기관들은 자신이 읽는 것보다 훨씬 더 많은 개방형 교수 평가 피드백을 수집합니다. 이전 연구에서는 문서화된 주석 가이드, 주석가 간 신뢰도 측정, 계층적 교차 검증 및 스페인어 기관 코퍼스에 대한 고정 인코더 설계를 기반으로 주제별 범주와 감성(sentiment)으로 그러한 댓글을 분류하기 위한 검증된 프로토콜을 소개했습니다. 이 프로토콜의 재사용을 제한하는 두 가지 질문이 있습니다: 2019년경의 고정 임베딩에 고정된 프로토콜이 표현 방식이 발전함에 따라 여전히 경쟁력이 유지되는지, 그리고 두 번째 언어로 전이될 수 있는지 여부입니다. 우리는 이 프로토콜을 세 가지 표현 세대(sparse lexical features, frozen transformer embeddings, prompted large language models)를 거쳐 원래의 스페인어 데이터에서 재실행하고, 감성 태스크를 균형 잡힌 45,000개 댓글 코퍼스에 대해 영어로 전이했으며, 이는 측면 레이블이 지정된 교육 데이터셋을 통해 검증되었습니다. 쌍별 비교를 기술적인 것으로 간주하여, 우리는 이 프로토콜이 내구성이 있음을 발견했습니다: 2026년 최신 모델이 가장 어려운 스페인어 태스크에서 가장 높은 주제 F1 점수를 기록했지만, 저렴한 모델 대비 감성 우위를 보이지 않았고 영어에서도 이에 대한 기술적인 분리를 보이지 않았습니다. 따라서 모델 선택은 방법의 속성이 아니라 배포 결정입니다.