Pruebas de referencia de análisis de sentimientos: ChatGPT, Claude y DeepSeek

actualizado el 15 de jun. de 2026

Lograr un etiquetado preciso de emociones y sentimientos, así como detectar ironía, odio y ofensividad, sigue siendo un desafío que requiere más pruebas y refinamiento. Evaluamos ocho LLMs, Claude 3.5, Claude 3.7, Claude 4.5, ChatGPT 4.o, ChatGPT 4.5, ChatGPT 5.o, DeepSeek V3 y Grok 4, en cinco tareas clave relacionadas con los sentimientos.

Los resultados destacan claras distinciones entre las herramientas:

Claude 3.7 logró la mejor precisión general (79%),
ChatGPT 4.5 y DeepSeek V3 (70%) registraron el rendimiento general más bajo.

Resultados experimentales: referencia de análisis de sentimientos

Loading Chart

Clasificación: Las herramientas se clasifican según sus tasas de precisión promedio agregadas en todas las categorías probadas: emoción, odio, ironía, ofensividad y sentimiento.

Para más detalles, lea la metodología de nuestra referencia.

Precisión general

Combinando todas las tareas, las puntuaciones totales de precisión de los modelos ofrecen una visión holística de sus capacidades:

Claude 3.7 superó a todas las demás herramientas en todas las categorías excepto en la detección de ironía. La precisión promedio de Claude 3.7 para las 5 categorías es de casi el 80%.
Claude 3.5 su rendimiento osciló entre el 67% y el 98%, mostrando mejoras notables en pruebas de menor volumen.
ChatGPT 5.o Auto alcanzó un promedio general del 75%, posicionándose como un rendimiento equilibrado en todas las categorías.
Claude 4.5 logró una precisión general del 75%. Mostró fortaleza en la detección de emociones, ironía y ofensividad, pero tuvo un rendimiento deficiente en la clasificación de odio, lo que redujo su equilibrio.
ChatGPT 4.o, con una precisión de etiquetado general que oscila entre el 64% y el 98%, es más exitoso que cualquier otra herramienta en la categoría de detección de ironía.
Grok 4 alcanzó una precisión general del 71%. Aunque tuvo un buen rendimiento en la detección de emociones, sus limitaciones en la clasificación de ironía, ofensividad y sentimiento redujeron su competitividad.
DeepSeek V3 su precisión en la detección de diferentes emociones/sentimientos oscila entre el 52% y el 92%.
ChatGPT 4.5 trae el peor rendimiento en el análisis de sentimientos para nuestra muestra, promediando el 70%.

1. Detección de emociones

La detección de emociones es una tarea desafiante en el análisis de sentimientos, que a menudo requiere que los modelos discernan señales sutiles en el lenguaje. Así es como se desempeñaron los modelos:

ChatGPT 4.o logró una precisión del 72% al analizar 50 declaraciones.
ChatGPT 4.5 compartió la mayor precisión en la detección de emociones con Claude 3.7, con una tasa de éxito de ~80% al analizar 50 declaraciones.
ChatGPT 5.o Auto igualó la mayor tasa de éxito con una precisión del 80%, poniéndolo a la par con Claude 3.7 y ChatGPT 4.5.
Claude 3.5, por otro lado, obtuvo un 77.5%.
Claude 3.7 logró la mayor tasa de éxito de ~80% en la detección de emociones al analizar 50 declaraciones.
Claude 4.5 superó ligeramente a todos los demás en esta tarea, alcanzando la puntuación máxima del 82% de precisión.
DeepSeek V3 analiza las emociones en las 50 declaraciones dadas a la vez con una precisión de ~76%.
Grok 4 demostró un fuerte rendimiento, logrando una precisión del 80% en la detección de emociones.

2. Detección de odio

La detección de contenido odioso es crucial para la clasificación de sentimientos en Twitter y otras tareas de moderación. Los resultados revelaron diferencias notables:

ChatGPT 4.o exhibió una precisión del 64%.
ChatGPT 4.5 presentó una tasa de éxito de ~57% de precisión en la detección de odio en nuestra muestra.
ChatGPT 5.o Auto mostró un éxito limitado en esta tarea con una precisión del 54%.
Claude 3.5 mostró un éxito del 67.5% en la detección de odio.
Claude 3.7, con una tasa de éxito del 78%, evaluó los tweets para detectar declaraciones odiosas con la mayor precisión entre las demás herramientas.
Claude 4.5 registró el resultado más débil entre todos los modelos, con una tasa de precisión del 50% en la detección de contenido odioso.
DeepSeek V3 logró la puntuación más baja en la referencia, con solo un 52% de éxito en la detección de odio.
Grok 4 obtuvo un resultado moderadamente bueno del 65%.

3. Detección de ironía

La detección de ironía es un área donde la evaluación semántica juega un papel fundamental. Ambos modelos entregaron un alto rendimiento en la referencia de análisis de sentimientos, pero GPT-4o surgió como un líder claro:

ChatGPT 4.o mantuvo una precisión excepcional del 98% en la identificación de expresiones irónicas. Este éxito se puede atribuir a su capacidad para interpretar la polaridad negativa dentro de escenarios complejos de clasificación de texto.
ChatGPT 4.5, con una tasa de éxito del 87%, predijo la ironía del texto dado de la manera menos exitosa entre las otras herramientas que hemos probado en esta comparación para la detección de emociones/sentimientos.
ChatGPT 5.o Auto demostró una sólida capacidad para detectar ironía, logrando una precisión del 93%.
Claude 3.5 obtuvo una puntuación ligeramente inferior a ChatGPT 4.o, logrando una precisión del 97% con 50 declaraciones.
Claude 3.7 detectó la ironía con una precisión de ~96% para el texto dado.
Claude 4.5 entregó uno de los rendimientos más altos en la detección de ironía, con una tasa de precisión del 95%.
DeepSeek V3 logró una tasa de éxito de ~92% en la detección de ironía para los tweets dados.
Grok 4 se quedó atrás en esta área, obteniendo un 83%, el más bajo de todos los modelos probados.

Dada la alta precisión general de los modelos, todos son adecuados para mensajes de Twitter que involucran contenido irónico o sarcástico. Sin embargo, el éxito de GPT-4o le da una ventaja significativa para aplicaciones que requieren un estándar de referencia de confiabilidad para los sentimientos.

4. Detección de ofensividad

La detección de contenido ofensivo es crítica para mantener comunidades en línea saludables. Los rendimientos de referencia de análisis de sentimientos de los modelos en esta tarea fueron los siguientes:

ChatGPT 4.o obtuvo un 76% con tamaños de declaración de 50. Esto se alinea con sus sólidos enfoques de aprendizaje automático y su capacidad para adaptarse a las variaciones en el volumen de datos.
ChatGPT 4.5 logró ~75% de tasa de éxito en la detección de ofensividad para los Tweets dados.
ChatGPT 5.o Auto logró la mayor tasa de éxito entre todas las herramientas para la detección de ofensividad, con una precisión del 82%
Claude 3.5 presentó la menor precisión en la detección de ofensividad entre las cinco herramientas, con una tasa de éxito de ~67% de precisión con 50 declaraciones.
Claude 3.7 obtuvo la mayor detección de ofensividad dentro de nuestra muestra con una tasa de éxito de ~77%.
Claude 4.5 detectó ofensividad con un 81%, reforzando su fortaleza en esta tarea.
DeepSeek V3 detectó declaraciones ofensivas con una precisión del 69%.
Grok 4 logró un modesto 67%, clasificándose entre los rendimientos más débiles en esta categoría.

Estos resultados subrayan la importancia del contexto y el entrenamiento en el diseño de modelos para la detección de lenguaje ofensivo, donde los patrones en el conjunto de datos pueden impactar significativamente los resultados.

5. Análisis de sentimientos

La tarea general de análisis de sentimientos se centró en clasificar los datos en sentimientos positivos, negativos y neutrales. Las puntuaciones de precisión para esta tarea variaron significativamente entre los modelos:

ChatGPT 4.o obtuvo una tasa de éxito del 64%.
ChatGPT 4.5, con la tasa de éxito más baja de menos del 54%, presentó la menor precisión en la clasificación de sentimientos en Twitter.
ChatGPT 5.o Auto obtuvo un 67% en la clasificación general de sentimientos, colocándolo en el rango medio en comparación con otras herramientas.
Claude 3.5 mostró un mejor rendimiento en 50 declaraciones, con una precisión del 68%.
Claude 3.7, con una tasa de éxito de ~68%, compartió el mejor rendimiento con Claude 3.5 en la detección de sentimientos.
Claude 4.5 logró el mayor rendimiento con una tasa de precisión del 69%.
DeepSeek V3 obtuvo una tasa de precisión del 64% en la detección de sentimientos positivos, negativos y neutrales.
Grok 4 mostró un bajo rendimiento, con solo un 60% de precisión.

Ninguno de los modelos demostró competencia en el manejo de la clasificación de sentimientos, cuya tasa de éxito osciló entre ~54% y 69%.

Observaciones y perspectivas

Impacto del volumen de entrada

Ambos modelos mostraron un mejor rendimiento en la referencia de análisis de sentimientos con volúmenes de entrada más pequeños en algunas tareas, enfatizando la importancia de reducir el ruido en los datos de entrenamiento para tareas como la detección de odio y la clasificación de sentimientos.

Fortalezas específicas de la tarea

GPT-4o dominó en la detección de ironía y se desempeñó consistentemente bien en todas las tareas. Claude 3.5, aunque ligeramente menos consistente, destacó en tareas como la detección de emociones, especialmente con volúmenes de entrada más grandes.

Implicaciones más amplias

Estos resultados experimentales validan la efectividad de usar conjuntos de datos de referencia como TweetEval para la investigación de clasificación de texto. Los hallazgos pueden guiar a la comunidad de investigación en la selección del modelo correcto según su caso de uso específico, ya sea que involucre detectar la intensidad del sentimiento matizado o analizar la polaridad negativa en mensajes de Twitter.

Conjunto de datos de referencia y metodología

Conjunto de datos de análisis

El conjunto de datos TweetEval fue seleccionado debido a su relevancia para las técnicas de análisis de sentimientos aplicadas a mensajes reales de Twitter.¹ El conjunto de datos es parte de la iniciativa de la asociación de lingüística computacional (ACL) y se usa ampliamente en tareas de evaluación semántica y clasificación de texto. Consiste en datos de entrenamiento preetiquetados y conjuntos de prueba que cubren varias dimensiones de comprensión de sentimientos y contexto:

Detección de emociones: Identificar tonos emocionales como ira, alegría, optimismo o tristeza en tweets.

Ejemplo de tweet y etiqueta: El tweet "#Deppression es real. Socios w/ #depressed personas realmente no entienden la profundidad en la que nos afectan. Agregue #anxiety &lo hace peor" está etiquetado como triste.²

Detección de odio: Evaluar la presencia de discurso de odio en los tweets dados.

Ejemplo de tweet y etiqueta: El tweet "Trump quiere deportar a inmigrantes ilegales con 'sin jueces ni casos judiciales' #MeTooEstoy firmemente detrás de esta acciónLa idea de que alguien entre ilegalmente a un país y no muestre respeto por sus leyes, debería estar protegido por las mismas leyes es ridículo!#DeportThemAll" está etiquetado como odioso.³

Detección de ironía: Reconocer la intención irónica en el contenido textual.

Ejemplo de tweet y etiqueta: El tweet "La gente que le dice a la gente con ansiedad que 'simplemente deje de preocuparse por eso' es mi tipo favorito de gente #not #educateyourself" está etiquetado como ironía.⁴

Detección de ofensividad: Clasificar tweets con lenguaje ofensivo.

Ejemplo de tweet y etiqueta: El tweet "#ConstitutionDay Es muy extraño para los conservadores de la derecha alternativa decir que estamos arruinando la constitución solo porque queremos #GunControlNow pero son ellos quienes están arruinando la constitución enojados porque los extranjeros vienen a esta tierra que no son Blancos queriendo vivir" está etiquetado como ofensivo.⁵

Clasificación de sentimientos: Asignar etiquetas positivas, negativas o neutrales a los tweets.

Ejemplo de tweet y etiqueta: El tweet "No puedo esperar a probar esto – Google Earth VR – esto realmente es el futuro de la exploración…." está etiquetado como positivo.⁶

Estas tareas se alinean con enfoques reales de aprendizaje automático, lo que las hace ideales para evaluar los resultados experimentales de los dos modelos.

Metodología de análisis

Esta referencia compara ocho modelos de lenguaje grandes de última generación (LLMs): Claude 3.5, Claude 3.7, Claude 4.5, ChatGPT 4.o, ChatGPT 4.5, ChatGPT 5.o, DeepSeek V3 y Grok 4.

Configuración experimental

Para garantizar la consistencia y confiabilidad en los experimentos, se empleó la siguiente metodología:

Volumen de entrada

Se probaron dos volúmenes de entrada: 50 tweets y 10 tweets por tarea.
Esta variación tuvo como objetivo determinar cómo el tamaño de la entrada impacta el rendimiento del modelo, especialmente en tareas como el análisis de sentimientos basado y la detección de odio donde el volumen de datos puede influir en la precisión.

Evaluación específica de la tarea

Cada tarea del conjunto de datos TweetEval se probó por separado. Las tareas y los resultados correspondientes se analizaron utilizando los modelos de análisis de sentimientos de los modelos, y se registraron las puntuaciones de precisión.

Métricas utilizadas

Se calcularon puntuaciones de precisión para cada tarea para garantizar resultados experimentales confiables.

Limitaciones de la configuración

Hemos utilizado conjuntos de datos donde las verdades fundamentales estaban disponibles públicamente. Esto podría haber llevado a la contaminación de datos (es decir, LLMs entrenados en la verdad fundamental). Sin embargo, asumimos que este no es el caso, ya que las precisiones no estaban cerca de ser perfectas. Para la próxima versión, podemos considerar usar tweets para los cuales la verdad fundamental no se ha publicado.

Descripción detallada de los LLMs

Todas las herramientas, ChatGPT 4.o, 4.5, Claude 3.5, 3.7 y DeepSeek V3, representan avances significativos en el campo del procesamiento del lenguaje natural (NLP), con aplicaciones que van desde el análisis de sentimientos hasta la IA conversacional. Estos modelos están entre los más reconocidos por su capacidad para interpretar, procesar y generar texto similar al humano. A continuación se presenta una descripción detallada de cada modelo, destacando sus capacidades únicas y su relevancia para la clasificación de sentimientos y tareas relacionadas de aprendizaje automático.

ChatGPT 4.o

ChatGPT 4.o, desarrollado por OpenAI, es una versión mejorada de su predecesor, GPT-3.5, y presenta mejoras significativas en la arquitectura de aprendizaje profundo y la comprensión del lenguaje. Este modelo está optimizado para una amplia gama de tareas de NLP, incluidos modelos de análisis de sentimientos y análisis de sentimientos basado en aspectos.

Aplicaciones en análisis de sentimientos

ChatGPT 4.o se usa con frecuencia en la comunidad de investigación y la industria para tareas como:

Mensajes de Twitter análisis de sentimientos para monitoreo de redes sociales.
Clasificación de sentimientos de comentarios de clientes en comercio electrónico.
Detección de emociones en aplicaciones de salud mental.
Análisis de sentimientos basado en aspectos para reseñas de productos y encuestas.

Limitaciones

A pesar de sus fortalezas, ChatGPT 4.o puede ocasionalmente sobreajustarse a patrones de sentimientos específicos, lo que lleva a una precisión reducida en contextos altamente específicos del dominio.

ChatGPT 4.5

ChatGPT 4.5, un desarrollo adicional de la serie GPT de OpenAI, ofrece un rendimiento sólido en varias tareas de análisis de sentimientos. Demuestra un buen dominio de la categorización de emociones, pero su rendimiento en la detección de odio y la clasificación de sentimientos es relativamente más bajo, lo que puede limitar su aplicación en ciertos contextos altamente sensibles.

Aplicaciones en análisis de sentimientos

ChatGPT 4.5 se usa a menudo en:

Herramientas de moderación para detectar lenguaje ofensivo y discurso de odio.
Detección de ironía en discusiones en línea y comentarios de noticias.
Análisis de sentimientos en redes sociales para medir la opinión pública sobre varios temas.
Análisis de comentarios de clientes para plataformas de comercio electrónico, con énfasis en las emociones.

Limitaciones

El rendimiento de ChatGPT 4.5 en el análisis de sentimientos se ve obstaculizado por su precisión relativamente más baja en la clasificación de sentimientos y la detección de odio.

ChatGPT 5.o

ChatGPT 5.o representa la generación más nueva de modelos de OpenAI, con mejoras en el razonamiento contextual, la detección de matices y la moderación de contenido. Si bien su precisión promedio coincide con la de Claude 4.5 (75%), el modelo destaca por su rendimiento excepcional en la detección de ofensividad (82%) y la detección de ironía (93%).

Aplicaciones en análisis de sentimientos

ChatGPT 5.o es particularmente efectivo para:

Detección de ofensividad en foros en línea y plataformas de redes sociales, donde su precisión supera a todas las demás herramientas.
Análisis de ironía y sarcasmo, apoyando a investigadores y empresas en la comprensión de contenido complejo generado por el usuario.
Reconocimiento de emociones en comentarios de servicio al cliente, monitoreo de salud mental y seguimiento de sentimientos en redes sociales.
Clasificación general de sentimientos en datos de encuestas a gran escala, donde se prefiere un rendimiento equilibrado en todas las categorías.

Limitaciones

A pesar de sus fortalezas, los resultados más débiles de ChatGPT 5.o en la detección de odio (54%) reducen su idoneidad para moderación de alto riesgo que involucra lenguaje tóxico o discriminatorio.

Claude 3.7

Claude 3.7 se basa en las fortalezas de su predecesor, Claude 3.5, ofreciendo mejoras en la comprensión del contexto y la precisión de los sentimientos. Con un fuerte enfoque en prácticas de IA seguras y éticas, Claude 3.7 destaca en la detección de sentimientos complejos, incluidas emociones, ironía y discurso odioso, lo que lo convierte en una opción ideal para aplicaciones que requieren altos niveles de sensibilidad y contexto.

Aplicaciones en análisis de sentimientos

Claude Sonnet 3.7 es altamente efectivo para tareas como:

Detección de emociones en comentarios de clientes y aplicaciones de salud mental.
Detección de odio y ofensividad para moderación de contenido en línea, asegurando espacios seguros en plataformas digitales.
Clasificación de sentimientos en investigación de mercado e inteligencia empresarial.

Limitaciones

Aunque Claude 3.7 supera a todos los modelos en áreas clave de sentimientos, su rendimiento en escenarios altamente específicos del dominio aún podría enfrentar desafíos, especialmente con formas sutiles de sentimientos. Además, su precisión en la detección de sentimientos relacionados con señales contextuales más matizadas o menores puede requerir un mayor refinamiento.

Claude 3.5

Claude 3.5, creado por Anthropic, es un modelo de NLP diseñado con un enfoque en la seguridad, el comportamiento ético y la generación precisa de texto. Es particularmente adecuado para tareas que requieren sensibilidad al contexto y técnicas de análisis de sentimientos matizadas.

Aplicaciones en análisis de sentimientos

Claude 3.5 para trabajar en escenarios como:

Detección de odio para monitorear redes sociales y plataformas en línea.
Detección de ofensividad en sistemas de moderación de contenido.
Servicio al cliente interacciones, con énfasis en la clasificación de sentimientos para mejorar la experiencia del usuario.
Análisis de sentimientos basado en aspectos para identificar tendencias de sentimientos en inteligencia empresarial.

Limitaciones

Aunque Claude 3.5 destaca en la comprensión ética y contextual, a veces tiene un rendimiento deficiente en la detección de sentimientos altamente sutiles o implícitos en comparación con sus competidores. Además, su conjunto de datos de entrenamiento es menos diverso que el de ChatGPT 4.o, lo que puede resultar en una menor robustez en algunos conjuntos de datos de referencia.

Claude 4.5

Claude 4.5 se basa en la serie Claude de Anthropic con mejoras en la sensibilidad contextual y la interpretabilidad. Promediando el 75% en tareas de análisis de sentimientos, Claude 4.5 logró la mayor precisión en la detección de emociones (82%), un fuerte rendimiento en ironía (95%) y detección de ofensividad (81%), pero se quedó corto en la detección de odio (50%), el más bajo entre todos los modelos probados.

Aplicaciones en análisis de sentimientos

Claude 4.5 es adecuado para:

Detección de emociones en aplicaciones donde las señales sutiles son críticas, como comentarios de atención médica o aplicaciones de bienestar.
Identificación de ironía y sarcasmo en monitoreo de redes sociales y minería de opiniones, donde la interpretación matizada es esencial.
Detección de ofensividad en moderación de contenido, proporcionando resultados competitivos para construir espacios en línea más seguros.
Clasificación de sentimientos en investigación de mercado y análisis de marca, beneficiándose de su detección de polaridad equilibrada pero ligeramente más fuerte (69%).

Limitaciones

La baja precisión de Claude 4.5 en la detección de odio (50%) limita significativamente su utilidad en escenarios que involucran discurso dañino o tóxico. Además, aunque destaca en ciertas categorías, su rendimiento es desigual en las tareas, lo que lo hace menos confiable para proyectos que requieren precisión uniforme en todas las dimensiones de los sentimientos.

DeepSeek V3

DeepSeek V3 ofrece resultados sólidos en una amplia gama de tareas de análisis de sentimientos, pero su precisión general se queda atrás de otros modelos, especialmente en la detección de odio.

Aplicaciones en análisis de sentimientos

DeepSeek V3 se usa ampliamente para:

Detección de emociones en aplicaciones de salud mental y seguimiento de sentimientos de clientes.
Detección de ironía en conversaciones casuales, incluidas plataformas de redes sociales y contenido generado por el usuario.
Clasificación básica de sentimientos para encuestas de investigación de mercado y formularios de comentarios.
Moderação de contenido para filtrar lenguaje ofensivo en foros en línea.

Limitaciones

El menor rendimiento de DeepSeek V3 en la detección de contenido odioso y sus capacidades relativamente más débiles de clasificación general de sentimientos lo hacen menos adecuado para aplicaciones de alto riesgo como la moderación de contenido en plataformas sensibles.

Grok 4

Grok es un modelo de IA conversacional desarrollado con un enfoque en el humor, la interacción social y el compromiso dinámico. En las referencias de análisis de sentimientos, Grok logró una precisión promedio del 71%, donde ocupó el último lugar entre todos los modelos probados.

Aplicaciones en análisis de sentimientos

Grok se puede aplicar a:

Detección de emociones en aplicaciones interactivas, donde identificar el tono y el estado de ánimo mejora el compromiso del usuario.
Herramientas de moderación, particularmente para detectar contenido odioso a un nivel de precisión moderado (65%).
Detección de ironía ligera en el discurso en línea, aunque con limitaciones en comparación con modelos más avanzados.
Análisis exploratorio de sentimientos en entornos creativos o informales, donde se prioriza el flujo conversacional sobre la alta precisión.

Limitaciones

La debilidad de Grok en la clasificación de sentimientos (60%) y su menor precisión en la detección de ironía (83%) restringen su uso en investigación de alta precisión o análisis comerciales. Su énfasis de diseño en la capacidad de respuesta conversacional sobre la precisión de la referencia lo hace menos adecuado para tareas que requieren confiabilidad constante en la categorización de sentimientos.

Descubre más de nuestros análisis comparativos e insights basados en datos en la Búsqueda de Google.

Añadir como fuente preferida

Lectura adicional

Cita este benchmark

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

Ezgi Arslan, PhD. (2026) - "Pruebas de referencia de análisis de sentimientos: ChatGPT, Claude y DeepSeek". Publicado en línea en AIMultiple.com. Recuperado el 15 de Junio de 2026, de: https://aimultiple.com/sentiment-analysis-benchmark [Recurso en línea]

PhD., E. A. (2026, 15 de Junio). Pruebas de referencia de análisis de sentimientos: ChatGPT, Claude y DeepSeek. AIMultiple. https://aimultiple.com/sentiment-analysis-benchmark

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Pruebas de referencia de análisis de sentimientos: ChatGPT, Claude y DeepSeek}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/sentiment-analysis-benchmark}},
  note   = {AIMultiple. Recuperado el 15 de Junio de 2026}
}

Enlaces de referencia

Cardiff NLP · GitHub

SemEval-2018 Task 1: Affect in Tweets - ACL Anthology

SemEval-2019 Task 5: Multilingual Detection of Hate Speech Against Immigrants and Women in Twitter - ACL Anthology

SemEval-2018 Task 3: Irony Detection in English Tweets - ACL Anthology

SemEval-2019 Task 6: Identifying and Categorizing Offensive Language in Social Media (OffensEval) - ACL Anthology

SemEval-2017 Task 4: Sentiment Analysis in Twitter - ACL Anthology

Ezgi Arslan, PhD.

Analista de la industria

Ezgi es doctora en Administración de Empresas con especialización en finanzas y trabaja como analista de la industria en AIMultiple. Impulsa la investigación y el análisis en la intersección de la tecnología y los negocios, con experiencia en sostenibilidad, análisis de encuestas y sentimientos, aplicaciones de agentes de IA en finanzas, optimización de motores de búsqueda, gestión de cortafuegos y tecnologías de adquisiciones.

Ver perfil completo