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
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
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
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
Prompt Sentiment: The Catalyst for LLM Change
Joyspace AI
本文系统分析提示情感对五类主流 LLM 在六类应用中输出连贯性、事实性与偏见的影响，证明情感感知提示工程的重要性。
2025-03-14 cs.AI cs.CL
QuadAI at SemEval-2026 Task 3: Ensemble Learning of Hybrid RoBERTa and LLMs for Dimensional Aspect-Based Sentiment Analysis
LIACS, Leiden University, NL（莱顿大学LIACS研究中心）；Manchester Metropolitan University（曼彻斯特 Metropolitan 大学）；Leiden University Medical Center（莱顿大学医学中心）
QuadAI通过集成混合RoBERTa与LLMs的方法，在SemEval-2026任务3中实现了维度方面基于情感分析的高性能表现。
2026-03-08 cs.AI 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
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
Dynamic Adaptive Rank Space Exploration for Efficient Sentiment Analysis with Large Language Models
INTI International University（INTI国际大学）
本文提出DARSE框架，通过粗粒度贪心算法、细粒度探索和动态秩分配优化LLM各层秩组合，在计算效率与模型性能间取得平衡，显著提升情感分析准确率。
2025-06-27 cs.AI cs.CL
Do Large Language Models Possess Sensitive to Sentiment?
ByteDance（字节跳动）
本文针对LLMs情感能力评估的挑战，通过实验评估多款主流LLMs在文本模态中检测和响应情感的表现，发现其虽具备基础情感敏感性但准确性和一致性存在显著差异，需优化训练以捕捉细微情感线索。
2025-02-14 cs.AI cs.CL
An overview of model uncertainty and variability in LLM-based sentiment analysis. Challenges, mitigation strategies and the role of explainability
University of Granada（格拉纳达大学）；Andalusian Institute of Data Science and Computational Intelligence (DaSCI)（安达卢西亚数据科学与计算智能研究所（DaSCI））
本文系统综述了基于LLM的情感分析中模型变异性问题（MVP）的成因与影响，重点分析温度参数和可解释性的作用，并提出缓解策略以提升模型在金融、医疗等高风险领域的稳定性、可复现性与可信度。
2025-04-06 cs.AI cs.CL
Analyzing Political Bias in LLMs via Target-Oriented Sentiment Classification
Université Paris-Saclay, CEA, List（巴黎-萨克雷大学、欧洲原子能机构、List）
本研究提出基于熵不一致性指标的新方法，通过1319个政治人物姓名和450个政治句子在七模型六语言中分析LLM政治偏见，发现偏见普遍存在且与政治立场相关，更大模型偏见更强，并用虚构姓名部分缓解不可靠性。
2025-05-26 cs.AI cs.CL
Exploring Large Language Models for Multimodal Sentiment Analysis: Challenges, Benchmarks, and Future Directions
National University of Defense Technology（国防科技大学）
本文系统评估了大语言模型在多模态方面级情感分析中的适用性，构建基准并与监督学习方法对比，揭示了其在准确率和推理时间上的不足，并提出了未来改进方向。
2024-11-23 cs.AI cs.CL
Bayesian Network Fusion of Large Language Models for Sentiment Analysis
School of Information Technology, Deakin University（德克萨斯大学信息技术学院）；School of Computing Technologies, RMIT University（皇家墨尔本理工学院计算机技术学院）
针对LLM在情感分析中成本高、跨域不一致等问题，提出BNLF框架，通过贝叶斯网络对FinBERT等模型预测进行后期融合，准确率提升约6%。
2025-10-30 cs.AI cs.CL
LLM Based Sentiment Classification From Bangladesh E-Commerce Reviews
Dhaka International University（达卡国际大学）
针对孟加拉国多语言电商评论情感分析的难点，研究用4000条孟英双语评论微调多种LLM，发现Llama-3.1-8B性能最优，且LoRA等参数高效微调法可降低算力需求，适配资源受限场景。
2025-09-30 cs.AI cs.CL
Enhanced Multimodal Aspect-Based Sentiment Analysis by LLM-Generated Rationales
School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）；Faculty of Engineering, Graduate Faculty of Interdisciplinary Research, University of Yamanashi（山梨大学工学部）
针对多模态方面级情感分析中SLM能力不足的问题，提出LRSA框架，将LLM生成的理由注入SLM并采用双重交叉注意力，在三个基准上显著提升性能。
2025-05-24 cs.AI cs.CL
Integration of Explainable AI Techniques with Large Language Models for Enhanced Interpretability for Sentiment Analysis
School of Information Technology, Murdoch University（莫道克大学信息技术学院）；Norwood Systems（诺伍德系统公司）
本文提出将 SHAP 应用于 LLM 的嵌入、编码、解码和注意力层，实现逐层情感归因，并在 SST-2 上验证其优于全模型解释方法。
2025-03-15 cs.AI 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
RVISA: Reasoning and Verification for Implicit Sentiment Analysis
Hong Kong Polytechnic University（香港理工大学）；University of Technology Sydney（悉尼科技大学）；Lingnan University（岭南大学）；Education University of Hong Kong（香港教育大学）
针对隐式情感缺乏显著提示词的问题，提出 RVISA 两阶段框架，结合 DO LLM 生成三跳推理理据、微调 ED LLM 并加入验证机制，在两个基准上达到 SOTA。
2024-07-02 cs.AI cs.CL
Large Language Models for Sentiment Analysis to Detect Social Challenges: A Use Case with South African Languages
University of Johannesburg, South Africa（约翰内斯堡大学）；IU International University of Applied Sciences（国际应用科学大学）；Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用科学大学）
本研究利用大型语言模型对南非多种语言的社交媒体帖子进行情感分析，以检测社会挑战，发现不同模型和语言组合在情感分类上存在显著差异，融合模型能有效提升性能。
2025-11-21 cs.AI cs.CL
A longitudinal sentiment analysis of Sinophobia during COVID-19 using large language models
School of Mathematics and Statistics, UNSW Sydney（新南威尔士大学悉尼分校数学与统计学院）
本研究利用大语言模型对新冠疫情期间X平台上的仇华情绪进行纵向分析，发现仇华言论激增与病例激增显著相关，且负面情绪占主导，凸显了政治叙事和透明沟通在缓解仇外情绪中的关键作用。
2024-08-29 cs.AI cs.CL
Reference Points in LLM Sentiment Analysis: The Role of Structured Context
Meijo University（名古屋大学）；RIKEN（理化学研究所）；AIP（Advanced Institute for Particle Physics）
本文研究结构化上下文对LLM情感分析的影响，发现JSON格式提示配合额外参照信息可使3B小模型在Yelp数据上超越未微调基线，为资源受限场景提供实用替代方案。
2025-08-15 cs.AI 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
Unlocking Cross-Lingual Sentiment Analysis through Emoji Interpretation: A Multimodal Generative AI Approach
University of North Texas（北得克萨斯大学）
本研究利用ChatGPT的多模态能力，在32个国家的多语言数据集上验证了表情符号作为跨语言通用情感标记的可靠性，发现基于LLM的表情符号情感准确率达81.43%，且随表情符号数量增加而提升。
2024-12-23 cs.AI cs.CL
Comparing LLMs for Sentiment Analysis in Financial Market News
Universidade do Estado do Amazonas (UEA)（亚马逊州立大学）
本文比较LLM与经典方法在金融市场新闻情感分析任务中的表现，量化各类模型优势，发现LLM在绝大多数情况下优于经典模型。
2025-10-03 cs.AI cs.CL q-fin.ST
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
Beyond Sentiment: Comparing Traditional NLP and LLM-Based Multi-Dimensional Analysis for Political News Evaluation
Kakashi Ventures Accelerator (KVA)（卡卡西风险投资加速器（KVA））；Newjee（新吉）
本文对比传统NLP的RoBERTa情感分析与基于LLM的多维框架分析，发现前者存在“中性坍缩”局限，后者可捕捉政治话语多维特征，更适配SSH研究需求。
2026-08-07 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
Can AI Read Between The Lines? Benchmarking LLMs On Financial Nuance
Department of Business Analytics, Santa Clara University - Leavey School of Business（商学院分析部门，圣克拉拉大学）
该研究通过基准测试微软Copilot、ChatGPT、Gemini等LLM在金融文本情感分析上的表现，发现其在细微差别语境中易误读，并利用提示工程和可视化分析提升准确性。
2025-05-22 cs.AI cs.CL
Fine-tuning of lightweight large language models for sentiment classification on heterogeneous financial textual data
International Business School, Zhejiang University（浙江大学国际商务学院）；Center for Data Science, Zhejiang University（浙江大学数据科学中心）；Centre for Statistics, Georg-August-Universität Göttingen（哥廷根大学统计中心）
本研究探讨了轻量级开源大语言模型在异构金融文本数据上的情感分类微调效果，发现Qwen3 8B和Llama3 8B在有限数据下表现优异。
2025-11-30 cs.AI cs.CL
Are Social Sentiments Inherent in LLMs? An Empirical Study on Extraction of Inter-demographic Sentiments
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）
本文通过向五个代表性大语言模型提问并与社会调查对比，实证检验了LLM能否捕捉和提取以国籍、宗教、种族定义的群体间情感，发现国籍和宗教情感与真实调查相关性较高。
2024-08-08 cs.CL cs.CY
DSIPA: Detecting LLM-Generated Texts via Sentiment-Invariant Patterns Divergence Analysis
School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学学院）；Shanghai Key Laboratory of Integrated Administration Technologies for Information Security（上海信息安全集成管理技术重点实验室）；State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院）
DSIPA是一种无需训练的框架，通过量化在受控风格变化下的情感分布稳定性，检测大语言模型生成的文本，其在多个领域和对抗条件下均表现出更高的检测准确率和鲁棒性。
2026-04-29 cs.AI cs.CL
Reasoning Beyond Labels: Measuring LLM Sentiment in Low-Resource, Culturally Nuanced Contexts
Microsoft Research（微软研究院）；Lancaster University（兰卡斯特大学）；University of Washington（华盛顿大学）
本研究提出诊断框架，将情感视为文化嵌入构念，评估LLM在低资源、语码混合的WhatsApp消息中的推理，发现顶级模型稳定而开放模型易受模糊性影响，强调文化敏感的AI评估。
2025-08-06 cs.CL
ChatASU: Evoking LLM's Reflexion to Truly Understand Aspect Sentiment in Dialogues
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
针对对话场景中方面情感理解存在的共指和大模型幻觉问题，提出引入方面链推理子任务的ChatASU任务和融合可信学习的自反思方法TSA，实验证明其性能优于现有基线。
2024-04-10 cs.AI cs.CL
A Sentiment Consolidation Framework for Meta-Review Generation
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
本文针对科学领域meta-review生成任务，提出三层情感整合框架及LLM提示方法，通过实验验证该框架优于简单指令提示。
2024-06-04 cs.AI cs.CL
Large-Scale Aspect-Based Sentiment Analysis with Reasoning-Infused LLMs
Snowflake Inc.（Snowflake公司）
Arctic-ABSA通过引入推理注入技术，提升了大型多语言方面情感分析模型的准确性和泛化能力，实现了在多个领域和语言上的高性能表现。
2026-01-07 cs.AI cs.CL
Assessing Look-Ahead Bias in Stock Return Predictions Generated By GPT Sentiment Analysis
Columbia Business School（哥伦比亚商学院）；Columbia University（哥伦比亚大学）
本文研究 GPT 新闻情感交易策略中的前视偏差与公司知识干扰，发现移除公司标识可降低干扰并改善样本内表现，且有助于样本外应用。
2023-09-29 cs.AI q-fin.GN
Semantics as a Shield: Label Disguise Defense (LDD) against Prompt Injection in LLM Sentiment Classification
Department of Computer Science, George Washington University（计算机科学系，乔治华盛顿大学）
本文提出LDD，一种通过语义伪装标签来防御大语言模型情感分类中提示注入攻击的方法，展示了其在不同模型上的有效性。
2026-10-14 cs.AI cs.CL
Multi-Stage Evolutionary Model Merging with Meta Data Driven Curriculum Learning for Sentiment-Specialized Large Language Modeling
Shiga University（滋贺大学）；Kansai University（关西大学）；RIKEN Center for AIP（理化学研究所AIP中心）；Japan Safety Society Research Center（日本安全社会研究中心）
本文提出MEM-MCL模型，通过元数据驱动课程学习和进化算法提升大语言模型在情感分析中的准确性和多任务处理能力。
2026-01-11 cs.AI cs.CL
Consistency Analysis of Sentiment Predictions using Syntactic & Semantic Context Assessment Summarization (SSAS)
Tellagence Inc.（Tellagence公司）；Villanova School of Business, Villanova University（维拉文纳大学商学院）；Maseeh College of Engineering and Computer Science, Portland State University（波特兰州立大学Maseeh工程与计算机科学学院）
本文提出SSAS框架，通过上下文评估提升情感预测的一致性，实验表明其能有效提高数据质量，减少噪声和分析方差。
2026-04-16 cs.AI cs.CL
The Overlooked Repetitive Lengthening Form in Sentiment Analysis
Temple University（天普大学）
本文探讨了重复延长形式（RLF）在情感分析中的重要性及语言模型的理解能力，构建了首个多领域RLF数据集并提出ExpInstruct框架，验证了RLF在文档级情感分析中的潜力。
2026-04-01 cs.AI cs.CL
Multi-Task Learning with LLMs for Implicit Sentiment Analysis: Data-level and Task-level Automatic Weight Learning
Hong Kong Polytechnic University（香港理工大学）；Lingnan University（岭南大学）；University of Technology Sydney（悉尼科技大学）；Education University of Hong Kong（香港教育大学）
针对隐式情感分析的两类不确定性问题，提出融合LLM能力的MT-ISA多任务学习框架，通过数据级与任务级自动权重学习实现不同规模模型的自适应优化，提升分析效果。
2024-12-12 cs.AI cs.CL
Context-Aware Sentiment Forecasting via LLM-based Multi-Perspective Role-Playing Agents
Shenzhen International Graduate School Tsinghua University（清华大学深圳国际研究生院）；Department of Electronic Engineering Tsinghua University（清华大学电子工程系）；Northeastern University at Qinghuangdao（清华大学秦皇岛分校）；Department of Computer Science University of California Irvine（加州大学 Irvine 分校计算机科学系）
本文提出基于LLM的多视角角色扮演框架，用于社交媒体中基于上下文的情感预测，通过提取情感相关特征提升预测性能。
2025-05-30 cs.CL
SynGraph: A Dynamic Graph-LLM Synthesis Framework for Sparse Streaming User Sentiment Modeling
The University of Manchester（曼彻斯特大学）；Harbin Institute of Technology（哈尔滨工业大学）；King’s College London（伦敦大学国王学院）；Southeast University（东南大学）
针对流式评论情感分析中的数据稀疏问题，提出将用户分类并结合动态图结构与LLM增强的SynGraph框架，实验验证其可有效提升稀疏场景下的流式用户情感建模效果。
2025-06-17 cs.CL
LLaMAs Have Feelings Too: Unveiling Sentiment and Emotion Representations in LLaMA Models Through Probing
Politecnico di Bari（巴里理工学院）；Sapienza University of Rome（罗马萨皮恩扎大学）
本研究通过探针分类器探测Llama模型的隐藏层，发现情感信息主要集中于中间层，检测准确率较提示技术提升14%，内存需求平均降低57%，为超越提示的情感任务提供了有效方法。
2025-05-30 cs.AI cs.CL
Comprehensive Study on Sentiment Analysis: From Rule-based to modern LLM based system
该研究是一篇情感分析领域的全面综述，梳理了从传统规则、词典方法到深度学习、大语言模型时代的发展脉络，分析了双语处理、讽刺检测等核心挑战，总结了前沿方法与新兴趋势，指明了未来研究方向。
2024-09-16 cs.AI cs.CL cs.CY
Utilizing Large Language Models for Event Deconstruction to Enhance Multimodal Aspect-Based Sentiment Analysis
Xi’an Jiaotong University（西安交通大学）
本文提出MABSA-RL框架，利用大语言模型将文本分解为事件以降低多实体多情感分析复杂度，并通过强化学习优化参数，在两个基准数据集上取得优于现有方法的性能。
2024-10-18 cs.AI cs.CL
Pre-trained Large Language Models for Financial Sentiment Analysis
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Florida（佛罗里达大学）
针对金融新闻标题情感分析缺乏大量训练样本的挑战，本文采用监督微调技术适配开源Llama2-7B模型，实验证明该方法显著优于此前最先进算法。
2024-01-10 cs.AI cs.CL
Rethinking ASTE: A Minimalist Tagging Scheme Alongside Contrastive Learning
Fudan University（复旦大学）；Shanghai AI Lab（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
针对现有方面情感三元组抽取（ASTE）方法结构复杂的问题，提出结合对比学习的极简标注方案，性能比肩或优于现有最优方法，且在少样本场景下效果超过GPT 3.5、GPT 4，为LLM范式下ASTE发展提供参考。
2024-04-14 cs.AI cs.CL
Examining Independence in Ensemble Sentiment Analysis: A Study on the Limits of Large Language Models Using the Condorcet Jury Theorem
Ai for Alpha；CentraleSupelec（中央高等电力学院）；Dauphine - PSL（巴黎第九大学-巴黎文理研究大学）
本文基于孔多塞陪审团定理，通过多数投票机制实证检验ChatGPT 4等大语言模型与简单NLP模型在情感分析中的表现，发现大模型仅带来边际改善，表明模型间缺乏独立性，揭示了先进NLP任务中模型独立性的实际局限。
2024-08-26 cs.AI cs.CL
ChatGPT vs Gemini vs LLaMA on Multilingual Sentiment Analysis
University of Trento（特伦托大学）
该研究构建多语言模糊场景，评估ChatGPT、Gemini和LLaMA2的情感分析性能，发现模型间存在偏见和不一致，并提出标准化评估方法论以推动算法改进。
2024-01-25 cs.AI cs.CL
Sentiment analysis of preservice teachers' reflections using a large language model
Iowa State University（爱荷华州立大学）；Ball State University（鲍尔州立大学）
本研究使用GPT-4、Gemini和BERT对职前教师反思进行情感分析，比较了各工具的分类与描述方式，旨在弥合师范教育中反思性实践的不同分析方法间的差距，并强调开发全面且相关的分析方法和结果格式的重要性。
2024-08-17 cs.AI cs.CL
LLM-as-an-Annotator: Training Lightweight Models with LLM-Annotated Examples for Aspect Sentiment Tuple Prediction
Media Informatics Group, University of Regensburg, Regensburg, Germany（莱茵河畔大学媒体信息学组）；Information Science Group, University of Regensburg, Regensburg, Germany（莱茵河畔大学信息科学组）
本文提出LA-ABSA方法，利用LLM生成的标注示例训练轻量模型，以高效完成复杂的情感分析任务。
2026-03-02 cs.CL
