В работе представлено решение задач аспектного анализа тональности на учебные дисциплины, а именно: задача формирования аспектов учебных дисциплин на основе текстов отзывов на эти дисциплины, задачи поиска упоминаний аспектов в текстах отзывов и анализа тональности отдельных аспектов. Рассмотрены различные методы решения данных задач такие как Keywords Extraction, Topic Modeling, Zero Shot Classification, обучение комбинированной модели на базе ruBERT, выполняющей как определение наличия аспекта в тексте отзыва так и оценку его эмоциональной окраски. Из корпусов текстов отзывов на учебные курсы выделены аспекты, то есть те стороны учебного процесса, которые оцениваются студентами. Путём разметки отзывов студентов на элективные дисциплины, агументации и генерации данных отзывов с помощью LLM Saiga llama3 получен датасет для обучения комбинированной модели. Разработаны программные модули на языке Python, выполняющие выявления списка аспектов, поиск этих аспектов в фрагментах текстов отзывов, анализ тональности каждого отдельного аспекта.

The paper presents solutions for tasks related to aspect-based sentiment analysis of academic subjects. Specifically, it addresses the task of forming aspects of academic subjects based on the texts of reviews of these subjects, tasks of searching for mentions of aspects in review texts, and analyzing the sentiment of individual aspects. Various methods for solving these tasks are considered, such as Keywords Extraction, Topic Modeling, Zero Shot Classification, and training a combined model based on ruBERT, which performs both the identification of the presence of an aspect in the review text and the evaluation of its emotional tone. Aspects, i.e., the sides of the educational process that are evaluated by students, are extracted from the review text corpora of academic courses. Through the annotation of student reviews of elective courses, augmentation, and generation of review data using LLM Saiga llama3, a dataset for training the combined model was obtained. Software modules were developed in Python that perform the identification of the list of aspects, search for these aspects in fragments of review texts, and sentiment analysis of each individual aspect.