Boas Informações ou Problema: usando a Teoria do Controle Afetivo para avaliar a Resposta dos Leitores na direção de Artigos de Notícias
Textos de linguagem natural são frequentemente indicados para expressar ou afetar as emoções das pessoas. Reconhecer os sentimentos subjacentes compartilhados ou causados por uma mensagem é essencial para compreender todo o significado que uma mensagem comunica. Pesquisadores de avaliação de visão (SA) estão significativamente curiosos em verificar estratégias de processamento de linguagem natural, além de sentir os conceitos para identificar expressões de crença em mensagens de linguagem natural. Eles geralmente avaliam documentos pessoais do ponto de vista do autor, usando descrições de palavras baseadas em frequência e mapeando-as para tags específicas ou polaridade de crença. Este texto (por exemplo, frase ou papel) está associado, especificamente, a um rótulo descritivo ou a um fator num ‘continuum’.
Neste artigo, nos concentramos na avaliação de declarações imparciais. Ao contrário de relatórios subjetivos que contêm uma opinião ou crença explícita sobre um ‘item’ ou elemento (por exemplo, “Sétimo garoto é um filme terrível”), as declarações imparciais apresentam apenas detalhes precisos (por exemplo, “manifestantes foram presos em Nova York”). Apesar da pesquisa mínima sobre avaliação de visão baseada em fatos, muitas declarações factuais podem trazer ou evocar sentimentos (por exemplo, artigo de jornal, comentários de ‘blog’, etc.). Assim, surge a demanda por um novo método que afixe as classificações de visão às declarações objetivas (factuais) e aos elementos que as compõem. Por exemplo, uma frase como “x mata y” vai estimular um sentimento negativo para os espetadores e crenças extremamente adversas (mas diferentes) em relação a cada x e y (chateado com relação a x e desculpe com relação a y). Melhor, a nossa análise afetiva de cada entidade que se junta à ocasião pode influenciar o nosso julgamento do cenário. Por exemplo, se sabemos que x é um alvo ey é um criminoso, então o sentimento desencadeado será mais positivo, geralmente positivo na direção de x, mas ainda desfavorável na ordem de y.
A técnica proposta neste artigo desenvolve um modelo contextual que mapeia palavras para uma área de sentimento multidimensional, utilizando o Conceito de Controlo de Afeto (ACT). ACT é um conceito socioemocional de comunicação social humana. A ACT recomenda que as perceções sociais, ações e experiências psicológicas das pessoas sejam controladas por uma necessidade emocional de reduzir os desvios entre fundamentos culturalmente compartilhados em relação às circunstâncias sociais e impressões de curto prazo decorrentes dos comportamentos dinâmicos dos interagentes nessas circunstâncias. Cada evento no ACT é modelado como um trio: ator, comportamento e também objeto. Visões “básicas” culturalmente compartilhadas com relação a cada um desses aspectos são avaliadas em três dimensões: avaliação, Potência e Atividade (EPA).
A ideia central do ACT é que cada uma das entidades (estrela, comportamento e também coisas) que participam de uma ocasião tem uma crença afetiva fundamental (valor EPA) sendo compartilhada entre os participantes de uma cultura, bem como a combinação de entidades em caso gera uma impressão ou sensação transitória que pode ser diferente da vista primária. Os impactos imediatos evoluem com o tempo, conforme a dinâmica temporal avaliada empiricamente.
As emoções são funções da distinção entre crenças essenciais e impactos de curto prazo. Os perfis de conceitos da EPA podem ser determinados com o diferencial semântico, uma estratégia de pesquisa em que os participantes classificam os significados afetivos das ideias em escalas numéricas com adjetivos opostos em cada extremidade (por exemplo, ↔ para E; ↔ para P; tranquilo, fácil ↔ para A). Filósofos de controlo de impacto reuniram fontes de dados de algumas mil palavras com pontuações EPA típicas obtidas de indivíduos da pesquisa que estão bem informados em relação às pontuações típicas da EPA, por exemplo, a EPA culturalmente compartilhada para “mãe” em Ontário, Canadá, é, ótimo, razoavelmente eficaz e também ligeiramente ativo. A “filha” EPA é, sendo bastante excelente, mas menos poderosa e também muito mais enérgica do que a “mãe”.
O ACT é útil para aplicativos de análise de visualização. Especificamente, aqueles que pretendem ocasiões detalhadas ou conteúdo factual para a adesão aos fatores: (1) o espaço EPA é pensado para dar uma representação global da crença das pessoas; (2) o sentimento de curto prazo se reúne ao longo de várias ocasiões também; portanto, ele pode projetar estruturas mais abrangentes no texto; (3) a formação da perceção pode ser calculada para várias entidades na frase, fornecendo um resumo extra refinado das crenças; (4) os valores da EPA são conduzidos empiricamente, mostrando um exame genuíno de indivíduos humanos; assim como (5) a interação entre termos no ACT trabalha com o princípio linguístico de um modelo semântico composicional, que menciona que a definição de uma frase é uma característica das suas palavras.
A nossa técnica utiliza as fórmulas de desenvolvimento de impressão e emoção do ACT para prever as crenças humanas em relação aos eventos. Decompomos cada frase em sujeito-verbo-objeto e depois conectamos sujeito com ator, verbo com comportamento e objeto com o ‘item’ no ACT. Em seguida, calculamos a sensação prevista na direção de cada estrela, praticamos e também objeto utilizando as equações ACT. Usamos um método semissupervisionado baseado em similaridades Wordnet para designar valores EPA para palavras, não léxicos ACT. Examinamos a estabilidade do uso do ACT na análise de sentimento num conjunto de dados de manchetes de informações que coletamos e anotamos. Esse método produziu uma precisão entre 71% e 82% no conjunto de dados das manchetes. Esses resultados são consideravelmente mais do que os resultados de uma técnica treinada usando saco de palavras e vocabulário Sentiwordnet.
O restante do artigo é organizado da seguinte forma:
- A secção inicial fornece o trabalho relevante nos campos de elicitação de emoções e análise de crenças.
- As duas áreas a seguir definem a abordagem proposta, fornecendo informações sobre o conceito de controlo de afeto, fórmulas de desenvolvimento de impressão e a técnica de indução de vocabulário.
- A última secção oferece o conjunto de dados usado neste artigo e analisa os resultados adquiridos utilizando as nossas técnicas recomendadas.
Trabalho Relacionado
Os sentimentos foram pesquisados exaustivamente em técnicas como sociologia, psicologia, sociologia e, muito mais recentemente, na ciência da computação. Recentemente, campos como um computador eficaz (AR CONDICIONADO), interação homem-computador (HCI), bem como avaliação de crenças, estão da mesma forma adicionando a este local de estudo por modelagem computacional, bem como examinando teorias existentes. A maioria das abordagens propostas de SA e ar condicionado usaram a teoria da avaliação, representando sentimentos com rótulos distintos, como satisfeito, deprimente, etc. áreas bidimensionais: estimulação, valência e frequentemente dominância.
Duas abordagens de inteligência artificial central (ML) são utilizadas no estudo de pesquisa de avaliação de visão: conhecimento monitorado ou técnicas de descoberta não supervisionadas. Os métodos de aprendizagem monitorados normalmente usam as frequências de incidentes de palavras que mostram opinião / sentimento e depois classificam esses incidentes como positivos ou negativos, usando um dos métodos de categoria padrão (por exemplo, Entropia Máxima, criador de vetores de assistência (SVM). Várias combinações de recursos foram tentadas, como marcação de classes gramaticais, ponderação de termos, léxicos de visualização, visibilidade de termos, bem como confianças sintáticas. Por outro lado, várias outras abordagens construíram designs mais estruturados, aprimorando a estratégia básica de saco de palavras com grupos de avaliação, representados por ativos de valores de atributos numa taxonomia semântica ou considerando a comunicação entre palavras utilizando um CRF organizado em árvore baseado em.
Pesquisas adicionais consideraram a interação entre palavras usando os ‘designs’ semânticos formais composicionais baseados no princípio de Frege. Recomenda-se um framework, onde um vetor frase seja função do ‘item’ Kronecker das suas palavras. Este método foi examinado em vários conjuntos de dados e mostrou resultados atraentes e aprimoramento em relação aos métodos não composicionais.
Muitos trabalhos de análise de visões têm se concentrado em extrair sentimentos do ponto de vista do escritor; apenas numerosas pesquisas recentes abordaram a questão de antecipar as crenças dos telespectadores. Ambos e também utilizaram um pacote de palavras e também recursos etimológicos para identificar artigos de notícias chineses (Yahoo!) — informações Kimo em uma das pontuações psicológicas do cliente (encantado, triste, chocado e assim por diante). Outro apresenta uma classificação com vários rótulos estratégia que usa a polaridade das palavras e funções de estrutura semântica para identificar artigos de notícias diretamente em emoções categóricas. Como parte da tarefa SemEval2007, várias técnicas foram recomendadas para classificar os títulos de informação de maneira binária em visões favoráveis ou adversas.
Leia o artigo original sobre Acianthology.
