СӨЗДЕРДЕН ПАРАГРАФТАРҒА: СИПАТТАМАЛЫҚ ӘДІСТЕР МЕН ДИФФЕРЕНЦИАЛДЫҚ ТЕҢДЕУЛЕР АРҚЫЛЫ GPT-4 КӨМЕГІМЕН «ЖЕР АСТЫНДАҒЫ ЖАЗБАЛАРДА» КӨҢІЛ-КҮЙ ДИНАМИКАСЫН МОДЕЛЬДЕУ

Бұл зерттеу Федор Достоевскийдің «Жер астындағы жазбалар» кітабының «Жер асты» деп аталатын бірінші бөліміндегі көңіл-күй мағынасының сөздерден сөйлемдерге, абзацтарға қалай өзгеретінін зерттейді. GPT-4 тіл үлгісін пайдалана отырып, біз стандартталған сезім мәндерінің сипаттамалық талдауын жүргіздік және мәтін бойынша жинақталған көңіл-күй траекторияларын есептедік. Содан кейін регрессиялық талдауды пайдалана отырып, көңіл-күй реңктерін модельдеу үшін дифференциалдық теңдеу үлгілерін жасадық. Біздің қорытындыларымыз сөздерден абзацтарға дейін көңіл-күйдің теріс болмайтынын, бұл контекст негативтілікті төмендететінін көрсетеді. Аз өзгергіштікпен параграфтың көңіл-күйі де тұрақталды. Бастапқы құлдыраудың баяндау доғасы болса, содан кейін көңіл-күй көтерілді. Параграфтар неғұрлым нюансты контекстті түсіре алатынын білдіретін ең жоғары негізгі ойға ие болды. Абзацтар қысқа мерзімді көңіл-күйді тез жоғалтты, бірақ уақыт өте келе жалпы мәтіндік сезімді сақтай отырып, абзацтармен сәйкестендірілген ұзақ мерзімді көңіл-күйді ұзаққа сақтады. Бұл тұжырымдар сезімнің тұрақтылығын қамтамасыз ететін тілдік бірліктер арасында күрделі динамика бар екенін көрсетті. Сандық ыдырау жылдамдығы – пайдалы көрсеткіштер, бірақ ол көңіл-күй тұрақтылығын толық сипаттамайды.

1. Misuraca M., Forciniti A., Scepi G., Spano M. (2020) Sentiment Analysis for Education with R: packages, methods and practical applications. arXiv:2005,12840.

2. Dietz-Uhler B. & Hurn E.J. (2013) Using learning analytics to predict (and improve) student success: A faculty perspective. Journal of Interactive Online Learning, 12, pp. 17–26.

3. Liu B. (2012) Sentiment Analysis and Opinion Mining. https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.pdf.

4. Wankhade M., Rao A.C.S. & Kulkarni C. (2022) A survey on sentiment analysis methods, applications, and challenges. Artif Intell Rev 55, pp. 5731–5780. https://doi.org/10.1007/s10462-022-10144-1.

5. Xing FZ, Cambria E., Welsch RE (2018) Natural language based financial forecasting: a survey. Artif Intell Rev 50(1), pp. 49–73.

6. Collomb A., Costea C., Joyeux D., Hasan O., Brunie L. (2014) A Study and Comparison of Sentiment Analysis Methods for Reputation Evaluation. Rapport de Recherche RR-LIRIS-2014-002.

7. Hemmatian F., Sohrabi MK (2019). A survey on classification techniques for opinion mining and sentiment analysis. Artif Intell Rev 52(3), pp. 1495–1545. https://doi.org/10.1007/s10462-017-9599-6.

8. Pontiki M. et al. (2016) SemEval-2016 task 5: aspect based sentiment analysis. In: Proceedings of the 10th international workshop on semantic evaluation (SemEval-2016), Association for Computational Linguistics, San Diego, CA, pp. 19–30.

9. Yadav A., Vishwakarma DK (2020) Sentiment analysis using deep learning architectures: a review. Artif Intell Rev 53(6), pp. 4335–4385.

10. Do H.H., Prasad P., Maag A., Alsadoon A. (2019) Deep learning for aspect-based sentiment analysis: a comparative review. Expert Syst Appl 118, pp. 272–299.

11. Zhang L., Wang S., Liu B. (2018) Deep learning for sentiment analysis: a survey. Wiley Interdiscip Rev 8(4), pp. e1253.

12. Maglogiannis I. et al. (2020) A deep learning approach to aspect-based sentiment prediction. In: Artificial intelligence applications and innovations16th IFIP WG 125 international conference, AIAI 2020, Neos Marmaras, Greece, June 5–7, 2020. Proceedings, Part I 583, pp. 397–408.

13. Meškelė D., Frasincar F. (2020) Aldonar: a hybrid solution for sentence-level aspect-based sentiment analysis using a lexicalized domain ontology and a regularized neural attention model. Inf Process Manag 57(3), pp. 102211. https://doi.org/10.1016/j.ipm.2020.102211.

14. Schouten K. & Frasincar F. (2018) Ontology-driven sentiment analysis of product and service aspects. In 15th Extended Semantic Web Conference (ESWC 2018), LNCS, Springer International Publishing ,vol. 10360, pp. 608–623.

15. Birjali M., Kasri M., Beni-Hssane A. (2021) A comprehensive survey on sentiment analysis: approaches, challenges and trends. Knowl-Based Syst 226, pp. 107134.

16. Leippold, M. (2023) Sentiment spin: Attacking financial sentiment with GPT-3. Finance Research Letters. https://doi.org/10.1016/j.frl.2023.103957.

17. Fan, David P., Cook, R. Dennis (2003) A differential equation model for predicting public opinions and behaviors from persuasive information: Application to the index of consumer sentiment. The Journal of Mathematical Sociology, 27(1), pp. 29–51. doi:10.1080/00222500305886.

18. Casillo M. et al. (2020) Chat-bot: a cultural heritage aware teller-bot for supporting touristic experiences. Pattern Recogn Lett 131, pp. 234–243. https://doi.org/10.1016/j.patrec.2020.01.003.

19. Chang M. et al. (2020) Building ontology-driven tutoring models for intelligent tutoring systems using data mining. IEEE Access 8, pp. 48151–48162. https://doi.org/10.1109/ACCESS.2020.2979281.

20. Colace F. de Santo M., Greco L. (2014) Safe: a sentiment analysis framework for e-learning. Int J Emerg Technol Learn 9(6), pp. 37–41. https://doi.org/10.3991/ijet.v9i6.4110.

21. D’Aniello G., Gaeta M. & La Rocca I. (2022) KnowMIS-ABSA: an overview and a reference model for applications of sentiment analysis and aspect-based sentiment analysis. Artif Intell Rev 55, pp. 5543–5574. https://doi.org/10.1007/s10462-021-10134-9.

22. Chen Z., Liu Y. & Sun H. (2021) Physics-informed learning of governing equations from scarce data. Nat Commun 12. https://doi.org/10.1038/s41467-021-26434-1.

23. Belsley D.A., Kuh E. & Welsch R.E. (1980) Regression Diagnostics: Identifying Influential Data and Sources of Collinearity. New York: Wiley.

24. Alpar R. (2022) Uygulamalı İstatistik ve Geçerlik Güvenirlik. Ankara: Detay Yayıncılık.

25. Schmidt M.D. & Lipson H. (2009) Distilling free-form natural laws from experimental data. Science 324, pp. 81–5.

26. Xue L. & Zou H. (2006) Parameter Estimation for Differential Equation Models Using a Framework of Measurement Error in Regression Models. Journal of the American Statistical Association, 101(475), pp. 1570– 1583. https://doi.org/10.1198/016214506000000691.