Οι Reaction GIFs Προσφέρουν Ένα Νέο Κλειδί για την Αναγνώριση Συναισθήματος στη Γλωσσική Επεξεργασία

Νέα έρευνα από την Ταϊβάν προσφέρει ένα καινοτόμο μέσο για τη Γλωσσική Επεξεργασία (NLP) να εκτελεί ανάλυση συναισθήματος σε fora κοινωνικών μέσων και σε συνόλους δεδομένων γλωσσικής έρευνας – με την ταξινόμηση και την επισήμανση κινούμενων GIF που αναρτώνται ως απάντηση σε κείμενα ανακοινώσεων.

Οι ερευνητές, υπό την ηγεσία του Boaz Shmueli του Εθνικού Πανεπιστημίου Tsing Hua της Ταϊβάν, έχουν χρησιμοποιήσει τη βάση δεδομένων των phảnδράσεων GIF του Twitter ως δείκτη για να ποσοτικοποιήσουν την affektive κατάσταση της απάντησης ενός χρήστη, αποφεύγοντας την ανάγκη να διαπραγματευτούν πολλαπλές γλωσσικές απαντήσεις, την πρόκληση της ανίχνευσης σαρκασμού, ή της ταυτοποίησης της βασικής συναισθηματικής θερμοκρασίας από αμφίβολες ή υπερβολικά σύντομες απαντήσεις.

Πατώντας το κουμπί ‘GIF’ όταν συντάσσετε μια ανάρτηση στο Twitter, προσφέρεται ένα τυποποιημένο σύνολο επισήμανων κινούμενων GIF που είναι πιο εύκολο για την NLP να ερμηνεύσει σε ‘ταυτοποιημένα’ συναισθήματα rather από την πιθανώς αμφίβολη χρήση απλού κειμένου.

Το έγγραφο χαρακτηρίζει τη χρήση των phảnδράσεων GIF με αυτόν τον τρόπο ως ‘ένα νέο είδος επισήμανσης, που δεν είναι ακόμη διαθέσιμο στα συνόλων δεδομένων συναισθήματος της NLP’, και σημειώνει ότι τα υπάρχοντα συνόλων δεδομένων χρησιμοποιούν είτε το διαστατικό μοντέλο συναισθήματος είτε το διακριτό μοντέλο συναισθήματος, κανένα από τα οποία δεν προσφέρει αυτό το είδος ερμηνείας.

Μια κινούμενη GIF απάντηση σε μια ανάρτηση χρήστη. Με το GIF του Twitter που είναι τώρα κωδικοποιημένο σε όρους affektive κατάστασης, η αμφιβολία της πρόθεσης είναι σχεδόν απομακρυσμένη. Πηγή: https://arxiv.org/pdf/2105.09967.pdf

Οι ερευνητές έχουν κυκλοφορήσει ένα σύνολο δεδομένων 30.000 σαρκαστικών tweets που περιέχουν GIF αντιδράσεων. Αυτή η προσέγγιση προσφέρει στην NLP μια διάκριση που είναι απών από άλλη τρέχουσα βιβλιογραφία: ένα μέσο για να διακρίνει περceb συναισθήματα (συναισθήματα που ένας αναγνώστης αναγνωρίζει από το κείμενο) από πρωτογενή συναισθήματα (ένα συναίσθημα που ο αναγνώστης βιώνει ως απάντηση στο κείμενο).

Οι Reaction GIFs ως Μειωτικοί Δείκτες

Σε όρους μιας υποστηρικτικής απάντησης σε μια ανάρτηση που μοιράζεται μια συναισθηματική κατάσταση, ένα κατάλληλο GIF είναι χρήσιμο και αμφισβητούμενο σε πρόθεση, όταν αναρτάται χωρίς υποστηρικτικό κείμενο (και αυτού του είδους οι GIF απαντήσεις που επικεντρώθηκαν στην μελέτη).

Για παράδειγμα, αντιδράσεις όπως ‘Αυτό είναι βίαιο, άνθρωπε’, ‘Αυτό είναι μια ντροπή’, ή ‘Αχ’ περιέχουν πιθανές αμφιβολίες πρόθεσης, από την πιθανότητα μιας bestimmerten και ανεπηρέαστης στάσης έως την πιθανότητα σαρκασμού: αλλά η ανάρτηση ενός από τα εκατοντάδες ‘αγκάλιασμα’-κατηγορίας GIF του Twitter αφήνει λιγότερο χώρο για ερμηνεία:

Βυθίζοντας στα Υπο-Νόηματα μιας GIF Απάντησης

Παρά το ότι, μέσα σε μια seule κατηγορία αντιδράσεων, όπως ‘αγκάλιασμα’, υπάρχουν πολλά πρόσθετα δείκτες της διάθεσης ή της άποψης που περιλαμβάνουν πολλαπλά είδη affektive κατάστασης, συμπεριλαμβανομένης της στάσης των ρομαντικών ή οικογενειακών υποθέσεων της σχέσης μεταξύ του απαντητή και του αρχικού αναρτητή.

Παράσταση των διαφόρων τύπων σχέσης στην κατηγορία ‘αγκάλιασμα’ GIF του Twitter. Η χρήση διαφορετικών ειδών, tropes, φύλων και άλλων παραγόντων προσθέτει γρανулярτητα στην πιθανή ερμηνεία μιας επιλογής GIF για αυτό το συναισθήμα.

Το σύνολο δεδομένων ReactionGIF προέκυψε από τα πρώτα 100 GIF σε κάθε διαθέσιμη κατηγορία αντιδράσεων στο Twitter, οδηγώντας σε μια βάση δεδομένων 4300 κινούμενων εικόνων. Όπου ένα GIF εμφανίζεται σε περισσότερες από μια κατηγορία, η κατηγορία με την υψηλότερη θέση στο GUI έχει υψηλότερη βαρύτητα. Οι εικόνες που εμφανίζονται σε πολλαπλές κατηγορίες έχουν μια παράμετρο ομοιότητας αντιδράσεων – einen μέτρη που εφευρέθηκε για τη μελέτη.

Οι συγγένειες ανακαλύπτονται χρησιμοποιώντας ιεραρχική ομαδοποίηση και μέσο σύνδεσμο.

Επικύρωση Δεδομένων Reaction GIF

Το σύνολο δεδομένων δημιουργήθηκε και επισήμανθηκε εφαρμόζοντας τη μέθοδο κατά 30.000 tweets. Το ‘πλούσιο affektive σήμα’ μιας κατηγορίας αντιδράσεων επέτρεψε στους ερευνητές να επικυρώσουν το σύνολο δεδομένων με πρόσθετες affektive επισήμανσεις, με βάση τις θετικές και αρνητικές κατηγορίες cluster, και να προσθέσουν επισήμανσεις συναισθήματος με ένα αφιερωμένο schema αντιδράσεων-συναισθήματος, με βάση την πλειοψηφική απόφαση τριών ανθρώπινων αξιολογητών σε δείγματα tweets.

Προηγούμενη έργο από το Yahoo και το Πανεπιστήμιο του Rochester, το οποίο ασχολείται με την επισήμανση GIF, δεν έχει αυτό το επίπεδο κειμένου, ούτε καμία κατηγορία αντιδράσεων, αλλά είναι καθαρά σεμαντικό.

Οι ερευνητές αξιολόγησαν το σύνολο δεδομένων σε τέσσερις προσεγγίσεις: RoBERTa, το Συνελικτικό Νευρωνικό Δίκτυο (CNN) GloVe, einen λογιστικό αναλυτή, και έναν απλό αναλυτή πλειοψηφίας. Το βάρος της πειθούς για κάθε κατηγορία εμφανίζεται khá清楚 στις αποτελέσματα, με την έγκριση, συμφωνία και συμπόνια να είναι πιο εύκολο να αναγνωριστούν (και πιο αντιπροσωπευμένα), και την απολογία να είναι πιο δύσκολο να αξιολογηθεί, ίσως επειδή περιλαμβάνει την πιθανότητα σαρκασμού.

Το μοντέλο RoBERTa παρήγαγε το υψηλότερο δοκιμασμένο μέσο όρο κατάταξης σε όλες τις τρεις μεθόδους αξιολόγησης, οι οποίες αποτελούσαν Προβλέψεις Αντιδράσεων, Προβλέψεις Συναισθήματος και Προβλέψεις Συναισθήματος.

Αναγνώριση Συναισθήματος από Reaction GIFs

Οι ερευνητές παρατηρούν ότι η αναγνώριση του προκαλούμενου συναισθήματος είναι μια από τις πιο δύσκολες εργασίες στην ανάλυση συναισθήματος και συναισθήματος της NLP, και ότι η χρήση των phảnδράσεων GIF ωςproxies προσφέρει την πιθανότητα για μελλοντικές μελέτες να συλλέξουν ‘μεγάλες ποσότητες φθηνών, φυσικά-παραγόμενων, υψηλής ποιότητας affektive επισημάνσεων’.

Παρά το ότι επικεντρώθηκαν σε ένα πολύ συγκεκριμένο σημείο των GIF που ενσωματώνονται στην εμπειρία του χρήστη του Twitter, η μελέτη υποστηρίζει ότι αυτή η μέθοδος μπορεί να γενικευθεί σε άλλα κοινωνικά μέσα, καθώς και σε πλατφόρμες άμεσης ανταλλαγής μηνυμάτων, και να είναι χρήσιμη σε τομείς όπως η αναγνώριση συναισθήματος και η ανίχνευση συναισθήματος.

Η Δημοτικότητα ως Κλειδί Δείκτης

Η προσέγγιση φαίνεται να βασίζεται σε một certo ‘ιό’ για κάθε GIF, όπως όταν ένα GIF είναι διαθέσιμο μέσω των μηχανισμών του Twitter. Προφανώς, νέα χρήστη-γεννημένα GIF δεν θα μπορούσαν να εισέλθουν σε αυτήν την οικοδομή εκτός από την αυξημένη δημοτικότητα και υιοθέτηση ως meme.

Οι Reaction GIFs έχουν αναβιώσει τη χρήση του πρωιμότερου κινούμενου GIF μορφής τα τελευταία δέκα χρόνια, μετά από χρόνια απαξίωσης ως bandwidth hog (πρωτίστως χρησιμοποιούμενο για ενοχλητικά banner διαφημίσεις) στην εποχή του Internet V1 pre-broadband.