KERMIT for Sentiment Analysis in Italian Healthcare Reviews

In this paper, we describe our approach to the sentiment classification challenge on Italian reviews in the healthcare domain. Firstly, we followed the work of Bacco et al. (2020) from which we obtained the dataset. Then, we generated our model called KERMIT-HC based on KERMIT (Zanzotto et al., 2020). Through an extensive comparative analysis of the results obtained, we showed how the use of syntax can improve performance in terms of both accuracy and F1-score compared to previously proposed models. Finally, we explored the interpretative power of KERMIT-viz to explain the inferences made by neural networks on examples.

In questo lavoro, presentiamo il nostro approccio al task di sentiment analysis per le recensioni italiane in ambito sanitario. Abbiamo seguito il lavoro di Bacco et al. (2020) da cui abbiamo ottenuto il dataset. Successivamente, abbiamo usato KERMIT-HC basato su KERMIT(Zanzotto et al., 2020). Da un’ampia analisi comparativa dei risultati ottenuti mostriamo come l’uso della sintassi può migliorare le prestazioni sia in termini di accuratezza che di F1-score rispetto ai modelli proposti in precedenza. Infine, abbiamo esplorato il potere interpretativo di KERMIT-viz per spiegare le inferenze fatte dalle reti neurali sugli esempi.