Сравнительный анализ производительности больших языковых моделей в маркетинговых задачах
DOI:
https://doi.org/10.25806/ma-1696Ключевые слова:
производительность, большие языковые модели, маркетинговая аналитика, анализ тональности, анализ эмоций, качество сервиса, ABSA, генеративный искусственный интеллектАннотация
В статье рассматривается сопоставимая оценка производительности больших языковых моделей (LargeLanguageModels, LLM – большие языковые модели) при решении типовых задач маркетинговой аналитики, связанных с обработкой пользовательских текстов: анализом тональности и эмоций, извлечением измерений качества сервиса из отзывов, аспектным анализом тональности (Aspect-BasedSentimentAnalysis, ABSA – аспектный анализ тональности), а также использованием текстовых сигналов в прогнозных моделях. Обзор эмпирических публикаций 2024–2025 гг. показывает, что на задачах бинарной тональности наблюдается эффект «потолка» качества (качество близко к максимальному у разных моделей), и критерии выбора смещаются к моделям обучения на малом числе примеров few-shot, пропускной способности, стоимости и ограничениям внедрения. Для многоклассовых эмоций и аспектных постановок сохраняется значимый резерв улучшения, который зависит от таксономий, методики измерений и доменной адаптации. Показано, что в операционных контурах с жесткими требованиями к задержке преимущества могут сохраняться за компактными дообученными моделями, тогда как LLM рациональнее использовать в гибридных архитектурах (извлечение признаков, объяснения, «копилоты» аналитики).
Статья поступила в редакцию: 14.01.2026
Статья опубликована: 30.04.2026
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Условия использования. Статьи текущего года распространяются по подписке на журнал «Маркетинг в России и за рубежом». Все права защищены. Материалы предыдущих лет распространяются по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0). Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: ООО "Финпресс".
Условия использования. Полные тексты статей, опубликованных в журнале, распространяются по подписке. Все права защищены. Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
Полная версия статьи доступна на сайте Научной электронной библиотеки eLIBRARY.RU: https://elibrary.ru/contents.asp?titleid=8819
Библиографические ссылки
2. Large Movie Review Dataset (IMDB) / Stanford AI Lab. URL: //ai.stanford.edu/~amaas/data/sentiment/ (дата обращения: 07.01.2026).
3. Huang D., Fu F., Yang K., Zhang K., Yang F. Explainable Sentiment Analysis with DeepSeek-R1: Performance, Efficiency, and Few-Shot Learning // arXiv. 2025. arXiv:2503.11655. URL: //arxiv.org/pdf/2503.11655 (дата обращения: 07.01.2026).
4. Stigall W., Khan M.A.A.H., Attota D.C., Nweke F., Pei Y. Large Language Models Performance Comparison of Emotion and Sentiment Classification // Proceedings of the 2024 ACM Southeast Conference (ACMSE ’2024). – 2024. DOI: 10.1145/3603287.3651183. URL: //dl.acm.org/doi/10.1145/3603287.3651183 (дата обращения: 07.01.2026; режим доступа: по подписке).
5. Demszky D., Movshovitz-Attias D., Ko J., Cowen A., Nemade G. & Ravi S. GoEmotions: A Dataset of Fine-Grained Emotions // Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020). – 2020. URL: //arxiv.org/abs/2005.00547 (дата обращения: 07.01.2026).
6. Потребительская лояльность: учебник / И.И. Скоробогатых, Р.Р. Сидорчук, И.П. Широченская [и др.]; под ред. И.И. Скоробогатых, Р.Р. Сидорчука, И.П. Широченской. – М.: КноРус, 2022. – 311 с. – ISBN 978-5-406-09730-4. URL: //book.ru/book/944521 (дата обращения: 08.01.2026).
7. Falatouri T., Hrušecká D., Fischer T. Harnessing the Power of LLMs for Service Quality Assessment From User-Generated Content // IEEE Access. – 2024. DOI: 10.1109/ACCESS.2024.3429290. URL: //publikace.k.utb.cz/bitstream/handle/10563/1012170/Fulltext_1012170.pdf?isAllowed=y&sequence=1 (дата обращения: 07.01.2026).
8. Silcenco O., Machado M.R., Ugulino W.C., Braun D.A. Retail-Corpus for Aspect-Based Sentiment Analysis with Large Language Models // Proceedings of the 8th International Conference on Natural Language and Speech Processing (ICNLSP 2025). – 2025. – Pp. 182–195. URL: //aclanthology.org/2025.icnlsp-1.19/ (дата обращения: 07.01.2026).
9. Shobayo O., Adeyemi-Longe S., Popoola O., Ogunleye B. Innovative Sentiment Analysis and Prediction of Stock Price Using FinBERT, GPT-4 and Logistic Regression: A Data-Driven Approach // Big Data and Cognitive Computing. – 2024. – Vol. 8. – No. 11. – Art. 143. DOI: 10.3390/bdcc8110143. URL: mdpi.com/2504-2289/8/11/143 (дата обращения: 07.01.2026).
