Haltungserkennung in sozialen Medien mit feinabgestimmten großen Sprachmodellen

Die Haltungserkennung, eine Schlüsselaufgabe in der Verarbeitung natürlicher Sprache, bestimmt den Standpunkt eines Autors basierend auf textueller Analyse. Diese Studie bewertet die Evolution der Methoden zur Haltungserkennung, die von frühen maschinellen Lernansätzen über das bahnbrechende BERT-Modell bis hin zu modernen großen Sprachmodellen (LLMs) wie ChatGPT, LLaMa-2 und Mistral-7B übergeht. Während die geschlossene Quelle von ChatGPT und die damit verbundenen Kosten Herausforderungen darstellen, bieten die Open-Source-Modelle wie LLaMa-2 und Mistral-7B eine ermutigende Alternative. Zunächst konzentrierte sich unsere Forschung auf die Feinabstimmung von ChatGPT, LLaMa-2 und Mistral-7B unter Verwendung mehrerer öffentlich verfügbarer Datensätze. Anschließend bewerten wir die Leistung dieser Modelle in Zero-Shot- und Few-Shot-Lernszenarien, um einen umfassenden Vergleich zu bieten. Die Ergebnisse verdeutlichen die außergewöhnliche Fähigkeit von LLMs, Stimmungen genau zu erkennen, wobei alle getesteten Modelle bestehende Benchmarks übertreffen. Besonders LLaMa-2 und Mistral-7B zeigen bemerkenswerte Effizienz und Potenzial für die Haltungserkennung, trotz ihrer kleineren Größen im Vergleich zu ChatGPT. Diese Studie betont das Potenzial von LLMs in der Haltungserkennung und fordert umfangreichere Forschungen in diesem Bereich.