Tradycyjne modele analizy sentymentu, takie jak RoBERTa, okazują się nieadekwatne dla badania wiadomości politycznych, ponieważ klasyfikują zdecydowaną większość artykułów jako neutralne, zamiast ujawniać złożone wymiary retoryczne i ideologiczne zawarte w tekście. W eksperymencie porównawczym przeprowadzonym na korpusie 50 artykułów politycznych z 17 mediów międzynarodowych naukowcy odkryli fenomen zwany neutral collapse - zjawisko, w którym 70 procent artykułów otrzymuje klasyfikację neutralną, efektywnie usuwając z analizy treści merytoryczne. Ponadto okazało się, że 23 procent artykułów oznaczonych jako neutralne wykazywało negatywne wyniki powyżej 0,30 w obliczeniach modelu.
W przeciwieństwie do RoBERTy, Large Language Models wykazały zdolność do wielowymiarowej analizy tekstu politycznego. LLM-y skutecznie identyfikowały kierunek i intensywność stronniczości politycznej, sensacyjność, odwołania emocjonalne oraz sposób ramowania treści. Ta wielowymiarowa perspektywa dostarcza znacznie bogatszych wniosków analitycznych niż binarna klasyfikacja sentymentu.
Badacze argumentują, że dla nauk społecznych i humanistycznych tradycyjna analiza sentymentu sama w sobie jest niewystarczająca. Frameworki oparte na LLM-ach oferują bardziej adekwatne epistemologicznie podejście do analizy dyskursu politycznego, lepiej odpowiadające potrzebom i metodologiom SSH research. Wyniki sugerują przesunięcie paradygmatu w kierunku większego zaangażowania dużych modeli językowych w badania mediów politycznych.