基于LLM的零样本与少样本提示：与微调模型在孟加拉语情感分析中的比较研究
计算与语言
2024-04-08 v2 机器学习
摘要
数字世界的快速扩张使情感分析成为营销、政治、客户服务和医疗保健等多个领域的关键工具。尽管在广泛使用的语言的情感分析方面已取得显著进展，但由于资源限制，孟加拉语等低资源语言仍基本未被充分研究。此外，大语言模型（LLM）近期在各种应用中前所未有的表现，凸显了在低资源语言背景下对其加以评估的必要性。在本研究中，我们提供了一个规模可观的手动标注数据集，涵盖33,606条孟加拉语新闻推文和Facebook评论。我们还探讨了使用包括Flan-T5、GPT-4和Bloomz在内的若干语言模型的零样本与少样本上下文学习，并与微调模型进行了比较分析。我们的研究结果表明，即使在零样本和少样本场景下，基于单语transformer的模型也始终优于其他模型。为促进持续探索，我们打算向更广泛的研究界公开该数据集和我们的研究工具。
引用
@article{arxiv.2308.10783,
title = {Zero- and Few-Shot Prompting with LLMs: A Comparative Study with Fine-tuned Models for Bangla Sentiment Analysis},
author = {Md. Arid Hasan and Shudipta Das and Afiyat Anjum and Firoj Alam and Anika Anjum and Avijit Sarker and Sheak Rashed Haider Noori},
journal= {arXiv preprint arXiv:2308.10783},
year = {2024}
}
备注
Accepted at LREC-COLING 2024. Zero-Shot Prompting, Few-Shot Prompting, LLMs, Comparative Study, Fine-tuned Models, Bangla, Sentiment Analysis