Выпускная квалификационная работа посвящена проблеме ограничений современных методов автоматического анализа эмоциональной окраски русскоязычных текстов при сопоставлении с экспертной оценкой на материале отзывов маркетплейсов Ozon и Wildberries. Цель исследования — разработка и верификация методики автоматического определения эмоциональности отзывов с последующим сравнением результатов с экспертной оценкой для выявления системных расхождений. В работе использованы методы автоматического анализа в среде Google Colab, экспертное анкетирование, количественный и сопоставительный анализ. На основе более 2000 отзывов по семи товарным категориям установлено, что автоматический анализ систематически завышает долю положительных отзывов (свыше 98%) по сравнению с экспертной оценкой (78–99%), практически не распознавая отрицательный контекст, иронию и сарказм, тогда как эксперты классифицируют негативные отзывы в диапазоне 1–22%. Научная новизна состоит в эмпирической верификации ограничений автоматического сентимент-анализа для русского языка на жанрово-специфическом материале интернет-отзывов. Практическая значимость заключается в обосновании необходимости комбинированного подхода (автоматический анализ для больших массивов и экспертная оценка для углублённого исследования), а также в формулировании рекомендаций по учёту лингвокультурной специфики при разработке аналитических систем.

This bachelor's thesis addresses the limitations of current automated sentiment analysis methods for Russian-language texts by comparing their performance with expert evaluation on a dataset of marketplace reviews from Ozon and Wildberries. The study aims to develop and verify a methodology for automatic emotion detection in customer reviews, followed by a systematic comparison with human expert assessment to identify consistent discrepancies. The research employs automated analysis using Google Colab, expert survey-based evaluation, and quantitative comparative analysis. Based on a corpus of over 2,000 reviews across seven product categories, the findings reveal that automated analysis systematically overestimates the proportion of positive reviews (exceeding 98%) compared to expert evaluation (ranging from 78% to 99%), while consistently failing to detect negative sentiment, irony, and sarcasm—whereas human experts identified negative reviews in the range of 1% to 22%. The scientific novelty lies in the empirical verification of automated sentiment analysis constraints for the Russian language on genre-specific Internet review data. The practical significance consists in substantiating the need for a combined approach (automated analysis for large-scale data processing and expert evaluation for in-depth qualitative research) and in formulating recommendations for incorporating linguacultural specificity into the design of analytical systems.