Yapay zeka çağında duygu analizi: Büyük dil modellerinin yükselişi ve klasik yaklaşımlarla karşılaştırılması

Abstract

Duygu analizi, günümüzde hem bireylerin hem de şirketlerin karar alma süreçlerinde önemli bir rol oynayan, farklı veri kaynaklarından elde edilen bilgileri inceleyerek insan duygularını anlamayı sağlayan bir yöntemdir. Duygu analizi klasik makine öğrenmesi yöntemleriyle gerçekleştirildiğinde, metinlerin duygusal içeriğini anlamak için genellikle belirli özelliklerin elle seçilmesini ve öznitelik mühendisliği gerektirir. Bu yöntemler, duygusal ifadelerin karmaşıklığını ve çok katmanlı yapısını tam olarak yakalayamamakta ve genellikle belirli bağlamlarda başarılı olmaktadırlar. Ancak, büyük dil modelleri, derin öğrenme prensiplerine dayanarak, karmaşık dil yapılarını daha etkili bir şekilde öğrenebilirler. Bu modeller, büyük ölçekteki metin verilerini işleyerek genel dil bilgisiyle donanmışlardır. Dolayısıyla, duygu analizi gibi görevlerde kullanıldıklarında, öznitelik mühendisliği gerektirmeden karmaşık duygusal ifadeleri daha doğru bir şekilde çözebilirler. Çalışmamızda, üç farklı veri seti kullanılarak büyük dil modelleri ve klasik yöntemlerin duygu analizindeki performansları karşılaştırılmıştır. Sonuçlar, büyük dil modellerinin klasik yöntemlere kıyasla daha yüksek doğruluk oranları elde ettiğini, duygu analizi alanında gelecekte daha fazla kullanılacağını ve bu alandaki çalışmalara önemli katkılar sağlayacağını göstermektedir.

Sentiment analysis is a method that plays an important role in the decision-making processes of both individuals and companies today and enables understanding human emotions by examining information obtained from different data sources. When sentiment analysis is performed with traditional machine learning methods, it often requires hand-selection of specific features and feature engineering to understand the sentiment of texts. These methods cannot fully capture the complexity and multilayered nature of emotional expressions and are often successful in certain contexts. However, large language models can learn complex language structures more effectively, based on deep learning principles. These models are equipped with general language knowledge by processing large-scale text data. Therefore, when used in tasks such as sentiment analysis, they can more accurately decode complex emotional expressions without requiring feature engineering. In our study, the performances of large language models and classical methods were compared using three different data sets. The results show that large language models achieve higher accuracy rates compared to classical methods, will be applied more in the field of sentiment analysis in the future, and will make significant contributions to studies in this field.