Hiểu về Emotes trên Twitch trong Phân tích Tâm lý

Sự gia tăng sử dụng biểu tượng cảm xúc, emoticon, emotes, meme, GIF và các cách giao tiếp phi ngôn ngữ khác trên các nền tảng truyền thông xã hội đã làm cho nỗ lực của các nhà khoa học dữ liệu để hiểu biết về bức tranh xã hội học toàn cầu trở nên ngày càng khó khăn; ít nhất, đến mức mà các xu hướng xã hội học toàn cầu có thể được xác định từ diễn ngôn công khai.

Mặc dù Xử lý Ngôn ngữ Tự nhiên (NLP) đã trở thành một công cụ mạnh mẽ trong phân tích tâm lý trong thập kỷ qua, lĩnh vực này gặp khó khăn không chỉ trong việc theo kịp một từ vựng luôn thay đổi của tiếng lóng và lối tắt ngôn ngữ trên nhiều ngôn ngữ, mà còn trong việc cố gắng giải mã ý nghĩa của đăng tải dựa trên hình ảnh trên các nền tảng truyền thông xã hội như Facebook và Twitter.

Kể từ khi số lượng hạn chế các nền tảng truyền thông xã hội đông dân nhất là nguồn lực duy nhất thực sự có quy mô lớn cho loại nghiên cứu này, điều quan trọng là lĩnh vực AI phải ít nhất cố gắng duy trì tốc độ với nó.

Vào tháng 7, một bài báo từ Đài Loan đã cung cấp một phương pháp mới để phân loại tâm lý người dùng dựa trên ‘reaction GIF’ được đăng trên các luồng truyền thông xã hội (xem hình dưới), sử dụng một cơ sở dữ liệu 30.000 tweet để phát triển một cách để dự đoán phản ứng với một bài đăng. Bài báo cho thấy rằng phản ứng dựa trên hình ảnh thường dễ đo lường hơn, vì chúng ít có khả năng chứa sự miệt thị, một thử thách đáng kể trong phân tích tâm lý.

Những nhà nghiên cứu từ Đài Loan đã nghiên cứu việc sử dụng animated reaction GIF như ‘các chỉ số giảm’ của tâm lý trong một bài báo năm 2021.

Trước đây trong năm, một nỗ lực nghiên cứu do Đại học Boston đào tạo các mô hình học máy để dự đoán hình ảnh meme có khả năng trở thành viral trên Twitter; và vào tháng 8, các nhà nghiên cứu Anh đã kiểm tra sự tăng trưởng của biểu tượng cảm xúc so với emoticon (có sự khác biệt) trên truyền thông xã hội, biên soạn một tập dữ liệu lớn 7 ngôn ngữ về tâm lý hình ảnh trên Twitter.

Emotes trên Twitch

Bây giờ, các nhà nghiên cứu Mỹ đã phát triển một phương pháp học máy để hiểu, phân loại và đo lường từ vựng giả luôn thay đổi của emotes trên mạng Twitch phổ biến.

Emotes là những từ mới được sử dụng trên Twitch để thể hiện cảm xúc, tâm trạng hoặc những trò đùa trong nhóm. Vì chúng là những biểu thức mới, thách thức đối với hệ thống học máy là không phải là việc mãi mãi liệt kê các emotes mới (có thể chỉ được sử dụng một lần, hoặc có thể nhanh chóng bị loại bỏ), mà là để có được một sự hiểu biết tốt hơn về khuôn khổ luôn tạo ra chúng; và để phát triển các hệ thống có khả năng nhận ra một emote như một ‘từ hoặc cụm từ tạm thời hợp lệ’ mà nhiệt độ cảm xúc/chính trị có thể cần phải được đo lường hoàn toàn từ ngữ cảnh.

Neighbors của ‘FeelsGoodMan’ emote, mà ý nghĩa có thể bị thay đổi bởi các hậu tố không rõ ràng. Nguồn: https://arxiv.org/pdf/2108.08411.pdf

Bài báo này có tựa đề FeelsGoodMan: Infer Semantics of Twitch Neologisms, và đến từ ba nhà nghiên cứu tại Spiketrap, một công ty phân tích truyền thông xã hội ở San Francisco.

Bait và Switch

Mặc dù sự mới mẻ và thường có tuổi thọ ngắn, emotes trên Twitch thường tái chế vật liệu văn hóa (bao gồm cả emotes cũ) theo cách có thể dẫn dắt các khuôn khổ phân tích tâm lý đi theo hướng sai lầm. Việc theo dõi sự thay đổi ý nghĩa của một emote khi nó tiến hóa có thể thậm chí tiết lộ một sự đảo ngược hoặc phủ định hoàn toàn của tâm lý hoặc ý định ban đầu của nó.

Ví dụ, các nhà nghiên cứu lưu ý rằng việc lạm dụng ban đầu của phái cực hữu đối với meme Pepe-the-frog FeelsGoodMan gần như đã mất hoàn toàn hương vị chính trị ban đầu của nó trong ngữ cảnh sử dụng trên Twitch.

Sử dụng cụm từ này, cùng với hình ảnh một con ếch hoạt hình từ một truyện tranh năm 2005 của nghệ sĩ Matt Furie, trở thành một meme cực hữu vào những năm 2010. Mặc dù Vox viết vào năm 2017 rằng việc chiếm dụng meme của phe cực hữu đã sống sót sau khi Furie tự ý từ chối sử dụng như vậy, các nhà nghiên cứu tại San Francisco đằng sau bài báo mới đã phát hiện ra điều ngược lại*:

‘Con ếch hoạt hình của Furie được các bài đăng cực hữu trên các diễn đàn trực tuyến như 4chan vào đầu những năm 2010. Kể từ đó, Furie đã vận động để giành lại ý nghĩa của nhân vật của mình, và emote đã chứng kiến sự gia tăng sử dụng không cực hữu và tích cực trên Twitch. Kết quả của chúng tôi trên Twitch đồng ý, cho thấy rằng “FeelsGoodMan” và đối tác “FeelsBadMan” chủ yếu được sử dụng theo nghĩa đen.’

Khó khăn Xuất hiện

Loại ‘bait và switch’ này liên quan đến ‘tính năng’ chung của một meme có thể cản trở các dự án nghiên cứu NLP đã phân loại nó là ‘ghét bỏ’, ‘cực hữu’ hoặc ‘quốc gia [US]’, và đã đổ thông tin đó vào các kho lưu trữ mã nguồn mở lâu dài. Các dự án NLP sau này có thể không chọn kiểm tra tính cập nhật của dữ liệu cũ; có thể không có cơ chế thực tế để làm như vậy; và có thể không thậm chí nhận thức được nhu cầu.

Kết quả của điều này là việc sử dụng các tập dữ liệu Twitch năm 2017 để tạo một thuật toán ‘phân loại chính trị’ sẽ quy kết hoạt động cực hữu đáng kể trên Twitch, dựa trên tần suất của emote FeelsGoodMan. Twitch có thể hoặc không có đầy rẫy các nhà ảnh hưởng cực hữu, nhưng theo các nhà nghiên cứu của bài báo mới, bạn không thể chứng minh điều đó bằng con ếch.

Ý nghĩa chính trị của meme ‘Pepe’ dường như đã bị người dùng 140 triệu của Twitch (41% trong số họ dưới 24 tuổi) loại bỏ một cách vô tình, những người đã hiệu quả地 đánh cắp lại công việc từ những tên trộm ban đầu và sơn nó bằng màu sắc của riêng họ, mà không có bất kỳ chương trình nghị sự cụ thể nào.

Phương pháp và Dữ liệu

Các nhà nghiên cứu đã tìm thấy rằng dữ liệu emote Twitch được gắn nhãn ‘gần như không tồn tại’, mặc dù kết luận của một nghiên cứu trước rằng có tám triệu emote tổng cộng, và 400.000 trong số đó có mặt trong tuần đầu ra Twitch được chọn bởi những nhà nghiên cứu trước đó.

Một nghiên cứu năm 2017 về dự đoán emote trên Twitch đã giới hạn mình trong việc dự đoán chỉ 30 emote hàng đầu của Twitch, đạt điểm 0,39 cho dự đoán emote.

Để giải quyết sự thiếu hụt này, các nhà nghiên cứu tại San Francisco đã áp dụng một phương pháp mới đối với dữ liệu cũ, chia nó thành 80/20 giữa đào tạo và kiểm tra, và áp dụng ‘các phương pháp học máy truyền thống’, những phương pháp chưa từng được sử dụng trước đây để nghiên cứu dữ liệu Twitch. Những phương pháp này bao gồm Naive Bayes (NB), Random Forest (RF), Support Vector Machine (SVM, với hạt nhân tuyến tính), và Hồi quy Logistic.

Phương pháp này đã vượt qua các baseline tâm lý Twitch trước đó 63,8%, và cho phép các nhà nghiên cứu sau đó phát triển khuôn khổ LOOVE (Learning Out Of Vocabulary Emotions), có khả năng xác định các neologisms và ‘phát triển’ các mô hình hiện có với những định nghĩa mới.

Cấu trúc của khuôn khổ LOOVE (Learning Out Of Vocabulary Emotions) được phát triển bởi các nhà nghiên cứu.

LOOVE giúp đào tạo không giám sát các bản nhúng từ và cũng hỗ trợ đào tạo lại định kỳ và tinh chỉnh, loại bỏ nhu cầu về các tập dữ liệu được gắn nhãn, điều này sẽ không thực tế về mặt hậu cần, xem xét quy mô của nhiệm vụ và sự tiến hóa nhanh chóng của emotes.

Trong khuôn khổ của dự án, các nhà nghiên cứu đào tạo một ‘từ điển giả’ emote trên một tập dữ liệu Twitch không được gắn nhãn, trong quá trình tạo ra 444.714 bản nhúng từ, emotes, biểu tượng cảm xúc và emoticon.

Hơn nữa, họ đã bổ sung một từ điển VADER với một từ điển biểu tượng cảm xúc/emoticon, và ngoài tập dữ liệu EC đã đề cập, họ cũng khai thác ba tập dữ liệu công khai khác cho phân loại tâm lý ba ngôi, từ Twitter, Rotten Tomatoes và một tập dữ liệu YELP được lấy mẫu.

Được cho là có nhiều phương pháp và tập dữ liệu được sử dụng trong nghiên cứu, kết quả là đa dạng, nhưng các nhà nghiên cứu khẳng định rằng baseline tốt nhất của họ đã vượt qua chỉ số trước đó 7,36 điểm phần trăm.

Các nhà nghiên cứu coi giá trị liên tục của dự án là sự phát triển của LOOVE, dựa trên các bản nhúng từ-đến-vec (W2V) được đào tạo trên hơn 313 triệu tin nhắn trò chuyện Twitch với sự giúp đỡ của K-Nearest Neighbor (KNN).

Các tác giả kết luận:

‘Một tính năng quan trọng đằng sau khuôn khổ là một từ điển giả emote có thể được sử dụng để suy ra tâm lý cho các emote không xác định. Sử dụng từ điển giả emote này, chúng tôi đã tạo một bảng tâm lý cho 22.507 emote. Đây là trường hợp đầu tiên của sự hiểu biết về emote ở quy mô này.’

* Tôi đã chuyển đổi các trích dẫn nội dòng thành liên kết.