Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models
Deze studie presenteert een raamwerk voor het analyseren van sentimentpolariteit in gedachte-gerelateerde teksten op sociale media met behulp van een grootschalige dataset, waarbij wordt aangetoond dat traditionele machine learning-modellen zoals logistische regressie en lichtgewicht transformer-architecturen zoals DistilBERT effectief positieve en negatieve sentimenten classificeren, terwijl de noodzaak van menselijk toezicht in toepassingen voor geestelijke gezondheidszorg wordt benadrukt.