[論文レビュー] Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19

Ali Shariq Imran, Sher Mohammad Doudpota+2 more|arXiv (Cornell University)|Aug 23, 2020

Sentiment Analysis and Opinion Mining参考文献 34被引用数 8

ひとこと要約

本研究では、COVID-19パンデミックの初期段階における文化的な極性と感情反応を検出するために、Twitterデータ上での双方向LSTMネットワークを用いた深層学習ベースの感情分析フレームワークを提案する。Sentiment140データセットにおいて最先端の精度を達成し、文化的に類似するにもかかわらずスウェーデンとノルウェーの間で相反する極性を示すなど、感情傾向に顕著な文化的差異が明らかになった。一方、隣接国同士の米国-カナダ、インド-パキスタンでは感情傾向の相関が顕著に見られた。

ABSTRACT

How different cultures react and respond given a crisis is predominant in a society's norms and political will to combat the situation. Often the decisions made are necessitated by events, social pressure, or the need of the hour, which may not represent the will of the nation. While some are pleased with it, others might show resentment. Coronavirus (COVID-19) brought a mix of similar emotions from the nations towards the decisions taken by their respective governments. Social media was bombarded with posts containing both positive and negative sentiments on the COVID-19, pandemic, lockdown, hashtags past couple of months. Despite geographically close, many neighboring countries reacted differently to one another. For instance, Denmark and Sweden, which share many similarities, stood poles apart on the decision taken by their respective governments. Yet, their nation's support was mostly unanimous, unlike the South Asian neighboring countries where people showed a lot of anxiety and resentment. This study tends to detect and analyze sentiment polarity and emotions demonstrated during the initial phase of the pandemic and the lockdown period employing natural language processing (NLP) and deep learning techniques on Twitter posts. Deep long short-term memory (LSTM) models used for estimating the sentiment polarity and emotions from extracted tweets have been trained to achieve state-of-the-art accuracy on the sentiment140 dataset. The use of emoticons showed a unique and novel way of validating the supervised deep learning models on tweets extracted from Twitter.

研究の動機と目的

• グローバルな危機、特にCOVID-19パンデミックの時期における文化的要因が公的感情および感情反応に与える影響を調査すること。
• 自然言語処理（NLP）および深層学習がソーシャルメディアデータから文化的・感情的傾向を的確に捉える有効性を評価すること。
• ロックダウンや集団免疫戦略などの政府政策が、地理的および文化的に近縁な国々の公的感情に与える影響を分析すること。
• 絵文字や実世界の健康データを用いて感情検出モデルの信頼性を検証すること。
• 健康危機期における実世界の出来事と公的感情の関連をリンクさせることで、NLPベースのシステムが政策意思決定を支援する可能性を探索すること。

提案手法

• 2段階の深層学習アーキテクチャを採用：まず、感情極性分類（ポジティブ／ネガティブ）のための双方向LSTMネットワークを適用し、その後、喜び、驚き、悲しみ、嫌悪、恐怖、怒りの6つの感情に分類するための第2のLSTMを用いる。
• Sentiment140データセットを公開済みのデータとして用い、このベンチマークで最先端の精度を達成するように感情極性モデルを訓練した。
• LSTM層に入力する前に、事前学習済みの単語埋め込み（例：GloVeまたは類似手法）を統合し、ツイートの意味的表現を強化した。
• 感情検出の整合性を確認するための新しい外部信号として、ツイートから抽出した絵文字を用いてモデル性能を検証した。
• 検出された感情を公式の健康統計（例：感染者数）および公表済みレポートと照合し、現実の出来事と整合しているかを確認した。
• 2020年2月にCOVID-19関連のトレンドハッシュタグを用いてTwitter APIを通じてツイートを収集し、3月～4月のデータはKaggleのツイートデータセットを補完として活用した。

実験結果

リサーチクエスチョン

• RQ1 NLPは、COVID-19パンデミックのようなグローバルな危機における文化的行動の理解をどの程度支援できるか？
• RQ2 ツイートから検出された感情および感情パターンは、実際の公的反応および政府の政策対応をどの程度反映しているか？
• RQ3 特に隣接国同士において、感情極性は地域内および地域間で類似している程度はどの程度か？
• RQ4 ロックダウン措置や国家政策は、異なる文化圏でどのように感情的および感情的側面から捉えられているか？

主な発見

• 提案された深層学習モデルはSentiment140データセットで最先端の精度を達成し、感情および感情分類の性能が優れていることを示した。
• 言語的および文化的に類似するにもかかわらず、スウェーデンとノルウェーではパンデミック期に相反する感情極性傾向を示した。ノルウェーでは長期的なロックダウンに伴い、ポジティブ感情の低下が著しかった。
• 米国とカナダ、インドとパキスタンの間では感情極性傾向に高い相関が観察され、地域的連携が公的感情に反映された。
• パキスタン、ノルウェー、カナダでは、パンデミック初期段階において平均してポジティブツイートの数がネガティブツイートの数を上回った。
• 6か国すべてにおいて、2020年4月の第1週目と第2週目に、ポジティブおよびネガティブツイートの数が平均を下回った。
• 絵文字を用いた検証により、感情検出の整合性が確認され、モデル予測の信頼性が裏付けられた。