Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models
Diese Studie präsentiert ein Framework zur Analyse der Sentiment-Polarität in gedankengestützten Social-Media-Texten unter Verwendung eines groß angelegten Datensatzes und zeigt auf, dass traditionelle Modelle des maschinellen Lernens wie die logistische Regression sowie leichtgewichtige Transformer-Architekturen wie DistilBERT positive und negative Sentiments effektiv klassifizieren, während gleichzeitig die Notwendigkeit menschlicher Aufsicht in Anwendungen der psychischen Gesundheit hervorgehoben wird.