Core Concepts
大規模言語モデルを用いて、政治ニュース記事におけるエンティティ固有の感情を正確に予測することができる。
Abstract
本研究では、大規模言語モデル(LLM)を用いて、政治ニュース記事におけるエンティティ固有の感情を予測する手法を提案している。ゼロショットおよびフューショット学習アプローチを活用し、LLMがニュース記事のコンテキストからエンティティに対する感情を見出す能力を検証している。特に、チェーン・オブ・シンキング(COT)プロンプティングと、少数事例学習時のラショナル(根拠)の活用が、感情予測の精度向上に寄与することを示している。評価実験の結果、提案手法はベースラインのBERTモデルを上回る性能を発揮し、LLMがエンティティ固有の感情分析に有効であることが確認された。一方で、COTプロンプティングの有効性は一定ではなく、適切なプロンプト設計とモデルアーキテクチャの重要性が示唆された。
Stats
政治エンティティに対する感情は、ニュース記事の段落間で大きく変動する可能性がある。
単一のニュース記事の中に、同一エンティティに対する複数の意見が含まれることがある。
ニュース記事には、エンティティ固有の感情を抽出するのに関連性の低い情報が多く含まれている。
Quotes
"LLMは、ニュース記事のコンテキストから、エンティティに対する感情を正確に捉えることができる。"
"COTプロンプティングと少数事例学習時のラショナルの活用が、感情予測の精度向上に寄与する。"
"適切なプロンプト設計とモデルアーキテクチャが、LLMの性能向上に重要である。"