Notice bibliographique
Résumé
In this paper, the main features of parametrical words within a sentiment lexicon are determined.The data for the research are client reviews in the Russian language taken from the bank client rating; the domain under study is bank service quality.The sentiment lexicon structure is presented; it includes two primary classes (positive and negative words) and three secondary classes (increments, polarity modifiers, and polarity antimodifiers).This lexicon is used as the main tool for the sentiment analysis carried out by two methods: the Nave Bayes classifier and the REGEX algorithm.Parametrical words are referred to as the words denoting the value of some domain-specific parameter, e.g. the client's time consuming.To distinguish the main features of parametrical words, the parameters relevant for the bank service quality domain are determined.The revised lexicon structure is proposed, with a new class (decrements) added.The results of the research demonstrate that parametrical words express implicit opinions, since parameters are not usually named directly in reviews.Only a small number of parametrical words can be ranged into the primary classes (positive or negative), but this ranging is domain-specific.It is the parameter that determines the domain specificity of such words.Most parametrical words are ranged into the secondary classes, and this ranging can be considered universal.The parametrical words denoting the increase of a parameter should be ranged into the increment class, as they intensify positive or negative emotions.The parametrical words denoting the decrease of a parameter should be ranged into the decrement class, as they reduce positive or negative emotions.The evident progress on the way to the sentiment lexicon universalization can be achieved by classifying parametrical words within the sentiment lexicon.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».