เปรียบเทียบวิธี

	การวิเคราะห์ความรู้สึกหลายภาษา	การจำแนกประเภทโดยใช้ RoBERTa หลายภาษา
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2004–2020	2020
ผู้ริเริ่ม	Pang, B. & Lee, L. (early sentiment analysis); cross-lingual extension via mBERT/XLM-R community (2019–2020)	Conneau, A. et al. (Facebook AI Research)
ประเภท	Supervised classification / fine-tuned LM	Pretrained multilingual transformer fine-tuned for classification
แหล่งต้นตำรับ	Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. Proceedings of ACL 2020, 8440–8451.	Conneau, A., Khandelwal, K., Goyal, N., Chaudhary, V., Wenzek, G., Guzman, F., Grave, E., Ott, M., Zettlemoyer, L., & Stoyanov, V. (2020). Unsupervised Cross-lingual Representation Learning at Scale. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020), pp. 8440–8451.
ชื่อเรียกอื่น	cross-lingual sentiment analysis, multilingual opinion mining, multilingual sentiment classification, MSA	XLM-RoBERTa classification, mRoBERTa, cross-lingual RoBERTa classifier, multilingual transformer classification
ที่เกี่ยวข้อง	5	4
สรุป	Multilingual Sentiment Analysis (MSA) applies deep learning — most commonly a fine-tuned multilingual language model such as mBERT or XLM-RoBERTa — to classify the sentiment polarity (positive, negative, neutral) of text written in two or more languages, enabling opinion mining across language boundaries without building separate models per language.	Multilingual RoBERTa-based classification uses XLM-RoBERTa — a transformer pretrained on 100+ languages via masked language modeling — and fine-tunes it on labeled text to assign categories across multiple languages. By sharing a single model across languages, it enables robust cross-lingual and zero-shot text classification without needing separate per-language classifiers.