تحليل المشاعر

📅 آخر تحديث: ١٧ يوليو ٢٠٢٦
✍️ نُشر في: ١٧ يوليو ٢٠٢٦
📷 يحتوي على 1 صور
الموسوعة الحرة

آراء مستخدمي تويتر خلال حملة جمع التبرعات الكبرى باللغة الإنجليزية لعام 2015
آراء مستخدمي تويتر خلال حملة جمع التبرعات الكبرى باللغة الإنجليزية لعام 2015

تحليل المشاعر (المعروف أيضًا باستخراج الآراء ) هو استخدام معالجة اللغة الطبيعية ، وتحليل النصوص ، واللغويات الحاسوبية ، والقياسات الحيوية لتحديد واستخراج وقياس ودراسة الحالات العاطفية والمعلومات الذاتية بشكل منهجي. يُطبق تحليل المشاعر على نطاق واسع على مواد آراء العملاء ، مثل المراجعات وردود الاستبيانات، ووسائل التواصل الاجتماعي، والمواد الصحية، وذلك لتطبيقات تتراوح من التسويق إلى خدمة العملاء إلى الطب السريري. مع ظهور نماذج اللغة العميقة، مثل RoBERTa ، أصبح من الممكن تحليل مجالات بيانات أكثر تعقيدًا، مثل النصوص الإخبارية حيث يعبر المؤلفون عادةً عن آرائهم/مشاعرهم بشكل أقل وضوحًا. [ 1 ]

الأنواع

تتمثل إحدى المهام الأساسية في تحليل المشاعر في تصنيف قطبية نص معين على مستوى المستند أو الجملة أو الخاصية/الجانب، أي ما إذا كان الرأي المُعبر عنه في المستند أو الجملة أو الخاصية/الجانب إيجابيًا أو سلبيًا أو محايدًا. أما تصنيف المشاعر المتقدم، الذي يتجاوز القطبية، فينظر، على سبيل المثال، إلى الحالات العاطفية مثل المتعة والغضب والاشمئزاز والحزن والخوف والمفاجأة. [ 2 ]

من بين العوامل التي سبقت التحليل العاطفي صحيفة "جنرال إنكوايرر" [ 3 ] ، التي قدمت تلميحات نحو تحديد الأنماط في النصوص، وبشكل منفصل، البحوث النفسية التي فحصت الحالة النفسية للشخص بناءً على تحليل سلوكه اللفظي. [ 4 ]

لاحقًا، ركزت الطريقة الموصوفة في براءة اختراع فولكاني وفوجل [ 5 ] تحديدًا على المشاعر، وحددت الكلمات والعبارات الفردية في النص وفقًا لمقاييس عاطفية مختلفة. ويُقدم نظام حالي قائم على عملهما، يُسمى EffectCheck، مرادفات يمكن استخدامها لزيادة أو تقليل مستوى المشاعر المُستثارة في كل مقياس.

كانت العديد من الجهود اللاحقة أقل تطورًا، إذ اعتمدت على منظور ثنائي بسيط للمشاعر، من الإيجابية إلى السلبية، كما في أعمال تيرني [ 6 ] وبانغ [ 7 ] اللذين طبقا أساليب مختلفة للكشف عن قطبية تقييمات المنتجات وتقييمات الأفلام على التوالي. ويُجرى هذا العمل على مستوى الوثيقة. ويمكن أيضًا تصنيف قطبية الوثيقة على مقياس متعدد الاتجاهات، وهو ما حاول القيام به بانغ [ 8 ] وسنايدر [ 9 ] وغيرهما: فقد وسّع بانغ ولي [ 8 ] المهمة الأساسية المتمثلة في تصنيف تقييم الفيلم إما إيجابيًا أو سلبيًا للتنبؤ بتقييمات النجوم على مقياس من 3 أو 4 نجوم، بينما أجرى سنايدر [ 9 ] تحليلًا معمقًا لتقييمات المطاعم، متنبئًا بتقييمات جوانب مختلفة من المطعم، مثل الطعام والأجواء (على مقياس من 5 نجوم).

تم اتخاذ الخطوات الأولى لدمج مختلف المناهج - التعلم، والمعجمي، والمعرفي، وما إلى ذلك - في ندوة الربيع لعام 2004 التابعة لجمعية النهوض بالذكاء الاصطناعي (AAAI)، حيث قام اللغويون وعلماء الحاسوب وغيرهم من الباحثين المهتمين بتوحيد اهتماماتهم واقتراح مهام مشتركة ومجموعات بيانات مرجعية لإجراء بحث حاسوبي منهجي حول التأثير والجاذبية والذاتية والمشاعر في النصوص. [ 10 ]

على الرغم من تجاهل الفئة المحايدة في معظم أساليب التصنيف الإحصائي، بافتراض أن النصوص المحايدة تقع بالقرب من حدود المصنف الثنائي، إلا أن العديد من الباحثين يشيرون إلى ضرورة تحديد ثلاث فئات، كما هو الحال في أي مسألة قطبية. علاوة على ذلك، يمكن إثبات أن بعض المصنفات، مثل مصنف أقصى إنتروبيا [ 11 ] ومصنفات آلات المتجهات الداعمة [ 12 ]، تستفيد من إضافة فئة محايدة، مما يُحسّن دقة التصنيف الإجمالية. توجد طريقتان أساسيتان للتعامل مع الفئة المحايدة: إما أن تبدأ الخوارزمية بتحديد اللغة المحايدة، ثم تصفيتها، ثم تقييم النصوص المتبقية من حيث المشاعر الإيجابية والسلبية، أو أن تُنشئ تصنيفًا ثلاثيًا في خطوة واحدة [ 13 ] . غالبًا ما يتضمن هذا النهج الثاني تقدير توزيع احتمالي على جميع الفئات (مثل مصنفات بايز البسيطة كما هو مُطبق في مكتبة NLTK ). يعتمد استخدام فئة محايدة وكيفية استخدامها على طبيعة البيانات: فإذا كانت البيانات مصنفة بوضوح إلى لغة محايدة وسلبية وإيجابية، فمن المنطقي استبعاد اللغة المحايدة والتركيز على التباين بين المشاعر الإيجابية والسلبية. أما إذا كانت البيانات محايدة في معظمها مع انحرافات طفيفة نحو المشاعر الإيجابية والسلبية، فإن هذه الاستراتيجية ستجعل التمييز بين هذين القطبين أكثر صعوبة.

ثمة طريقة أخرى لتحديد المشاعر، وهي استخدام نظام تصنيف يُعطى فيه للكلمات المرتبطة عادةً بمشاعر سلبية أو محايدة أو إيجابية رقمٌ على مقياس من -10 إلى +10 (من الأكثر سلبية إلى الأكثر إيجابية)، أو ببساطة من 0 إلى حدٍّ أعلى موجب مثل +4. يُمكّن هذا من تعديل مشاعر مصطلحٍ ما نسبةً إلى سياقه (عادةً على مستوى الجملة). عند تحليل نصٍّ غير مُهيكل باستخدام معالجة اللغة الطبيعية ، يُعطى كل مفهوم في السياق المُحدد درجةً بناءً على كيفية ارتباط كلمات المشاعر بالمفهوم ودرجته. [ 14 ] [ 15 ] يُتيح هذا الانتقال إلى فهمٍ أكثر دقةً للمشاعر، إذ يُصبح من الممكن الآن تعديل قيمة مشاعر المفهوم نسبةً إلى التغييرات التي قد تُحيط به. على سبيل المثال، الكلمات التي تُكثّف أو تُخفّف أو تنفي المشاعر التي يُعبّر عنها المفهوم يُمكن أن تُؤثّر على درجته. بدلاً من ذلك، يمكن إعطاء النصوص درجة قوة المشاعر الإيجابية والسلبية إذا كان الهدف هو تحديد المشاعر في النص بدلاً من القطبية العامة وقوة النص. [ 16 ]

توجد أنواع أخرى متنوعة من تحليل المشاعر، مثل تحليل المشاعر القائم على الجوانب، وتحليل المشاعر التصنيفي (إيجابي، سلبي، محايد)، وتحليل المشاعر متعدد اللغات، والكشف عن المشاعر. [ 17 ] [ 18 ] [ 19 ]

تحديد الذاتية/الموضوعية

تُعرَّف هذه المهمة عادةً بتصنيف نص مُعطى (عادةً جملة) إلى أحد فئتين: موضوعي أو ذاتي. [ 20 ] قد تكون هذه المشكلة أحيانًا أكثر صعوبة من تصنيف القطبية. [ 21 ] قد تعتمد ذاتية الكلمات والعبارات على سياقها، وقد يحتوي المستند الموضوعي على جمل ذاتية (مثل مقال إخباري يقتبس آراء الناس). علاوة على ذلك، وكما ذكر سو، [ 22 ] تعتمد النتائج بشكل كبير على تعريف الذاتية المُستخدم عند إضافة التعليقات التوضيحية إلى النصوص. مع ذلك، أظهر بانغ [ 23 ] أن إزالة الجمل الموضوعية من المستند قبل تصنيف قطبيته يُحسِّن الأداء.

يُعدّ التمييز بين الحقائق والآراء من المهام الفرعية الناشئة لتحليل المشاعر، حيث يستخدم السمات النحوية والدلالية ومعرفات التعلّم الآلي لتحديد ما إذا كانت الجملة أو الوثيقة تحتوي على حقائق أم آراء. ولا يُعدّ الوعي بتمييز الحقائق عن الآراء حديثاً، إذ يُحتمل أن يكون كاربونيل قد قدّمه لأول مرة في جامعة ييل عام ١٩٧٩.

يشير مصطلح "الموضوعي" إلى الحادثة التي تحمل معلومات واقعية. [ 24 ]

  • مثال على جملة موضوعية: "لكي يتم انتخاب المرشح رئيسًا للولايات المتحدة، يجب أن يكون عمره خمسة وثلاثين عامًا على الأقل."

يصف مصطلح "ذاتي" الحادثة التي تتضمن معلومات غير واقعية بأشكال مختلفة، مثل الآراء الشخصية والأحكام والتوقعات، والمعروفة أيضًا باسم "الحالات الخاصة". [ 25 ] في المثال أدناه، يعكس ذلك حالة خاصة هي "نحن الأمريكيون". علاوة على ذلك، يمكن أن يتخذ الكيان المستهدف الذي تُعلق عليه الآراء أشكالًا متعددة، من منتج ملموس إلى موضوعات غير ملموسة، كما ذكر ليو (2010). [ 26 ] بالإضافة إلى ذلك، لاحظ ليو (2010) ثلاثة أنواع من المواقف: 1) الآراء الإيجابية، 2) الآراء المحايدة، و3) الآراء السلبية. [ 26 ]

  • مثال على جملة ذاتية: "نحن الأمريكيون بحاجة إلى انتخاب رئيس ناضج وقادر على اتخاذ قرارات حكيمة."

هذا التحليل هو مشكلة تصنيف. [ 27 ]

تُحدد مجموعات الكلمات أو مؤشرات العبارات لكل فئة لتحديد الأنماط المرغوبة في النصوص غير المصنفة. وللتعبير الذاتي، تم إنشاء قائمة كلمات مختلفة. وقد طوّر العديد من الباحثين في مجال اللغويات ومعالجة اللغة الطبيعية قوائم مؤشرات ذاتية في الكلمات أو العبارات، كما ورد في دراسة ريلوف وآخرون (2003). [ 28 ] يجب إنشاء قاموس لقواعد الاستخراج لقياس التعبيرات المعطاة. على مر السنين، شهد استخراج الميزات في الكشف الذاتي تطورًا من جمع الميزات يدويًا إلى تعلم الميزات آليًا. حاليًا، يمكن تقسيم أساليب التعلم الآلي إلى تعلم آلي مُشرف وغير مُشرف . وقد استكشف الباحثون الأكاديميون على نطاق واسع استخراج الأنماط باستخدام عملية التعلم الآلي للنصوص المصنفة وغير المصنفة.

مع ذلك، أقرّ الباحثون بوجود عدة تحديات في وضع قواعد ثابتة للتعبيرات بشكل لائق. وينبع جزء كبير من هذه التحديات من طبيعة المعلومات النصية. وقد حدد العديد من الباحثين ستة تحديات رئيسية: 1) التعبيرات المجازية، 2) التباينات في الكتابات، 3) مراعاة السياق، 4) تمثيل الكلمات ذات الاستخدامات المحدودة، 5) مراعاة عامل الزمن، 6) تزايد حجم البيانات باستمرار.

  1. التعبيرات المجازية. قد يؤثر احتواء النص على تعبيرات مجازية على أداء عملية الاستخراج. [ 29 ] إضافةً إلى ذلك، تتخذ الاستعارات أشكالاً مختلفة، مما قد يكون ساهم في زيادة معدل الكشف.
  2. التباينات في الكتابات. بالنسبة للنصوص التي تم الحصول عليها من الإنترنت، فإن التباينات في أسلوب الكتابة لبيانات النصوص المستهدفة تشمل أنواعًا وأساليب كتابة متميزة.
  3. يعتمد التصنيف على السياق. وقد يختلف بناءً على ذاتية أو موضوعية الجمل السابقة واللاحقة. [ 27 ]
  4. خاصية حساسة للوقت. يواجه هذا التحدي صعوبةً بسبب خاصية حساسية بعض البيانات النصية للوقت. فإذا أرادت مجموعة من الباحثين التحقق من معلومةٍ ما في الأخبار، فإنهم يحتاجون إلى وقتٍ أطول للتحقق المتبادل، قبل أن تصبح المعلومة قديمة.
  5. كلمات إرشادية ذات استخدامات أقل.
  6. حجم البيانات النصية يتزايد باستمرار. وتواجه المهمة تحديًا كبيرًا بسبب الكم الهائل من البيانات النصية. إن طبيعة هذه البيانات المتنامية باستمرار تجعل إنجاز المهمة في الوقت المحدد أمرًا بالغ الصعوبة على الباحثين.

في السابق، ركزت الأبحاث بشكل أساسي على تصنيف الوثائق. إلا أن تصنيف الوثائق على هذا المستوى يعاني من دقة أقل، إذ قد تتضمن المقالة الواحدة أنواعًا مختلفة من التعبيرات. تشير الأدلة البحثية إلى مجموعة من المقالات الإخبارية التي يُتوقع أن يهيمن عليها التعبير الموضوعي، بينما تُظهر النتائج أنها تتكون من أكثر من 40% من التعبير الذاتي. [ 24 ]

للتغلب على هذه التحديات، خلص الباحثون إلى أن فعالية المصنف تعتمد على دقة مُتعلم الأنماط. وقد تفوق أداء المُتعلم الذي يُغذى بكميات كبيرة من بيانات التدريب المُصنفة على أداء المُتعلم الذي يُدرب على خصائص ذاتية أقل شمولاً. ومع ذلك، فإن إحدى العقبات الرئيسية أمام تنفيذ هذا النوع من العمل هي توليد مجموعة بيانات كبيرة من الجمل المُصنفة يدويًا.  وقد حظيت طريقة التصنيف اليدوي بتفضيل أقل من التعلم الآلي لثلاثة أسباب:

  1. الاختلافات في الفهم. في مهمة التعليق اليدوي، قد يحدث اختلاف بين المعلقين حول ما إذا كانت إحدى الحالات ذاتية أم موضوعية بسبب غموض اللغات.
  2. الأخطاء البشرية. مهمة التعليق اليدوي مهمة دقيقة، وتتطلب تركيزًا شديدًا لإنجازها.
  3. يستغرق وقتاً طويلاً. مهمة التعليق اليدوي عمل شاق. وقد أظهر ريلوف (1996) أن تعليق 160 نصاً استغرق 8 ساعات من قبل معلق واحد. [ 30 ]

قد تؤثر جميع هذه الأسباب المذكورة على كفاءة وفعالية التصنيف الذاتي والموضوعي. وبناءً على ذلك، صُممت طريقتان لإعادة التوزيع العشوائي (Bootstrap) لتعلم الأنماط اللغوية من بيانات نصية غير مُصنفة. تبدأ كلتا الطريقتين بمجموعة صغيرة من الكلمات الأولية وبيانات نصية غير مُصنفة.

  1. تقنية Meta-Bootstrapping من ابتكار ريلوف وجونز عام ١٩٩٩. [ ٣١ ] المستوى الأول: توليد أنماط استخراج بناءً على القواعد المحددة مسبقًا، وتُحدد الأنماط المستخرجة بعدد الكلمات الأولية التي يحتويها كل نمط. المستوى الثاني: تُحدد أفضل ٥ كلمات وتُضاف إلى القاموس. تُكرر العملية.
  2. Basilisk ( نهج التمهيد لاستقراء المعجم الدلالي باستخدام المعرفة الدلالية ) من تأليف ثيلين وريلوف. [ 32 ] الخطوة الأولى: توليد أنماط الاستخراج . الخطوة الثانية: نقل أفضل الأنماط من مجمع الأنماط إلى مجمع الكلمات المرشحة. الخطوة الثالثة: سيتم تمييز أفضل 10 كلمات وإضافتها إلى القاموس. كرر العملية .

بشكل عام، تُبرز هذه الخوارزميات الحاجة إلى التعرف التلقائي على الأنماط واستخراجها في المهام الذاتية والموضوعية. [ 33 ]

يمكن للمصنفات الذاتية والموضوعية أن تُحسّن العديد من تطبيقات معالجة اللغة الطبيعية. ومن أهم فوائد هذه المصنفات أنها ساهمت في نشر ممارسات اتخاذ القرارات القائمة على البيانات في مختلف القطاعات. ووفقًا لليو، فقد تم تطبيق تقنيات التحديد الذاتي والموضوعي في مجالات الأعمال والإعلان والرياضة والعلوم الاجتماعية. [ 34 ]

  • تصنيف المراجعات عبر الإنترنت: في قطاع الأعمال، يساعد المصنف الشركة على فهم التعليقات على المنتج والأسباب الكامنة وراء هذه المراجعات بشكل أفضل.
  • التنبؤ بأسعار الأسهم: في القطاع المالي، يُساعد المصنف نموذج التنبؤ من خلال معالجة المعلومات الإضافية من وسائل التواصل الاجتماعي وغيرها من المعلومات النصية على الإنترنت. وتشير دراسات سابقة أجراها دونغ وآخرون حول أسعار الأسهم اليابانية إلى أن النماذج التي تتضمن وحدة ذاتية وموضوعية قد يكون أداؤها أفضل من تلك التي لا تتضمن هذه الوحدة. [ 35 ]
  • تحليل وسائل التواصل الاجتماعي.
  • تصنيف ملاحظات الطلاب. [ 36 ]
  • تلخيص المستندات: يمكن للمصنف استخراج التعليقات المحددة للهدف وجمع الآراء التي أدلى بها كيان معين.
  • الإجابة على الأسئلة المعقدة. يمكن للمصنف تحليل الأسئلة المعقدة من خلال تصنيف اللغة حسب الموضوع أو الهدف والهدف المحدد. في بحث يو وآخرون (2003)، طور الباحثون تصنيفًا على مستوى الجملة والوثيقة لتحديد المقالات الرأيّة. [ 37 ]
  • تطبيقات خاصة بمجال معين.
  • تحليل البريد الإلكتروني: يقوم المصنف الذاتي والموضوعي بالكشف عن البريد العشوائي من خلال تتبع أنماط اللغة باستخدام الكلمات المستهدفة.

قائم على الميزات/الجوانب

يشير هذا إلى تحديد الآراء أو المشاعر المُعبر عنها بشأن خصائص أو جوانب مختلفة للكيانات، مثل الهاتف المحمول، أو الكاميرا الرقمية، أو البنك. [ 38 ] الخاصية أو الجانب هو سمة أو مكون من مكونات الكيان، مثل شاشة الهاتف المحمول، أو خدمة المطعم، أو جودة صورة الكاميرا. تكمن ميزة تحليل المشاعر القائم على الخصائص في إمكانية رصد الفروق الدقيقة حول الأشياء محل الاهتمام. يمكن أن تُولد خصائص مختلفة استجابات عاطفية مختلفة، على سبيل المثال، قد يتمتع فندق بموقع مناسب، لكن طعامه متوسط ​​الجودة. [ 39 ] تتضمن هذه المشكلة عدة مشاكل فرعية، مثل تحديد الكيانات ذات الصلة، واستخراج خصائصها/جوانبها، وتحديد ما إذا كان الرأي المُعبر عنه بشأن كل خاصية/جانب إيجابيًا أو سلبيًا أو محايدًا. [ 40 ] يمكن إجراء التحديد التلقائي للخصائص باستخدام الأساليب التركيبية، أو نمذجة المواضيع ، [ 41 ] [ 42 ] أو التعلم العميق . [ 43 ] [ 44 ] يمكن الاطلاع على مناقشات أكثر تفصيلاً حول هذا المستوى من تحليل المشاعر في أعمال ليو. [ 26 ]

تصنيف الشدة

المشاعر والأحاسيس ذاتية بطبيعتها. وتختلف درجة المشاعر/الأحاسيس المُعبر عنها في نص معين، سواء على مستوى الوثيقة أو الجملة أو الخاصية/الجانب، باختلاف كل حالة. [ 45 ] ومع ذلك، فإن التنبؤ بالمشاعر والأحاسيس فقط لا يُقدم دائمًا معلومات كاملة. فغالبًا ما تلعب درجة أو مستوى المشاعر والأحاسيس دورًا حاسمًا في فهم الشعور الدقيق ضمن فئة واحدة (مثلًا، "جيد" مقابل "رائع"). وتستفيد بعض الطرق من أسلوب التجميع المُكدس [ 46 ] للتنبؤ بشدة المشاعر والأحاسيس من خلال دمج المخرجات المُحصلة واستخدام نماذج التعلم العميق القائمة على الشبكات العصبية الالتفافية ، [ 47 ] وشبكات الذاكرة طويلة المدى ووحدات التكرار المُبوبة . [ 48 ]

الأساليب والميزات

يمكن تصنيف الأساليب الحالية لتحليل المشاعر إلى ثلاث فئات رئيسية: التقنيات القائمة على المعرفة، والأساليب الإحصائية، والأساليب الهجينة. [ 49 ] تصنف التقنيات القائمة على المعرفة النصوص حسب فئات المشاعر بناءً على وجود كلمات عاطفية واضحة مثل سعيد، حزين، خائف، وملل. [ 50 ] لا تكتفي بعض قواعد المعرفة بسرد الكلمات العاطفية الواضحة فحسب، بل تُسند أيضًا إلى الكلمات العشوائية "تقاربًا" محتملًا مع مشاعر معينة. [ 51 ] تستفيد الأساليب الإحصائية من عناصر التعلم الآلي مثل التحليل الدلالي الكامن ، وآلات المتجهات الداعمة ، و" حقيبة الكلمات "، و" المعلومات المتبادلة النقطية " للتوجيه الدلالي، [ 6 ] ونماذج الفضاء الدلالي أو نماذج تضمين الكلمات ، [ 52 ] والتعلم العميق . تحاول الأساليب الأكثر تطورًا تحديد صاحب الشعور (أي الشخص الذي يحافظ على تلك الحالة العاطفية) والهدف (أي الكيان الذي يُشعر به). [ 53 ] لاستخلاص الرأي في سياقه والحصول على السمة التي أبدى المتحدث رأيه فيها، تُستخدم العلاقات النحوية للكلمات. وتُستخلص علاقات التبعية النحوية من خلال تحليل معمق للنص. [ 54 ] تستفيد المناهج الهجينة من كلٍّ من التعلّم الآلي وعناصر من تمثيل المعرفة ، مثل الأنطولوجيات والشبكات الدلالية، للكشف عن الدلالات المُعبَّر عنها بطريقة دقيقة، على سبيل المثال، من خلال تحليل المفاهيم التي لا تنقل معلومات ذات صلة بشكل صريح، ولكنها مرتبطة ضمنيًا بمفاهيم أخرى تفعل ذلك. [ 55 ]

تستخدم أدوات البرمجيات مفتوحة المصدر، بالإضافة إلى مجموعة من أدوات تحليل المشاعر المجانية والمدفوعة ، تقنيات التعلم الآلي والإحصاء ومعالجة اللغة الطبيعية لأتمتة تحليل المشاعر على مجموعات كبيرة من النصوص، بما في ذلك صفحات الويب والأخبار الإلكترونية ومجموعات النقاش على الإنترنت والمراجعات الإلكترونية والمدونات الإلكترونية ووسائل التواصل الاجتماعي. [ 56 ] من ناحية أخرى، تستخدم الأنظمة القائمة على المعرفة موارد متاحة للعموم لاستخراج المعلومات الدلالية والعاطفية المرتبطة بمفاهيم اللغة الطبيعية. ويمكن للنظام المساعدة في إجراء استدلال منطقي عاطفي . [ 57 ] كما يمكن إجراء تحليل المشاعر على المحتوى المرئي، أي الصور ومقاطع الفيديو (انظر تحليل المشاعر متعدد الوسائط ). ومن أوائل المناهج في هذا الاتجاه SentiBank [ 58 ] الذي يستخدم تمثيلًا للمحتوى المرئي على شكل أزواج من الصفات والأسماء. بالإضافة إلى ذلك، تعتمد الغالبية العظمى من مناهج تصنيف المشاعر على نموذج "حقيبة الكلمات"، الذي يتجاهل السياق والقواعد وحتى ترتيب الكلمات . أظهرت الأساليب التي تحلل المشاعر بناءً على كيفية تكوين الكلمات لمعنى العبارات الأطول نتائج أفضل، [ 59 ] ولكنها تتكبد عبئًا إضافيًا في عملية التعليق.

يُعدّ التحليل البشري عنصرًا أساسيًا في تحليل المشاعر، إذ تعجز الأنظمة الآلية عن تحليل التوجهات التاريخية للمعلقين الأفراد أو المنصة، وغالبًا ما تُصنّف مشاعرهم المُعبر عنها بشكل خاطئ. يؤثر التحليل الآلي على ما يقارب 23% من التعليقات التي يُصنّفها البشر بشكل صحيح. [ 60 ] ومع ذلك، غالبًا ما يختلف البشر في آرائهم، ويُقال إن الاتفاق بين البشر يُمثّل حدًا أقصى يُمكن أن تصل إليه مُصنّفات المشاعر الآلية في نهاية المطاف. [ 61 ]

تقييم

تُقاس دقة نظام تحليل المشاعر، من حيث المبدأ، بمدى توافقه مع الأحكام البشرية. ويُقاس ذلك عادةً بمقاييس مختلفة تعتمد على الدقة والاستدعاء ضمن فئتي النصوص المستهدفة: السلبية والإيجابية. مع ذلك، تشير الأبحاث إلى أن نسبة توافق المُقيّمين البشريين لا تتجاوز 80% [ 62 ] (انظر موثوقية التقييم بين المُقيّمين ).

من جهة أخرى، ترتكب أنظمة الحاسوب أخطاءً مختلفة تمامًا عن تلك التي يرتكبها المُقيّمون البشريون، ولذا لا يمكن مقارنة الأرقام بدقة. على سبيل المثال، قد يواجه نظام الحاسوب صعوبة في التعامل مع النفي والمبالغة والنكات والسخرية، وهي أمور يسهل على القارئ البشري فهمها عادةً؛ فبعض الأخطاء التي يرتكبها نظام الحاسوب قد تبدو ساذجة للغاية بالنسبة للإنسان. وبشكل عام، أُثيرت تساؤلات حول جدوى تحليل المشاعر في المهام التجارية العملية، كما هو مُعرّف في البحوث الأكاديمية، ويعود ذلك في الغالب إلى أن النموذج البسيط أحادي البُعد للمشاعر، من السلبي إلى الإيجابي، لا يُقدّم سوى معلومات قليلة قابلة للتنفيذ للعميل الذي يُعنى بتأثير الخطاب العام على سمعة علامته التجارية أو الشركة، على سبيل المثال. [ 63 ] [ 64 ] [ 65 ]

لتحسين تلبية احتياجات السوق، تحوّل تقييم تحليل المشاعر إلى مقاييس أكثر تركيزًا على المهام، تمّت صياغتها بالتعاون مع ممثلين عن وكالات العلاقات العامة وخبراء أبحاث السوق. فعلى سبيل المثال، يركز تحليل بيانات RepLab بشكل أقل على محتوى النص قيد الدراسة، وأكثر على تأثير هذا النص على سمعة العلامة التجارية . [ 66 ] [ 67 ] [ 68 ]

نظراً لأن تقييم تحليل المشاعر أصبح يعتمد بشكل متزايد على المهام، فإن كل تطبيق يحتاج إلى نموذج تدريب منفصل للحصول على تمثيل أدق للمشاعر لمجموعة بيانات معينة. ومع ازدياد انتشار محركات الإجابة القائمة على نماذج اللغة واللغة، توسعت أساليب التقييم لتشمل أدوات تتبع كيفية إشارة هذه الأنظمة إلى الكيانات. ومن الأمثلة على الأساليب الناشئة لتقييم الترجيح السياقي والمشاعر في مخرجات نماذج اللغة واللغة، مجموعة أدوات Semrushs AI Visibility Toolkit أو Enterprise AIO ، اللتان تحللان كيفية عرض الكيانات ضمن الاستجابات المُولَّدة. [ 69 ]

ويب 2.0

أدى صعود وسائل التواصل الاجتماعي، مثل المدونات والشبكات الاجتماعية، إلى زيادة الاهتمام بتحليل المشاعر. ومع انتشار المراجعات والتقييمات والتوصيات وغيرها من أشكال التعبير عبر الإنترنت، تحوّل الرأي العام الإلكتروني إلى ما يشبه العملة الافتراضية للشركات التي تسعى لتسويق منتجاتها، واكتشاف فرص جديدة، وإدارة سمعتها. ومع سعي الشركات لأتمتة عملية فرز المحتوى غير المهم، وفهم المحادثات، وتحديد المحتوى ذي الصلة، والتعامل معه بالشكل الأمثل، يتجه الكثيرون الآن إلى مجال تحليل المشاعر. [ 70 ] ومما يزيد الأمر تعقيدًا، صعود منصات التواصل الاجتماعي المجهولة، مثل 4chan و Reddit . [ 71 ] إذا كان جوهر ويب 2.0 هو إتاحة النشر للجميع، فإن المرحلة التالية من الويب قد تقوم على إتاحة استخراج البيانات من جميع المحتويات المنشورة للجميع. [ 72 ]

تُعدّ الأبحاث خطوةً نحو تحقيق هذا الهدف. إذ تركز العديد من فرق البحث في الجامعات حول العالم حاليًا على فهم ديناميكيات المشاعر في المجتمعات الإلكترونية من خلال تحليل المشاعر. [ 73 ]

تكمن المشكلة في أن معظم خوارزميات تحليل المشاعر تستخدم مصطلحات بسيطة للتعبير عن المشاعر تجاه منتج أو خدمة. مع ذلك، فإن العوامل الثقافية والفروق اللغوية الدقيقة واختلاف السياقات تجعل من الصعب للغاية تحويل نص مكتوب إلى رأي إيجابي أو سلبي بسيط. [ 70 ] إن حقيقة اختلاف البشر في كثير من الأحيان حول مشاعر النصوص توضح مدى صعوبة المهمة التي تواجهها الحواسيب لإنجاز ذلك بدقة. وكلما كان النص أقصر، ازدادت صعوبة المهمة.

على الرغم من أن النصوص القصيرة قد تُشكل عائقًا، فقد أظهر تحليل المشاعر في التدوين المصغر أن تويتر يُمكن اعتباره مؤشرًا إلكترونيًا موثوقًا للمشاعر السياسية. تُظهر المشاعر السياسية في التغريدات تطابقًا وثيقًا مع المواقف السياسية للأحزاب والسياسيين، مما يُشير إلى أن محتوى رسائل تويتر يعكس على الأرجح المشهد السياسي الواقعي. [ 74 ] علاوة على ذلك، فقد أظهر تحليل المشاعر على تويتر قدرته على رصد المزاج العام المُتعلق بدورات التكاثر البشري عالميًا، [ 75 ] فضلًا عن مشاكل أخرى ذات صلة بالصحة العامة، مثل الآثار الجانبية للأدوية. [ 76 ]

بينما شاع تحليل المشاعر في المجالات التي يعبّر فيها الكتّاب عن آرائهم بشكل صريح ("الفيلم رائع")، مثل وسائل التواصل الاجتماعي ومراجعات المنتجات، لم تُطوّر أساليب فعّالة إلا مؤخرًا لمجالات أخرى تكون فيها المشاعر ضمنية أو غير مباشرة. على سبيل المثال، في المقالات الإخبارية - غالبًا بسبب الحيادية الصحفية المتوقعة - يصف الصحفيون الأحداث أو الأفعال بدلًا من تحديد قطبية المعلومة بشكل مباشر. لم تتمكن الأساليب السابقة التي تستخدم القواميس أو خصائص التعلّم الآلي السطحية من استخلاص "المعنى الضمني"، لكن الباحثين اقترحوا مؤخرًا نهجًا قائمًا على التعلّم العميق ومجموعة بيانات قادرة على تحليل المشاعر في المقالات الإخبارية. [ 1 ]

استخدم الباحثون تحليل المشاعر لدراسة منشورات الصحة والسلامة في مواقع البناء على تويتر (المعروف الآن باسم X). وكشفت الأبحاث عن وجود علاقة إيجابية بين الإعجابات وإعادة التغريد من حيث المشاعر. كما درس باحثون آخرون تأثير يوتيوب على نشر المعرفة المتعلقة بالصحة والسلامة في مواقع البناء، حيث بحثوا في كيفية تأثير العواطف على سلوك المستخدمين فيما يتعلق بالمشاهدة والتعليق من خلال التحليل الدلالي. وفي دراسة أخرى، شكلت المشاعر الإيجابية نسبة كبيرة بلغت 85% من مشاركة المعرفة المتعلقة بالسلامة والصحة في مواقع البناء عبر إنستغرام. [ 77 ]

التطبيق في أنظمة التوصية

أثبت تحليل المشاعر جدواه كتقنية قيّمة لأنظمة التوصية. يهدف نظام التوصية إلى التنبؤ بتفضيل المستخدم المستهدف لعنصر معين. تعتمد أنظمة التوصية الشائعة على مجموعات بيانات محددة، فمثلاً، يعتمد الترشيح التعاوني على مصفوفة التقييم، بينما يعتمد الترشيح القائم على المحتوى على البيانات الوصفية للعناصر.

في العديد من خدمات التواصل الاجتماعي ومواقع التجارة الإلكترونية ، يُمكن للمستخدمين تقديم مراجعات نصية أو تعليقات أو ملاحظات حول المنتجات. تُشكّل هذه النصوص مصدرًا غنيًا لآراء المستخدمين حول العديد من المنتجات والسلع. بالنسبة لمنتجٍ ما، يُمكن لهذه النصوص أن تكشف عن كلٍ من خصائصه وجوانبه، بالإضافة إلى آراء المستخدمين حول كل خاصية. [ 78 ] تلعب خصائص المنتج الموصوفة في النص دورًا مشابهًا للبيانات الوصفية في التصفية القائمة على المحتوى ، إلا أن خصائص المنتج أكثر قيمةً لنظام التوصية. نظرًا لأن المستخدمين يذكرون هذه الخصائص بكثرة في مراجعاتهم، يُمكن اعتبارها أهم الخصائص التي تُؤثر بشكلٍ كبير على تجربة المستخدم مع المنتج، بينما قد تتجاهل البيانات الوصفية للمنتج (التي يُقدمها المنتجون عادةً بدلًا من المستهلكين) الخصائص التي تهم المستخدمين. بالنسبة لمنتجاتٍ مختلفة ذات خصائص مشتركة، قد يُبدي المستخدم آراءً مختلفة. كما قد تُثير خاصيةٌ واحدة في المنتج نفسه آراءً مختلفة من مستخدمين مختلفين. يمكن اعتبار آراء المستخدمين حول الميزات بمثابة درجة تقييم متعددة الأبعاد، تعكس تفضيلاتهم بشأن العناصر. [ 79 ]

استنادًا إلى الميزات/الجوانب والمشاعر المستخرجة من النصوص التي يُنشئها المستخدم، يُمكن بناء نظام توصية هجين. [ 80 ] هناك نوعان من الدوافع لتوصية عنصر مُرشّح للمستخدم. الدافع الأول هو أن العنصر المُرشّح يشترك في العديد من الميزات مع العناصر المُفضّلة لدى المستخدم، [ 81 ] بينما الدافع الثاني هو أن العنصر المُرشّح يحظى بتقييم عالٍ لميزاته. بالنسبة لعنصر مُفضّل، من المنطقي الاعتقاد بأن العناصر التي تتشارك نفس الميزات ستؤدي وظيفة أو فائدة مُشابهة. لذا، من المُرجّح أن يُفضّل المستخدم هذه العناصر أيضًا. من ناحية أخرى، بالنسبة لعنصرين مُرشّحين يتشاركان ميزة واحدة، قد يُعطي المستخدمون الآخرون تقييمًا إيجابيًا لأحدهما وتقييمًا سلبيًا للآخر. من الواضح أنه ينبغي التوصية بالعنصر ذي التقييم الأعلى للمستخدم. استنادًا إلى هذين الدافعين، يُمكن إنشاء درجة تصنيف مُركّبة من التشابه وتقييم المشاعر لكل عنصر مُرشّح. [ 80 ]

إلى جانب صعوبة تحليل المشاعر بحد ذاته، يواجه تطبيق هذا التحليل على التقييمات والتعليقات تحديًا آخر يتمثل في الرسائل المزعجة والتقييمات المتحيزة. ويركز أحد اتجاهات البحث على تقييم مدى فائدة كل تقييم. [ 82 ] فالتقييمات أو التعليقات الرديئة الصياغة نادرًا ما تفيد أنظمة التوصية. علاوة على ذلك، قد يُصمّم التقييم بطريقة تُعيق مبيعات المنتج المستهدف، وبالتالي يُلحق الضرر بنظام التوصية حتى وإن كان مكتوبًا بشكل جيد.

وجد الباحثون أيضًا أنه ينبغي التعامل مع النصوص الطويلة والقصيرة التي ينشئها المستخدمون بشكل مختلف. وتُظهر إحدى النتائج المثيرة للاهتمام أن المراجعات القصيرة قد تكون أحيانًا أكثر فائدة من المراجعات الطويلة، [ 83 ] لأنه من الأسهل تصفية المعلومات غير المهمة في النص القصير. أما بالنسبة للنص الطويل، فإن زيادة طوله لا تُؤدي دائمًا إلى زيادة متناسبة في عدد السمات أو المشاعر الواردة فيه.

يقدم لامبا ومادهوسودان [ 84 ] طريقةً مبتكرةً لتلبية احتياجات المعلومات لدى رواد المكتبات اليوم، وذلك من خلال إعادة صياغة نتائج تحليل المشاعر على منصات التواصل الاجتماعي مثل تويتر، وتقديمها كخدمة موحدة قائمة على الوقت وبصيغ مختلفة. كما يقترحان طريقةً جديدةً للتسويق في المكتبات باستخدام التنقيب في وسائل التواصل الاجتماعي وتحليل المشاعر.

الاعتبارات الأخلاقية

تُعدّ قضايا مثل الخصوصية والموافقة والتحيز بالغة الأهمية، إذ يُحلل تحليل المشاعر البيانات الشخصية بشكل منتظم دون موافقة صريحة من المستخدم. ويمكن أن يؤثر احتمال سوء تفسير بيانات المشاعر وإساءة استخدامها تأثيرًا كبيرًا على الأعراف المجتمعية. علاوة على ذلك، يُعدّ تطوير أطر أخلاقية، كما هو الحال في مشاريع مثل SEWA، حيث تم إنشاء مجالس استشارية للأخلاقيات والتقييم الصناعي، أمرًا ضروريًا لمواجهة هذه التحديات. وتساعد هذه المجالس على ضمان استخدام تقنيات تحليل المشاعر بمسؤولية، لا سيما في التطبيقات التي تتضمن التعرف على المشاعر والسلوكيات البشرية. وتُعدّ هذه الأطر حيوية لتوجيه الاستخدام المسؤول لأدوات تحليل المشاعر، وضمان تعزيزها للإنصاف واحترامها لاستقلالية المستخدم، ومعالجتها بفعالية للقضايا الأخلاقية الروتينية والمعقدة على حد سواء. [ 85 ]

انظر أيضاً

مراجع

  1. هامبورغ، فيليكس؛ دوناي، كارستن (2021). "NewsMTSC: مجموعة بيانات لتصنيف المشاعر المعتمد على (متعدد) الأهداف في المقالات الإخبارية السياسية" . في: ميرلو، باولا؛ تيدمان، يورغ؛ تسارفاتي، رويت (محررون). وقائع المؤتمر السادس عشر للفرع الأوروبي لرابطة اللغويات الحاسوبية: المجلد الرئيسي . رابطة اللغويات الحاسوبية. الصفحات 1663-1675 . doi : 10.18653/v1/2021.eacl-main.142 . 
  2. ↑ فونج آنه هو، دونج هيونه-كونج نجوين، دانه هوانج نجوين، لينه ثي-فان فام، دوك-فو نجوين، كيت فان نجوين، نجان لو-ثوي نجوين. “التعرف على المشاعر لنص الوسائط الاجتماعية الفيتنامية”. في وقائع المؤتمر الدولي لعام 2019 لرابطة المحيط الهادئ للغويات الحاسوبية (PACLING 2019)، هانوي، فيتنام (2019).
  3. ↑ ستون، فيليب جيه، وديكستر سي. دنفي، ومارشال إس. سميث. "الباحث العام: نهج حاسوبي لتحليل المحتوى." مطبعة معهد ماساتشوستس للتكنولوجيا، كامبريدج، ماساتشوستس (1966).
  4. ↑ غوتشالك، لويس أوغست، وغولدين سي. غليسر . قياس الحالات النفسية من خلال تحليل محتوى السلوك اللفظي. مطبعة جامعة كاليفورنيا، 1969.
  5. ↑ الولايات المتحدة الأمريكية ، الإصدار 7,136,877 ، فولكاني، يانون؛ وفوجل ، ديفيد ب.، "نظام وطريقة لتحديد تأثير النص والتحكم فيه"، نُشر في 28 يونيو 2001، مؤرشف في 28 أكتوبر 2017، في أرشيف الإنترنت (Wayback Machine) . 
  6. 1 2 تورني، بيتر (2002). "إعجاب أم رفض؟ التوجه الدلالي المطبق على التصنيف غير الخاضع للإشراف للمراجعات". وقائع جمعية اللغويات الحاسوبية . ص 417-424 . arXiv : cs.LG/0212032 . 
  7. ↑ بانغ، بو؛ لي، ليليان ؛ فايثياناثان، شيفاكومار (2002). "هل هذا جيد؟ تصنيف المشاعر باستخدام تقنيات التعلم الآلي" . وقائع مؤتمر الأساليب التجريبية في معالجة اللغة الطبيعية (EMNLP) . الصفحات 79-86 . 
  8. 1 2 بانغ، بو؛ لي، ليليان (2005). "رؤية النجوم: استغلال العلاقات بين الفئات لتصنيف المشاعر فيما يتعلق بمقاييس التقييم" . وقائع جمعية اللغويات الحاسوبية (ACL) . ص 115-124 . 
  9. 1 2 سنايدر، بنجامين؛ بارزيلاي، ريجينا (2007). "ترتيب الجوانب المتعددة باستخدام خوارزمية Good Grief" . وقائع المؤتمر المشترك لتكنولوجيا اللغة البشرية/فرع أمريكا الشمالية لجمعية اللغويات الحاسوبية (HLT-NAACL) . الصفحات 300-307 . مؤرشف من الأصل في 6 أغسطس 2016. تم الاسترجاع في 16 يونيو 2009 . 
  10. ↑ كو، يان، جيمس شاناهان، وجانيس ويبي . "استكشاف الموقف والتأثير في النص: النظريات والتطبيقات". في ندوة الربيع لجمعية النهوض بالذكاء الاصطناعي، التقرير الفني SS-04-07. مطبعة جمعية النهوض بالذكاء الاصطناعي، مينلو بارك، كاليفورنيا. 2004.
  11. ↑ فرينيوتيس، فاسيليس (2013). أهمية الفئة المحايدة في تحليل المشاعر .
  12. ^ كوبل، موشيه؛ شلر، جوناثان (2006). “أهمية الأمثلة المحايدة لتعلم المشاعر”. الذكاء الحسابي 22 . ص 100 – 109. CiteSeerX 10.1.1.84.9735 .  
  13. ↑ ريبيرو، فيليبي نونيس؛ أراوجو، ماثيوس (2010). "مقارنة معيارية لأحدث أساليب تحليل المشاعر" . معاملات أنظمة الحوسبة المدمجة . 9 (4).
  14. ↑ تابوادا، مايتي؛ بروك، جوليان (2011). "أساليب تحليل المشاعر القائمة على المعجم" . اللغويات الحاسوبية . 37 (2): 272-274 . CiteSeerX 10.1.1.188.5517 . doi : 10.1162/coli_a_00049 . S2CID 3181362 .  
  15. ^ أوغستينياك، لوكاسز؛ زيمانسكي، بيوتر؛ كاجدانوفيتش، توماسز؛ Tuligłowicz، Włodzimierz (25 ديسمبر 2015). "دراسة شاملة عن تحليل المشاعر لتصنيف المجموعات القائمة على المعجم" . إنتروبيا . 18 (1): 4. بيب كود : 2015Entrp..18....4A . دوى : 10.3390/e18010004 .
  16. ↑ ثيلوال، مايك؛ باكلي، كيفان؛ بالتوغلو، جورجيوس؛ كاي، دي؛ كاباس، أرفيد (2010). "الكشف عن قوة المشاعر في النصوص القصيرة غير الرسمية" . مجلة الجمعية الأمريكية لعلوم وتكنولوجيا المعلومات . 61 (12): 2544-2558 . Bibcode : 2010JASIS..61.2544T . CiteSeerX 10.1.1.278.3863 . doi : 10.1002/asi.21416 . مؤرشف من الأصل في 1 فبراير 2021. تم الاسترجاع في 20 يونيو 2011 . 
  17. ↑ ليو، بينغ (2022). تحليل المشاعر واستخراج الآراء . سبرينغر نيتشر.
  18. ^ تشانغ ، ونكسوان. لي، شين؛ دينغ، يانغ؛ بنج، ليدونغ؛ لام واي (2021). نحو تحليل المشاعر على أساس الجوانب التوليدية . جمعية اللغويات الحاسوبية.
  19. ↑ محمد، شمس الدين حسن؛ أوسيدوم، نجمة؛ عبد المؤمن، إدريس؛ واهل، جان فيليب؛ رواس، تيري (2025). تشي، وانشيانغ؛ نابيندي، جويس؛ شوتوفا، إيكاترينا؛ بيلهفار، محمد طاهر (محررون). BRIGHTER: سد الفجوة في مجموعات بيانات التعرف على المشاعر النصية المُعَلَّمة بشريًا لـ 28 لغة . وقائع الاجتماع السنوي الثالث والستين لجمعية اللغويات الحاسوبية (المجلد 1: الأوراق الطويلة)، الصفحات 8895-8916، فيينا، النمسا. جمعية اللغويات الحاسوبية. فيينا، النمسا: جمعية اللغويات الحاسوبية. الصفحات 8895-8916 . doi : 10.18653/v1/2025.acl-long.436 . ISBN  979-8-89176-251-0.
  20. ↑ بانغ، بو؛ لي، ليليان (2008). "4.1.2 كشف الذاتية وتحديد الرأي" . استخراج الآراء وتحليل المشاعر . دار نشر ناو.
  21. ↑ ميهالسا، رادا؛ بانيا، كارمن؛ ويبي، جانيس (2007). "تعلم اللغة الذاتية متعددة اللغات عبر الإسقاطات عبر اللغات" (ملف PDF) . وقائع جمعية اللغويات الحاسوبية (ACL) . الصفحات 976-983 . مؤرشف من الأصل (ملف PDF) في 8 يوليو 2010. 
  22. ↑ سو، فانغتشونغ؛ ماركرت، كاتيا (2008). "من الكلمات إلى الحواس: دراسة حالة في التعرف على الذاتية" (ملف PDF) . وقائع مؤتمر كولينغ 2008، مانشستر، المملكة المتحدة .
  23. ↑ بانغ، بو؛ لي، ليليان (2004). "التعليم العاطفي: تحليل المشاعر باستخدام تلخيص الذاتية بناءً على الحد الأدنى من القطع" . وقائع جمعية اللغويات الحاسوبية (ACL) . ص 271-278 . 
  24. 1 2 ويبي، جانيس ؛ ريلوف، إيلين (2005). "إنشاء مصنفات جمل ذاتية وموضوعية من نصوص غير مشروحة" . في: جيلبوخ، ألكسندر (محرر). اللغويات الحاسوبية ومعالجة النصوص الذكية . سلسلة محاضرات في علوم الحاسوب. المجلد 3406. برلين، هايدلبرغ: سبرينغر. الصفحات 486-497 . doi : 10.1007/978-3-540-30586-6_53 . ISBN   978-3-540-30586-6.
  25. ↑ كويرك، راندولف؛ غرينباوم، سيدني؛ جيفري، ليتش؛ جان، سفارتفيك (1985). قواعد شاملة للغة الإنجليزية (قواعد عامة) . لونغمان . ص 175-239 . ISBN  1-933108-31-2.
  26. 1 2 3 ليو، بينغ (2010). "تحليل المشاعر والذاتية" (ملف PDF) . في إندورخيا، ن.؛ داميراو، ف. ج. (محرران). دليل معالجة اللغة الطبيعية ( الطبعة الثانية). 
  27. بانغ ، بو؛ لي، ليليان (6 يوليو/تموز 2008). "استخراج الآراء وتحليل المشاعر" . أسس واتجاهات في استرجاع المعلومات . 2 ( 1-2 ): 1-135 . doi : 10.1561/1500000011 . ISSN 1554-0669 . S2CID 207178694 .  
  28. ↑ ريلوف، إيلين؛ ويبي، جانيس (11 يوليو 2003). "تعلم أنماط استخلاص التعبيرات الذاتية". وقائع مؤتمر 2003 حول الأساليب التجريبية في معالجة اللغة الطبيعية - EMNLP '03. المجلد 10. الولايات المتحدة الأمريكية: رابطة اللغويات الحاسوبية. الصفحات 105-112 . doi : 10.3115/1119355.1119369 . S2CID 6541910 .   
  29. ↑ ويبي، جانيس ؛ ريلوف، إيلين (يوليو 2011). "إيجاد منفعة متبادلة بين تحليل الذاتية واستخلاص المعلومات". معاملات IEEE في الحوسبة العاطفية . 2 (4): 175-191 . Bibcode : 2011ITAfC...2..175W . doi : 10.1109/T-AFFC.2011.19 . ISSN 1949-3045 . S2CID 16820846 .  
  30. ↑ ريلوف، إيلين (1 أغسطس 1996). "دراسة تجريبية لبناء القواميس الآلية لاستخراج المعلومات في ثلاثة مجالات" . الذكاء الاصطناعي . 85 (1): 101-134 . doi : 10.1016/0004-3702(95)00123-9 . ISSN 0004-3702 . 
  31. ↑ ريلوف، إيلين؛ جونز، روزي (يوليو 1999). "تعلم القواميس لاستخراج المعلومات من خلال التمهيد متعدد المستويات" (ملف PDF) . وقائع المؤتمر الوطني السادس عشر للذكاء الاصطناعي والمؤتمر الحادي عشر للتطبيقات المبتكرة للذكاء الاصطناعي AAAI '99/IAAI '99: التطبيقات المبتكرة للذكاء الاصطناعي : 474-479 .
  32. ↑ ثيلين، مايكل؛ ريلوف، إيلين (6 يوليو/تموز 2002). "طريقة تمهيدية لتعلم المعاجم الدلالية باستخدام سياقات أنماط الاستخراج". وقائع مؤتمر ACL-02 حول الأساليب التجريبية في معالجة اللغة الطبيعية - EMNLP '02 . المجلد 10. الولايات المتحدة الأمريكية: رابطة اللغويات الحاسوبية. الصفحات 214-221 . doi : 10.3115/1118693.1118721 . S2CID 137155 .   
  33. ↑ سويتا، سوني (2024). تحليل المشاعر وتطبيقاته في استخراج البيانات التعليمية (سلسلة منشورات سبرينغر الموجزة في الذكاء الحسابي) . برلين، هايدلبرغ: سبرينغر. ص 30. ISBN  978-9819724734.
  34. ↑ ليو، بينغ (23 مايو 2012). "تحليل المشاعر واستخراج الآراء" . محاضرات توليفية في تقنيات اللغة البشرية . 5 (1): 1-167 . doi : 10.2200/S00416ED1V01Y201204HLT016 . ISSN 1947-4040 . S2CID 38022159. مؤرشف من الأصل في 10 مايو 2021. تم الاطلاع عليه في 9 ديسمبر 2020 .  
  35. ↑ دينغ، شانغكون؛ ميتسوبوتشي، تاكاشي؛ شيودا، كي؛ شيمادا، تاتسورو؛ ساكوراي، أكيتو (ديسمبر 2011). "دمج التحليل الفني مع تحليل المشاعر للتنبؤ بأسعار الأسهم" . المؤتمر الدولي التاسع لعام 2011 التابع لمعهد مهندسي الكهرباء والإلكترونيات (IEEE) حول الحوسبة الموثوقة والذاتية والآمنة . معهد مهندسي الكهرباء والإلكترونيات. الصفحات 800-807 . doi : 10.1109/dasc.2011.138 . ISBN  978-1-4673-0006-3. S2CID 15262023 . 
  36. ^ نغوين، كيت فان؛ نجوين، فو دوك؛ نجوين، فو الخامس عشر؛ ترونج ، ثام . نجوين، نجان LT. (1 أكتوبر 2018). “UIT-VSFC: مجموعة آراء الطلاب الفيتناميين لتحليل المشاعر”. 2018 المؤتمر الدولي العاشر لهندسة المعرفة والنظم (KSE) . فيتنام: IEEE. ص 19 – 24. دوى : 10.1109/KSE.2018.8573337 . رقم ISBN  978-1-5386-6113-0. S2CID 56172224 . 
  37. ↑ يو، هونغ؛ هاتزيفاسيلوغلو، فاسيليوس (11 يوليو 2003). "نحو الإجابة على أسئلة الرأي". وقائع مؤتمر 2003 حول الأساليب التجريبية في معالجة اللغة الطبيعية - EMNLP '03. المجلد 10. الولايات المتحدة الأمريكية: رابطة اللغويات الحاسوبية. الصفحات 129-136 . doi : 10.3115/1119355.1119372 .  
  38. ↑ هو، مينكينغ؛ ليو، بينغ (2004). "استخراج وتلخيص مراجعات العملاء" . وقائع مؤتمر KDD 2004 .
  39. ↑ كاتالدي، ماريو؛ بالاتوري، أندريا؛ تيدي، إيلاريا؛ أوفور، ماري-أود (22 يونيو 2013). "موقع ممتاز، طعام سيء: رصد المشاعر في تقييمات المستخدمين". تحليل وتعدين الشبكات الاجتماعية . 3 (4): 1149-1163 . CiteSeerX 10.1.1.396.9313 . doi : 10.1007/s13278-013-0119-7 . ISSN 1869-5450 . S2CID 5025282 .   
  40. ↑ ليو، بينغ؛ هو، مينكينغ؛ تشنغ، جونشنغ (2005). "مراقب الرأي: تحليل ومقارنة الآراء على الإنترنت" . وقائع مؤتمر WWW 2005 .
  41. ↑ تشاي، تشونغوو؛ ليو، بينغ؛ شو، هوا؛ جيا، بيفا (1 يناير 2011). "التحليل التمييزي الكامن المقيد لتجميع خصائص المنتج في استخراج الآراء". في: هوانغ، جوشوا تشيكسيو؛ كاو، لونغ بينغ؛ سريفاستافا، جايديب (محررون). التطورات في اكتشاف المعرفة واستخراج البيانات . سلسلة محاضرات في علوم الحاسوب. المجلد 6634. سبرينغر برلين هايدلبرغ. الصفحات 448-459 . CiteSeerX 10.1.1.221.5178 . doi : 10.1007/978-3-642-20841-6_37 . ISBN    978-3-642-20840-9.
  42. ↑ تيتوف، إيفان؛ ماكدونالد، رايان (1 يناير 2008). "نمذجة المراجعات عبر الإنترنت باستخدام نماذج المواضيع متعددة المستويات". وقائع المؤتمر الدولي السابع عشر حول شبكة الويب العالمية . WWW '08. نيويورك، نيويورك، الولايات المتحدة الأمريكية: ACM. الصفحات 111-120 . arXiv : 0801.1063 . doi : 10.1145/1367497.1367513 . ISBN  978-1-60558-085-2. S2CID 13609860 . 
  43. ↑ ليانغ، بين؛ وآخرون (2022). "تحليل المشاعر القائم على الجوانب عبر شبكات الالتفاف البياني المعززة بالمعرفة العاطفية" . أنظمة قائمة على المعرفة . 235 107643. doi : 10.1016/j.knosys.2021.107643 . S2CID 237258427 .  
  44. ↑ ما، يوكون؛ وآخرون (2018). "تحليل المشاعر المستهدف القائم على الجوانب من خلال تضمين المعرفة العامة في شبكة LSTM انتباهية". وقائع AAAI . الصفحات 5876-5883 .  
  45. ↑ شارما، راكشا؛ سوماني؛ كومار؛ بهاتاشاريا (2017). "ترتيب شدة المشاعر بين الصفات باستخدام تضمينات الكلمات الحاملة للمشاعر" (ملف PDF) . رابطة اللغويات الحاسوبية : 547-552 .
  46. ↑ MS Akhtar, A. Ekbal and E. Cambria, “How Intent Are You? Predicting Intensities of Emotions and Sentis using Stacked Ensemble [Application Notes],” in IEEE Computational Intelligence Magazine , vol. 15, no. 1, pp. 64-75, Feb 2020, doi: 10.1109/MCI.2019.2954667.
  47. ↑ X. Ouyang, P. Zhou, CH Li and L. Liu, “Sentiment Analysis Using Convolutional Neural Network,” 2015 IEEE International Conference on Computer and Information Technology; Ubiquious Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing, 2015, pp. 2359-2364, doi: 10.1109/CIT/IUCC/DASC/PICOM.2015.349.
  48. ↑ Y. Santur, "تحليل المشاعر بناءً على وحدة التكرار البوابية"، ندوة الذكاء الاصطناعي ومعالجة البيانات الدولية لعام 2019 (IDAP)، 2019، ص 1-5، doi: 10.1109/IDAP.2019.8875985.
  49. ↑ كامبريا، إي؛ شولر، ب؛ شيا، ي؛ هافاسي، س (2013). "آفاق جديدة في استخراج الآراء وتحليل المشاعر". أنظمة IEEE الذكية . 28 (2): 15-21 . Bibcode : 2013IISys..28b..15C . CiteSeerX 10.1.1.688.1384 . doi : 10.1109/MIS.2013.30 . S2CID 12104996 .  
  50. ↑ أورتوني، أندرو؛ كلور، جي؛ كولينز، أ (1988). البنية المعرفية للعواطف (ملف PDF) . مطبعة جامعة كامبريدج. مؤرشف من الأصل (ملف PDF) في 23 نوفمبر 2015.
  51. ↑ ستيفنسون، رايان؛ ميكلز، جوزيف؛ جيمس، توماس (2007). "توصيف المعايير العاطفية للكلمات الإنجليزية من خلال فئات عاطفية منفصلة" . أساليب البحث السلوكي . 39 (4): 1020-1024 . doi : 10.3758/bf03192999 . PMID 18183921. S2CID 6673690 .  
  52. ↑ سالغرين، ماغنوس ؛ كارلغرين، جوسي؛ إريكسون، غونار (2007). "التعليق على التكافؤ بناءً على البذور في فضاء الكلمات". وقائع ورشة العمل الدولية الرابعة حول التقييمات الدلالية (SemEval-2007) .
  53. ↑ كيم، إس إم؛ هوفي، إي إتش (2006). "تحديد وتحليل آراء الأحكام". (ملف PDF) . وقائع مؤتمر تكنولوجيا اللغة البشرية / الرابطة الأمريكية الشمالية للغويات الحاسوبية (HLT-NAACL 2006). نيويورك، نيويورك . مؤرشف من الأصل (ملف PDF) في 29 يونيو 2011.
  54. ↑ دي، ليبكا؛ حق، إس كي ميراجول (2008). "استخراج الآراء من بيانات نصية مشوشة" . وقائع ورشة العمل الثانية حول تحليلات البيانات النصية غير المهيكلة المشوشة، ص 83-90 .
  55. ↑ كامبريا، إي؛ حسين، أ (2015). الحوسبة الحسية: إطار عمل قائم على الحس السليم لتحليل المشاعر على مستوى المفاهيم . سبرينغر. ISBN 978-3-319-23654-4.
  56. ↑ أككورا، جونيت غوركان؛ باير، مراد علي؛ ديميرباس، مراد؛ فرهاتوسمان أوغلو، هاكان (2010). "تحديد نقاط التحول في الرأي العام" . سيغكد، وقائع ورشة العمل الأولى حول تحليلات وسائل التواصل الاجتماعي .
  57. ↑ كامبريا، إريك؛ ليو، تشيان؛ ديشيرشي، سيرجيو؛ شينغ، فرانك؛ كوك، كينيث (2022). "SenticNet 7: إطار عمل ذكاء اصطناعي عصبي رمزي قائم على الحس السليم لتحليل المشاعر القابلة للتفسير" (ملف PDF) . وقائع مؤتمر LREC . الصفحات 3829-3839 . 
  58. ↑ بورث، داميان؛ جي، رونغ رونغ؛ تشين، تاو؛ برويل، توماس؛ تشانغ، شيه فو (2013). "أنطولوجيا المشاعر البصرية واسعة النطاق وأجهزة الكشف باستخدام أزواج الصفات والأسماء" . وقائع المؤتمر الدولي للوسائط المتعددة التابع لجمعية آلات الحوسبة . الصفحات 223-232 . مؤرشف من الأصل في 15 أبريل 2021. تم الاسترجاع في 2 نوفمبر 2017 . 
  59. ↑ سوشر، ريتشارد؛ بيريلجين، أليكس؛ وو، جين واي؛ تشوانغ، جيسون؛ مانينغ، كريستوفر دي؛ نغ، أندرو واي؛ بوتس، كريستوفر (2013). "نماذج عميقة متكررة للتركيب الدلالي على قاعدة بيانات شجرية للمشاعر". في وقائع مؤتمر EMNLP : 1631-1642 . CiteSeerX 10.1.1.593.7427 . 
  60. ↑ "دراسة حالة: تحليل المشاعر المتقدم" . مؤرشف من الأصل بتاريخ 29 أكتوبر 2013. تم الاطلاع عليه بتاريخ 18 أكتوبر 2013 .
  61. ^ موزيتيتش، ايجور. غركار، ميها؛ سمايلوفيتش ، ياسمينا (5 مايو 2016). "تصنيف مشاعر تويتر متعدد اللغات: دور المعلقين البشريين" . بلوس واحد . 11 (5) هـ0155036. أرخايف : 1602.07563 . بيب كود : 2016PLoSO..1155036M . دوى : 10.1371/journal.pone.0155036 . ردمك 1932-6203 . بمك 4858191 . بميد 27149621 .   
  62. ↑ أوغنيفا، م. "كيف يمكن للشركات استخدام تحليل المشاعر لتحسين أعمالها" . ماشابل . تم الاطلاع عليه بتاريخ 13 ديسمبر 2012 .
  63. ↑ كارلغرين، جوسي ، ماغنوس سالغرين ، فريدريك أولسون، فريدريك إسبينوزا، وأولا هامفورس. "فائدة تحليل المشاعر." في المؤتمر الأوروبي لاسترجاع المعلومات، الصفحات من 426 إلى 435. سبرينغر برلين هايدلبرغ، 2012.
  64. ↑ كارلغرين، جوسي . "العلاقة بين مزاج المؤلف وعاطفته وبين المشاعر في النص ونوع النص". في وقائع ورشة العمل الرابعة حول استغلال الشروح الدلالية في استرجاع المعلومات، الصفحات 9-10. ACM، 2011.
  65. ↑ كارلغرين، جوسي . " التأثير والجاذبية والعاطفة كعوامل مؤثرة في التفاعل مع معلومات الوسائط المتعددة ." في وقائع ورشة عمل Theseus/ImageCLEF حول تقييم استرجاع المعلومات المرئية، الصفحات 8-11. 2009.
  66. ↑ أميغو، إنريكي، أدولفو كوروجو، خوليو جونزالو، إدغار ميج، ومارتن دي ريكي . "نظرة عامة على RepLab 2012: تقييم أنظمة إدارة السمعة عبر الإنترنت." في CLEF (ملاحظات العمل/المختبرات/ورشة العمل عبر الإنترنت). 2012.
  67. ↑ أميغو، إنريكي، خورخي كاريو دي ألبورنوز، إيرينا تشوغور، أدولفو كوروجو، خوليو جونزالو، تمارا مارتن، إدغار ميج، مارتن دي ريكي ، وداميانو سبينا. "نظرة عامة على Relab 2013: تقييم أنظمة مراقبة السمعة عبر الإنترنت." في المؤتمر الدولي لمنتدى التقييم عبر اللغات للغات الأوروبية، الصفحات من 333 إلى 352. سبرينغر برلين هايدلبرغ، 2013.
  68. ↑ أميغو، إنريكي، خورخي كاريلو دي ألبورنوز، إيرينا تشوغور، أدولفو كوروجو، خوليو غونزالو، إدغار ميج، مارتن دي ريك ، وداميانو سبينا. "نظرة عامة على مؤتمر replab 2014: تحديد ملامح المؤلف وأبعاد السمعة لإدارة السمعة على الإنترنت." في المؤتمر الدولي لمنتدى التقييم عبر اللغات للغات الأوروبية، الصفحات 307-322. دار نشر سبرينغر الدولية، 2014.
  69. ↑ "العلامات التجارية تستهدف روبوتات الدردشة المدعومة بالذكاء الاصطناعي مع تحول المستخدمين من محرك بحث جوجل" . فايننشال تايمز .
  70. 1 2 رايت، أليكس. "استخراج المشاعر من الإنترنت، لا الحقائق" ، نيويورك تايمز ، 23 أغسطس 2009. تم الاطلاع عليه بتاريخ 1 أكتوبر 2009.
  71. ↑ "تحليل المشاعر على موقع ريديت" . 30 سبتمبر 2014. تم الاطلاع عليه في 10 أكتوبر 2014 .
  72. ↑ كيركباتريك، مارشال. " ، ريد رايت ويب ، 15-04-2009. تم الاطلاع عليه في 01-10-2009.
  73. ↑ كوندليف، جيمي. "النار تُشعل شبكات التواصل الاجتماعي على الإنترنت" ، مجلة نيو ساينتست ، 7 ديسمبر 2010. تم الاطلاع عليه بتاريخ 13 ديسمبر 2010.
  74. ↑ توماسجان، أندرانيك؛ أو. سبرينجر، تيم؛ جي. ساندنر، فيليب؛ إم. ويلبي، إيزابيل (2010). "التنبؤ بالانتخابات باستخدام تويتر: ما تكشفه 140 حرفًا عن التوجهات السياسية". مؤرشف في 12 ديسمبر 2020 على موقع Wayback Machine . "وقائع المؤتمر الدولي الرابع لجمعية الذكاء الاصطناعي المتقدمة حول المدونات ووسائل التواصل الاجتماعي".
  75. ^ وود ، إيان ب. فاريلا ، بيدرو إل. بولين، يوهان. روشا، لويس م.؛ غونسالفيس سا، جوانا (2017). "الدورات الجنسية البشرية تحركها الثقافة وتتوافق مع المزاج الجماعي" . التقارير العلمية . 7 (1): 17973. أرخايف : 1707.03959 . بيب كود : 2017NatSR...717973W . دوى : 10.1038/s41598-017-18262-5 . بمك 5740080 . بميد 29269945 .  
  76. ↑ كوركونتزيلوس، يوانيس؛ نيكفارجام، آزاده؛ شاردلو، ماثيو؛ ساركير، عبيد؛ أنانيادو، صوفيا؛ غونزاليس، غراسييلا هـ. (2016). "تحليل أثر تحليل المشاعر على استخلاص ردود الفعل الدوائية الضارة من التغريدات ومنشورات المنتديات" . مجلة المعلوماتية الطبية الحيوية . 62 : 148-158 . doi : 10.1016/j.jbi.2016.06.007 . PMC 4981644. PMID 27363901 .  
  77. ↑ زينغ، ل.؛ لي، ر.ي.م.؛ يغيتكانلار، ت.؛ زينغ، هـ. استخلاص الرأي العام حول الصحة والسلامة في قطاع البناء: منهجية تخصيص ديريشليت الكامنة. مجلة المباني 2023، 13، 927. https://doi.org/10.3390/buildings13040927
  78. ↑ تانغ، هويفنغ؛ تان، سونغبو؛ تشنغ، شيوكي (2009). "دراسة استقصائية حول كشف المشاعر في المراجعات" (ملف PDF) . أنظمة الخبراء وتطبيقاتها . 36 (7): 10760-10773 . doi : 10.1016/j.eswa.2009.02.063 . S2CID 2178380. مؤرشف من النسخة الأصلية (ملف PDF) بتاريخ 24 مايو 2018. 
  79. ↑ سوبارنا، شاكيا (2023). تحليل المشاعر والتعلم العميق: وقائع مؤتمر ICSADL 2022 (سلسلة التطورات في الأنظمة الذكية والحوسبة، 1432) . سبرينغر. ص 567. ISBN  978-9811954429.
  80. 1 2 جاكوب، نيكلاس، وآخرون. "ما وراء النجوم: استغلال تقييمات المستخدمين النصية الحرة لتحسين دقة توصيات الأفلام." وقائع ورشة العمل الدولية الأولى لـ CIKM حول تحليل المشاعر الموضوعية للرأي العام . ACM، 2009.
  81. ↑ مينكينغ، هو؛ ليو، بينغ (2004). "استخراج خصائص الرأي في تقييمات العملاء" (ملف PDF) . AAAI . 4 (4). S2CID 5724860. مؤرشف من الأصل (ملف PDF) بتاريخ 24 مايو 2018. 
  82. ↑ ليو، يانغ؛ هوانغ، شيانغجي؛ آن، أيجون؛ يو، شياوهوي (2008). "نمذجة وتوقع مدى فائدة التقييمات عبر الإنترنت" (ملف PDF) . المؤتمر الدولي الثامن لجمعية مهندسي الكهرباء والإلكترونيات (IEEE) حول استخراج البيانات (ICDM'08) . IEEE. الصفحات 443-452 . doi : 10.1109/ICDM.2008.94 . ISBN  978-0-7695-3502-9S2CID 18235238. مؤرشف من الأصل (PDF) بتاريخ 30 يناير 2021. تم الاطلاع عليه بتاريخ 23 مايو 2018 . 
  83. ↑ بيرمنغهام، آدم؛ سميتون، آلان ف. (2010). "تصنيف المشاعر في المدونات المصغرة". وقائع المؤتمر الدولي التاسع عشر لجمعية الحوسبة الآلية (ACM) حول إدارة المعلومات والمعرفة (ملف PDF) . الصفحات 1833-1836 . doi : 10.1145/1871437.1871741 . ISBN  978-1-4503-0099-5. S2CID 2084603 . 
  84. ↑ لامبا، مانيكا؛ مادهوسودان، مارغام (2018). "تطبيق تحليل المشاعر في المكتبات لتوفير خدمة معلومات زمنية: دراسة حالة حول جوانب مختلفة من الإنتاجية". تحليل وتعدين الشبكات الاجتماعية . 8 (1): 1-12 . doi : 10.1007/s13278-018-0541-y . S2CID 53047128 . 
  85. ↑ شولر، غاناسيا، ديفيليرز، بيورن، جان-غابرييل، ديفيليرز (2016). تحليل المشاعر متعدد الوسائط في الواقع العملي: اعتبارات أخلاقية حول جمع البيانات، والتعليق عليها، واستخدامها . الصفحات 29-34 . ISBN  978-2-9517408-9-1.{{cite book}}: صيانة CS1: أسماء متعددة: قائمة المؤلفين ( رابط )