大语言模型高效解析产品隐性情感，GPT-4o-mini成本降低94%表现优异

产品定性反馈中蕴含的隐性情感难以量化测量，传统方法往往效果有限。最新研究提出一种可扩展且可解释的框架，利用大语言模型直接从用户描述中提取产品吸引力指标。

研究团队使用ZORQ和CARMA的两个产品吸引力工具包数据集，包含106组经过人工标注的受访者术语分组。在零样本设定下，大语言模型成功实现了连续数值情感评分和分类情感判断，完全不依赖明确的评分数据。

实验结果显示，大语言模型生成的数值情感分数与专家标注高度一致，皮尔逊相关系数最高达0.97，分类准确率最高达94%。即使面对多种形式的数据呈现，模型仍保持稳健性能，并始终表现出高置信度。相比之下，基于词典和传统Transformer的基线方法未能产生统计显著结果。

特别值得注意的是，在测试的模型中，GPT-4o-mini以比大型模型低94%的成本实现了可比性能，为规模化部署提供了经济高效的解决方案。该框架还整合了模型置信度评级和人类可读的原理解释，增强了可解释性和透明度，有助于建立用户信任。

这项研究展示了将产品吸引力工具包作为调查方法，配合经济高效的大语言模型进行情感分析的潜力。该方法不仅能提供丰富的情感评分，还能提取高层次用户印象，为产品开发改进和针对特定受众的营销策略提供有价值洞见。