Multiclass Sentiment Analysis for Identifying Political Viewpoints
यह शोध पत्र XGBoost और BERT मॉडलों को डिजाइन और मूल्यांकन करके सोशल मीडिया पर राजनीतिक दृष्टिकोणों के बहु-वर्ग भावना विश्लेषण (multiclass sentiment analysis) की जांच करता है, जिन्होंने लगभग 0.28 के तुलनीय F1-स्कोर प्राप्त किए हैं, जिससे जटिल राजनीतिक विमर्श को वर्गीकृत करने की अंतर्निहित चुनौतियों को उजागर किया गया है और भविष्य के अनुसंधान के लिए एक आधार रेखा स्थापित की गई है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इंटरनेट की कल्पना एक विशाल, अराजक शहर के चौक के रूप में करें जहाँ लाखों लोग एक साथ अपने विचार, चुटकुले और शिकायतें चिल्ला रहे हैं। इस शोर भरे भीड़ में, राजनीति के लिए एक विशेष कोना समर्पित है, जहाँ लोग नेताओं, नीतियों और अपने देशों के भविष्य के बारे में बहस करते हैं। लंबे समय से, वैज्ञानिक एक "सुपर-लिसनर" (अति-श्रोता) बनाने की इच्छा रखते हैं जो इस चौक में जा सके, हर किसी की बात समझ सके, और उन चीखों को व्यवस्थित ढेरों में छाँट सके: "यह व्यक्ति क्रोधित है," "वह व्यक्ति मज़ाक कर रहा है," या "यह तो बस एक तथ्य बता रहा है।" इस अध्ययन के क्षेत्र को सेंटिमेंट एनालिसिस (भावना विश्लेषण) कहा जाता है। यह एक कंप्यूटर को यह सिखाने जैसा है कि लोग जो शब्द टाइप करते हैं, उन्हें देखकर कमरे के भावनात्मक तापमान को कैसे पढ़ा जाए। हालाँकि हम आसानी से बता सकते हैं कि किसी फिल्म की समीक्षा सुखद है या दुखद, राजनीति बहुत अधिक जटिल है। एक वाक्य सुनने में क्रोधित लग सकता है लेकिन वास्तव में वह एक मज़ाक हो सकता है, या सुनने में सकारात्मक लग सकता है लेकिन वह व्यंग्य हो सकता है। इन सूक्ष्म अंतरों को समझना अत्यंत महत्वपूर्ण है क्योंकि यह हमें यह देखने में मदद करता है कि जनता वास्तव में क्या सोचती है, न कि केवल अनुमान लगाने में।
इस शोध पत्र में, शोधकर्ताओं की एक टीम ने तमिल नामक एक विशिष्ट भाषा का उपयोग करके इस कठिन समस्या से निपटने का निर्णय लिया, जो दक्षिण भारत और श्रीलंका में लाखों लोगों द्वारा बोली जाती है। उन्होंने इस कार्य को सोशल मीडिया पोस्ट के एक अव्यवस्थित ढेर को सात अलग-अलग श्रेणियों (बकेट) में छाँटने के खेल की तरह माना: ओपिनियनेटेड (मतपूर्ण) (कोई अपनी राय दे रहा है), सार्केस्टिक (व्यंग्यात्मक) (कोई वह कह रहा है जिसका अर्थ उसके शब्दों के विपरीत है), सबस्टैंशिएटेड (तथ्यपूर्ण) (कोई दावों को तथ्यों के साथ पुख्ता कर रहा है), पॉजिटिव (सकारात्मक), नेगेटिव (नकारात्मक), न्यूट्रल (तटस्थ), और इनमें से कोई नहीं (पोस्ट जो किसी भी श्रेणी में फिट नहीं होते हैं)। इस खेल को खेलने के लिए, उन्होंने 4,352 वास्तविक पोस्ट के डेटासेट पर दो अलग-अलग "डिजिटल मस्तिष्क" को प्रशिक्षित किया। पहला मस्तिष्क एक क्लासिक मशीन लर्निंग मॉडल था जिसे XGBoost कहा जाता है, जो एक बहुत तेज़, नियम मानने वाले जासूस की तरह है। दूसरा एक BERT मॉडल था, जो एक आधुनिक, डीप-लर्निंग एआई है जो शब्दों के संदर्भ और बारीकियों को समझने की कोशिश करता है, ठीक वैसे ही जैसे एक इंसान शब्दों के बीच के अर्थ को पढ़ता है।
उनके प्रयोग के परिणाम थोड़े आश्चर्यजनक और विनम्र करने वाले थे। उन्नत तकनीक के बावजूद, कार्य अत्यंत कठिन साबित हुआ। XGBoost जासूस 0.2835 (विशेष रूप से, एक मैक्रो F1-स्कोर) का स्कोर प्राप्त करने में सफल रहा, जबकि हाई-टेक BERT मॉडल ने 0.2806 का स्कोर प्राप्त किया। इसे समझने के लिए, यदि आप एक ऐसे खेल में खेल रहे हों जहाँ आपको हर पोस्ट के लिए सही श्रेणी का अनुमान लगाना है, तो दोनों मॉडल एक ऐसे रैंडम गेसर (यादृच्छिक अनुमान लगाने वाले) से मुश्किल से बेहतर थे जो बहुत मेहनत कर रहा हो। शोधकर्ताओं ने पाया कि मॉडल जटिल राजनीतिक तर्कों और साधारण चुटकुलों के बीच अंतर करने में संघर्ष करते हैं। उदाहरण के लिए, मॉडल अक्सर "व्यंग्यात्मक" पोस्ट को "सकारात्मक" पोस्ट के साथ भ्रमित कर देते थे, या "तथ्यपूर्ण" तथ्यों को "सकारात्मक" भावनाओं के साथ। उन्होंने यह भी देखा कि मॉडल "मतपूर्ण" (Opinionated) का अनुमान बहुत अधिक लगाते थे, उन्होंने 305 पोस्ट के लिए इसकी भविष्यवाणी की जबकि वास्तविक उदाहरण केवल 46 थे, जबकि उन्होंने कई "सकारात्मक" पोस्ट को पूरी तरह से मिस कर दिया।
लेखक निष्कर्ष निकालते हैं कि हालांकि उन्होंने सफलतापूर्वक एक ऐसी प्रणाली बनाई है जो इस वर्गीकरण का प्रयास कर सकती है, वर्तमान तकनीक अभी तमिल राजनीतिक विमर्श की अव्यवस्थित और सूक्ष्म दुनिया को पूरी तरह से समझने के लिए तैयार नहीं है। वे सुझाव देते हैं कि उनके डेटासेट का छोटा आकार (परीक्षण के लिए केवल लगभग 500 पोस्ट) और भाषा की जटिलता ने मॉडलों के लिए राजनीतिक भाषण के सूक्ष्म नियमों को सीखना कठिन बना दिया। उन्होंने यह दावा नहीं किया कि उन्होंने समस्या को हल कर लिया है; इसके बजाय, उन्होंने एक बेसलाइन—एक शुरुआती बिंदु—प्रदान किया है ताकि यह दिखाया जा सके कि यह विशिष्ट चुनौती कितनी कठिन है। उन्हें उम्मीद है कि भविष्य में, अधिक डेटा और शायद अलग एल्गोरिदम के साथ, हम बेहतर "सुपर-लिसनर" बना सकते हैं जो वास्तव में राजनीतिक दुनिया की विविध आवाजों को समझ सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।