Tłumaczenie emocji. Analiza porównawcza sentymentu wyrażeń w języku angielskim i ich tłumaczeń w języku polskim wykonana przy użyciu modelu uczenia maszynowego

dc.abstract.en	This thesis aims to compare the effectiveness of sentiment classification on original English-language data and its automatic translation into Polish. The following classical machine learning algorithms were used to achieve this goal: decision tree (DT), random forest (RF), support vector machine (SVM) and logistic regression. The analysis was conducted using a set of hotel reviews which included both a textual opinion and a numerical rating. The study focused on a three-category classification: positive, neutral, and negative. The initial chapter introduces the fundamentals of machine learning, natural language processing and sentiment analysis. It also introduces the most important concepts, quality metrics and statistical tests used in evaluating classification models. Subsequent chapter provides a detailed description of the dataset and explains how it was processed and prepared for classification, including labelling, partitioning into sets and text representation. There is also a review of the classification models used as well as their optimization methods. The third chapter presents the performance results of each model in two data versions and their comparison. Differences in classification performance and the statistical significance of the observed results were considered. Particular focus was given to the SVM model, which proved to be the most resilient to data translation. The results suggest that, despite some limitations, machine translation does not preclude achieving high sentiment classification performance if appropriate methods are employed.
dc.abstract.pl	Celem niniejszej pracy licencjackiej jest porównanie skuteczności klasyfikacji sentymentu na danych oryginalnych w języku angielskim oraz na ich automatycznych tłumaczeniach na język polski. Do realizacji tego celu wykorzystano klasyczne algorytmy uczenia maszynowego: drzewo decyzyjne (DT), las losowy (RF), maszynę wektorów nośnych (SVM) oraz regresję logistyczną. Analiza przeprowadzona została na zbiorze recenzji hoteli, które zawierały tekstową opinię oraz ocenę liczbową. Przeprowadzona klasyfikacja sentymentu opiera się na trzech kategoriach: pozytywnej, neutralnej oraz negatywnej. W pierwszym rozdziale przedstawiono podstawowe zagadnienia związane z uczeniem maszynowym, przetwarzaniem języka naturalnego oraz analizą sentymentu. Wprowadzono także najważniejsze pojęcia, metryki jakości i testy statystyczne wykorzystywane w ocenie modeli klasyfikacyjnych. Kolejna część pracy dotyczy szczegółowego opisu zbioru danych, sposobu ich obróbki oraz przygotowania do klasyfikacji — w tym etykietowania, podziału na zbiory, reprezentacji tekstu, a także przeglądu zastosowanych modeli klasyfikacyjnych i metod ich optymalizacji. W rozdziale trzecim przedstawiono wyniki działania każdego z modeli w dwóch wersjach językowych danych oraz dokonano ich porównania. Uwzględniono różnice w skuteczności klasyfikacji oraz istotność statystyczną zaobserwowanych wyników. Szczególną uwagę poświęcono modelowi SVM, który okazał się najbardziej odporny na zmianę języka danych. Wyniki wskazują, że tłumaczenie maszynowe – mimo pewnych ograniczeń – nie wyklucza uzyskania wysokiej skuteczności klasyfikacji sentymentu, pod warunkiem zastosowania odpowiednich metod.
dc.affiliation	Uniwersytet Warszawski
dc.affiliation.department	Wydział Filozofii
dc.contributor.author	Bartyzel, Barbara
dc.contributor.promoter	Szczuka, Marcin
dc.contributor.reviewer	Szczuka, Marcin
dc.contributor.reviewer	Ślęzak, Dominik
dc.date.defence	2025-07-21
dc.date.issued	2025
dc.date.submitted	2025-07-05
dc.identifier.apd	243846
dc.language	pl
dc.language.other	en
dc.publisher	Uniwersytet Warszawski
dc.rights	ClosedAccess
dc.subject.en	Sentiment analysis
dc.subject.en	translation
dc.subject.en	NLP
dc.subject.en	machine learning
dc.subject.en	comparative analysis.
dc.subject.pl	Analiza sentymentu
dc.subject.pl	tłumaczenie
dc.subject.pl	NLP
dc.subject.pl	uczenie maszynowe
dc.subject.pl	analiza porównawcza.
dc.title	Tłumaczenie emocji. Analiza porównawcza sentymentu wyrażeń w języku angielskim i ich tłumaczeń w języku polskim wykonana przy użyciu modelu uczenia maszynowego
dc.title.alternative	Translating emotions. A comparative sentiment analysis of expressions in English and their translations into Polish performed with the use of machine learning model
dc.type	BachelorThesis