语言细微差别对大语言模型情感分析影响：翻译、讽刺与表情符号

大语言模型 (LLMs) 在各种任务中展现了惊人的性能，包括情感分析。然而，数据质量——特别是来自社交媒体的数据——会显著影响其准确性。本研究探讨了文本细微差别（包括表情符号和讽刺）如何影响情感分析，特别关注通过文本翻译技术提高数据质量。为解决缺乏标注讽刺数据的问题，作者创建了一个包含5929条推文的人工标注数据集，使我们能够评估LLM在各种讽刺情境下的表现。结果表明，当使用与核能相关的主题特定数据集进行微调时，这些模型无法准确理解讽刺推文的情感，仅达到30%准确率，这表明数据多样性不足，需要外部干预如讽刺移除来提高模型准确率。讽刺移除可提高情感准确率最高达21%。相比之下， trained on general tweet datasets的LLMs（涵盖更广泛的主题范围）在预测讽刺推文情感方面表现显著提升（达60%准确率），表明纳入通用文本数据可增强讽刺检测能力。本研究还利用对抗性文本增强，显示通过对文本进行小幅修改以创建合成文本变体，显著提高了模型对讽刺推文的鲁棒性和准确率（约85%）。此外，对带碎片化语言的推文进行文本翻译，可将约40%的低置信度标签转化为高置信度标签，提高了LLM情感分析准确率6%。