Analysis of Emotions from Texts for Management of Society

Full Text

Abstract

This article examines tools and methods used in the analysis of emotions from text to manage society. It illustrates the influence of emotions on the control of people, society and businesses processes. Important changes occur over time in the management of society: the role played by social networks in the management of society and the methods they use. We researched different websites and software, observed data collection and its use to control society. In general, we analyze the most common methods, their influence, factors that determine the choice of a particular method; give recommendations for improving the process of analyzing emotions to control society.

Full Text

Эмоции играют важную роль в управлении группой людей, живущих или работающих вместе. В обществе люди связаны друг с другом чувствами и эмоциями. Когда общество или группа людей эмоционально связаны, общество работает как единое целое, в котором люди зависят друг от друга и взаимодействуют как единый механизм. Люди доверяют друг другу и координируют свои решения. Например, человек покупает продукт в магазине. Ему нравится этот продукт, и он рекомендует его другим. Люди, которые доверяют его слову, также предпочтут купить данный товар, и в конечном итоге это принесет пользу производителю. Точно так же, если человеку не понравилась покупка, то он поделится своим негативным опытом со своими друзьями и окружением. Это создаст негативные эмоции по отношению к производителю данного товара. Социальные медиа играют важную роль в предоставлении людям возможности поделиться своим мнением и выразить свои эмоции. Для этого используются различные инструменты и техника, применяемые для анализа эмоций в тексте. Анализ эмоций может применяться с целью прогнозирования политической ситуации, идентификации группы людей с аналогичным интересом и т. д. Человеческая социальная жизнь сложна. Индивиды являются членами нескольких групп с многочисленными социальными ролями, нормами и ожиданиями, люди быстро перемещаются в группах, членами которых они являются. Мало того, большая часть социальной жизни уникальна, потому что она вращается вокруг городов, где объединяются люди разрозненного происхождения. Одной из важнейших функций культуры является обеспечение необходимой координации и организации людей. Это позволяет отдельным лицам и группам договариваться в сложной социальной жизни, тем самым поддерживая социальный порядок и предотвращая социальный хаос. Культура делает это, предоставляя своим членам семантическую и информационную систему, которая принимается группой и передается между поколениями, что позволяет группе удовлетворять основные потребности в выживании, счастье и благополучии и иметь смысл в жизни (Matsumoto & Juang, 2013). История проблемы анализа эмоций Первые работы по развитию социологической теории эмоций принадлежат Дж. Тернеру (1970), А. Хохшильду (1975) и Т. Кемперу (1978), хотя социологи и до них признавали существование эмоций с разнородными мотивами и чувствами. Такие явно социальные эмоции, как смущение и стыд, были проанализированы Э. Гоффманом (1967) и Ф. Стоуном (1964) и др. С. Роберт в книге «Правда о наших чувствах» определил, что не только идея, но и эмоции - это культурный артефакт [1]. А. Хохшильд [2] указывает, что социальные механизмы обычно регулируются «чувствами», которые предписывают (или препятствуют) определенным эмоциям. Также он утверждал, что люди часто делают «эмоциональную работу» над своими чувствами, пытаясь пробудить эмоции, которые, по их мнению, они должны чувствовать. Версия общей системы запросов Ф. Стоуна [3] стала первой для определения эмоций в тексте - обычно такие системы фиксируют примеры положительных и отрицательных эмоций. После этого было проделано много работы для определения эмоций, выраженных в разноязычных текстах. Важным вкладом стали публикации Я. Виби, П. Терни и В. Хацивасилоглу в начале 90-х годов прошлого века. Я. Виби [4] определяет термин «субъективность» для исследования по иска информации. Позднее, в 1997 году, В. Хацивасилоглу и др. [5] исследовали семантическую ориентацию прилагательных. Спустя несколько лет П. Терни [6] нашел революционный подход Thumbs Up (знак «поднятый большой палец») и Thumbs Down (знак «опущенный большой палец») для классификации положительных и отрицательных отзывов. Авторы [7] предложили вручную создавать лексикон настроений для обзоров фильмов: они пришли к выводу, что методы машинного обучения лучше выполняются на созданном вручную лексиконе для анализа настроений. К. Денеке в [8] провел интересное исследование нескольких доменов, чтобы продемонстрировать преимущество предварительной оценки полярности в SentiWordNet (онлайн-ресурс, содержащий список слов, используемых для выражения эмоций). Каждое слово здесь имеет определенное значение, называемое знаком полярности, которое может быть положительным, отрицательным или нейтральным в зависимости от типа эмоций, которые оно выражает. В России исследования, посвященные анализу чувств, до 2011 г. были не так многочисленны: однако, например, А. Ермаков представил в [9] систему анализа чувств, выявляющую мнения об автомобилях в российских блогах. Анализ эмоций в тексте на русском языке в основном выявляется в многоязыковых экспериментах. В международных исследованиях анализ русского настроения также проявляется главным образом в многоязычных экспериментах. Т. Загибалов и др. в [10] представили варианты книжных обзоров, состоящие из двух частей: русской и английской, которые отражают особенности этих двух очень разных языков. Их материалы сопоставимы по размеру и стилю, они также содержат краткое описание специфики языка и области, которые наблюдаются в этих корпусах. В книге Й. Штайнбергера и др. [11] показана конструкция вокабулярий общих эмоций для различных языков. И. Четверкин и Н. Лукашевич в [12] описали разработку на русском языке чувств и эмоционального словаря для общих доменов продукции и услуг. Близкие по теме разработки В работе D. Zhou [13] проанализированы эмоD. Zhou [13] проанализированы эмо. Zhou [13] проанализированы эмоZhou [13] проанализированы эмо [13] проанализированы эмоции, выражаемые в конкретных сообществах документов социальной сети. М. Баутин отметил, что анализ эмоций из новостей и блогов, доступных в социальных сетях, дает полезную информацию об общественном мнении [14]. H. Thakkar и D. Patel в [15] показали важность ограничения размера в каждом твите на сайтах микроблогов, таких как «Твиттер». По их мнению, это стимулирует пользователей быть очень краткими и облегчить «Твиттер» для анализа эмоций. С. Филипп и др. проанализировали богатство социальных сетей, предоставив всесторонний обзор программных средств для социальных сетей, вики, блогов, групп новостей, чатов и новых каналов [16]. Они отметили, что успех кампании зависит от того, как она осуществляется в социальных сетях и как управляется обществом. Авторы обзора [17] показали важность социальных сетей и мнения людей о продукте для его продажи [17]. V. Kharde и др. в 2016 г. изучали сложные методологии, используемые «Твиттером» для анализа эмоций в сильно не структурированных и гетерогенных твитах [18]. По их мнению, комплексный анализ эмоций очень полезен в управлении обществом. Методы и инструменты, используемые в анализе эмоций для управления обществом Существуют различные методологии для подкрепления эмоций и применения их с целью управления обществом и его требованиями, некоторые из этих методов используются службами клиентов. Основная их цель - привлечь клиента, а лучший способ - понять их потребности. Наиболее распространенными являются следующие методы. Интеллектуальное взаимодействие с клиентами. Оптимизированный опыт работы с клиентами имеет важное значение для доходов компании и удержания ее клиентов. Если компания использует это взаимодействие правильно, то оно может стать источником понимания клиента. Благодаря новым инструментам, компаниям стало легче общаться с клиентами в режиме реального времени. Мессенджеры (Messenger) - это программы, которые становятся все более популярными каналами обслуживания клиентов. В то же время такие инструменты, как Drift, позволяDrift, позволя позволяют разговаривать с клиентами, просматривающими корпоративный сайт. Создание более надежного образа покупателя. Для понимания предпочтений клиентов существует приложение Google Analytics (рисунок 1). Оно используется для определения того, от каких социальных сетей, отраслевых блогов и профессиональных форумов приходят сообщения. Затем компании применяют эту информацию к своим клиентам, чтобы узнать их предпочтения более эффективно. Кроме того, получение данных ключевых слов - это полезный способ узнать термины и определения, которые покупатели иногда используют для описания услуг компаний. Рисунок 1. Приложения Google Analytics [22] Например, чтобы сегментировать клиентов на основе поиска, по ключевым словам, можно использовать инструменты приложения Google для создания списка общих ключевых слов, которые приводят людей на сайт компании. Затем можно сгруппировать слова в общие темы и назначить разных персонажей на основе имеющихся данных. Создание данных из клиентской аналитики. Для определения того, как клиенты взаимодействуют с сайтом, можно использовать инструмент отслеживания поведения пользователя. Такие инструменты, как приложение Google AnaGoogle Ana AnaAnalytics, являются отличными средствами для сбора информации, например, о времени на странице и показателе отказов. Другим очевидным инструментом является приложение Kissmetrics [19]. Эта платформа отслеживает поведение каждого из клиентов, позволяя управлять и собирать информацию о конкретных сегментах. «Пройдите по пути вашего клиента». Лучший способ понять мнение клиента - представить себя на его месте. Это стало возможным благодаря передовому методу, называемому картографированием путешествий клиентов, при котором компании создают подробное графическое представление о поездке клиента на основе критических точек контакта: взаимодействия между клиентом и брендом компании до, во время или после покупки. Явная структурированная обратная связь. Очень интересно узнать, как люди чувствовали себя в маркетинговой кампании, проведя голосование по выбору эмоции из структурированного списка возможных вариантов. Есть одна исключительная компания, которая делает это, - Facebook. Теперь, когда Facebook включил эмоциональные реакции на сообщения, он может лучше персонализировать опыт просмотра для каждого человека, а также лучше понять, какие рекламные объявления нравятся клиенту. Инструменты, используемые для анализа эмоций в «Твиттере» Twitter добился огромного успеха в области анализа настроений общественного мнения. Наиболее распространенными инструментами, которые использует Twitter, являются следующие. NCSU Tweet Приложение визуализации настроений. В этом приложении мы можем ввести ключевое слово, а последние твиты появятся ав томатически (с прошлой недели или в пределах выбранного периода времени). Эти твиты можно визуализировать как графики и диаграммы в разных вариантах отображения. Здесь словарь чувств имеет три эмоциональных измерения для каждого слова: «Удовольствие» (объяснение, насколько счастлив человек), «Активация» (как он возбужден) и «Доминирование» (насколько конкретный термин является доминирующим для общего чувства текста). Приложение Enginuity, которое позволяет искать последние новости о ключевом слове. Инструмент запрашивает как Twitter, так и Facebook. В нем также анализируется, является ли настроение социальных акций положительным или отрицательным, что дает общий рейтинг настроений для новостей. Энгинуиты хорошо работают, помогая получить общую картину настроений по поводу недавних событий в социальных сетях (рисунок 2). Приложение SocialMention - это базовое веб-приложение в стиле поисковой системы для анализа настроений на уровне темы в данных Twitter. При вводе ключевого слова инструмент возвращает агрегированные оценки настроений для ключевого слова, а также связанных ключевых слов. Интересной особенностью является оценка «страсти». Инструмент возвращает оценку «страсть», которая измеряет, насколько вероятно, что пользователи Twitter обсудят ваш бренд, а также средний охват пользователей Twitter, обсуждающих ваш бренд (рисунок 3). Обсуждение и выводы Несмотря на прогресс в методах и инструментах, используемых для анализа эмоций, все еще есть проблемы, на которых необходимо сфокусироваться. Было замечено, что некоторые инструменты хорошо работают, когда текст ограничен и находится в определенной структуре, тогда как по мере увеличения объема текста точность результатов уменьшается и увеличивается вероятность ошибок. Также инструменты зависят от конкретной платформы или конкретного веб-сайта. Это связано с тем, что при их создании были разработаны характеристики и функциональные возможности конкретной платформы или веб-сайта. Они не могут использоваться одинаково эффективно на другом веб-сайте. Анализ эмоций с использованием инструментов веб-сайтов обычно классифицирует эмоции в самых основных категориях [20]. Кроме этого, возможность поиска или идентификации группы, или конкретной темы также ограничена. Основные или общие эмоции не могут представлять мнение людей и не могут использоваться для управления обществом. Большинство компаний не могут мотивировать своих клиентов дать объективное мнение [21]. Меньший процент клиентов дает обратную связь, и в большинстве случаев обратная связь возникает в случае появления проблемы или необходимости обслуживания, полученного клиентом. Таким образом, в этой ситуации процесс анализа эмоций с целью управления обществом становится затруднительным. Рекомендации Существует потребность в системе, которая может использоваться для анализа эмоций с целью управления обществом. Система должна быть способна анализировать текст по данным любой формы и должна быть достаточно гибкой, чтобы ее можно было использовать в нескольких целях. Система или приложение должны быть спроектированы, ориентируясь только на цель системы управления обществом. Эмоции следует анализировать и подразделять на классы и подклассы. Таким образом, реальные эмоции можно исследовать и использовать для управления обществом. Анализ продукта или веб-сайта, основанный на голосовании людей в его пользу, является наиболее распространенным методом на практике. Однако из-за человеческого фактора результатами можно манипулировать. Группа людей может голосовать за определенные веб-сайты или статью с целью сделать ее более популярной. Можно применить метод анализа настроений, чтобы отделить хорошее от плохого - для этого отклики, которые просто повторяются чаще и с похожими предложениями, следует игнорировать, чтобы получить только настоящие отзывы. Компании могут публиковать на своих сайтах не только свои новости или продукты для продажи, но также создавать чат-группы, формы социальных сетей, формы обратной связи, могут быть представлены также некоторые игры. Следует создать среду для привлечения людей и платформы, где они могли бы поделиться своим мнением и вести общение. Эмоции из текста делят людей на разные группы, основываясь на отзывах о продукте. Эта информация может быть использована для понимания причин их мнения. Некоторые интересные результаты можно получить о конкретной группе клиентов. Рисунок 2. Приложение Enginuity [23] Рисунок 3. Приложение SocialMention [24]
×

About the authors

M. M Abbasi

Udmurt State University; University of Azad Jammu & Kashmir

Izhevsk, Russian Federation; Muzaffarabad, Azad Jammu & Kashmir, Pakistan

A. P Beltjukov

Udmurt State University

Izhevsk, Russian Federation

Lall Hussain

University of Azad Jammu & Kashmir

Muzaffarabad, Azad Jammu & Kashmir, Pakistan

A. Q Abbasi

University of Azad Jammu & Kashmir

Muzaffarabad, Azad Jammu & Kashmir, Pakistan

References

  1. Solomon R.C. True to our feelings. Oxford: Oxford University Press, 2008. 304 p.
  2. Hochschild A., Milman M. The Sociology of Feeling and Emotion. New York, 1975. 83 p.
  3. Stone P.J., Dunphy D.C., Smith M.S. The General Inquirer: A Computer Approach to Content Analysis. Cambridge: MIT Press, 1966. 519 p.
  4. Wiebe J.M. Identifying Subjectivity characters in Narrative // Proc. 13th International Conference on Computational Linguistics. Helsinki, 1990. P. 401-408.
  5. Vasileios H., Kathleen R.M. Predicting the Semantic Orientation of Adjectives // Proc. 8th Conference on European chapter of the Association for Computational Linguistics. Spain, 1997. P. 174-181.
  6. Peter D.T. Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews // Proc. of the 40th Annual Meeting of the Association for Computational Linguistics. Philadelphia, 2002. P. 417-424.
  7. Pang B., Lee L. Thumbs up? Sentiment Classification using Machine Learning Techniques // Proc. Conference on Empirical Methods in Natural Language Processing. Philadelphia, 2002. P. 79-86.
  8. Denecke K. Are SentiWordNet scores suited for multi-domain sentiment classification? // Proc. 4th International Conference on Digital Information Management. USA, 2009. P. 33-38.
  9. Ermakov A. Knowledge extraction from text and its processing: Current state and prospects // Proc. of the Computational Linguistics and Intellectual Technologies, 2009. P. 50-55.
  10. Comparable English-Russian Book Review Corpora for Sentiment Analysis / T. Zagibalov [et al.]. Russia, 2010. 67 p.
  11. Steinberger J., Lenkova P., Kabadjov M. Multilingual Entity-Centered Sentiment Analysis Evaluated by Parallel Corpora // Proc. of Recent Advances in Natural Language Processing. Bulgaria, 2011. P. 770-775.
  12. Chetviorkin I., Braslavskiy P., Loukachevich N. Sentiment Analysis Track at ROMIP 2011 // Computational Linguistics and Intellectual Technologies. Proc. of the International Conference (Dialog). Russia, Bekasovo, 2012. P. 1-14.
  13. Discovering Temporal Communities from Social Network Documents / D. Zhou [et al.] // Proceedings of Seventh IEEE International Conference on Data Mining. USA, 2007. P. 745-750.
  14. Bautin M., Vijayrenu L. International sentiment analysis for news and blogs // Proc. of the 2nd International Conference on Weblogs and Social Media (ICWSM). USA, 2008. P. 17-19.
  15. Thakkar H., Patel D. Approaches for Sentiment Analysis on Twitter: A State-of-Art study. Cornell University Library, 2010. P. 24-32.
  16. Batrinca B., Philip C. Social media analytics: a survey of techniques, tools and platforms // Springer, Artificial Intelligence & Society. 2015. Vol. 30. P. 89-116.
  17. Dattu B.S., Gore D.V. A Survey on Sentiment Analysis on Twitter Data Using Different Techniques // International Journal of Computer Science and Information Technologies. 2015. Vol. 6. P. 5358-5362.
  18. Kharde V.A, Sonawane S.S. Sentiment Analysis of Twitter Data: A Survey of Techniques // International Journal of Computer Applications. 2016. Vol. 139. No. 11. P. 5-15.
  19. Brad А. Content Marketing Strategist at Pipedrive. Blog on Analytic, Marketing and Testing. URL: https://blog.kissmetrics.com/ understand-your-customers (дата обращения: 17.04.2018).
  20. Abbasi M.M, Beltiukov A.P. Text preprocessing mechanism before sentiment analysis // Proc. 6th All Russian Conference on Information technology for intelligent decision-making support (ITIDS). Ufa, Russian Federation, May 28-31, 2018. P. 13-17.
  21. Abbasi M.M. Beltiukov A.P. Analysis of sentiment and emotion from text written in Russian language // Proc. 5th All Russian Conference on Information technology for intelligent decision-making support. Ufa, Russian Federation, May 16-19, 2017. P. 42-47.
  22. Patel N. How to get actionable data from google analytics in 10 minutes. URL: https://neilpatel. com/blog/how-to-get-actionable-data-fromgoogle-analytics-in-10-minutes/ (дата обращения: 20.04.2018)
  23. Gardiner D. Read the Web Faster with ReadQuick and Enginuity. URL: https://www.theenginuity. com/blog/read-the-web-faster-with-readquickand-enginuity/ (дата обращения: 20.04.2018).
  24. Thanu E. Blog on How to optimally use social mention and other free social media monitoring tools? URL: https://www.mentiolytics.com/ blog/optimally-use-free-social-media-monitoring-tools/ (дата обращения: 20.04.2018).

Statistics

Views

Abstract: 111

Dimensions

Article Metrics

Metrics Loading ...

PlumX


Copyright (c) 2019 Abbasi M.M., Beltjukov A.P., Hussain L., Abbasi A.Q.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

This website uses cookies

You consent to our cookies if you continue to use our website.

About Cookies