論文の概要: Do We Still Need Fine Tuning? Turkish Sentiment Analysis in the Era of Large Language Model

• arxiv url: http://arxiv.org/abs/2606.29614v1
• Date: Sun, 28 Jun 2026 21:41:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.982424
• Title: Do We Still Need Fine Tuning? Turkish Sentiment Analysis in the Era of Large Language Model
• Title（参考訳）: 微調整はいまだ必要か? トルコの大規模言語モデルにおける感性分析
• Abstract要約: 細調整されたBERTurkモデルは、全3クラスタスクにおいて、全ての大きな言語モデルに対して最高の性能と性能を発揮する。 この結果は、現実的なトルコ語の感情分類において、大きな言語モデルがゼロショット設定における教師付き微調整とまだ一致していないことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study examines whether supervised fine-tuning remains necessary for Turkish sentiment analysis in the era of large language models. We compare classical machine learning methods, fine-tuned pretrained language models, and prompted large language models on a Turkish e-commerce review dataset with negative, neutral, and positive labels. Fine-tuned BERTurk models perform best overall and outperform all prompted large language models in the full three-class task. The neutral class emerges as the main difficulty: while several large language models are much more competitive in binary positive--negative classification, they degrade substantially in the three-class setting by collapsing neutral reviews into polarized categories. The findings suggest that, in realistic Turkish sentiment classification, prompted large language models do not yet match supervised fine-tuning in the zero-shot setting, and that including the neutral class is crucial for robust evaluation.
• Abstract（参考訳）: 本研究では,大規模言語モデルにおけるトルコ語の感情分析において,教師付き微調整が依然として必要かどうかを検討する。 我々は、古典的な機械学習手法、微調整された事前訓練された言語モデルを比較し、ネガティブ、中立、ポジティブなラベルを持つトルコのeコマースレビューデータセットで大きな言語モデルを誘導した。 細調整されたBERTurkモデルは、全3クラスタスクにおいて、全ての大きな言語モデルに対して最高の性能と性能を発揮する。 いくつかの大きな言語モデルは二進正負の分類においてはるかに競争力があるが、中性レビューを偏化カテゴリに分解することで3クラス設定で大きく低下する。 この結果は、現実的なトルコ語の感情分類において、大きな言語モデルがゼロショット設定における教師付き微調整とまだ一致していないことを示唆し、中立クラスを含めることがロバストな評価に不可欠であることを示唆している。

関連論文リスト

• FIBER: A Multilingual Evaluation Resource for Factual Inference Bias [3.128106382761961]
  単元・多元設定における事実知識評価のベンチマークであるFIBERを提案する。 このデータセットには、英語、イタリア語、トルコ語での文補完、質問回答、オブジェクト数予測タスクが含まれている。 FIBERを用いて,提案言語がエンティティ選択における推論バイアスを誘導するかどうかを検討する。
  論文  参考訳（メタデータ） (2025-12-11T20:51:16Z)
• Are LLMs Enough for Hyperpartisan, Fake, Polarized and Harmful Content Detection? Evaluating In-Context Learning vs. Fine-Tuning [20.193445005516363]
  本研究では,超党派・フェイクニュース,有害ツイート,政治的偏見を検出するための多言語モデル適応パラダイムの概要を述べる。 パラメータ効率のよい言語モデルの微調整から、さまざまなインコンテキスト学習戦略やプロンプトまで、さまざまな戦略を試した。
  論文  参考訳（メタデータ） (2025-09-09T14:01:15Z)
• Collapsed Language Models Promote Fairness [88.48232731113306]
  偏りのある言語モデルはトークン表現と単語埋め込みの間に崩壊したアライメントを示す。 我々は,幅広い脱バイアス法において,公平性を効果的に向上する原理的な微調整法を設計する。
  論文  参考訳（メタデータ） (2024-10-06T13:09:48Z)
• Language Models for Text Classification: Is In-Context Learning Enough? [54.869097980761595]
  最近の基礎言語モデルでは、ゼロショットや少数ショットの設定で多くのNLPタスクで最先端のパフォーマンスが示されている。 より標準的なアプローチよりもこれらのモデルの利点は、自然言語(prompts)で書かれた命令を理解する能力である。 これにより、アノテーション付きインスタンスが限られているドメインのテキスト分類問題に対処するのに適している。
  論文  参考訳（メタデータ） (2024-03-26T12:47:39Z)
• How Different Is Stereotypical Bias Across Languages? [1.0467550794914122]
  近年の研究では、事前学習した英語モデルのステレオタイプバイアスを評価する方法が実証されている。 我々は、英語のStereoSetデータセット(Nadeem et al., 2021)を半自動でドイツ語、フランス語、スペイン語、トルコ語に翻訳する。 分析から得られた主な特徴は、mGPT-2は言語間で驚くべき反ステレオタイプ行動を示し、英語(モノリンガル)モデルは最も強いバイアスを示し、データセットに反映されるステレオタイプはトルコのモデルにはほとんど存在しないということである。
  論文  参考訳（メタデータ） (2023-07-14T13:17:11Z)
• FineDeb: A Debiasing Framework for Language Models [3.7698299781999376]
  言語モデルのための2相脱バイアスフレームワークであるFineDebを提案する。 以上の結果から,FinDebは他の方法と比較してデバイアスが強いことが示唆された。 我々のフレームワークは、複数のクラスを持つ人口層に対して一般化可能である。
  論文  参考訳（メタデータ） (2023-02-05T18:35:21Z)
• Training Language Models with Natural Language Feedback [51.36137482891037]
  3段階学習アルゴリズムを用いてモデル出力の言語フィードバックから学習する。 合成実験において、まず言語モデルがフィードバックを正確に組み込んで改良を行うかどうかを評価する。 人間の手書きフィードバックのサンプルは100程度しかなく, 学習アルゴリズムはGPT-3モデルを微調整し, ほぼ人間レベルの要約を行う。
  論文  参考訳（メタデータ） (2022-04-29T15:06:58Z)
• Understanding by Understanding Not: Modeling Negation in Language Models [81.21351681735973]
  否定は自然言語の中核構造である。 本稿では,否定された総称文に基づく不一致目的を用いて,言語モデリング目標の強化を提案する。 否定されたLAMAデータセットの平均top1エラー率を4%に削減します。
  論文  参考訳（メタデータ） (2021-05-07T21:58:35Z)
• Comparison of Interactive Knowledge Base Spelling Correction Models for Low-Resource Languages [81.90356787324481]
  低リソース言語に対する正規化の推進は、パターンの予測が難しいため、難しい作業である。 この研究は、ターゲット言語データに様々な量を持つニューラルモデルとキャラクタ言語モデルの比較を示す。 我々の利用シナリオは、ほぼゼロのトレーニング例によるインタラクティブな修正であり、より多くのデータが収集されるにつれてモデルを改善する。
  論文  参考訳（メタデータ） (2020-10-20T17:31:07Z)
• Harnessing Multilinguality in Unsupervised Machine Translation for Rare Languages [48.28540903568198]
  マルチリンガル性は低リソース環境において教師なしシステムの実現に不可欠であることを示す。 我々は,5つの低リソース言語(グジャラート語,カザフ語,ネパール語,シンハラ語,トルコ語)について,英語方向と英語方向の単一モデルを提案する。 我々は、これらの言語の現在最先端の教師なしベースラインを全て上回り、最大14.4BLEUのゲインを得る。
  論文  参考訳（メタデータ） (2020-09-23T15:07:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。