重塑大语言模型时代的情感分析：方法、评估与可持续性的综合综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Reframing sentiment analysis in the LLM Era: a comprehensive review of methods, evaluation, and sustainability

　　

摘要

情感分析已从基于词典的流水线迅速发展为以 Transformer 和大语言模型为中心的系统，其应用范围已扩展至金融、医疗、危机监测、教育和公众舆论分析等领域，同时也暴露出在可复现性、校准、公平性、操作可靠性和生态可持续性方面的持续挑战。本调查对 Transformer 和 LLM 时代情感分析的 165 项研究进行了结构化综合，这些研究构成了分析和上下文参考语料库，在加强纳入/排除标准下选入，以支持任务、方法、理论、语言、领域和评估的覆盖范围。这一综合分析辅以针对调查文献的描述性映射，并对 89 篇实证技术论文进行了保守的报告普遍性审计。PRISMA 2020 声明被单独引用作为方法学报告参考。我们提出了五项贡献。首先，我们将情感分析研究整理为文档级极性、基于方面的情感分析、情感识别、立场、讽刺和对话设置，包括单模态、多模态和多语言场景。其次，我们总结了一个评估包，该包超越了主要准确率或宏 F1，包括校准、子组公平性、操作指标和生态指标，同时明确将跨研究指标值视为非协调参考点，而不是汇总估计。第三，我们回顾了基于 LLM 的情感分析中的可复现性和漂移风险，并确定了报告和版本标识符、提示模板、推理日期、解码设置和操作上下文等报告项目。第四，我们通过延迟、令牌成本、硬件/运行时信息、能量或碳估算以及示例性的每瓦情感报告比率来讨论可持续感知报告。最后，我们将观察到的前沿方法和开放挑战组织成一个结构化的研究议程，连接知识增强建模、社会文化稳健性、持续学习、隐私保护训练和有据可查的评估实践。跨领域和方法论的证据表明，情感分析未来的进步不仅取决于模型规模，还取决于知识、校准、公平性和生命周期感知评估的有据可查的整合。因此，本综述将情感分析框定为一个方法论领域，在该领域中，任务性能、可复现性、问责制和可持续性需要共同评估。