| DC Field | Value | Language |
|---|
| dc.contributor.author | Никифоров, Г. Б. | - |
| dc.contributor.author | Пименов, В. И. | - |
| dc.contributor.author | Андреев, Д. А. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-05-05T06:45:47Z | - |
| dc.date.available | 2026-05-05T06:45:47Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Никифоров, Г. Б. О соответствии автоматической процедуры разметки методом лучшего-худшего масштабирования решению задач анализа тональности финансовых новостей = On the applicability of an automatic annotation procedure based on best-worst scaling for financial news sentiment analysis / Г. Б. Никифоров, В. И. Пименов, Д. А. Андреев // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 1 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 58–64. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63547 | - |
| dc.description.abstract | В работе рассматривается автоматическая процедура разметки методом лучшего-худшего масштабирования (BWS) для непрерывного анализа тональности финансовых новостных заголовков на русском языке. На наборе данных из 532 финансовых новостных заголовков выполнено сопоставление автоматической процедуры разметки относительно ручной. Показано, что автоматическая процедура разметки сохраняет межаннотаторскую согласованность (к ~ 0,30) и внутреннюю надёжность при расщеплении (SHR ~ 0,87), обеспечивает сопоставимость итоговых оценок (R2 ~ 0,49). Результаты подтверждают применимость предобученной большой языковой модели (LLM) без дообучения на наборе данных для масштабируемой количественной разметки финансовых текстов в условиях ограниченного объёма данных. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | Big Data | en_US |
| dc.subject | информационные системы | en_US |
| dc.subject | искусственный интеллект | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | большие языковые модели | en_US |
| dc.subject | автоматические разметки | en_US |
| dc.subject | анализ тональности | en_US |
| dc.title | О соответствии автоматической процедуры разметки методом лучшего-худшего масштабирования решению задач анализа тональности финансовых новостей | en_US |
| dc.title.alternative | On the applicability of an automatic annotation procedure based on best-worst scaling for financial news sentiment analysis | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This paper examines an automatic annotation procedure based on Best-Worst Scaling (BWS) for continuous sentiment analysis of Russian-language financial news headlines. A comparison between automatic and manual annotation procedures was conducted on a dataset consisting of 532 financial news headlines. The results show that the automatic annotation procedure preserves inter-annotator agreement (к ~ 0.30) and split-half reliability (SHR ~ 0.87), while ensuring comparability of the resulting sentiment scores (R2 ~ 0.49). The findings confirm the applicability of a pretrained large language model (LLM), used without additional fine-tuning on the dataset, for scalable quantitative annotation of financial texts under limited data conditions. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026)
|
