Badacze z arXiv przeprowadzili kompleksowe porównanie algorytmów do analizy sentymentu na Twitterze, testując sieci LSTM oraz tradycyjne modele machine learning. W eksperymencie wykorzystali zestaw danych z Kaggle'a, który przeszedł preprocessing obejmujący tokenizację, lematyzację i eliminację słów stopowych. Sieć LSTM wykazała się wyraźnie lepszymi wynikami, osiągając dokładność treningową 90,98 procent i testową 80 procent, wraz z wysokim wskaźnikiem micro-average ROC-AUC.
Praca wpisuje się w szerszy trend wykorzystywania AI do analizy ogromnych ilości opinii wyrażanych na platformach społecznych. Twitter i podobne serwisy generują dziś miliardy tweetów dziennie, zawierających rzeczywiste, niefiltrowane opinie użytkowników na temat событий, produktów i zjawisk społecznych. Manualny przegląd takiej skali treści jest praktycznie niemożliwy, dlatego modele sentimentu mogą być nieocenione dla brandów, mediów i naukowców chcących zrozumieć publiczne nastroje.
Wyniki podkreślają, że głębokie uczenie, a szczególnie sieci LSTM, przewyższa tradycyjne podejścia oparte na regresji logistycznej czy random forest. LSTM lepiej radzi sobie z kontekstem i sekwencjami słów, co jest kluczowe dla zrozumienia niuansów języka naturalnego. To stwarza nowe możliwości dla systemów monitorujących trendy, wczesnego ostrzegania o kryzysach komunikacyjnych oraz zrozumienia ewoluujących opinii publicznej w czasie rzeczywistym.