[論文レビュー] A Survey on Sentiment and Emotion Analysis for Computational Literary Studies

Evgeny Kim, Roman Klinger|arXiv (Cornell University)|Aug 9, 2018

Sentiment Analysis and Opinion Mining参考文献 211被引用数 63

ひとこと要約

本調査は、計算的文学研究における感情および感情分析手法について包括的な概要を提供しており、計算的手法が文学的テキスト内の感情的ダイナミクスをどのようにモデル化できるかに焦点を当てている。辞書ベース、機械学習、深層学習のアプローチを評価し、文脈的解釈、キャラクター単位の感情追跡、ドメイン特化型のアノテーションの必要性といった課題を強調するとともに、分野を前進させるために心理的モデルと物語構造を統合する必要性を提唱している。

ABSTRACT

Emotions are a crucial part of compelling narratives: literature tells us about people with goals, desires, passions, and intentions. Emotion analysis is part of the broader and larger field of sentiment analysis, and receives increasing attention in literary studies. In the past, the affective dimension of literature was mainly studied in the context of literary hermeneutics. However, with the emergence of the research field known as Digital Humanities (DH), some studies of emotions in a literary context have taken a computational turn. Given the fact that DH is still being formed as a field, this direction of research can be rendered relatively new. In this survey, we offer an overview of the existing body of research on emotion analysis as applied to literature. The research under review deals with a variety of topics including tracking dramatic changes of a plot development, network analysis of a literary text, and understanding the emotionality of texts, among other topics.

研究の動機と目的

• 文学的テキストにおける感情および感情分析のための既存の計算的手法をマップし、分析すること。
• 物語的文脈やキャラクター単位の感情追跡に関して、現在のアプローチにおけるメソドロジカルなギャップを特定すること。
• ソーシャルメディアやニュースとは異なり、文学的文脈における感情分析が有する独自の課題を強調すること。
• 文学のための計算的感情分析において、心理的モデルと物語構造を統合する必要性を提唱すること。
• 用語やメソドロジカルな選択肢の明確化を通じて、感情分析の分野における学際的研究を支援すること。

提案手法

• 本調査は、計算的文学研究およびデジタル・ヒューマニティーズ分野の査読付き論文を対象とした体系的文献レビューを採用している。
• 手法は、辞書ベース、特徴ベースの機械学習、表現学習／深層学習のアプローチに分類される。
• 感情分類に用いられる手法として、TF-IDF、bag-of-words、SVM、Naïve Bayes、決定木、ニューラル埋め込みの評価が行われている。
• 注釈付きデータを用いた教師あり学習に重点を置き、文学コーパスにおいて細分化された、物語的レベルのアノテーションが依然として不足している点を指摘している。
• メソドロジーの透明性と解釈可能性を比較し、説明可能性を重視する文脈では、レキソンベースの手法が精度に劣るものの好まれる傾向にあることを強調している。
• キャラクターネットワーク、プロット進行、読者認識といった物語的特徴を感情モデリングに統合する議論がなされている。

実験結果

リサーチクエスチョン

• RQ1 文学的テキストに適用された異なる計算的手法の感情分析のパフォーマンスは、他のドメインと比較してどのように異なるか？
• RQ2 物語的文脈、物語構造、キャラクター発展に関して、文学における感情分析の主なメソドロジカルな課題は何か？
• RQ3 既存の感情分析ツールを文学的テキストに適応するにあたり、解釈可能性や正確性を損なわずに実現できる範囲はどの程度か？
• RQ4 感情の心理的モデルを文学的分析のための計算フレームワークに統合するにはどうすればよいか？
• RQ5 ドメイン専門知識は、文学的感情分析のアノテーションおよびモデル開発において、どのような役割を果たすか？

主な発見

• 辞書ベースの手法は、解釈可能性の必要性から、デジタル・ヒューマニティーズ分野で好まれるが、文脈的正確性は低い。
• 機械学習および深層学習モデルは感情分類において優れたパフォーマンスを示すが、現在の文学研究では細分化された大規模なアノテーション付きコーパスが不足している。
• ソーシャルメディアやニュースとは異なり、文学における感情分析は、間接的な感情表現、修辞的技法、埋め込まれた物語的文脈のため、はるかに複雑である。
• 現在の手法は、キャラクター間やプロット進行にわたる感情的トレースにおける長距離依存関係をうまくモデル化できないことが多い。
• 文脈に配慮した感情モデリングを可能にするために、キャラクター、関係性、プロットの弧といった多段階のアノテーションの必要性が高まっている。
• 心理的モデルと物語構造の統合は、計算的文学研究の発展にとって不可欠である。