ปัญญาประดิษฐ์
Reaction GIFs เสนอเป็นกุญแจใหม่สำหรับการรับรู้อารมณ์ใน NLP
การวิจัยใหม่จากไต้หวันกำลังเสนอวิธีการใหม่สำหรับการประมวลผลภาษาธรรมชาติ (NLP) เพื่อทำการวิเคราะห์ความรู้สึกในฟอรัมโซเชียลมีเดียและชุดข้อมูลการวิจัยภาษา – โดยการแบ่งประเภทและป้ายกำกับ GIF ที่เคลื่อนไหวที่โพสต์เป็นการตอบสนองต่อประกาศข้อความ
นักวิจัยนำโดย Boaz Shmueli จากมหาวิทยาลัย Tsing Hua Quốc giaที่ไต้หวัน ได้ใช้ฐานข้อมูลที่ฝังตัวของ Twitter ของ GIF ที่ตอบสนองเป็นดัชนีเพื่อ量化สถานะทางอารมณ์ของการตอบสนองของผู้ใช้ โดยไม่ต้องต่อรองกับการตอบสนองภาษาหลายภาษา ความท้าทายในการตรวจจับคำพูดเยาะเย้ย หรือการระบุอุณหภูมิทางอารมณ์หลักจากการตอบสนองที่ไม่ชัดเจนหรือสั้นเกินไป
การคลิกปุ่ม ‘GIF’ เมื่อสร้างโพสต์ Twitter จะให้เซตมาตรฐานของ GIF ที่เคลื่อนไหวที่มีป้ายกำกับ ซึ่งสามารถตีความได้ง่ายกว่าภาษาPlainText ที่อาจมีความหมายไม่ชัดเจน
เอกสาร 研究 อธิบายการใช้ GIF ที่ตอบสนองในลักษณะนี้ว่าเป็น ‘ประเภทป้ายกำกับใหม่ที่ยังไม่มีอยู่ในชุดข้อมูลอารมณ์ของ NLP’ และชี้ให้เห็นว่าชุดข้อมูลที่มีอยู่ใช้ แบบจำลองมิติ ของอารมณ์หรือ แบบจำลองอารมณ์ที่แยกออก ซึ่งไม่มีการให้ข้อมูลเชิงลึกในลักษณะนี้
การตอบสนอง GIF ต่อโพสต์ของผู้ใช้ เมื่อ GIF ที่ Twitter จัดเตรียมมาได้รับการเข้ารหัสในแง่ของสถานะทางอารมณ์ ความไม่แน่นอนของความตั้งใจจะหายไปเกือบหมด Source: https://arxiv.org/pdf/2105.09967.pdf
นักวิจัยได้เผยแพร่ ชุดข้อมูล ของ 30,000 ทวีตที่มีการตอบสนอง GIF ที่เยาะเย้ย วิธีการนี้ให้ NLP ความแตกต่างที่ไม่มีอยู่ในเอกสารอื่น ๆ ในปัจจุบัน: วิธีการในการแยก อารมณ์ที่รับรู้ (อารมณ์ที่ผู้อ่านระบุจากข้อความ) จาก อารมณ์ที่เกิดขึ้น (ความรู้สึกที่ผู้อ่านประสบเป็นการตอบสนองต่อข้อความ)
GIF ที่ตอบสนองเป็นตัวบ่งชี้ที่ลดความซับซ้อน
ในแง่ของการตอบสนองที่เหมาะสมต่อโพสต์ที่แบ่งปันสถานะทางอารมณ์ที่ก่อให้เกิดความทุกข์ GIF ที่เหมาะสมมีประโยชน์ในการลดความซับซ้อนและไม่กำกวมในความตั้งใจ เมื่อโพสต์โดยไม่มีข้อความรอง (และนี่คือประเภทของการตอบสนอง GIF ที่การศึกษามุ่งเน้น)
ตัวอย่างเช่น การตอบสนองเช่น ‘นั่นโหดร้าย’, ‘นั่นเป็นเรื่องน่าเสียดาย’ หรือ ‘อ๊าว’ มีศักยภาพในการกำกวมของความตั้งใจ ตั้งแต่จุดยืนที่ ‘คลินิก’ และไม่มีผลกระทบจนถึงความเป็นไปได้ของคำพูดเยาะเย้ย แต่การโพสต์ GIF ในหมวด ‘กอด’ ของ Twitter จะมีพื้นที่ให้ตีความน้อยลง:
การเจาะลึกความหมายย่อยของการตอบสนอง GIF
อย่างไรก็ตาม ภายในหมวดการตอบสนองแต่ละประเภท เช่น ‘กอด’ มีตัวบ่งชี้เพิ่มเติมของอารมณ์หรือมุมมองหลายประเภทที่ครอบคลุมสถานะที่ได้รับผลกระทบหลายประเภท รวมถึงจุดยืนของสมมติฐานความสัมพันธ์ระหว่างผู้ตอบสนองและผู้โพสต์เดิม
การแสดงภาพของความสัมพันธ์หลายประเภทในหมวด ‘กอด’ ของ Twitter การใช้ประเภทที่หลากหลาย ทรอป ตัวแทนเพศ และปัจจัยอื่น ๆ เพิ่มความละเอียดในการตีความการเลือก GIF สำหรับความรู้สึกนี้
ชุดข้อมูล ReactionGIF ได้รับการสร้างจาก 100 GIF แรกในหมวดการตอบสนองที่มีอยู่ทั้งหมดใน Twitter ซึ่งนำไปสู่ฐานข้อมูลของ 4300 ภาพเคลื่อนไหว เมื่อ GIF ปรากฏในหมวดมากกว่าหนึ่งหมวด หมวดที่มีการจัดวางสูงกว่าใน GUI จะมีน้ำหนักมากกว่า ภาพที่ปรากฏในหลายหมวดจะได้รับการจัดสรร ปัจจัยความคล้ายคลึงกันในการตอบสนอง – เมตริกที่คิดค้นขึ้นสำหรับการศึกษา
ความสัมพันธ์ถูกพบโดยใช้การรวมกลุ่มแบบ階層และการเชื่อมโยงโดยเฉลี่ย
การเพิ่มข้อมูลการตอบสนอง GIF
ชุดข้อมูลถูกสร้างและป้ายกำกับโดยใช้วิธีการนี้กับทวีต 30,000 ทวีต ‘สัญญาณทางอารมณ์ที่มีรายละเอียด’ ของหมวดการตอบสนองทำให้นักวิจัยสามารถเพิ่มข้อมูลชุดข้อมูลด้วยป้ายกำกับทางอารมณ์แบบเพิ่มเติม โดยอาศัยการรวมกลุ่มหมวดการตอบสนองเชิงบวกและเชิงลบ และเพิ่มป้ายกำกับทางอารมณ์โดยใช้ส chemata การตอบสนองต่ออารมณ์ที่อุทิศโดยอาศัยการลงคะแนนเสียงของสามผู้ประเมินบน tw ทวีตตัวอย่าง
การทำงานก่อนหน้านี้จาก Yahoo และ The University Of Rochester ซึ่งเกี่ยวข้องกับการบันทึกย่อของ GIF ไม่มีระดับนี้ของข้อความที่ชักชวน และไม่มีหมวดการตอบสนอง แต่เป็นเพียง เชิงคำศัพท์ เท่านั้น
นักวิจัยประเมินชุดข้อมูลโดยใช้แนวทางที่แตกต่างกันสี่ประการ: RoBERTa, โมเดล GloVe ของ Convolutional Neural Network (CNN), ตัวจำแนกแบบลอจิสติก และตัวจำแนกแบบชั้นเรียนส่วนใหญ่ น้ำหนักของความเชื่อมั่นสำหรับหมวดแต่ละประเภทปรากฏชัดเจนในผลลัพธ์ โดยมีการอนุมัติ การตกลง และการเอาใจใส่ที่สามารถระบุได้ง่ายที่สุด (และเป็นตัวแทนมากที่สุด) และการขอโทษที่ยากที่สุดในการประเมิน ซึ่งอาจเป็นเพราะมีความเป็นไปได้ของคำพูดเยาะเย้ย
โมเดล RoBERTa สร้างค่าเฉลี่ยการจัดอันดับสูงสุดที่ทดสอบข้ามวิธีการประเมินทั้งสามวิธี ซึ่งประกอบด้วยการคาดการณ์การตอบสนองทางอารมณ์ การคาดการณ์ความรู้สึกที่ถูกชักชวน และการคาดการณ์อารมณ์ที่ถูกชักชวน
การเก็บเกี่ยวอารมณ์ของผู้ใช้จาก GIF ที่ตอบสนอง
นักวิจัยสังเกตว่าการระบุอารมณ์ที่ถูกชักชวนเป็นหนึ่งในงานที่ท้าทายที่สุดใน NLP ที่ใช้การวิเคราะห์ความรู้สึกและอารมณ์ และการใช้ GIF ที่ตอบสนองเป็นตัวแทนให้โอกาสสำหรับโครงการในอนาคตในการรวบรวม ‘จำนวนมากของป้ายกำกับทางอารมณ์ที่มีคุณภาพสูง มีราคาไม่แพง และเกิดขึ้นตามธรรมชาติ’
尽管มุ่งเน้นไปที่จุดโฟกัสเฉพาะของ GIF ที่ฝังอยู่ในประสบการณ์ของผู้ใช้ Twitter การศึกษาบอกว่าวิธีการนี้สามารถใช้ได้กับแพลตฟอร์มโซเชียลมีเดียอื่น ๆ เช่นเดียวกับแพลตฟอร์มส่งข้อความทันที และอาจมีประโยชน์ในภาคส่วน เช่น การรับรู้อารมณ์และการตรวจจับอารมณ์แบบหลายโหมด
ความนิยมเป็นดัชนีหลัก
วิธีการดังกล่าวดูเหมือนจะพึ่งพา ‘ไวรัส’ ของ GIF แต่ละตัว เช่น เมื่อ GIF ถูกทำให้พร้อมใช้งานผ่านกลไกของ Twitter เอง ตัวอย่างเช่น GIF ที่สร้างโดยผู้ใช้ใหม่ไม่สามารถเข้าสู่ระบบนี้ได้ยกเว้นผ่านความนิยมและรับเลี้ยงเป็นมีม
GIF ที่ตอบสนองได้ ฟื้นคืน การใช้ รูปแบบ GIF ที่เคลื่อนไหวแบบดั้งเดิมในปี 1987 มากกว่า 10 ปีที่ผ่านมา หลังจากหลายปีที่ถูกมองว่าเป็น ‘ผู้กินแบนด์วิธ’ (ใช้หลัก ๆ สำหรับโฆษณาแบนเนอร์ที่รบกวน) ในยุคอินเทอร์เน็ต V1 ก่อนยุคความกว้างแบนด์วิธ
