Ανάλυση συναισθήματος: πώς το λογισμικό μετρά τον συναισθηματικό τόνο στα γραπτά κείμενα

Μετατροπή των ποιοτικών ανθρώπινων συναισθημάτων σε ποσοτικές μαθηματικές βαθμολογίες

Κάθε λεπτό, οι καταναλωτές δημοσιεύουν εκατομμύρια κριτικές προϊόντων, σχόλια στα μέσα κοινωνικής δικτύωσης, αιτήματα υποστήριξης και απαντήσεις σε ερωτηματολόγια. Για επιχειρήσεις, δημόσιους φορείς και οργανισμούς, η ανάγνωση αυτού του τεράστιου όγκου κειμένου με ανθρώπινα χέρια είναι πρακτικά αδύνατη. Προκειμένου να κατανοήσουν τις αντιδράσεις του κοινού, οι οργανισμοί αξιοποιούν την ανάλυση συναισθήματος, έναν κλάδο της τεχνητής νοημοσύνης που διαβάζει τα γραπτά κείμενα και μεταφράζει τον συναισθηματικό τόνο σε δομημένα αριθμητικά δεδομένα.

Οι πρώτες μέθοδοι αξιολόγησης συναισθήματος βασίζονταν σε απλούς καταλόγους λέξεων (γνωστούς ως λεξικογραφικά μοντέλα). Οι μηχανικοί συνέτασσαν εκτενείς λίστες με προκαθορισμένες συναισθηματικές αξίες: λέξεις όπως 'εξαιρετικό' ή 'αξιόπιστο' λάμβαναν θετική τιμή (+1), ενώ λέξεις όπως 'χαλασμένο' ή 'απαράδεκτο' λάμβαναν αρνητική βαθμολογία (-1). Το λογισμικό απλώς σάρωνε την παράγραφο του πελάτη, πρόσθετε τις επιμέρους τιμές και κατέτασσε το μήνυμα ως θετικό, ουδέτερο ή αρνητικό με βάση το τελικό άθροισμα.

Η απλή καταμέτρηση λέξεων κατέρρεε όμως μόλις συναντούσε την πολυπλοκότητα της καθημερινής ομιλίας. Μια απλή φράση όπως 'αυτό το τηλέφωνο δεν είναι καθόλου κακό' περιέχει την αρνητική λέξη 'κακό', οδηγώντας ένα απλοϊκό σύστημα να την ταξινομήσει ως παράπονο, παρότι πρόκειται για ξεκάθαρο έπαινο. Τα σύγχρονα συστήματα έχουν εγκαταλείψει τις μηχανικές λίστες λέξεων και βασίζονται σε προηγμένα ψηφιακά δίκτυα κατανόησης κειμένου (γνωστά τεχνικά ως μοντέλα μετασχηματιστών ή transformers), τα οποία εξετάζουν ταυτόχρονα τη γραμματική της πρότασης, τη σειρά των λέξεων και το ευρύτερο νόημα.

Πώς τα έξυπνα γλωσσικά μοντέλα (transformers) αξιολογούν θετικό ή αρνητικό τόνο, ένταση και επιμέρους πτυχές

Οι σύγχρονες διαδικασίες ανάλυσης συναισθήματος επεξεργάζονται τα κείμενα μέσα από τέσσερα διακριτά επίπεδα ανάλυσης:

• Θετική ή αρνητική κατεύθυνση (πολικότητα): Το μοντέλο αντιστοιχίζει το κείμενο σε έναν ψηφιακό χάρτη εννοιών με μαθηματικές συντεταγμένες (γνωστό τεχνικά ως διανυσματικό χώρο ή vector space), υπολογίζοντας έναν βαθμό συναισθηματικής κατεύθυνσης (πολικότητα) που κυμαίνεται συνήθως από -1,0 (απόλυτα αρνητικό) έως +1,0 (απόλυτα θετικό).
• Μέγεθος και συναισθηματική ένταση: Ένας ξεχωριστός δείκτης μετρά τη δύναμη του συναισθήματος ανεξάρτητα από την κατεύθυνση, διαχωρίζοντας μια ήπια ικανοποίηση ('η εφαρμογή λειτουργεί ικανοποιητικά') από έναν έντονο ενθουσιασμό ('αυτή η εφαρμογή άλλαξε ριζικά την καθημερινότητά μου').
• Ανάλυση συναισθήματος ανά συγκεκριμένο χαρακτηριστικό (γνωστή ως aspect-based sentiment analysis): Αντί να αποδίδει έναν ενιαίο βαθμό σε μια σύνθετη κριτική, το μοντέλο διαχωρίζει τα επιμέρους θέματα, αναγνωρίζοντας ότι η φράση 'το φαγητό ήταν εξαιρετικό αλλά η εξυπηρέτηση αργή' εκφράζει θετικό συναίσθημα για τη γαστρονομία παράλληλα με αρνητικό συναίσθημα για την εξυπηρέτηση.
• Σύνδεση συναισθήματος με συγκεκριμένα πρόσωπα ή προϊόντα (αναγνώριση οντοτήτων): Τα έξυπνα προγράμματα συνδέουν τα συναισθηματικά επίθετα με συγκεκριμένα αντικείμενα ή πρόσωπα που αναφέρονται στην ίδια παράγραφο, αποτρέποντας τη σύγχυση σε κείμενα που συγκρίνουν ανταγωνιστικές επιλογές.

Αναλογιστείτε την απτή αντίθεση ανάμεσα στο απλό φιλτράρισμα λέξεων-κλειδιών και στη σύγχρονη ανάλυση συμφραζομένων στις κριτικές κινηματογράφου. Εάν ένας θεατής γράψει 'αυτή η ταινία ψυχολογικού τρόμου με τρομοκράτησε από την αρχή μέχρι το τέλος και με κράτησε καρφωμένο στο κάθισμα', ένας αλγόριθμος που μετρά απλώς λέξεις θα επισημάνει τις λέξεις 'τρόμου' και 'τρομοκράτησε' ως ένδειξη αρνητικής δυσαρέσκειας. Αντίθετα, ένα σύγχρονο υπολογιστικό μοντέλο (transformer) αναγνωρίζει ότι στον συγκεκριμένο κινηματογραφικό χώρο ο τρόμος είναι ακριβώς το επιθυμητό αποτέλεσμα για τον θεατή, κατατάσσοντας σωστά την κριτική ως ενθουσιώδη έπαινο.

Τα τυφλά σημεία του σαρκασμού, της πολιτισμικής γλώσσας και της αυτόματης διαλογής

Παρά τη σημαντική τεχνολογική πρόοδο, η αυτόματη κατηγοριοποίηση συναισθημάτων (αλγοριθμική ταξινόμηση) δυσκολεύεται απέναντι στις λεπτές κοινωνικές διαστάσεις της ανθρώπινης επικοινωνίας:

• Σαρκασμός και ειρωνεία: Προτάσεις όπως 'εξαιρετικά, άλλη μια ακύρωση δρομολογίου ακριβώς πριν τις γιορτές' χρησιμοποιούν φαινομενικά θετικό λεξιλόγιο ('εξαιρετικά') για να εκφράσουν έντονη απογοήτευση, ξεγελώντας συχνά τα αλγοριθμικά φίλτρα.
• Ιδιωματισμοί και τοπική αργκό: Φράσεις της καθομιλουμένης που περιέχουν έντονες ή μεταφορικές λέξεις μπορούν να εκφράζουν μεγάλο θαυμασμό στη νεανική διάλεκτο, αλλά να καταγραφούν ως αρνητικές ή επιθετικές από άκαμπτα ψηφιακά φίλτρα κατηγοριοποίησης (ταξινομητές).
• Στρεβλώσεις στην προτεραιότητα εξυπηρέτησης: Όταν τα συστήματα τεχνικής υποστήριξης ιεραρχούν τα αιτήματα βάσει αρνητικής βαθμολογίας, πελάτες που διατυπώνουν παράπονα με απόλυτη ευγένεια μπορεί να περιμένουν ώρες, ενώ επιθετικά μηνύματα προωθούνται αμέσως στην αρχή της ουράς.
• Δημογραφικές αποκλίσεις στην ανίχνευση: Έρευνες έχουν δείξει ότι τα αυτοματοποιημένα συστήματα ταξινόμησης (αλγοριθμικοί ταξινομητές) βαθμολογούν συχνά κείμενα ατόμων που δεν έχουν τα ελληνικά ως μητρική γλώσσα ως πιο επιθετικά, εξαιτίας ανισορροπιών στα δεδομένα εκπαίδευσης.

Η ανάλυση συναισθήματος προσφέρει στους οργανισμούς έναν ταχύτατο παλμό της κοινής γνώμης, όμως η ανθρώπινη συναισθηματική επικοινωνία παραμένει πολυδιάστατη. Η κατανόηση του τρόπου λειτουργίας αυτών των εργαλείων μάς υπενθυμίζει ότι, ενώ το λογισμικό μπορεί να μετρά συχνότητες λέξεων και να υπολογίζει μαθηματικές πιθανότητες, η πραγματική ενσυναίσθηση και η ουσιαστική κατανόηση των ανθρώπινων αναγκών απαιτούν πάντοτε την ανθρώπινη κρίση.