Kandidat: Martinšek Marcel Franse

Naslov diplomskega dela: Strojno prepoznavanje čustev v slovenščini

Povzetek:

Izražanje čustev je pomemben del komunikacije med ljudmi, zato se je razvoj njihove strojne prepoznave v zadnjih letih pospešil. Informacije o čustvih lahko uporabimo na področjih oglaševanja, psihologije, interakcije med ljudmi in roboti ipd.

Za slovenščino modela za strojno prepoznavo čustev iz besedil še ni, zato smo ga razvili z uporabo sodobnih metod obdelave naravnega jezika. Zaradi neobstoječe zbirke označenih besedil v slovenščini smo uporabili medjezikovni prenos in za treniranje izkoristili zbirko v angleščini in trojezični model CroSloEngual BERT. Za testiranje modela smo ustvarili zbirko SloReddit ($162$ komentarjev). Z medjezikovnim prenosom brez dodatnih primerov smo na njej dosegli makro $F_1$  $0{,}657$. S prilagajanjem istega modela na približno stotih primerih iz te zbirke se ocena v navzkrižnem preverjanju dvigne na $0{,}674$, kar je primerljivo z ocenami podobnih modelov za strojno prepoznavo čustev v angleških besedilih.

Pokazali smo, da že približno sto ročno označenih izvornih primerov prispeva več kot obsežno prilagajanje na tisočih prevedenih primerih.

Primerjali smo še enojezični SloBERTa, skupino binarnih modelov in ukazne pozive z modeli GaMS. Noben izmed dodatnih pristopov na izvornih komentarjih ni presegel prilagojenega modela CSE-BERT.

Mentor: prof. dr. Marko Robnik Šikonja

Kandidat: Savec Borut

Naslov diplomskega dela: Simulacija osebnostnih lastnosti z velikimi jezikovnimi modeli

Povzetek:

Veliki jezikovni modeli omogočajo gradnjo generativnih agentov, ki na podlagi samoporočil posameznikov simulirajo njihove odgovore na osebnostne vprašalnike. Tuje raziskave so  tak pristop že uspešno preizkusile v angleščini, v diplomski nalogi preverjamo, ali pristop deluje tudi v slovenščini. Z desetimi udeleženci smo izvedli polstrukturirane intervjuje in iz njih zgradili generativne agente. Ovrednotili smo korelacije med napovedmi odgovorov generativnih agentov in odgovori udeležencev na vprašalnik osebnostnih lastnosti BFI-44. Vsi agenti so dosegli zmerno stopnjo korelacije med 0,36 in 0,60, kar potrjuje, da pristop deluje tudi v slovenščini. Najuspešnejši je bil agent, zgrajen na modelu GPT4o. V nadaljnjih raziskavah bi bilo zanimivo ponoviti študijo z večjim vzorcem udeležencev, za isto osebo večkrat generirati agente na enakih podatkih ter eksperimentirati z različnimi parametri.

Mentor: prof. dr. Marko Robnik Šikonja

Komisija:

    - doc. dr. Vida Groznik, predsednik

    - doc. dr. Petar Vračar, član

    - prof. dr. Marko Robnik Šikonja, mentor

Kandidat: Spahić Edvin

Naslov diplomskega dela: Agentni sistem za analizo maloprodaje

Povzetek:

Vmesniki za poizvedovanje po prodajnih podatkih v naravnem jeziku običajno delujejo tako, da jezikovni model generira izvedljivo kodo, ki vrne številko tudi takrat, ko je ta napačna. V diplomskem delu predstavimo agenta, ki razumevanje vprašanja loči od izračuna. Model pokličemo samo dvakrat, in sicer enkrat za preslikavo vprašanja v vnaprej določeno shemo, zgrajeno iz podatkov, in enkrat za ubeseditev rezultatov. Model nikoli ne generira kode in nikoli ne izračuna nobene številke. Vrednost izračunajo deterministični analizatorji, ločena komponenta pa preveri vse številke v generiranem besedilu. Na 105 v celoti preverjenih vprašanjih, je razviti sistem pravilen v 86,7 % odgovorov, osnovni sistem, temelječ na generiranju kode, pa v 44,8 %.

Mentor: prof. dr. Marko Robnik Šikonja

Somentor: asist. dr. Matej Klemen

Komisija:

    - doc. dr. Vida Groznik, predsednik

    - doc. dr. Petar Vračar, član

    - prof. dr. Marko Robnik Šikonja, mentor

    - asist. dr. Matej Klemen, somentor

Prostor: Predavalnica 20