机器学习语言模型情感分析综述
计算与语言
2025-09-15 v1 机器学习
应用统计
摘要
本文对机器学习情感分析在 Twitter 数据上的表现进行了 Meta 分析。研究旨在估计平均表现、评估研究之间和内部之间的异质性，以及分析研究特征如何影响模型表现。我们遵循 PRISMA 指南，检索学术数据库，筛选出 195 项试验（来自 20 项研究，包含 12 项研究特征）。对总体准确率——最常报告的绩效指标——进行分析，使用双弧正弦变换和三水平随机效应模型。AIC 优化模型的平均总体准确率为 0.80 [0.76, 0.84]。本文提供了两个关键见解：1）总体准确率广泛使用，但因对类别不平衡和情感类别数量的敏感性，往往误导人；因此需要标准化。2）标准化报告模型绩效（包括报告独立测试集的混淆矩阵）对于可靠比较跨研究的机器学习分类器至关重要，而这在实际中似乎远未普及。
关键词
引用
@article{arxiv.2509.09728,
title = {A meta-analysis on the performance of machine-learning based language models for sentiment analysis},
author = {Elena Rohde and Jonas Klingwort and Christian Borgs},
journal= {arXiv preprint arXiv:2509.09728},
year = {2025}
}