Detekce emocí z psaného textu

Abstract

Tato bakalářská práce se zaměřuje na analýzu a implementaci metod pro detekci emocí z psaného textu. Emoce hrají zásadní roli v lidské komunikaci a jejich automatická detekce z textu může mít široké uplatnění v různých oblastech. Cílem této práce je provést komparativní analýzu různých modelů, včetně specializovaných a velkých jazykových modelů, a zhodnotit jejich výkonnost. Práce poskytuje teoretický přehled emocí, včetně modelů Paula Ekmana a Jamese Russella. Popisuje různé modely pro detekci emocí, jako jsou AutoTrain, Emotion Detection by Lawal Alfeez, model od Andyho Luana, ChatGPT 3.5 turbo a Llama70D, a hodnotí jejich výkon na českých a anglických datasetech. Výsledky ukazují, že velké jazykové modely, jako ChatGPT 3.5 turbo a Llama70D, dosahují vyšší přesnosti a spolehlivosti v detekci emocí než specializované modely. Budoucí výzkum by se mohl zaměřit na zdokonalení modelů, rozšíření datasetů a nové přístupy k anotaci emocí.

This bachelor’s thesis focuses on the analysis and implementation of methods for detecting emotions from written text. Emotions play a crucial role in human communication, and their automatic detection from text has wide applications in various fields. The aim of this study is to perform a comparative analysis of different models, including specialized and large language models, and evaluate their performance. The thesis provides a theoretical overview of emotions, including the models of Paul Ekman and James Russell. It describes various models for emotion detection, such as AutoTrain, Emotion Detection by Lawal Alfeez, model by Andy Luan, ChatGPT 3.5 turbo, and Llama70D, and evaluates their performance on Czech and English datasets. The results show that large language models like ChatGPT 3.5 turbo and Llama70D achieve higher accuracy and reliability in detecting emotions compared to specialized models. Future research could focus on improving models, expanding datasets, and exploring new approaches to emotion annotation.