GIF Phản Ứng Cung Cấp Một Khóa Mới Để Nhận Biết Cảm Xúc Trong NLP

Nghiên cứu mới từ Đài Loan đang cung cấp một phương pháp mới cho Xử lý Ngôn ngữ Tự nhiên (NLP) để thực hiện phân tích cảm xúc trên các diễn đàn truyền thông xã hội và tập dữ liệu nghiên cứu ngôn ngữ – bằng cách phân loại và gắn nhãn các GIF động được đăng tải để phản ứng với các thông báo văn bản.

Các nhà nghiên cứu, dẫn đầu bởi Boaz Shmueli của Đại học Quốc gia Tsing Hua tại Đài Loan, đã sử dụng cơ sở dữ liệu phản ứng GIF tích hợp sẵn của Twitter như một chỉ số để lượng hóa trạng thái cảm xúc của phản ứng của người dùng, loại bỏ nhu cầu phải đàm phán nhiều phản ứng ngôn ngữ, thách thức của việc phát hiện sự miệt thị, hoặc xác định nhiệt độ cảm xúc cốt lõi từ các phản ứng mơ hồ hoặc quá ngắn.

Nhấp vào nút ‘GIF’ khi soạn một bài đăng Twitter cung cấp một tập hợp tiêu chuẩn của các GIF động được gắn nhãn mà dễ dàng hơn cho NLP diễn giải thành ‘cảm xúc được xác định’ so với ngôn ngữ văn bản thuần túy.

Bài báo mô tả việc sử dụng phản ứng GIF theo cách này như ‘một loại nhãn mới, chưa có sẵn trong tập dữ liệu cảm xúc NLP’, và lưu ý rằng các tập dữ liệu hiện có sử dụng mô hình chiều của cảm xúc hoặc mô hình cảm xúc rời rạc, không cung cấp thông tin này.

Một phản ứng GIF động đối với một bài đăng của người dùng. Với GIF do Twitter cung cấp được mã hóa theo trạng thái cảm xúc, sự mơ hồ về ý định gần như được loại bỏ. Source: https://arxiv.org/pdf/2105.09967.pdf

Các nhà nghiên cứu đã phát hành một tập dữ liệu gồm 30.000 tweet miệt thị chứa phản ứng GIF. Phương pháp này cung cấp cho NLP một sự khác biệt không có trong các tài liệu hiện tại: một phương pháp để phân biệt cảm xúc được nhận thức (cảm xúc mà người đọc xác định từ văn bản) từ cảm xúc được cảm nhận (cảm giác mà người đọc trải nghiệm như một phản ứng với văn bản).

GIF Phản Ứng Là Chỉ Số Giảm Dần

Về mặt phản ứng hỗ trợ đối với một bài đăng đang chia sẻ một trạng thái cảm xúc khó khăn, một GIF phù hợp là hữu ích và không mơ hồ về ý định, khi được đăng tải mà không có văn bản hỗ trợ (và những loại phản ứng GIF này là trọng tâm của nghiên cứu).

Ví dụ, phản ứng như ‘Đó thật tàn bạo, anh bạn’, ‘Đó thật đáng tiếc’, hoặc ‘Ồ, không’ chứa sự mơ hồ tiềm ẩn về ý định, từ khả năng có một quan điểm ‘lâm sàng’ và không bị ảnh hưởng đến khả năng miệt thị; nhưng việc đăng tải một trong hàng trăm GIF ‘ôm’ của Twitter để lại ít khoảng trống cho sự diễn giải:

Khám Phá Ý Nghĩa Phụ Của Phản Ứng GIF

Tuy nhiên, trong bất kỳ loại phản ứng nào, chẳng hạn như ‘ôm’, có nhiều chỉ số bổ sung về tâm trạng hoặc quan điểm bao gồm nhiều thể loại trạng thái cảm xúc, bao gồm quan điểm của giả định mối quan hệ lãng mạn hoặc gia đình giữa người phản ứng và người đăng bài gốc.

Minh họa các loại mối quan hệ trong danh mục ‘ôm’ GIF có sẵn của Twitter. Sử dụng nhiều thể loại, mô tả, giới tính và các yếu tố khác thêm độ chi tiết cho khả năng diễn giải của lựa chọn GIF cho cảm xúc này.

Tập dữ liệu ReactionGIF được suy dẫn từ 100 GIF đầu tiên trong mỗi danh mục phản ứng có sẵn trên Twitter, dẫn đến một cơ sở dữ liệu gồm 4300 hình ảnh động. Khi một GIF xuất hiện trong nhiều danh mục, danh mục có vị trí cao hơn trong GUI được ưu tiên hơn. Các hình ảnh xuất hiện trong nhiều danh mục được gán một yếu tố tương đồng phản ứng – một chỉ số được tạo ra cho nghiên cứu.

Các mối quan hệ được khám phá bằng cách sử dụng phân cụm phân cấp và liên kết trung bình.

Cải Thiện Dữ Liệu Phản Ứng GIF

Tập dữ liệu được tạo và gắn nhãn bằng cách áp dụng phương pháp này vào 30.000 tweet. ‘Tín hiệu cảm xúc phong phú’ của một danh mục phản ứng cho phép các nhà nghiên cứu cải thiện tập dữ liệu với các nhãn cảm xúc bổ sung, dựa trên các cụm phản ứng tích cực và tiêu cực, và thêm nhãn cảm xúc với một lược đồ ánh xạ phản ứng-sang-cảm xúc chuyên dụng, dựa trên quyết định đa số của ba người đánh giá trên các tweet mẫu.

Công việc trước đó của Yahoo và Đại học Rochester, liên quan đến việc gắn nhãn cho GIF, không có lớp văn bản được kích thích này, cũng không có danh mục phản ứng, mà chỉ thuần túy về mặt ngữ nghĩa.

Các nhà nghiên cứu đã đánh giá tập dữ liệu trên bốn phương pháp: RoBERTa, Mạng nơ-ron tích chập (CNN) GloVe, một phân loại器 hồi quy logistic, và một phân loại器 lớp đa số đơn giản. Trọng lượng của niềm tin cho mỗi danh mục xuất hiện khá rõ ràng trong kết quả, với sự tán thưởng, đồng ý và chia sẻ dễ dàng nhận biết nhất (và được đại diện nhiều nhất), và xin lỗi khó đánh giá nhất, có thể vì nó bao gồm khả năng miệt thị.

Mô hình RoBERTa tạo ra xếp hạng trung bình cao nhất trong tất cả các phương pháp đánh giá, bao gồm Dự đoán Phản ứng Cảm xúc, Dự đoán Cảm xúc Kích thích và Dự đoán Cảm xúc Kích thích.

Khám Phá Cảm Xúc Người Dùng Từ Phản Ứng GIF

Các nhà nghiên cứu nhận xét rằng việc xác định cảm xúc kích thích là một trong những nhiệm vụ khó khăn nhất trong phân tích cảm xúc và cảm xúc dựa trên NLP, và việc sử dụng phản ứng GIF như một đại diện cung cấp khả năng cho các dự án sau này để thu thập ‘lượng lớn nhãn cảm xúc tự nhiên, chất lượng cao, chi phí thấp’.

Mặc dù tập trung vào một vị trí rất cụ thể của GIF được nhúng vào trải nghiệm người dùng Twitter, nghiên cứu cho rằng phương pháp này có thể tổng quát hóa sang các nền tảng truyền thông xã hội khác, cũng như các nền tảng nhắn tin tức thời, và có thể hữu ích trong các lĩnh vực như nhận biết cảm xúc và phát hiện cảm xúc đa phương tiện.

Độ Phổ Biến Là Một Chỉ Số then chốt

Phương pháp này dường như phụ thuộc vào một loại ‘virality’ nhất định cho mỗi GIF, chẳng hạn như khi một GIF thực sự được cung cấp thông qua các cơ chế của Twitter. Giả sử, các GIF mới do người dùng tạo ra không thể tham gia vào hệ sinh thái này trừ khi chúng trở nên phổ biến và được áp dụng như một meme.

GIF phản ứng đã tái sinh việc sử dụng định dạng GIF động nguyên thủy năm 1987 trong thập kỷ qua, sau nhiều năm bị mất uy tín như một kẻ hút băng thông (chủ yếu được sử dụng cho quảng cáo banner khó chịu) trong kỷ pre-broadband của Internet V1.