Test de référence d'analyse des sentiments: ChatGPT, Claude & DeepSeek

Obtenir un étiquetage précis des émotions et des sentiments, ainsi que détecter l'ironie, la haine et l'offensivité, reste un défi, nécessitant davantage de tests et de raffinements. Nous évaluons huit LLMs, Claude 3.5, Claude 3.7, Claude 4.5, ChatGPT 4.o, ChatGPT 4.5, ChatGPT 5.o, DeepSeek V3, et Grok 4, sur cinq tâches clés liées aux sentiments.

Les résultats mettent en évidence des distinctions claires entre les outils :

• Claude 3.7 a obtenu la meilleure précision globale (79%),
• ChatGPT 4.5 et DeepSeek V3 (70%) ont enregistré les performances globales les plus faibles.

Résultats expérimentaux : benchmark d'analyse des sentiments

Classement : Les outils sont classés selon leurs taux de précision moyens agrégés sur toutes les catégories testées : émotion, haine, ironie, offensivité et sentiment.

Pour plus de détails, lisez la méthodologie de notre benchmark.

Précision globale

En combinant toutes les tâches, les scores de précision totaux des modèles offrent une vue d'ensemble de leurs capacités :

• Claude 3.7 a surpassé tous les autres outils pour toutes les catégories sauf la détection de l'ironie. La précision moyenne de Claude 3.7 pour les 5 catégories est d'environ 80%.
• Claude 3.5 a affiché des performances comprises entre 67% et 98%, montrant des améliorations notables dans les tests à faible volume.
• ChatGPT 5.o Auto a atteint une moyenne globale de 75%, se positionnant comme un performeur équilibré dans toutes les catégories.
• Claude 4.5 a obtenu une précision globale de 75%. Il a montré des forces dans la détection des émotions, de l'ironie et de l'offensivité, mais a été en dessous dans la classification de la haine, ce qui a réduit son équilibre.
• ChatGPT 4.o, avec une précision d'étiquetage générale comprise entre 64% et 98%, est plus performant que tout autre outil dans la catégorie de la détection de l'ironie.
• Grok 4 a atteint une précision globale de 71%. Bien qu'il ait bien performé dans la détection des émotions, ses limites dans la détection de l'ironie, de l'offensivité et la classification des sentiments ont réduit sa compétitivité.
• DeepSeek V3 a une précision dans la détection des différentes émotions/sentiments comprise entre 52% et 92%.
• ChatGPT 4.5 apporte la pire performance en analyse des sentiments pour notre échantillon, avec une moyenne de 70%.

1. Détection des émotions

La détection des émotions est une tâche difficile en analyse des sentiments, nécessitant souvent aux modèles de discerner des indices subtils dans le langage. Voici comment les modèles ont performé :

• ChatGPT 4.o a atteint 72% de précision en analysant 50 déclarations.
• ChatGPT 4.5 a partagé la précision la plus élevée en détection des émotions avec Claude 3.7, avec un taux de réussite d'environ 80% en analysant 50 déclarations.
• ChatGPT 5.o Auto a égalé le taux de réussite le plus élevé avec 80% de précision, le mettant à égalité avec Claude 3.7 et ChatGPT 4.5.
• Claude 3.5, d'autre part, a obtenu 77,5%.
• Claude 3.7 a atteint le taux de réussite le plus élevé d'environ 80% en détection des émotions en analysant 50 déclarations.
• Claude 4.5 a légèrement surpassé tous les autres dans cette tâche, atteignant le score le plus élevé de 82% de précision.
• DeepSeek V3 analyse les émotions dans les 50 déclarations données à la fois avec une précision d'environ 76%.
• Grok 4 a démontré une forte performance, atteignant 80% de précision en détection des émotions.

2. Détection de la haine

Détecter le contenu haineux est crucial pour la classification des sentiments sur Twitter et d'autres tâches de modération. Les résultats ont révélé des différences notables :

• ChatGPT 4.o a affiché une précision de 64%.
• ChatGPT 4.5 a présenté un taux de réussite d'environ 57% de précision dans la détection de la haine dans notre échantillon.
• ChatGPT 5.o Auto a montré un succès limité dans cette tâche avec 54% de précision.
• Claude 3.5 a montré un succès de 67,5% dans la détection de la haine.
• Claude 3.7, avec un taux de réussite de 78%, a évalué les tweets pour détecter les déclarations haineuses avec la précision la plus élevée parmi les autres outils.
• Claude 4.5 a enregistré le résultat le plus faible parmi tous les modèles, avec un taux de précision de 50% dans la détection du contenu haineux.
• DeepSeek V3 a obtenu le score le plus bas du benchmark, avec seulement 52% de succès dans la détection de la haine.
• Grok 4 a obtenu un score modérément bon à 65%.

3. Détection de l'ironie

La détection de l'ironie est un domaine où l'évaluation sémantique joue un rôle pivot. Les deux modèles ont livré de fortes performances de benchmark d'analyse des sentiments, mais GPT-4o est apparu comme un leader clair :

• ChatGPT 4.o a maintenu une précision exceptionnelle de 98% dans l'identification des expressions ironiques. Ce succès peut être attribué à sa capacité à interpréter la polarité négative dans des scénarios complexes de classification de texte.
• ChatGPT 4.5, avec un taux de réussite de 87%, a prédit l'ironie du texte donné de la manière la moins réussie parmi les autres outils que nous avons testés dans cette comparaison pour la détection des émotions/sentiments.
• ChatGPT 5.o Auto a démontré une capacité solide à détecter l'ironie, atteignant 93% de précision.
• Claude 3.5 a obtenu un score légèrement inférieur à ChatGPT 4.o, atteignant 97% de précision avec 50 déclarations.
• Claude 3.7 a détecté l'ironie avec une précision d'environ 96% pour le texte donné.
• Claude 4.5 a livré l'une des performances les plus élevées en détection de l'ironie, avec un taux de précision de 95%.
• DeepSeek V3 a obtenu un taux de réussite d'environ 92% dans la détection de l'ironie pour les tweets donnés.
• Grok 4 a pris du retard dans ce domaine, obtenant 83%, le plus bas de tous les modèles testés.

Étant donné la précision globale élevée des modèles, tous sont bien adaptés aux messages Twitter impliquant du contenu ironique ou sarcastique. Cependant, le succès de GPT-4o lui donne un avantage significatif pour les applications nécessitant un benchmark de fiabilité standard pour les sentiments.

4. Détection de l'offensivité

Détecter le contenu offensant est crucial pour maintenir des communautés en ligne saines. Les performances des modèles en benchmark d'analyse des sentiments dans cette tâche étaient les suivantes :

• ChatGPT 4.o a obtenu 76% avec des tailles de déclarations de 50. Cela correspond à ses approches solides d'apprentissage automatique et à sa capacité à s'adapter aux variations du volume de données.
• ChatGPT 4.5 a atteint environ 75% de taux de réussite dans la détection de l'offensivité pour les tweets donnés.
• ChatGPT 5.o Auto a atteint le taux de réussite le plus élevé parmi tous les outils pour la détection de l'offensivité, avec une précision de 82%
• Claude 3.5 a présenté la précision la plus faible dans la détection de l'offensivité parmi les cinq outils, avec un taux de réussite d'environ 67% de précision avec 50 déclarations.
• Claude 3.7 a obtenu la détection de l'offensivité la plus élevée dans notre échantillon avec un taux de réussite d'environ 77%.
• Claude 4.5 a détecté l'offensivité avec 81%, renforçant sa force dans cette tâche.
• DeepSeek V3 a détecté les déclarations offensantes avec une précision de 69%.
• Grok 4 a obtenu un modeste 67%, se classant parmi les performeurs les plus faibles dans cette catégorie.

Ces résultats soulignent l'importance du contexte et de la formation dans la conception de modèles pour la détection du langage offensant, où les modèles dans le jeu de données peuvent avoir un impact significatif sur les résultats.

5. Analyse des sentiments

La tâche globale d'analyse des sentiments s'est concentrée sur la classification des données en sentiments positifs, négatifs et neutres. Les scores de précision pour cette tâche ont varié considérablement entre les modèles :

• ChatGPT 4.o a obtenu un taux de réussite de 64%.
• ChatGPT 4.5, avec le taux de réussite le plus faible de moins de 54%, a présenté la précision la plus faible dans la classification des sentiments sur Twitter.
• ChatGPT 5.o Auto a obtenu 67% dans la classification générale des sentiments, la plaçant dans la gamme moyenne par rapport aux autres outils.
• Claude 3.5 a montré de meilleures performances à 50 déclarations, avec une précision de 68%.
• Claude 3.7, avec un taux de réussite d'environ 68%, a partagé la meilleure performance avec Claude 3.5 dans la détection des sentiments.
• Claude 4.5 a atteint la performance la plus élevée avec un taux de précision de 69%.
• DeepSeek V3 a obtenu un taux de précision de 64% dans la détection des sentiments positifs, négatifs et neutres.
• Grok 4 a montré une faible performance, avec seulement 60% de précision.

Aucun des modèles n'a démontré de compétence dans la gestion de la classification des sentiments, dont le taux de réussite variait d'environ 54% à 69%.

Observations et aperçus

Impact du volume d'entrée

Les deux modèles ont montré une amélioration des performances de benchmark d'analyse des sentiments avec des volumes d'entrée plus petits dans certaines tâches, soulignant l'importance de réduire le bruit dans les données d'entraînement pour des tâches comme la détection de la haine et la classification des sentiments.

Forces spécifiques aux tâches

GPT-4o a dominé la détection de l'ironie et a performé de manière constante dans toutes les tâches. Claude 3.5, bien que légèrement moins constant, excellait dans des tâches comme la détection des émotions, surtout avec des volumes d'entrée plus importants.

Implications plus larges

Ces résultats expérimentaux valident l'efficacité de l'utilisation de jeux de données de référence comme TweetEval pour la recherche en classification de texte. Les découvertes peuvent guider la communauté de recherche dans le choix du bon modèle en fonction de leur cas d'utilisation spécifique, qu'il s'agisse de détecter l'intensité nuancée des sentiments ou d'analyser la polarité négative dans les messages Twitter.

Jeu de données de référence et méthodologie

Jeu de données d'analyse

Le jeu de données TweetEval a été sélectionné en raison de sa pertinence pour les techniques d'analyse des sentiments appliquées aux messages Twitter réels.¹ Le jeu de données fait partie de l'initiative de l'association for computational linguistics (ACL) et est largement utilisé dans l'évaluation sémantique et les tâches de classification de texte. Il se compose de données d'entraînement pré-étiquetées et d'ensembles de test couvrant plusieurs dimensions des sentiments et de la compréhension contextuelle :

• Détection des émotions : Identifier les tons émotionnels tels que la colère, la joie, l'optimisme ou la tristesse dans les tweets.

Exemple de tweet et d'étiquette : Le tweet « #Deppression est réel. Les partenaires avec des personnes #depressed ne comprennent vraiment pas la profondeur dans laquelle ils nous affectent. Ajoutez #anxiety &ça empire » est étiqueté comme triste.²

• Détection de la haine : Évaluer la présence de discours haineux dans les tweets donnés.

Exemple de tweet et d'étiquette : Le tweet « Trump veut déporter les illégaux avec 'pas de juges ou d'affaires judiciaires' #MeTooJe suis fermement derrière cette actionL'idée que quelqu'un entre illégalement dans un pays &ne montre aucun respect pour ses lois, devrait être protégé par les mêmes lois est ridicule !#DeportThemAll » est étiqueté comme haineux.³

• Détection de l'ironie : Reconnaître l'intention ironique dans le contenu textuel.

Exemple de tweet et d'étiquette : Le tweet « Les gens qui disent aux gens anxieux de 'arrêter juste de s'inquiéter' sont mon genre préféré de gens #not #educateyourself » est étiqueté comme ironique.⁴

• Détection de l'offensivité : Classifier les tweets avec un langage offensant.

Exemple de tweet et d'étiquette : Le tweet « #ConstitutionDay C'est très étrange pour les conservateurs de droite de dire que nous ruinons la constitution juste parce que nous voulons #GunControlNow mais ce sont eux qui ruinent la constitution en se fâchant parce que les étrangers viennent dans cette terre qui ne sont pas Blancs voulant vivre » est étiqueté comme offensant.⁵

• Classification des sentiments : Assigner des étiquettes positives, négatives ou neutres aux tweets.

Exemple de tweet et d'étiquette : Le tweet « J'ai hâte d'essayer ceci – Google Earth VR – ce genre de chose est vraiment le futur de l'exploration… » est étiqueté comme positif.⁶

Ces tâches correspondent aux approches réelles d'apprentissage automatique, les rendant idéales pour évaluer les résultats expérimentaux des deux modèles.

Méthodologie d'analyse

Ce benchmark compare huit grands modèles de langage de pointe (LLMs) : Claude 3.5, Claude 3.7, Claude 4.5, ChatGPT 4.o, ChatGPT 4.5, ChatGPT 5.o, DeepSeek V3, et Grok 4.

Configuration expérimentale

Pour assurer la cohérence et la fiabilité dans les expériences, la méthodologie suivante a été employée :

Volume d'entrée

• Deux volumes d'entrée ont été testés : 50 tweets et 10 tweets par tâche.
• Cette variation visait à déterminer comment la taille de l'entrée impacte la performance du modèle, en particulier dans des tâches comme l'analyse des sentiments basée et la détection de la haine où le volume de données peut influencer la précision.

Évaluation spécifique aux tâches

Chaque tâche du jeu de données TweetEval a été testée séparément. Les tâches et les sorties correspondantes ont été analysées en utilisant les modèles d'analyse des sentiments des modèles, et les scores de précision ont été enregistrés.

Métriques utilisées

Les scores de précision ont été calculés pour chaque tâche afin d'assurer des résultats expérimentaux fiables.

Limites de la configuration

Nous avons utilisé des jeux de données où les vérités terrain étaient publiquement disponibles. Cela a pu mener à un empoisonnement des données (c.-à-d. LLMs entraînés sur la vérité terrain). Cependant, nous avons supposé que ce n'était pas le cas, puisque les précisions n'étaient pas proches de la perfection. Pour la prochaine version, nous pourrions envisager d'utiliser des tweets pour lesquels la vérité terrain n'a pas été publiée.

Aperçu détaillé des LLMs

Tous les outils, ChatGPT 4.o, 4.5, Claude 3.5, 3.7, et DeepSeek V3, représentent des avancées significatives dans le domaine du traitement du langage naturel (NLP), avec des applications allant de l'analyse des sentiments à l'IA conversationnelle. Ces modèles sont parmi les plus reconnus pour leur capacité à interpréter, traiter et générer du texte humain. Voici une description détaillée de chaque modèle, mettant en évidence leurs capacités uniques et leur pertinence pour la classification des sentiments et les tâches d'apprentissage automatique connexes.

ChatGPT 4.o

ChatGPT 4.o, développé par OpenAI, est une version améliorée de son prédécesseur, GPT-3.5, et présente des améliorations significatives dans l'architecture d'apprentissage profond et la compréhension du langage. Ce modèle est optimisé pour un large éventail de tâches NLP, y compris les modèles d'analyse des sentiments et l'analyse des sentiments basée sur les aspects.

Applications en analyse des sentiments

ChatGPT 4.o est fréquemment utilisé dans la communauté de recherche et l'industrie pour des tâches telles que :

• Messages Twitter analyse des sentiments pour la surveillance des médias sociaux.
• Classification des sentiments des commentaires clients dans le commerce électronique.
• Détection des émotions dans les applications de santé mentale.
• Analyse des sentiments basée sur les aspects pour les critiques de produits et les enquêtes.

Limites

Malgré ses forces, ChatGPT 4.o peut parfois surajuster à des modèles de sentiments spécifiques, conduisant à une précision réduite dans des contextes hautement spécifiques au domaine.

ChatGPT 4.5

ChatGPT 4.5, un développement ultérieur de la série GPT de OpenAI, offre des performances solides dans diverses tâches d'analyse des sentiments. Il démontre une bonne maîtrise de la catégorisation des émotions, mais ses performances dans la détection de la haine et la classification des sentiments sont relativement plus faibles, ce qui peut limiter son application dans certains contextes hautement sensibles.

Applications en analyse des sentiments

ChatGPT 4.5 est souvent utilisé dans :

• Outils de modération pour détecter le langage offensant et les discours haineux.
• Détection de l'ironie dans les discussions en ligne et les commentaires d'actualité.
• Analyse des sentiments sur les médias sociaux pour évaluer l'opinion publique sur divers sujets.
• Analyse des commentaires clients pour les plateformes de commerce électronique, avec un accent sur les émotions.

Limites

Les performances de ChatGPT 4.5 en analyse des sentiments sont entravées par sa précision relativement plus faible dans la classification des sentiments et la détection de la haine.

ChatGPT 5.o

ChatGPT 5.o représente la nouvelle génération de modèles de OpenAI, avec des améliorations dans le raisonnement contextuel, la détection des nuances et la modération de contenu. Bien que sa précision moyenne corresponde à celle de Claude 4.5 (75%), le modèle se distingue par ses performances exceptionnelles dans la détection de l'offensivité (82%) et la détection de l'ironie (93%).

Applications en analyse des sentiments

ChatGPT 5.o est particulièrement efficace pour :

• Détection de l'offensivité dans les forums en ligne et les plateformes de médias sociaux, où sa précision dépasse tous les autres outils.
• Analyse de l'ironie et du sarcasme, soutenant les chercheurs et les entreprises dans la compréhension du contenu complexe généré par les utilisateurs.
• Reconnaissance des émotions dans les commentaires de service client, la surveillance de la santé mentale et le suivi des sentiments sur les médias sociaux.
• Classification générale des sentiments dans les données d'enquête à grande échelle, où une performance équilibrée dans toutes les catégories est préférée.

Limites

Malgré ses forces, les résultats plus faibles de ChatGPT 5.o dans la détection de la haine (54%) réduisent sa pertinence pour la modération à haut risque impliquant un langage toxique ou discriminatoire.

Claude 3.7

Claude 3.7 s'appuie sur les forces de son prédécesseur, Claude 3.5, offrant des améliorations dans la compréhension du contexte et la précision des sentiments. Avec un fort accent sur des pratiques d'IA sûres et éthiques, Claude 3.7 excelle dans la détection de sentiments complexes, y compris les émotions, l'ironie et les discours haineux, en faisant un choix idéal pour les applications nécessitant des niveaux élevés de sensibilité et de contexte.

Applications en analyse des sentiments

Claude Sonnet 3.7 est hautement efficace pour des tâches telles que :

• Détection des émotions dans les commentaires clients et les applications de santé mentale.
• Détection de la haine et de l'offensivité pour la modération de contenu en ligne, assurant des espaces sûrs sur les plateformes numériques.
• Classification des sentiments dans la recherche de marché et l'intelligence d'affaires.

Limites

Bien que Claude 3.7 surpasse tous les modèles dans les domaines clés des sentiments, ses performances dans des scénarios hautement spécifiques au domaine pourraient encore rencontrer des défis, en particulier avec des formes subtiles de sentiments. De plus, sa précision dans la détection des sentiments liés à des indices contextuels plus nuancés ou mineurs peut nécessiter un raffinement supplémentaire.

Claude 3.5

Claude 3.5, créé par Anthropic, est un modèle NLP conçu avec un accent sur la sécurité, le comportement éthique et la génération de texte précise. Il est particulièrement bien adapté aux tâches nécessitant une sensibilité au contexte et des techniques d'analyse des sentiments nuancées.

Applications en analyse des sentiments

Claude 3.5 pour travailler sur des scénarios tels que :

• Détection de la haine pour surveiller les médias sociaux et les plateformes en ligne.
• Détection de l'offensivité dans les systèmes de modération de contenu.
• Service client interactions, avec un accent sur la classification des sentiments pour améliorer l'expérience utilisateur.
• Analyse des sentiments basée sur les aspects pour identifier les tendances des sentiments dans l'intelligence d'affaires.

Limites

Bien que Claude 3.5 excelle dans la compréhension éthique et contextuelle, il sous-performe parfois dans la détection de sentiments hautement subtils ou implicites par rapport à ses concurrents. De plus, son jeu de données d'entraînement est moins diversifié que celui de ChatGPT 4.o, ce qui peut entraîner une robustesse réduite sur certains jeux de données de référence.

Claude 4.5

Claude 4.5 s'appuie sur la série Claude de Anthropic avec des améliorations dans la sensibilité contextuelle et l'interprétabilité. Moyennant 75% dans les tâches d'analyse des sentiments, Claude 4.5 a atteint la précision la plus élevée dans la détection des émotions (82%), une forte performance dans l'ironie (95%) et la détection de l'offensivité (81%), mais a échoué dans la détection de la haine (50%), le plus bas parmi tous les modèles testés.

Applications en analyse des sentiments

Claude 4.5 est bien adapté pour :

• Détection des émotions dans les applications où des indices subtils sont critiques, tels que les commentaires de soins de santé ou les applications de bien-être.
• Identification de l'ironie et du sarcasme dans la surveillance des médias sociaux et l'extraction d'opinions, où une interprétation nuancée est essentielle.
• Détection de l'offensivité dans la modération de contenu, fournissant des résultats compétitifs pour construire des espaces en ligne plus sûrs.
• Classification des sentiments dans la recherche de marché et l'analyse de marque, bénéficiant de sa détection de polarité équilibrée mais légèrement plus forte (69%).

Limites

La faible précision de Claude 4.5 dans la détection de la haine (50%) limite considérablement son utilité dans les scénarios impliquant des discours nuisibles ou toxiques. De plus, bien qu'il excelle dans certaines catégories, ses performances sont inégales dans les tâches, le rendant moins fiable pour les projets nécessitant une précision uniforme dans toutes les dimensions des sentiments.

DeepSeek V3

DeepSeek V3 offre des résultats solides dans un large éventail de tâches d'analyse des sentiments, mais sa précision globale est en retard par rapport aux autres modèles, en particulier dans la détection de la haine.

Applications en analyse des sentiments

DeepSeek V3 est largement utilisé pour :

• Détection des émotions dans les applications de santé mentale et le suivi des sentiments des clients.
• Détection de l'ironie dans les conversations informelles, y compris les plateformes de médias sociaux et le contenu généré par les utilisateurs.
• Classification de base des sentiments pour les enquêtes de recherche de marché et les formulaires de commentaires.
• Modération de contenu pour filtrer le langage offensant dans les forums en ligne.

Limites

La performance inférieure de DeepSeek V3 dans la détection du contenu haineux et ses capacités de classification des sentiments globales relativement plus faibles le rendent moins adapté aux applications à haut risque telles que la modération de contenu sur des plateformes sensibles.

Grok 4

Grok est un modèle d'IA conversationnelle développé avec un accent sur l'humour, l'interaction sociale et l'engagement dynamique. Dans les benchmarks d'analyse des sentiments, Grok a atteint une précision moyenne de 71%, où il s'est classé le plus bas parmi tous les modèles testés.

Applications en analyse des sentiments

Grok peut être appliqué à :

• Détection des émotions dans les applications interactives, où l'identification du ton et de l'humeur améliore l'engagement utilisateur.
• Outils de modération, en particulier pour détecter le contenu haineux à un niveau de précision modéré (65%).
• Détection légère de l'ironie dans le discours en ligne, bien que avec des limites par rapport aux modèles plus avancés.
• Analyse exploratoire des sentiments dans des contextes créatifs ou informels, où le flux conversationnel est priorisé par rapport à une haute précision.

Limites

La faiblesse de Grok dans la classification des sentiments (60%) et sa précision de détection de l'ironie plus faible (83%) restreignent son utilisation dans la recherche de haute précision ou l'analyse commerciale. Son accent de conception sur la réactivité conversationnelle par rapport à la précision du benchmark le rend moins adapté aux tâches nécessitant une fiabilité constante dans la catégorisation des sentiments.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Pour aller plus loin

• Analyse des sentiments
• Analyse des sentiments avec ChatGPT
• Services d'analyse des sentiments
• Détection de fausses critiques

Citez ce benchmark

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Test de référence d'analyse des sentiments: ChatGPT, Claude & DeepSeek}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/sentiment-analysis-benchmark}},
  note   = {AIMultiple. Consulté le 15 Juin 2026}
}

Liens de référence

1.

Cardiff NLP · GitHub

2.

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

3.

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

4.

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

5.

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

6.

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

Ezgi Arslan, PhD.

Analyste du secteur

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires, spécialisée en finance, et travaille comme analyste sectorielle chez AIMultiple. Elle mène des recherches et produit des analyses à l'intersection de la technologie et du commerce, et son expertise couvre le développement durable, les enquêtes et l'analyse des sentiments, les applications d'agents d'IA en finance, l'optimisation des moteurs de réponse, la gestion des pare-feu et les technologies d'approvisionnement.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire