Classification of Public Opinion on the Free Nutritional Meal Program on YouTube Media Using the LSTM Method

以下は、YouTube メディアにおける「無料栄養食プログラム」に関する世論の分類をLSTM 法を用いて行った論文の詳細な技術的サマリーです。

1. 問題定義

本研究は、インドネシア政府が児童栄養の改善を目的として推進する「無料栄養食プログラム（MBG）」に関する世論を効率的に分析するという課題に取り組んでいます。YouTube などのソーシャルメディアプラットフォームは、世論を反映する膨大な量のリアルタイムテキストデータを生成しますが、その量と非構造化された性質により、これらのコメントを手動で分析することは不可能です。

• 核心的な課題: 政策の受容性を評価するために、感情（ポジティブ、ネガティブ、ニュートラル）を分類する自動化されたデータ駆動型のアプローチが必要です。
• 具体的な課題: データセットは深刻なクラス不均衡を示しており、ネガティブな感情がデータ全体を支配（87.7%）しています。これは通常、機械学習モデルにバイアスをかけ、少数クラス（ポジティブな感情）の検出を妨げます。

2. 手法

本研究は、自然言語処理（NLP）と深層学習を用いた定量的アプローチを採用しています。ワークフローは以下の段階で構成されています。

A. データ収集

• ソース: MBG プログラムについて議論する 2 つの YouTube チャンネルからスクレイピングされたコメント。
• 量: 合計7,733 件のコメントを収集しました。
• 分布: ネガティブなコメント 5,629 件（87.7%）、ポジティブなコメント 790 件（12.3%）。注：本研究は二値分類（ポジティブ対ネガティブ）に焦点を当てています。

B. 前処理パイプライン

生テキストは、モデル化の準備のために厳格なクリーニングプロセスを経ました。

1. ケースフォールディング: 小文字への変換。
2. クリーニング: URL、メンション、ハッシュタグ、数字、特殊文字の削除。
3. 正規化: スラングや非標準的なインドネシア語の単語の標準化。
4. トークン化: テキストを個別の単語に分割。
5. ストップワード除去: NLTK ライブラリを使用して、重要度の低い単語を除去。
6. ステミング: Sastrawiライブラリ（インドネシア語専用）を使用して、単語を語幹形式に還元。

C. 特徴表現

• トークン化とパディング: テキストを整数インデックスに変換しました。シーケンスはバッチ処理のために均一な長さになるようパディングされました。
• 埋め込み: 単語を128 次元のベクトルにマッピングしました。

D. モデルアーキテクチャ

本研究では、テキストにおける長期的な依存関係と逐次的な文脈を捉える能力が高く、従来の RNN を凌駕する**Long Short-Term Memory（LSTM）**ネットワークを採用しました。

• アーキテクチャ:
  • 埋め込み層: 128 次元。
  • LSTM 層: 隠れ層の次元は 128、ドロップアウト率は 0.3。
  • ドロップアウト層: オーバーフィッティングを防ぐため、率 0.5。
  • 全結合（FC）層: 2 つの出力ニューロン。
  • 出力層: 二値分類のための Softmax 活性化関数。
• ハイパーパラメータ:
  • オプティマイザ: Adam（学習率：0.0005）。
  • 損失関数: CrossEntropyLoss。
  • トレーニング: 20 エポック、バッチサイズ 16。
  • パラメータ総数: 約 223 万。
• ベースライン比較: LSTM モデルを、従来の機械学習アルゴリズムであるSVM、ロジスティック回帰、ナイーブベイズと比較しました。

E. 評価指標

性能は混同行列および以下の指標を用いて評価されました。

• 精度（Accuracy）: 全体の正解率。
• 適合率（Precision）、再現率（Recall）、F1 スコア: クラス不均衡の問題に対処するために特に分析されました。

3. 主要な結果

LSTM モデルは全体的に強力な性能を示しましたが、データの不均衡によりクラス間で顕著な差が明らかになりました。

• 全体の精度: テストセット（963 サンプル）で89%。
• ネガティブクラスのパフォーマンス（多数派クラス）:
  • F1 スコア: 0.94
  • 適合率: 0.94
  • 再現率: 0.93
  • 解釈: モデルはネガティブな感情の特定に非常に効果的です。
• ポジティブクラスのパフォーマンス（少数派クラス）:
  • F1 スコア: 0.55
  • 適合率: 0.54
  • 再現率: 0.57
  • 解釈: モデルはポジティブな感情の検出に苦慮しており、しばしばネガティブとして誤分類しています（偽陰性）。
• トレーニングのダイナミクス: モデルはトレーニング精度 98.26%、検証精度 88.99% を達成し、損失は 20 エポックで 0.68 から 0.1225 へと着実に減少しました。

4. 主要な貢献

1. 政策評価フレームワーク: ソーシャルメディアデータを用いて、インドネシア政府が MBG プログラムの世論の受容性を評価するための、スケーラブルで自動化されたフレームワークを提供します。
2. インドネシア語テキストにおける LSTM の有効性: LSTM アーキテクチャが、特に非公式なソーシャルメディアコメントの文脈を捉える際に、インドネシア語の感情分析において非常に効果的であることを実証しました。
3. 不均衡の影響に関する実証的証拠: 本研究は、深刻なクラス不均衡（87.7% がネガティブ）が少数派クラスに対する深層学習モデルの性能をどのように低下させるかを明示的に定量化し、将来の感情分析プロジェクトに対する教訓的なケーススタディを提供しています。
4. 比較分析: データの不均衡にもかかわらず、深層学習（LSTM）が、ソーシャルメディアテキストの逐次的な性質を処理する点において、従来の手法（SVM、ナイーブベイズ）よりも優れていることを確認しました。

5. 意義と今後の方向性

• 意義: 本研究は、深層学習は強力であるものの、不均衡なデータセットに対する「万能薬」ではないことを浮き彫りにしています。高い精度（89%）は、バランスの取れた政策評価に不可欠な「ポジティブな声」をモデルが聞き取れていないという事実を隠蔽してしまいます。
• 限界: 主な限界はデータ不均衡であり、これによりネガティブクラスへのバイアスが生じています。
• 今後の推奨事項:
  • データバランスの調整: トレーニング中にSMOTE（合成少数過剰サンプリング技術）やクラス重み付けなどの手法を適用する。
  • データ収集: データセットをバランスさせるために、より多くのポジティブな感情データを積極的に収集する。
  • アーキテクチャのアップグレード: 特徴抽出と少数派クラスの検出をさらに改善するために、Bi-LSTM（双方向 LSTM）やハイブリッドCNN-LSTMモデルなどの高度なアーキテクチャを探求する。

結論として、本論文はインドネシア語の感情分析における LSTM の有用性を成功裏に実証しましたが、公平かつ包括的な世論監視を確保するために、データ不均衡に対処する決定的な必要性を強調しています。