En este artículo, proponemos un novedoso marco de exploración dinámica adaptativa del espacio de rangos (DARSE) para un análisis de sentimientos eficiente y eficaz mediante modelos de lenguaje a gran escala (LLM). DARSE consta de un algoritmo voraz de grano grueso para identificar el rango óptimo de rangos, un algoritmo de búsqueda de grano fino para mejorar la selección de rangos y un método de asignación dinámica de rangos para determinar la combinación óptima de rangos para cada capa de LLM. Los resultados experimentales muestran que DARSE logra una mejora del 15,1 % en el MSE y del 4,3 % en la precisión del análisis de sentimientos en comparación con estudios previos, logrando un equilibrio entre la eficiencia computacional y el rendimiento del modelo.
