ロシア語のテキストにおける感情分析、パート3：課題と展望

感情分析は、ソーシャルメディア、レビュー、ニュース、さらには教科書にもうまく使用されています。前回の記事で説明したロシア語の主要な研究に基づいて、ここでは研究者が直面する主な課題と、将来の有望な方向性について考察します。以前の作品とは異なり、アプローチ自体や分類の質ではなく、応用アプリケーションに焦点を当てました。

注意：この記事は科学雑誌のために書かれたものなので、情報源へのリンクはたくさんあります。

1.進行中の通話

研究論文の分析に基づいて、10の一般的な問題が特定されました。一般に、研究者は通常、代表的な履歴データやトレーニングデータへのアクセス、感情への注釈付け、研究の限界の徹底的な説明、テキストからのトピックの抽出など、複数の課題に直面します。

1.1。分析されたソースの代表的な履歴データへのアクセス

ソースAPIまたは集約プラットフォームを介して収集された履歴データ（出版物やレビューなど）は、感情調査でよく使用および分析されます。 API開発者は、公開されたデータへの部分的なアクセスしか提供しない場合があります。たとえば、TwitterのコアAPIは、過去のTwitterAPIのみがすべての開いている投稿へのアクセスを提供するというポリシーに従います。アグリゲーションプラットフォームに関しては、特定のソースのデータへのフルアクセス権があると主張しても、これを検証することは不可能です。したがって、データが調査を代表するものであることを確認する方法は2つしかありません。

1. API , . , API .
2. . , OK Data Science Lab [98].

1.2.

ロシア語はインターネット上で最も広く話されているものの1つですが、特に感情分析の分野では、ロシア語の情報源の数は英語よりも大幅に少なくなっています。多くの研究がロシア語のテキストにおける感情の分類に専念してきましたが、それらのいくつかの著者だけが彼らのデータセットを公に利用可能にしました。利用可能なセットのいずれも研究トピックに適用できない場合、作成者はトレーニングセットを手動でマークアップします。文学資料と科学的研究[142]、[173]を分析した後、ロシア語のテキストの感情を分析するために公開されている14のデータセットを特定して説明しました（表2を参照）。私は、関連する科学論文または公式サイトに記載されている指示に従ってアクセスできるキットのみを検討しました。この点で、それらはリストに含まれていませんでした、たとえば、ROMIPセット[174]、[175]は、公式Webサイトからデータにアクセスできなかったためです。



表2.感情分析のためのロシア語データセット。

1.3. .

SentiStrength [22]、Medialogyアルゴリズム、POLYARNIK [107]などのサードパーティの分析システムを使用すると、作成者は通常、分析されたテキストの分類の品質について記述しないため、調査結果の正確性を検証することが困難になります。サードパーティのソリューションの使用は、研究者が分類メトリックを計算するためのテキストのテストセットに注釈を付けなかったという事実にも起因していると思います。しかし、この段階の導入は、研究の科学的価値を大幅に高めると思われます。したがって、感情分析で分類メトリックを測定するために、作成者がターゲットデータサンプルに手動で注釈を付けることを強くお勧めします。

1.4。テキストからトピックを抽出する

トピックを抽出するために、ほとんどの研究ではトピックモデリング手法を使用しています。ただし、関心のあるトピックに関連するテキストのシェアが1％を大幅に下回る場合、トピックモデリングではトピック抽出を使用できません[54]。さらに、トピックモデリングは、特に日常のスピーチを表す場合、短いテキストを分析するときに精度が低くなります[54]。したがって、より正確でノイズに依存しないアプローチを開発する必要があります。

1.5。手動マークアップ用の感情注釈ガイド。

関心のあるトピックに関連するロシア語のトレーニングキットが常に利用できるとは限らないため、研究者は通常、テキストに手で注釈を付けます。マニュアルの説明や注釈プロセスのその他の詳細がないと、データセットのマークアップ品質を検証することは困難です。認定された言語学者と非言語的評価者の両方から高品質の注釈を取得するには、明確で単純なステップバイステップの説明が不可欠です[176]。一部の種類のテキスト、たとえば、話者の感情的な状態、貴重な情報のニュートラルなコミュニケーション、皮肉、嘲笑など、色調に注釈を付けるのは特に困難です[162]。



ロシア語の感情に注釈を付けるためのガイドの例として、さらなる研究では、RuSentimentの注釈で開発されたガイドラインを使用できます[142]。注釈を付けるための認定言語学者がいない場合は、データに手動で注釈を付けるためのクラウドソーシングプラットフォームであるYandex.Tolokaの評価者の助けを借りることができます。それはすでにロシア語のテキストのいくつかの学術研究で使用されています[177]-[180]。また、Fleissのカッパ[181]やKrippendorffのアルファ[182]などのアノテーター間の合意、および注釈プロセスの他の詳細を公開することを強くお勧めします。

1.6制限の包括的な説明

分析された論文のほとんどは、制限の不完全なリストを提供しています。技術的および方法論的な制限に加えて、以下を説明することを強くお勧めします。

• 国内でのインターネットの普及。特定のグループの人々が調査の対象とならないため、重大な制限の1つ。2018年12月のOmnibusGFKの調査結果[9]によると、ロシアのインターネットの普及率は75.4％に達し、16歳以上の9千万人のロシア人が使用しています。若者（16〜29歳）と中年（20〜54歳）によるインターネットの使用は、飽和レベルに近く、それぞれ99％と88％です。しかし、普及率が大幅に増加しているにもかかわらず、55歳以上の人々の36％だけがインターネットを使用しています。
• . , [183]. , . , . , , , , .
• . , , . , , . , , , , ; ; ; , , , , ; . , . , .
• . Freedom House 2018- [184], 53 65. 2012- , IP-, URL. 2019- . , , . , , .

1.7. .

人々は膨大な数のトピックについて意見を表明できるため、トピックごとにトレーニングセットに注釈を付ける必要があるため、これらすべての意見を分析することはリソースを大量に消費する可能性があります[186]。すべてのテーマの感情分析モデルをトレーニングするための注釈付きのテキストのコレクションがないため、分析の精度が低下します。研究[187]によると、トピック間分析には3つの重要な問題があります。あるトピックのコンテキストで表現された意見は、別のトピックのコンテキストでは逆になる場合があります。2番目の問題は、分析で考慮する必要があるさまざまなトピックの感情の語彙の違いに関連しています。そして最後に、感情の辞書の各トークンに感情の強さのマーカーを割り当てることは合理的です。

1.8。皮肉と皮肉の定義

オンライン通信には、人間でさえ常に認識しやすいとは限らない、皮肉で皮肉なフレーズ[188]が含まれていることが多く、自然な言語処理アルゴリズムははるかに少ないです。これまでのところ、ロシア語での皮肉と皮肉の定義に向けられた研究はほとんどありません[189]。したがって、幅広い意見を正しく処理するためには、複雑な音声技術の自動分類を用いたより多くのアプローチを開発し、適用する必要があります。

1.9。ボットの定義

ボットは、特にユーザーの大多数を占める場合、ソーシャルメディアのさまざまな側面に強い影響を与えます。それらは、世論に関連するさまざまな悪意のあるタスクに使用できます。たとえば、有名人の人気を高めたり、政治家に関する誤った情報を広めたりするためです[190]。結果として、ボット検出方法を開発し、感情研究に適用する必要があります。

1.10。分析結果の効率

Web上のデータの自動分析を通じて応答を測定することの有効性については、依然としてかなりの意見の相違があります。いくつかの研究[191]、[192]は、ソーシャルメディアのアプローチは従来の研究よりも正確ではないと考えています。他の人は、これらのアプローチは従来の方法よりも優れたパフォーマンスを示すと主張しています[193]。したがって、可能であれば、研究の結果を他の方法を使用して得られた結果と比較することを強くお勧めします。

2.有望な研究分野

文献を検討した後、私は将来の研究のための7つの機会を特定しました。



全体として、将来の研究では、さまざまなテキストソースで表現された感情のより完全な分析のために、個々のアプローチ間の潜在的な相乗効果を特定するために、この記事で提示された感情を監視するアプローチを注意深く調べる必要があります。

2.1言語モデルの知識の伝達による学習

ほとんどの作業では、ルールベースまたは単純な機械学習アプローチを使用します。ニューラルネットワークを使用した研究は2つだけ[69]、[72]でした。しかし、最近の研究では、事前に訓練された言語モデルから知識を伝達して学習することで、感情の分類の問題を効果的に解決でき、自信を持って良い結果を達成できることが示されています[43]、[194]-[198]。



したがって、微調整された言語モデルを使用すると、感情分析の品質が大幅に向上し、感情監視結果の精度が向上します。最初の研究は[199]で行われ、その著者はELMo埋め込み[42]を使用して浅くて広い畳み込み神経ネットワークを訓練し、RuSentimentデータセット[142]で新しいレコード分類メトリックを取得し、以前のすべての神経ネットワークアプローチを上回りました。この方向への第一歩として、研究者はさまざまなロシア語のテキストセットのベースライン学習転送率をトレーニングして公開することができます。

2.2。多言語テキストの感情分析

ロシアは多国籍国であるため、多言語に対応しています。したがって、さまざまな人々や人々のグループがさまざまな言語で意見を表明することができます。言語学者は、人口の96.25％が話すロシア語から始まり、アムール地域の数百人が話すネギダルで終わる、ロシアの150以上の言語を数えます。いくつかの研究は、複数の言語のテキストを分析し、著者がより広い範囲の情報源をカバーし、異なる言語で同じトピックに関する意見の表現を比較できるようにしました。



感情を異なる​​言語で分類するために、一部の研究者はすべてのテキストを1つの言語に翻訳し、単一言語の感情分析を実行しました（たとえば[72]）。他の人は多言語分類モデルを開発しました（例えば、[79]）。後者のアプローチの開発として、研究者は、事前にトレーニングされた言語モデル、たとえば、トランスフォーマーからの双方向エンコーダー表現[43]および多言語ユニバーサルセンテンスエンコーダー[198]を使用できます。

2.3。一般的な主題トピックのテキストからの抽出

ほとんどのケースモデリング研究では、著者は抽出と将来の分析のためにいくつかのトピックのみを選択しました。ただし、このアプローチでは、たとえば、関心のあるトピックに関連するテキストのシェアが1％をはるかに下回る場合など、大量のテキストから関連するトピックを抽出することはできません[54]。さらに、トピックモデリングは、特に日常会話の場合、短いテキストの分析の精度が低いことを示しています[54]。トピック抽出の問題は、トピックモデリングだけでなく、一般的な主題トピックの抽出に関するトレーニングデータの広範なセットが利用可能な場合は、テキスト分類の問題にも絞り込むことができます。



このようなデータセットの作成は、言語学者チームまたはクラウドソーシングによる注釈付きの基本的なアプローチの場合、時間とリソースを大量に消費するプロセスのように見えます。ただし、RedditやPikabuなど、一部のソーシャルメディアプラットフォームでは、ユーザーが投稿にタグを付けることができます。これは、そのようなソーシャルネットワークのユーザーが注釈プロセスを引き継ぐことを意味します。したがって、追加の検証により、このデータを使用して、メッセージから一般的な主題トピックを抽出するためのトレーニングセットを作成できる可能性があります。

2.4。感情を表現する間接的な方法としてのコンテンツに対するいいねやその他のタイプの反応

ほとんどの研究では、意見の表明は出版物の内容によってのみ評価されていました。ただし、投稿に対するいいねやその他の種類の反応は、読者が表現する感情の原因となる可能性があります。したがって、感情を監視するときにこの情報を考慮に入れることができます。研究[200]では、投稿のいいねと出版物に対する感情との関係の研究に関する予備作業が行われました。研究者は、出版物の内容の役割、出版物の著者とユーザーの個性との関係を研究しました。オンライン調査に基づいて、著者は、前向きな感情を持つ投稿は通常、注意深く読まなくても自動的に高く評価されると主張しています。出版物の積極性は、相対的および文字通りの動機と相関していることも指摘されました。シンプルな「いいね」ボタンに加えて、一部のソーシャルメディアプラットフォームでは、ユーザーがメッセージに対する感情的な反応を簡単に示すことができる応答機能が導入されています。たとえば、Facebookの一連の反応は、Like、Love、Wow、Haha、Angry、およびSadで構成されています。



Smolyarova et al。[201]は、ロシア語を話すFacebookユーザーの反応行動における感情的刺激の研究で、愛の反応は通常簡単な方法で使用され、従来のLikeの代わりになることを示しています。逆に、Wowリアクションをトリガーする投稿は、他の感情でもフラグが立てられる可能性があります。Love、Haha、Wowなどの反応は、コメントや共有ボタンを介して投稿とさらにやり取りしたいという欲求を思いとどまらせる傾向があります[202]。したがって、潜在的に重要な研究分野は、反応、人々の気分、出版物の気分の間の関係であり、将来的に気分を監視するために使用することができます。

2.5。感情の文脈分類

テキスト内のユーザーの感情的な反応は、コンテキストに強く依存する可能性があります。あるコンテキストで同じテキストを使用すると、ポジティブなトーンを表現でき、別のコンテキストではネガティブなトーンを表現できます[203]。したがって、コメントでの応答など、会話のトーンを分析する場合、感情的な反応自体に加えて、会話のコンテキストをキャプチャすることが非常に重要です。研究者は、会話を分析するときに、感情の文脈分類に注意を払う必要があります。

2.6。あまり研究されていない情報源のコンテンツ分析

Odnoklassniki、Moi Mir、RuTubeなど、データソースとして使用できる他の人気のあるソーシャルネットワークがありますが、研究のかなりの割合がVKontakte、Twitter、LiveJournal、およびYouTubeからのデータに基づいています。したがって、研究者はOdnoklassnikiに注意を払うことができます。Odnoklassnikiは、国の人口の42％によって使用されている2番目に大きいロシアのソーシャルネットワークであるためです[98]。このプラットフォームは35歳以上のユーザーに人気があるため、古い世代からの意見を得るのに役立ちます。さらに、Odnoklassnikiの代表的な統計には、Odnoklassnikiが研究用に開発したプラットフォームであるOK Data ScienceLabからアクセスできます。

2.7。従来の調査に代わるものとしてのソーシャルメディアコンテンツの自動分析

現在、オンラインテキストの分析結果は、マスポールに基づいて意見を評価するための古典的なアプローチの本格的な代替手段とは見なされません[204]。この障害を克服するには、データをより大きな人口グループのレベルに一般化するための理論的根拠が必要です[205]。従来のマスポーリングは、意見と社会人口統計学的グループとの関連を前提としており、信頼できる人口統計学的情報は通常、ソーシャルメディアでは入手できません。研究者は、地理的位置情報、ユーザープロファイルデータ、および性別と年齢の予測システム[206]-[211]を使用して、調査結果を従来の意見調査と比較できます。

2.8。ソーシャルネットワークのロシア語圏の感情指数の監視

画期的な2010年の論文[212]で、Mislov et al。は、辞書ベースのアプローチを使用して、米国からの3億を超えるロケーションベースのTwitterメッセージを分析することにより、1日を通して感情のダイナミクスを調査しました。早朝と深夜の最高レベルの幸福など、いくつかの興味深い傾向が見られました。週末は平日よりずっと幸せでした。これらのパターンは、ツイッターでのブラジル人の気分の研究[213]によって確認されました。これは、素朴なベイジアンの気分分類を使用しました[30]。 Dzogangは、気分の変化におけるサーカディアンパターンも調査しました[214]。そのような研究はすでに多くの言語で行われていますが、ロシア語のテキストはこれまでほとんど研究されていません[93]、[137]。それらは、分析されたデータの量の観点から、より広く、より深く探求することができます。社会的指標を計算するための感情分類モデルと方法の質。



また、ロシア語を話すソーシャルネットワークで感情を監視するためのシステムの開発に専念している研究もありますが、著者は通常、監視結果を報告していません。たとえば、ITMO大学の研究者は、世論の感情的感情を評価するアプローチを説明し[215]、[216]の著者は、テキストメッセージのインテリジェントな分析を使用してソーシャルネットワークを監視する一般原則を検討し、記事[148]で、著者は、ロシア語のTwitterメッセージ。

3.結論

ご覧のとおり、ロシア語にはすでに優れた研究基盤があり、幅広い研究目的と分析された情報源を網羅しています。ただし、新しい研究を行う際に考慮すべき課題や有望な分野もいくつかあります。

4.出典

ソースの完全なリストはここにあります。