Методи мультикласового сентимент-аналізу на основі мовних моделей в умовах змішаного використання мов
Year: 2026
Type: dissertation
Abstract: Магістерська дисертація: 118 с., 13 рис., 16 табл., 38 посилань. Об'єкт дослідження – процес автоматичного визначення тональності коротких українсько-російських код-змішаних текстів із соціальних мереж. Предмет дослідження – методи адаптації мовних моделей до мультикласового сентимент-аналізу код-змішаних текстів з урахуванням дисбалансу класів і мовної структури повідомлень. Мета роботи – розробити та експериментально перевірити комплексний підхід до сентимент-аналізу українсько-російських кодзмішаних текстів. Методи дослідження – дотренування трансформерних енкодерних моделей, промптинг, QLoRA, дистиляція знань, аугментація даних, аналіз калібрування та LIME/SHAP-пояснюваність. Наукова новизна полягає у запропонованому комплексному підході CSSent для адаптації енкодерних моделей, який поєднує мовно-зумовлену класифікаційну голову, фокусну функцію втрат, допоміжне визначення мови, аугментацію та дистиляцію знань. Показано, що ефект CSSent залежить від базової моделі: для XLM-RoBERTa Large Macro F1 зростає з 0,6500 до 0,6684-0,6691, тоді як для Modern-LiBERTa приріст не є універсальним. Експерименти виконано на COSMUS і COSMUS+. Порівняно APIмоделі, локальні енкодерні моделі, MamayLM у режимах промптингу та QLoRA, а також CSSent-конфігурації; найкращий результат на COSMUS отримала Gemini 3.0 Flash ukr few-shot (Macro F1 = 0,6768), близький результат показала Modern-LiBERTa (0,6742), а MamayLM 12B після QLoRA досягла 0,6654.
Author: Гіловянц, Кирил Дмитрович
Language: Ukrainian
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7212343439