УДК 004.932:004.85

С.В. ЗАБОЛОТНІЙ
Черкаський державний фаховий бізнес-коледж, Черкаси, Україна,
 zabolotniua@gmail.com

А.В. ЧЕПИНОГА
Черкаський державний технологічний університет, Черкаси, Україна,
 a.chepynoha@chdtu.edu.ua

В.І. ХОТУНОВ
Черкаський державний фаховий бізнес-коледж, Черкаси, Україна,
 vkhotunov@gmail.com

ВІД СТАТИСТИЧНОГО РОЗПІЗНАВАННЯ ОБРАЗІВ ДО АНАЛІЗУ
ЕМОЦІЙ: ЗАСТОСУВАННЯ АПАРАТУ РОЗКЛАДУ В ПРОСТОРІ
З ПОРІДНИМ ЕЛЕМЕНТОМ ДО МОДЕЛЕЙ ОБРОБЛЕННЯ
ПРИРОДНОЇ МОВИ

СПИСОК ЛІТЕРАТУРИ

• 1. Acheampong F.A., Wenyu C., Nunoo-Mensah H. Text-based emotion detection: Advances, challenges, and opportunities. Engineering Reports. 2020. Vol. 2, Iss. 7. Article number e12189. https://doi.org/10.1002/eng2.12189.
• 2. Bobichev V., Kanishcheva O., Cherednichenko O. Sentiment analysis in the Ukrainian and Russian news. Proc. 2017 IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON) (29 May – 02 June 2017, Kyiv, Ukraine). Kyiv, 2017. P. 1050–1055. https://doi.org/10.1109/UKRCON.2017.8100410.
• 3. Dementieva D., Khylenko V., Babakov N., Groh G. Toxicity classification in Ukrainian. Proc. 8th Workshop on Online Abuse and Harms (WOAH 2024) (June 2024, Mexico City, Mexico). Mexico City, Mexico 2024. P. 244–255. https://doi.org/10.18653/v1/2024.woah-1.19.
• 4. Dementieva D., Babakov N., Fraser A. EmoBench-UA: A benchmark dataset for emotion detection in Ukrainian. arxiv:2505.23297v2[cs.CL] 26 Sep 2025. https://doi.org/10.48550/arXiv.2505.23297.
• 5. Plaza-del-Arco F.M., Strapparava C., Urea-Lpez L.A., Martin-Valdivia M.T. EmoEvent: A multilingual emotion corpus based on different events. Proc. 12th Conference on Language Resources and Evaluation (LREC 2020) (13–15 May 2020, Marseille, France) Marseille, 2020. P. 1492–1498. URL: https://aclanthology.org/2020.lrec-1.186.pdf?utm_source=chatgpt.com.
• 6. Devlin J., Chang M.W., Lee K., Toutanova K. BERT: Pre-training of deep bidirectional transformers for language understanding. Proc. 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. (2–7 June 2019, Minneapolis, Minnesota, USA). Minneapolis, 2019. Vol. 1. P. 4171–4186. https://doi.org/10.18653/v1/N19-1423.
• 7. Liu Y., Ott M., Goyal N., Du J., Joshi M., Chen D., Stoyanov V. RoBERTa: A robustly optimized BERT pretraining approach. arXiv:1907.11692v1[cs.CL] 26 Jul 2019. https:// doi.org/10.48550/arXiv.1907.11692.
• 8. Conneau A., Khandelwal K., Goyal N. et al. Unsupervised cross-lingual representation learning at scale. Proc. 58th Annual Meeting of the Association for Computational Linguistics (5–10 July 2020, Seattle, Washington, USA). Seattle, 2020. P. 8440–8451. https://doi.org/10.18653/v1/2020.acl-main.747.
• 9. Jawahar G., Sagot B., Seddah D. What does BERT learn about the structure of language? Proc. 57th Annual Meeting of the Association for Computational Linguistics (July 28 – August 2 2019, Florence, Italy). Florence, 2019. P. 3651–3661. https://doi.org/10.18653/v1/P19-1356.
• 10. Rogers A., Kovaleva O., Rumshisky A. A primer in BERTology: What we know about how BERT works. Transactions of the Association for Computational Linguistics. 2020. Vol. 8. P. 842–866. //doi.org/10.1162/tacl_a_00349.
• 11. Ahanin Z., Ismail M.A., Singh N.S.S., AL-Ashmori A. Hybrid feature extraction for multi-label emotion classification in english text messages. Sustainability. 2023. Vol. 15, Iss. 16. P. 12539. https://doi.org/10.3390/su151612539.
• 12. Belinkov Y. Probing classifiers: Promises, shortcomings, and advances. Computational Linguistics. 2022. Vol. 48, Iss. 1. P. 207–218. https://doi.org/10.48550/arXiv.2102.12452.
• 13. Levy T., Goldman O., Tsarfaty R. Is probing all you need? Indicator tasks as an alternative to probing embedding spaces. Proc. Findings of the Association for Computational Linguistics (EMNLP 2023) (6–10 December 2023, Singapore (hybrid format)). Singapore, 2023. P. 5243–5254. https://doi.org/10.18653/v1/2023.findings-emnlp.348.
• 14. Fukunaga K. Introduction to statistical pattern recognition. 2nd ed. Boston: Academic Press, 1990. 591 p.
• 15. Kirichenko N.F., Krak Yu.V., Polishchuk A.A. Pseudoinverse and projection matrices in problems of synthesis of functional transformers. Cybernetics and Systems Analysis. 2004. Vol. 40, N 3. P. 407–419. https://doi.org/10.1023/B:CASA.0000041999.63598.28.
• 16. Kirichenko N. F., Krivonos Y. G., Lepekha N. P. Synthesis of systems of neurofunctional transformations in classification problems. Cybernetics and Systems Analysis. 2007. Vol. 43, N 3. P. 353–361. https://doi.org/10.1007/s10559-007-0056-4.
• 17. Кунченко Ю.П. Полиномы приближения в пространстве с порождающим элементом. Київ: Наук. думка, 2003. 243 с.
• 18. Kunchenko Y.P. Polynomial parameter estimations of close to Gaussian random variables. Aachen: Shaker Verlag, 2002. 396 p.
• 19. Заболотній С.В. Статистичне розпізнавання образів на основі розкладу в просторі з порідним елементом. Вісник Національного університету “Львівська політехніка”. Серія «Комп’ютерні науки та інформаційні технології». 2009. № 638. C. 118–123. URL: https://science.lpnu.ua/sites/default/files/journal-paper/2024/feb/33271/vis638kompnauky-118-123.pdf?utm_source=chatgpt.com.
• 20. Заболотній С.В. Застосування розкладу в просторі з порідним елементом для вирішення задач ймовірнісної діагностики. Eastern-European Journal of Enterprise Technologies. 2014. Т. 4, №. 4(70). С. 28–35. https://doi.org/10.15587/1729-4061.2014.26195.
• 21. Zabolotnii S.W., Martynenko S.S., Salypa S.V. Method of verification of hypothesis about mean value on a basis of expansion in a space with generating element. Radioelectron. Commun. Syst. 2018. Vol. 61, Iss. 5. P. 222–229. https://doi.org/10.3103/S0735272718050060.
• 22. Chertov O., Slipets T. Epileptic seizures diagnose using Kunchenko’s polynomials template matching. In: Progress in industrial mathematics at ECMI 2012. Fontes M., Gьnther M., Marheineke N. (Eds.). Mathematics in Industry. 2014. Vol. 19. P. 245–248. https://doi.org/10.1007/978-3-319-05365-3_33.