Reaction GIFs เสนอทางเลือกใหม่สำหรับการรับรู้อารมณ์ใน NLP

การวิจัยใหม่จากไต้หวันเสนอวิธีการใหม่สำหรับการประมวลผลภาษา自然 (NLP) ในการวิเคราะห์ความรู้สึกบนฟอรัมโซเชียลมีเดียและฐานข้อมูลการวิจัยภาษา โดยการจำแนกและป้ายกำกับภาพเคลื่อนไหว GIF ที่โพสต์เป็นการตอบรับข้อความ

นักวิจัยนำโดย Boaz Shmueli จาก National Tsing Hua University ในไต้หวัน ได้ใช้ฐานข้อมูลภาพเคลื่อนไหว GIF ที่มีอยู่ใน Twitter เป็นดัชนีในการ量วัดสถานะทางอารมณ์ของการตอบรับของผู้ใช้ โดยไม่ต้องต่อสู้กับการตอบรับหลายภาษา หรือการตรวจจับเสียงเยาะเย้ย หรือการระบุอุณหภูมิทางอารมณ์ที่แท้จริงจากการตอบรับที่ไม่ชัดเจนหรือสั้นเกินไป

การคลิกปุ่ม ‘GIF’ เมื่อสร้างโพสต์บน Twitter จะแสดงภาพเคลื่อนไหว GIF ที่มีป้ายกำกับ ซึ่งสามารถตีความได้ง่ายกว่าภาษาแบบข้อความ

เอกสารวิจัยอธิบายการใช้ภาพเคลื่อนไหว GIF ในลักษณะนี้ว่าเป็น ‘ป้ายกำกับใหม่ที่ยังไม่มีอยู่ในฐานข้อมูลอารมณ์ของ NLP’ และระบุว่าฐานข้อมูลที่มีอยู่ใช้แบบจำลองทางอารมณ์หรือแบบจำลองอารมณ์ที่แยกจากกัน ซึ่งไม่ให้ข้อมูลเช่นนี้

ภาพเคลื่อนไหว GIF ที่ตอบรับโพสต์ของผู้ใช้ โดยมีป้ายกำกับทางอารมณ์ที่ชัดเจน Source: https://arxiv.org/pdf/2105.09967.pdf

นักวิจัยได้เผยแพร่ฐานข้อมูลของ 30,000 ทวีตที่มีภาพเคลื่อนไหว GIF ที่ตอบรับ โดยมีการระบุอารมณ์ขั้นสูง ซึ่งให้ความแตกต่างที่ไม่มีอยู่ในวรรณกรรมปัจจุบัน: วิธีการแยกอารมณ์ที่ รับรู้ (อารมณ์ที่ผู้อ่านระบุจากข้อความ) จากอารมณ์ที่ ถูกกระตุ้น (ความรู้สึกที่ผู้อ่านประสบเมื่อตอบรับข้อความ)

Reaction GIFs As Reductive Indicators

ในแง่ของการตอบรับที่มีประโยชน์ต่อโพสต์ที่แบ่งปันสถานะทางอารมณ์ที่กดดัน การตอบรับด้วยภาพเคลื่อนไหว GIF ที่เหมาะสมจะช่วยลดความไม่ชัดเจนและไม่มีทางเลือกเมื่อโพสต์โดยไม่มีข้อความประกอบ

ตัวอย่างเช่น การตอบรับเช่น ‘นั่นโหดร้าย’, ‘นั่นเป็นความอับอาย’, หรือ ‘อ๋อ’ มีความไม่ชัดเจนของเจตนา แต่การโพสต์ภาพเคลื่อนไหว GIF ในหมวด ‘การกอด’ จะทำให้เข้าใจได้ง่ายขึ้น:

Drilling Down Into Sub-Meanings Of A GIF Reaction

อย่างไรก็ตาม ภายในหมวดการตอบรับใดๆ เช่น ‘การกอด’ มีเครื่องหมายอื่นๆ อีกมากมายที่บ่งบอกถึงอารมณ์หรือมุมมอง ซึ่งรวมถึงมุมมองทางอารมณ์หรือความสัมพันธ์ระหว่างผู้ตอบรับและผู้โพสต์เดิม

การแสดงภาพของการกอดในหมวด ‘การกอด’ ของ Twitter โดยใช้ประเภทและทรอปที่หลากหลายเพื่อเพิ่มความสามารถในการตีความ

ฐานข้อมูล ReactionGIF ได้มาจาก 100 ภาพเคลื่อนไหว GIF แรกในหมวดการตอบรับที่มีอยู่ใน Twitter ซึ่งนำไปสู่ฐานข้อมูลของ 4300 ภาพเคลื่อนไหว โดยมีการใช้การเชื่อมโยงแบบ階層และลิงก์เฉลี่ย

ความสัมพันธ์ระหว่างภาพเคลื่อนไหว GIF ถูกพบโดยใช้การเชื่อมโยงแบบ階層และลิงก์เฉลี่ย

Augmenting Reaction GIF Data

ฐานข้อมูลถูกสร้างและป้ายกำกับโดยใช้วิธีการนี้กับ 30,000 ทวีต โดยมีการเพิ่มป้ายกำกับทางอารมณ์โดยอาศัยหมวดการตอบรับและแผนภูมิความสัมพันธ์ระหว่างการตอบรับ

งานวิจัยก่อนหน้านี้จาก Yahoo และ The University Of Rochester ซึ่งเกี่ยวข้องกับการป้ายกำกับภาพเคลื่อนไหว GIF ไม่มีระดับนี้ของข้อความที่ถูกกระตุ้น และไม่มีหมวดการตอบรับ แต่เป็นเพียงการวิเคราะห์ทางภาษาเท่านั้น

นักวิจัยได้ประเมินฐานข้อมูลโดยใช้ four วิธี: RoBERTa, Convolutional Neural Network (CNN) GloVe, ตัวจำแนกแบบลอจิสติก, และตัวจำแนกแบบส่วนใหญ่ โดยมีการใช้ RoBERTa ในการสร้างแบบจำลองที่มีประสิทธิภาพสูงสุด

Gleaning User Emotion From Reaction GIFs

นักวิจัยสังเกตว่าการระบุอารมณ์ที่ถูกกระตุ้นเป็นหนึ่งในงานที่ท้าทายที่สุดใน NLP และการวิเคราะห์ความรู้สึก และการใช้ภาพเคลื่อนไหว GIF เป็นตัวแทนให้โอกาสสำหรับโครงการในอนาคตในการรวบรวม ‘ข้อมูลทางอารมณ์ที่มีคุณภาพสูงและไม่มีค่าใช้จ่าย’

尽管มุ่งเน้นไปที่จุดเฉพาะของภาพเคลื่อนไหว GIF ที่ฝังอยู่ในประสบการณ์ของผู้ใช้ Twitter การศึกษานี้ยังชี้ให้เห็นว่าวิธีการนี้สามารถใช้ได้กับแพลตฟอร์มโซเชียลมีเดียอื่นๆ และแพลตฟอร์มส่งข้อความทันที และอาจมีประโยชน์ในด้านการรับรู้อารมณ์และการตรวจจับอารมณ์แบบหลายมิติ

Popularity As A Key Index

วิธีการนี้ดูเหมือนจะขึ้นอยู่กับ ‘การแพร่กระจาย’ ของภาพเคลื่อนไหว GIF แต่ละภาพ เช่น เมื่อภาพเคลื่อนไหว GIF ถูกทำให้พร้อมใช้งานผ่านกลไกของ Twitter โดยสมมติว่าภาพเคลื่อนไหว GIF ที่สร้างโดยผู้ใช้ใหม่ๆ ไม่สามารถเข้าสู่ระบบนี้ได้หากไม่มีการเพิ่มความนิยมและรับเลือกเป็นมีม

ภาพเคลื่อนไหว GIF ได้ฟื้นฟูการใช้ภาพเคลื่อนไหว GIF แบบอนิเมชั่นในปี 1987 ในช่วง 10 ปีที่ผ่านมา หลังจากหลายปีที่ถูกมองว่าเป็น ‘ผู้กินแบนด์วิธ’ (ใช้สำหรับโฆษณาแบนเนอร์ที่น่ารำคาญ) ในยุคอินเทอร์เน็ตก่อนยุคบรอดแบนด์