Human Emotion and Sentiment in Natural Language Understanding and Generation using Large Language Models with Limited to No Labeled Data
Notice bibliographique
Résumé
Natural Language Processing (NLP) aims to utilize computational resources to comprehend and generate human language. Emotion and sentiment are integral parts of human beings, and they are often reflected in human language. Consequently, these two closely related ideas are of paramount importance to NLP. In this thesis, we focus on several NLP tasks related to human emotion and sentiment. Particularly, we focus on the domains of Sentiment Analysis and Emotion-Cause Analysis (ECA). Like most other NLP tasks, machine learning technologies are frequently leveraged to perform various NLP tasks in these two domains. A common challenge in applying machine learning technology to context-dependent tasks like Sentiment Analysis is that they require a large amount of labeled data to develop a performant model. In this thesis, we develop several techniques leveraging Transformer-based large language models (LLMs) to perform various NLP tasks within these two domains in a limited to no labeled data setting. Specifically, we devise two technical architectures to perform multi-class Sentiment Analysis with limited labeled data. We introduce two new NLP tasks within the domain of ECA, which are also the first Natural Language Generation (NLG) tasks in this domain. We devise technical solutions to perform these NLG tasks, one with limited labeled data, and the other with no labeled data. We publish a new dataset for one of these novel NLG tasks. Lastly, we propose leveraging conversational LLMs for the automatic evaluation of open-ended NLG tasks, which also does not require any new training or labeled data.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».