เป็นการวิเคราะห์อารมณ์หรือความรู้สึกผ่านข้อความ โดยทั่วไปแล้วมักใช้โมเดล supervise (ต้องมีข้อมูลและ label ในการฝึกฝนโมเดล) แบบ classifier ซึ่งจะทำงานดังภาพด้านล่าง
การนำโมเดลแบบ supervise มาใช้งาน จะต้องพิจารณาจำนวนข้อมูล, การเลือกโมเดลที่เหมาะสม, การทดลอง tuning โมเดล เพื่อให้ได้โมเดลที่ได้ประสิทธิภาพสูงที่สุด ฯลฯ
แต่ถึงอย่างไรก็ตาม โมเดล Massive Language Mannequin ก็สามารถนำมาใช้งานด้าน sentiment evaluation ได้เหมือนกัน โดยแค่เพียงยิง immediate ผ่าน API ก็ได้คำตอบเลย (อาจจะมีส่วนที่คล้ายกันคือ tuning immediate) ดังนั้นเพื่อให้มั่นใจว่าตัว LLM สามารถเอามาใช้กับงานด้านนี้ได้ดี ผู้เขียนจึงนำตัว LLM มา consider บน wisesight sentiment check set เพื่อทดสอบประสิทธิภาพของโมเดลแต่ละเจ้ากัน โดยสั่งงานผ่าน immediate ตัวนี้
immediate = f"""
Your function: sentiment analyzer
Job: Reply the one among sentiment within the sentiment record (["neutral", "negative", "positive", "question"]) of the given message.
Message: {message}
"""
โดย message ใน immediate จะเป็น textual content จาก dataset ดังกล่าว ซึ่ง textual content ใน dataset ดังกล่าว จะมีหน้าตาดังนี้
