Introduzione

I modelli di sentimento basati su transformer sono stati sempre più utilizzati per l'analisi delle opinioni sui social media. Tuttavia, i cambiamenti temporali possono compromettere la loro stabilità e accuratezza.

Metodologia

L'autore analizza la stabilità dei modelli di sentimento tramite un approccio zero-training, applicando le sue abilità ai flussi sociali autentici di grandi eventi. Il metodo è stato valutato su tre diverse architetture transformer e 12.279 pubblicazioni sociali autentiche.

Risultati

I risultati mostrano una significativa instabilità dei modelli con cadute dell'accuratezza fino al 23,4% durante i periodi degli eventi. L'autore ha introdotto quattro metriche di drift nuove che superano le basi basate sull'embedding e sono adatte per applicazioni in produzione.

Conclusioni

La scoperta di questi cambiamenti temporali può aiutare a migliorare la stabilità dei modelli di sentimento e garantire risultati più precisi. Questo metodo zero-training rappresenta una buona soluzione per l'applicazione di modelli di sentimento in situazioni dinamiche.