Detection of Emotions in Hindi-English Code Mixed Text Data
تقدم هذه الورقة مجموعة بيانات مشروحة جديدة لنصوص هجينة من اللغتين الهندية والإنجليزية، وتقترح طريقة تطبيع مقيدة بالصوامت لتحسين الكشف عن العواطف، حيث أثبتت أن نموذج (sub-word LSTM) يحقق أعلى دقة (76.6%) من بين خمسة نماذج مرجعية تمت مقارنتها لتصنيف الغضب والخوف والسعادة والحزن.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الإنترنت كأنه سوق عالمي ضخم وصاخب، حيث يصرخ الناس من بلدان مختلفة بأفكارهم ونكاتهم ومشاعرهم في الهواء الرقمي. في الهند، يحدث جزء كبير من هذا الضجيج بلغة هجينة فريدة تسمى "هينجليش" (Hinglish). إنها تشبه "سموذي" لغوي حيث تُخلط الهندية والإنجليزية معاً في جملة واحدة. تكمن المشكلة في أن الجميع يكتبون هذا على هواتفهم باستخدام الأبجدية اللاتينية (نفس الحروف التي نستخدمها للإنجليزية)، لذا لا توجد قواعد صارمة لكيفية تهجئة الكلمات الهندية. قد يكتب شخص ما كلمة "حب" بصيغة pyaar، وآخر بصيغة pyar، وثالث بصيغة pyr. بالنسبة للكمبيوتر، تبدو هذه ثلاث كلمات مختلفة تماماً، مما يجعل من الصعب جداً على البرمجيات فهم ما يقوله الناس حقاً.
هنا يأتي دور علم "معالجة اللغات الطبيعية" (NLP). فكر في معالجة اللغات الطبيعية كعملية تعليم الكمبيوترات كيفية قراءة وفهم اللغة البشرية. وبينما أصبحت أجهزة الكمبيوتر جيدة في تحديد ما إذا كانت الجملة "سعيدة" أو "حزينة" بشكل عام (تحليل المشاعر)، إلا أنها تعاني في اكتشاف مشاعر محددة ومعقدة مثل الغضب أو الخوف أو الحماس، خاصة عندما يكون النص فوضوياً ومختلطاً. إن فهم هذه المشاعر المحددة أمر بالغ الأهمية لأن ذلك يساعد الكمبيوترات على معرفة ما إذا كان الشخص يمر بمجرد يوم سيء أو إذا كان في خطر حقيقي، وهو أمر حيوي لأمور مثل السلامة عبر الإنترنت ومراقبة الصحة العقلية.
هنا، قرر باحث من معهد "إل إن إم آي آي تي" (LNMIIT) في جايبور بالهند، مواجهة لغز هذه اللغة المختلطة والفوضوية. أراد تعليم الكمبيوترات كيفية رصد أربعة مشاعر محددة — الغضب، والخوف، والحزن، والسعادة — في نصوص "الهينجليش". وللقيام بذلك، كان عليه أولاً بناء "قاموسه" الخاص للمشاعر. فقد جمع 1,589 جملة من تويتر وأقسام التعليقات على الفيديوهات، حيث يتحدث الناس بحرية. قام متحدثان أصليان للغة الهندية (يتحدثان الإنجليزية بطلاقة أيضاً) بقراءة كل جملة وتصنيف الشعور. وقد اتفقا على التصنيفات بدقة شبه تامة، مما خلق مجموعة تدريب عالية الجودة لنماذج الكمبيوتر الخاصة به.
واجه الباحث عقبة صعبة: فوضى التهجئة. بما أن الناس يكتبون الكلمات الهندية بطرق متنوعة للغاية، ظل الكمبيوتر يشعر بالارتباك. ولحل هذه المشكلة، ابتكر الباحث حيلة "تطبيع" (normalization) ذكية. تخيل أن لديك كومة من الجوارب، بعضها يحمل ملصق "Red"، وبعضها "Redd"، وبعضها "Rd". بدلاً من محاولة تخمين أي منها هو الصحيح، ينظر الكمبيوتر إلى "هيكل" الكلمة (الحروف الساكنة) ومدى تكرار ظهور الكلمة في سياقات مشابهة. ثم يقوم بتجميع كل التهجئات الغريبة معاً ويستبدلها بالنسخة الأكثر شيوعاً. هذا ينظف البيانات حتى لا يتشتت انتباه الكمبيوتر بسبب أخطاء التهجئة.
بعد ذلك، اختبر خمسة "أدمغة" كمبيوترية مختلفة (خواروات) لمعرفة أي منها يمكنه تخمين الشعور بشكل أفضل. وقارن بين الأساليب الإحصائية البسيطة والشبكات العصبية الأكثر تعقيداً. كانت المفاجأة الكبرى؟ النموذج الأكثر تعقيداً، الذي ينظر إلى اللبنات الصغيرة للكلمات (الكلمات الفرعية) بدلاً من الكلمات الكاملة، هو الذي فاز بالسباق. لقد حقق دقة بلغت 76.6%، وهي قفزة هائلة من نسبة 30.8% التي كنت ستحصل عليها إذا خمنت فقط الشعور الأكثر شيوعاً في كل مرة. وهذا يشير إلى أن تقسيم الكلمات إلى قطع أصغر يساعد الكمبيوتر على التعامل مع اختلافات التهجئة الفوضوية بشكل أفضل بك many.
ومع ذلك، كان الباحث حذراً في عدم إعلان النصر الكامل. فقد وجد أن طريقة أقدم وأبسط تسمى "ناي في بايز" (Naïve Bayes) (والتي تعتمد أساساً على عد عدد مرات ظهور كلمات معينة) قد أدت أداءً يقارب أداء الشبكة العصبية المتطورة. وهذا يشير إلى أنه في منشورات وسائل التواصل الاجتماعي القصيرة، غالباً ما تُحمل المشاعر عبر كلمة أو كلمتين رئيسيتين، لذا يمكن لعداد الكلمات البسيط أن يقوم بعمل جيد بشكل مفاجئ. وخلصت الورقة البحثية إلى أنه بينما يعد نموذج "الكلمات الفرعية" هو البطل الحالي، فإن صغر حجم مجموعة البيانات الخاصة بهم (1,589 جملة) يجعل من الصعب الجزم بما إذا كان أحد الأساليب متفوقاً حقاً على الآخر. واقترحوا أن العقبة الكبرى ليست في الخوارزمية، بل في نقص البيانات؛ فمع وجود مكتبة أكبر بكثير من الأمثلة، يمكن لهذه الكمبيوترات أن تصبح أكثر حدة في قراءة قلوبنا الرقمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.