力学院）；Paris Dauphine - PSL（巴黎多芬大学-PSL大学）
本研究构建无人工偏差的金融新闻市场情绪数据库，证明微调后的小型非生成式金融领域模型在金融新闻情感分析任务中可匹配甚至超越零样本及同任务微调的GPT模型，并开源模型供后续研究使用。
2024-08-22 cs.CL q-fin.ST
Sentiment Analysis in Software Engineering: Evaluating Generative Pre-trained Transformers
该研究针对软件工程领域情感分析的语境细微性问题，对比评估了BERT等双向Transformer与GPT-4o-mini在不同数据集、不同配置下的性能，揭示了微调与预训练模型的权衡关系，为领域适配工具优化提供了方向。
2025-04-22 cs.CL cs.LG cs.SE
Towards New Benchmark for AI Alignment & Sentiment Analysis in Socially Important Issues: A Comparative Study of Human and LLMs in the Context of AGI
Institute for Artificial Intelligence Research and Development of Serbia（塞尔维亚人工智能研究与发展研究所）；University of Belgrade, Institute for Philosophy and Social Theory, Digital Society Lab（贝尔格莱德大学哲学与社会理论研究所数字社会实验室）；Complexity Science Hub（复杂性科学中心）；University of Malta, Department of Artificial Intelligence, Faculty of Information and Communication Technology（马耳他大学信息与通信技术学院人工智能系）；University of Kragujevac, Faculty of Engineering（克拉古耶瓦茨大学工程学院）
本文通过李克特量表比较了七种大语言模型与人类对AGI的情感差异，发现LLM普遍比人类更积极，并提出SAAS-AI基准以支持AI对齐监管与政策制定。
2025-08-27 cs.CL cs.CY
Explainable Sentiment Analysis with DeepSeek-R1: Performance, Efficiency, and Few-Shot Learning
Singapore Management University（新加坡管理大学）；Mastercard（万事达卡）
本文提出基于DeepSeek-R1的可解释情感分析方法，展示了其在性能、效率和少样本学习方面的优势，证明其在情感分析任务中的高效与可解释性。
2026-02-03 cs.AI cs.CL
ESG Classification by Implicit Rule Learning via GPT-4
MODULABS；Chung-ang University（中央大学）；Konkuk University（建国大学）；Seoul Women's University（首尔女子大学）；Yonsei University（延世大学）
本文研究通过提示、思维链和动态上下文学习等策略引导GPT-4与未知ESG评估标准对齐，在韩语赛道任务中获第二名，揭示了语言模型在缺乏训练数据时处理金融任务的潜力。
2024-03-22 cs.CL
SusGen-GPT: A Data-Centric LLM for Financial NLP and Sustainability Report Generation
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）
针对金融与ESG领域开源大模型稀缺的问题，提出SusGen-30K数据集和TCFD-Bench基准，开发SusGen-GPT模型及集成RAG的SusGen系统，以高效生成可持续发展报告。
2024-12-14 cs.CE cs.CL cs.LG
TWSSenti: A Novel Hybrid Framework for Topic-Wise Sentiment Analysis on Social Media Using Transformer Models
Jouf University（朱夫大学）；Auburn University（阿伯茨伦斯大学）
TWSSenti提出一种基于Transformer模型的混合框架，通过结合BERT、GPT-2、RoBERTa、XLNet和DistilBERT提升社交媒体上主题情感分析的准确性和鲁棒性。
2026-02-26 cs.CL
Artificial Intelligence for Sentiment Analysis of Persian Poetry
本研究利用BERT和GPT模型分析波斯诗人鲁米和巴尔文·埃特萨米的诗歌，发现鲁米的诗歌情感更积极，且在格律表达多样性上更胜一筹，证明了LLMs在无需人工解释的语义研究中的有效性。
2026-03-11 cs.AI cs.CL
USA: Universal Sentiment Analysis Model & Construction of Japanese Sentiment Text Classification and Part of Speech Dataset
Yokohama National University（横滨国立大学）；Pusan National University（釜山国立大学）
本文提出通用情感分析（USA）模型，利用单词与文本间的相互增强效应（MRE）并构建四个SCPOS数据集，在四项任务上超越gpt-3.5-turbo。
2023-09-14 cs.CL
From Human Annotation to Automation: LLM-in-the-Loop Active Learning for Arabic Sentiment Analysis
Information and Computer Science Department, KFUPM, Dhahran 31261, Saudi Arabia（信息与计算机科学系，KFUPM，沙特阿拉伯达哈兰）
本文提出面向阿拉伯语情感分析的LLM辅助主动学习框架，跨三种数据集比较LSTM、GRU、RNN及多类LLM标注，证明少量LLM标签可达到与人工标注相当或更优的性能。
2025-09-27 cs.AI cs.CL
Comparative Analysis of Pooling Mechanisms in LLMs: A Sentiment Analysis Perspective
North Carolina State University（北卡罗来纳州立大学）；South China University of Technology（华南理工大学）；Yeshiva University（叶史瓦大学）；Guangxi University（广西大学）
本文从情感分析视角对比了Mean、Max和Weighted Sum等池化机制在BERT和GPT架构上的性能，发现不同机制各有优劣，强调需根据具体应用需求选择池化方法以优化下游任务。
2025-02-01 cs.AI cs.CL
SentMix-3L: A Bangla-English-Hindi Code-Mixed Dataset for Sentiment Analysis
George Mason University（乔治梅森大学）
本文提出首个孟加拉语-英语-印地语三语代码混合情感分析数据集SentMix-3L，并通过实验证明GPT-3.5零样本提示优于所有Transformer模型。
2023-11-29 cs.CL
Generating Effective Ensembles for Sentiment Analysis
Bar-Ilan University（巴伊兰大学）；Jerusalem College of Technology（耶路撒冷理工学院）；AI-Weinberg, AI Experts（AI-Weinberg人工智能专家机构）
本文提出分层集成构建算法 HEC，将 transformer 与传统 NLP 模型混合集成，在八个情感分析数据集上显著超越传统集成方法，并优于 GPT-4。
2024-02-26 cs.AI cs.CL
Stress index strategy enhanced with financial news sentiment analysis for the equity markets
CentraleSupélec, Paris-Saclay University（巴黎-萨克雷大学中央高等电力学院）；Ai For Alpha；Paris-Dauphine PSL（巴黎多芬大学PSL大学）
本文提出将金融压力指标与GPT-4解读彭博新闻的情绪分析相结合的风险偏好/规避策略，在多个主要股市中显著提升夏普比率并降低最大回撤。
2024-03-12 cs.AI cs.CL q-fin.RM
Performance evaluation of Reddit Comments using Machine Learning and Natural Language Processing methods in Sentiment Analysis
Shanghaitech University（上海科技大学）
本研究利用GoEmotions数据集评估多种机器学习模型在Reddit评论情感分析中的性能，发现RoBERTa在细粒度分类中准确率最高，凸显其潜力。
2024-05-28 cs.CL
Robust Sentiment Analysis for Low Resource languages Using Data Augmentation Approaches: A Case Study in Marathi
SCTR’s Pune Institute of Computer Technology（SCTR浦那计算机技术学院）；L3Cube Pune（浦那L3Cube）；Indian Institue of Technology Madras（印度理工学院马德拉斯分校）
针对低资源语言马拉地语情感分析资源不足、现有数据集适配通用可变长度输入效果差的问题，提出四种数据增强技术，显著提升了跨域准确率，且方法可推广至其他低资源语言和通用文本分类任务。
2023-10-01 cs.CL cs.LG
BARRAC: Adaptation of an English Aspect-based Sentiment Analysis Approach for Classification Tasks in Arabic Dialects
University of New South Wales（新南威尔士大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文提出BARRAC，将英文基于方面的情感分析框架适配至阿拉伯语分类任务，在五个方言数据集上平均宏F1达63.93%，优于现有少标签方法及GPT-4o，证明任务特定方法适配的有效性。
2026-10-01 cs.AI cs.CL
Lex2Sent: A bagging approach to unsupervised sentiment analysis
Department of Statistics, TU Dortmund University（统计系，多特蒙德技术大学）
本文提出Lex2Sent，一种无需GPU的无监督情感分析方法，通过训练嵌入模型计算文档与词典嵌入的距离并结合重采样实现bagging效果，性能优于传统词典方法并为少样本微调奠定基础。
2024-10-22 cs.CL
What sentiment analysis can't see: Measuring whether customers were helped, and what went wrong, across 70,000 support conversations
Dimension Labs（Dimension实验室）
本研究使用GPT-5.4从70,450次客服对话中估计客户满意度并标记具体问题，发现满意度估计比情感分析更准确，且能揭示情感分析无法捕捉的客户状态和问题原因。
2026-06-19 cs.CL
Hotter and Colder: A New Approach to Annotating Sentiment, Emotions, and Bias in Icelandic Blog Comments
University of Iceland（冰岛大学）；The Alexandra Institute（亚历山德拉研究所）
本文构建了Hotter and Colder数据集，利用GPT-4o mini自动标注约80万条冰岛博客评论，经人工修订后得到12,232条高质量标注，为冰岛内容审核和有害行为检测提供资源。
2025-02-24 cs.AI cs.CL
Exploring Robustness of Prefix Tuning in Noisy Data: A Case Study in Financial Sentiment Analysis
Queen’s University（女王大学）
基于变压器的模型（如BERT、GPT和RoBERTa）的发明使研究人员和金融公司能够微调这些强大的模型，并将其用于不同的下游任务，以实现最先进的性能。最近，一个轻量级的替代（约0.1% - 3%的原始模型参数）微调，称为前缀调优已被引入。此方法冻结模型参数，仅更新前缀，以实现与完全微调相当的性能。前缀调优使研究人员和金融从业者能够用更少的参数实现类似的结果。在本文中，我们探讨了前缀调整的鲁棒性时，面对噪声数据。我们的实验表明，微调是更强大的噪声比前缀调整-后一种方法面临着显着降低性能的最损坏的数据集，随着噪声水平的增加。此外，与许多腐败方法中的微调相比，前缀调整在F1分数中具有高方差。我们强烈主张，在将最先进的前缀调优方法应用于噪声数据时，应谨慎行事。
2022-10-26 cs.AI cs.CE cs.CL
How Robust is GPT-3.5 to Predecessors? A Comprehensive Study on Language Understanding Tasks
School of Computer Science, Fudan University（复旦大学计算机科学学院）；Institute of Modern Languages and Linguistics, Fudan University（复旦大学现代语言与语言学研究所）；Shanghai Collaborative Innovation Center of Intelligent Visual Computing, Fudan University（复旦大学上海智能视觉计算协同创新中心）
GPT-3.5模型在各种自然语言处理（NLP）任务中表现出令人印象深刻的性能，展示了其强大的理解和推理能力。然而，它们的鲁棒性和处理开放世界各种复杂性的能力还有待探索，这在评估模型的稳定性方面尤其重要，也是值得信赖的人工智能的一个关键方面。在这项研究中，我们对GPT-3.5进行了全面的实验分析，使用21个数据集（约116 K测试样本）探索其鲁棒性，其中包含TextFlint的66个文本转换，涵盖9个流行的自然语言理解（NLU）任务。我们的研究结果表明，虽然GPT-3.5在某些任务上优于现有的微调模型，但它仍然遇到了显着的鲁棒性下降，例如其在自然语言推理和情感分析任务中的平均性能分别下降了35.74%和43.59%。我们还表明，GPT-3.5面临着一些具体的鲁棒性挑战，包括鲁棒性不稳定性，提示敏感性和数字敏感性。这些见解对于理解其局限性和指导未来的研究以解决这些挑战以提高GPT-3.5的整体性能和泛化能力是有价值的。
2023-03-01 cs.CL
A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis
Salesforce AI Research（赛富时人工智能研究院）
情感分析是自然语言处理中的一项重要任务。在最近的工作中，预训练的语言模型经常被用来实现最先进的结果，特别是当训练数据是稀缺的。对下游任务进行微调是很常见的，通常是通过在模型的顶部添加特定于任务的层。在本文中，我们专注于基于方面的情感分析，其中包括提取方面的条款，类别，并预测其相应的极性。特别是，我们对Few-Shot设置感兴趣。我们建议重新制定的提取和预测任务的序列生成任务，使用生成语言模型与单向注意（GPT 2，除非另有说明）。这样，模型通过语言生成学习完成任务，而不需要训练特定于任务的层。我们的评估结果表明，我们的方法优于以前的国家的最先进的（基于BERT）的平均性能在Few-Shot和全拍摄设置的大幅度。更重要的是，我们的生成方法显著降低了由低资源数据引起的模型方差。我们进一步证明，建议生成语言模型可以处理联合和多任务设置，不同于以前的工作。我们观察到，当模型通过联合和多任务设置进行训练时，所提出的序列生成方法在极性预测上实现了进一步改进的性能。在相似的情感分析数据集、SST-2、SST-和OOS意图检测上的进一步评估验证了生成语言模型在Few-Shot设置下的优越性和噪声鲁棒性。
2022-04-11 cs.CL
A Controlled Synthetic Benchmark for Educational Aspect-Based Sentiment Analysis
Intelligent Systems, Afeka Academic College of Engineering（阿法卡学术工程智能系统学院）；School of Computer Science, Faculty of Sciences, Holon Institute of Technology（霍洛技术学院计算机科学学院）
为解决教育领域标注数据稀缺问题，提出一个包含10,000条合成课程评论和20个教学方面的可控合成基准，并通过实验验证了任务难度及合成到真实的迁移能力。
2026-10-06 cs.AI cs.CL
Comparative Analysis of Libraries for the Sentimental Analysis
Universidad Nacional del Altiplano de Puno（普诺国立阿尔蒂普拉诺大学）
本研究比较了NLTK、TextBlob、Vader、Transformers和Tidytext等库及DT、SVM、NB、KNN四种机器学习模型在社交网络情感分析中的性能，发现BERT transformer方法以0.973的准确率表现最佳。
2023-07-26 cs.CL
Emoji Driven Crypto Assets Market Reactions
Fudan University（复旦大学）；IDA Institute Digital Assets, Bucharest University of Economic Studies（布加勒斯特经济研究大学数字资产研究所）；National Yang Ming Chiao Tung University（阳明交通大学）；BRC Blockchain Research Center, Humboldt Universität zu Berlin（柏林洪堡大学区块链研究中心）；Charles University（查理大学）
本研究利用GPT-4和微调BERT模型分析Twitter表情符号情感对加密市场的影响，发现其预测能力优于FinBERT纯文本分析，并可用于开发规避市场下跌、稳定收益的交易策略。
2024-05-04 cs.AI cs.CL cs.LG
An Exploratory Evaluation of LLM-Assisted Rewriting of Moderate-Complexity Financial Sentences for DisCoCat-Based Sentiment Analysis
本研究提出LLM辅助的预处理工作流，通过改写优化中等复杂度金融句子以适配DisCoCat情感分析，经对比实验验证其可降低电路资源消耗并提升准确率，为可扩展QNLP金融情感分析提供探索性依据。
2026-08-10 cs.CL quant-ph
Exploring Cognitive and Aesthetic Causality for Multimodal Aspect-Based Sentiment Analysis
School of Computer Science and Technology, East China Normal University（东华大学计算机科学与技术学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Saw Swee Hock School of Public Health, National University of Singapore（新加坡国立大学 Saw Swee Hock 公共卫生学院）
提出Chimera框架，融合视觉补丁与文本描述，利用大语言模型生成的情感原因和印象，增强多模态方面级情感分类的认知与美学因果理解，实验验证其有效性。
2025-04-22 cs.CL
ESGReveal: An LLM-based approach for extracting structured data from ESG reports
Alibaba Cloud（阿里云）；Tsinghua University（清华大学）；Sun Yat-Sen University（中山大学）
ESGReveal是一种基于LLM和RAG的方法，用于从ESG报告中提取结构化数据，在166家公司数据上实现76.9%的提取准确率，优于基线，并揭示了披露不足问题。
2023-12-25 cs.CL cs.IR
Evaluating LLM Usage for Efficient and Explainable Numerical and Classified Implicit Sentiment Analysis of Product Desirability
Creighton University（克雷顿大学）；The Beacom College of Computer & Cyber Sciences, Dakota State University（达科他州立大学比肯计算机与网络科学学院）
提出基于LLM的可扩展框架，从定性反馈中量化产品期望，零样本数值评分和分类情感分析分别达到0.97皮尔逊相关和94%准确率，GPT-4o-mini以94%更低成本实现可比性能，并集成置信度与可解释性。
2026-06-24 cs.AI cs.CL cs.HC
EaSyGuide : ESG Issue Identification Framework leveraging Abilities of Generative Large Language Models
NCSOFT（NCSoft公司）
本研究提出EaSyGuide框架，结合多种生成式大模型与编码器模型，采用零样本、GPT3Mix增强及知识蒸馏等技术，在FinNLP-2023多语言ESG议题识别任务的英、法子任务中分获第一、二名，验证了大模型用于ESG议题识别的潜力。
2023-06-13 cs.AI cs.CL
Measuring Sustainability Intention of ESG Fund Disclosure using Few-Shot Learning
Fidelity Investments（富达投资）；Indian Institute of Information Technology（印度信息技术学院）
针对ESG基金可持续性主张缺乏有效核查方法的问题，本研究提出基于少样本学习的基金招募说明书可持续性意图测量与评级方法，构建量化指标，发布千条级标注数据集，性能较零样本大模型提升超30个百分点，可助力监管与投资筛选。
2024-07-09 cs.CE cs.CL
Efficacy of Large Language Models in Systematic Reviews
Illinois Mathematics and Science Academy（伊利诺伊数学与科学学院）；Rick Reedy High School（里克·里迪高中）
该研究以ESG与财务绩效关系的系统综述为任务，评估Llama 3 8B、GPT-4o及定制/微调模型复现人工文献分类的能力，证明微调GPT-4o Mini和Custom GPT可显著提升准确率。
2024-10-26 cs.CL cs.LG
Large Language Models' Accuracy in Emulating Human Experts' Evaluation of Public Sentiments about Heated Tobacco Products on Social Media
Kyung Hee University（庆熙大学）；University of California Davis（加州大学戴维斯分校）
本研究检验了GPT-3.5和GPT-4 Turbo在评估社交媒体上加热烟草产品消息情感时模拟人类专家的准确性，发现GPT-4 Turbo达到约80%准确率，但不同情感类别间存在差异可能导致整体情感歪曲。
2025-01-31 cs.CL cs.CY cs.SI
TriAgent: Divergence-Aware Multi-Agent Committees for Cost-Efficient Financial Sentiment Analysis
The Overlake School（奥弗湖学校）；Edwards Vacuum Inc.（爱德华兹真空公司）；The University of Memphis（孟菲斯大学）
研究针对基于生产LLM的金融情绪分析成本高问题，提出TriAgent多智能体委员会，按上下文粒度分层，用SDI衡量分歧并路由查询，有批评者平稳期等发现及三个推论，节省成本且效果好。
2026-07-23 cs.CE cs.CL cs.DB
Optimization Techniques for Sentiment Analysis Based on LLM (GPT-3)
Columbia University（哥伦比亚大学）；Northeastern University（东北大学）；Fudan University（复旦大学）；Trine University（特里恩大学）；Santa Clara University（圣克拉拉大学）
本文针对传统情感分析方法的局限性，探索基于GPT-3等大规模预训练语言模型的情感分析优化技术，通过实验验证Fine-tuning可优化GPT-3并提升情感分析性能，为相关研究提供参考。
2024-05-16 cs.AI cs.CL
Textual Data Distributions: Kullback Leibler Textual Distributions Contrasts on GPT-2 Generated Texts, with Supervised, Unsupervised Learning on Vaccine & Market Topics & Sentiment
University of Charleston（查尔斯顿大学）；Apple Inc.（苹果公司）；Cerence B. V.（赛轮思公司）
有效的文本数据分布（TDD）对齐和生成是文本分析和NLP中的开放性研究问题。目前，很难简约地和方法学地确认两个或更多个自然语言数据集属于相似的分布，并且难以识别文本数据具有对齐的程度。这项研究的重点是解决上述更广泛的问题的一部分，通过应用多个监督和无监督的机器学习（ML）方法来探索TDD的行为（i）主题对齐，（ii）情感对齐。此外，我们使用多种文本生成方法，包括微调的GPT-2，按主题和情感生成文本。最后，我们开发了一个独特的过程驱动的变化的Kullback-Leibler分歧（KLD）的应用TDD，命名为KL文本分布对比（KL-TDC），以确定对齐的机器生成的文本语料库与自然发生的文本语料库。因此，这项研究确定了一种独特的方法，用于生成和验证TDD的主题和情绪，这可以用来帮助解决稀疏数据问题和其他研究，实践和课堂情况下，需要人工生成的主题或情绪对齐的文本数据。
2021-06-15 cs.CL cs.LG cs.SI
A Retail-Corpus for Aspect-Based Sentiment Analysis with Large Language Models
University of Twente（特文特大学）；Marburg University（马尔堡大学）
本研究构建了含10814条多语言实体零售店评论的人工标注细粒度情感分析数据集，评估GPT-4与LLaMA-3性能，建立基准，结果显示两模型准确率超85%且GPT-4整体更优。
2025-08-25 cs.CL
Heuristic-enhanced Candidates Selection strategy for GPTs tackle Few-Shot Aspect-Based Sentiment Analysis
College of Computer Science（计算机学院）；Sichuan University（四川大学）
针对少样本基于方面的情感分析中PLM方法难适配多子任务、GPT方法表现差的问题，提出启发式增强候选选择策略及两阶段AiO模型，兼顾准确性与泛化性，在五个基准数据集上表现优于直接使用GPTs的方法。
2024-08-19 cs.AI cs.CL cs.LG
In-Context Learning for Long-Context Sentiment Analysis on Infrastructure Project Opinions
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本研究在零样本和少样本场景下评估了GPT-4o、Claude 3.5 Sonnet和Gemini 1.5 Pro在基础设施项目长上下文情感分析中的表现，发现Claude 3.5 Sonnet整体更优且擅长处理复杂情感，而GPT-4o在简单任务和少样本稳定性上更具优势。
2024-10-15 cs.AI cs.CL
How Effectively Do LLMs Extract Feature-Sentiment Pairs from App Reviews?
University of Tartu（塔尔图大学）
本研究系统评估了GPT-4、ChatGPT和Llama-2等LLM在零样本、1样本和5样本场景下从应用评论中提取特征-情感对的能力，发现GPT-4在零样本下比规则方法SAFE提升17% f1，但微调模型RE-BERT仍具优势，为LLM在该任务上的应用提供了客观基准。
2025-02-09 cs.CL cs.SE
Enhancing Sentiment Classification and Irony Detection in Large Language Models through Advanced Prompt Engineering Techniques
IU International University of Applied Sciences（国际应用科学大学）
本文通过高级提示工程技术提升大型语言模型在情感分类和讽刺检测中的性能，发现不同提示策略对不同模型和任务效果显著。
2026-01-13 cs.AI cs.CL
Investigating African-American Vernacular English in Transformer-Based Text Generation
University of California, Santa Barbara（加州大学圣巴巴拉分校）
社交媒体的发展鼓励了非裔美国人白话英语（AAVE）的书面使用，传统上只在口头环境中使用。然而，由于文本语料库的可用性，NLP模型在历史上一直使用占主导地位的英语变体（如标准美国英语（SAE））开发。我们通过创建意图等效并行AAVE/SAE推文对的数据集来研究GPT-2在AAVE文本上的性能，从而隔离每对的语法结构和AAVE或SAE特定语言。我们使用预训练的情感分类器评估每个样本及其GPT-2生成的文本，发现虽然AAVE文本比SAE导致更多的负面情感分类，但GPT-2的使用通常会增加两者的积极情感发生率。此外，我们还对使用GPT-2生成的AAVE和SAE文本进行人工评估，以比较上下文的严格性和整体质量。
2020-10-29 cs.AI cs.CL
An evaluation of LLMs and Google Translate for translation of selected Indian languages via sentiment and semantic analyses
Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics, UNSW Sydney（过渡人工智能研究组，数学与统计学学院，UNSW悉尼）；Department of Civil Engineering, National Institute of Technology, Rourkela, India（土木工程系，印度国家理工学院，拉尔凯拉）；Centre for Artificial Intelligence and Innovation, Pingla Institute, Sydney, Australia（人工智能与创新中心，Pingla研究所，悉尼，澳大利亚）
本研究通过情感与语义分析评估LLM和谷歌翻译对梵语、泰卢固语、印地语文本的翻译质量，发现GPT模型在保持情感极性和语义方面优于谷歌翻译，但在隐喻和哲学语境中仍存在挑战。
2025-07-01 cs.AI cs.CL
Red AI? Inconsistent Responses from GPT3.5 Models on Political Issues in the US and China
New York University（纽约大学）；CUNY Queens College（纽约市立大学皇后学院）
本研究通过向中英文GPT模型提问中美政治问题，发现其对中国相关议题的政治内容与情感态度不一致性更高，或源于训练语料受审查及地缘因素影响，且模型会基于训练语言形成政治身份偏见。
2023-12-15 cs.AI cs.CL
Reasoning or Overthinking: Evaluating Large Language Models on Financial Sentiment Analysis
BlackRock, Inc.（黑石公司）
本文在金融情感分析任务上评估多种大语言模型，发现推理或思维链提示并未提升性能，反而可能引发过度思考，GPT-4o无思维链时表现最佳，表明系统1式直觉思维更契合人类判断。
2025-06-05 cs.AI cs.CL
The Model Arena for Cross-lingual Sentiment Analysis: A Comparative Study in the Era of Large Language Models
Dialpad Inc.（戴尔德公司）
本文在英语等多语言情感分析任务中实证比较了小型多语言模型与大语言模型，发现公开SMLM零样本性能更优，而公开LLM及GPT系列在少样本场景下适应力或表现存在差异。
2024-06-27 cs.CL
Large language models for aspect-based sentiment analysis
Q Agentur für Forschung GmbH（Q研究机构有限公司）
本文评估了GPT-4和GPT-3.5在方面级情感分析中的表现，发现微调GPT-3.5以更高推理成本取得最优F1，并分析了成本性能权衡及提示工程与微调的选择。
2023-10-27 cs.AI cs.CL
Polling Latent Opinions: A Method for Computational Sociolinguistics Using Transformer Language Models
ASRC Federal（ASRC联邦公司）；UMBC（马里兰大学巴尔的摩郡分校）
用于情感、主题分析和其他分析的社交媒体文本分析最初取决于将用于创建研究语料库的关键词和短语的选择。然而，研究人员选择的关键词可能不经常出现，导致使用小样本时出现错误。在本文中，我们使用的记忆能力，插值和外推的Transformer语言模型，如GPT系列学习的语言行为的一个小组内较大的语料库的Yelp评论。然后，我们使用基于语义的查询来生成合成文本，可以对这些文本进行分析，以深入了解模型所训练的人群所持有的特定观点。一旦学习，与传统的关键字搜索相比，模型可以以更高的准确度进行更具体的情感查询。我们表明，即使在训练语料库中特定关键短语有限或根本不存在的情况下，GPT也能够准确地生成大量具有正确情感的文本。
2022-04-19 cs.CL cs.CY
Is GPT Powerful Enough to Analyze the Emotions of Memes?
Clemson University（克莱姆森大学）；The Westminster Schools（威斯敏斯特学校）；South Windsor High School（南温莎高中）；D.W. Daniel High School（D.W.丹尼尔高中）
本研究通过SemEval-2020 Task 8和Facebook仇恨迷因数据集评估GPT-3.5在迷因情感分类、幽默类型判定和隐式仇恨检测上的表现，揭示其在主观任务中的优势与语境理解、隐式含义解读及数据偏差等局限。
2023-11-01 cs.CL cs.MM
Zero-shot Sentiment Analysis in Low-Resource Languages Using a Multilingual Sentiment Lexicon
MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Technical University of Darmstadt（达姆施塔特工业大学）；The University of Melbourne（墨尔本大学）
本文提出利用多语言词典预训练，在不使用句子级情感数据的情况下，提升低资源语言的零样本情感分析性能，并在34种语言上优于微调模型和大型语言模型。
2024-02-03 cs.CL
Motamot: A Dataset for Revealing the Supremacy of Large Language Models over Transformer Models in Bengali Political Sentiment Analysis
Ahsanullah University of Science and Technology (AUST)（阿萨努拉科技大学）
本研究构建了孟加拉语政治情感数据集Motamot，评估了多种PLMs和LLMs在情感分析中的表现，发现通过少样本学习，Gemini 1.5 Pro以96.33%的准确率超越其他模型。
2024-07-28 cs.CL
Taqyim: Evaluating Arabic NLP Tasks Using ChatGPT Models
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿业大学）；ARBML；SDAIA-KFUPM Joint Research Center for Artificial Intelligence（沙特数据与人工智能局-法赫德国王石油与矿业大学人工智能联合研究中心）；Volvo Cars R&D Tech Center（沃尔沃汽车研发技术中心）
本研究评估了GPT-3.5和GPT-4在七项阿拉伯语NLP任务上的表现，发现GPT-4在五项任务中更优，并提供了情感分析洞察及新的评估接口Taqyim。
2023-06-28 cs.CL
