[논문 리뷰] A Survey on Sentiment and Emotion Analysis for Computational Literary Studies

Evgeny Kim, Roman Klinger|arXiv (Cornell University)|2018. 08. 09.

Sentiment Analysis and Opinion Mining참고 문헌 211인용 수 63

한 줄 요약

이 종합 검토는 문학 연구의 계산적 접근에서 정서 및 감정 분석 방법에 대한 포괄적인 개요를 제공하며, 계산 기반 기법이 문학 텍스트 내 정서적 동역학을 어떻게 모델링할 수 있는지에 중점을 둔다. 사전 기반, 기계 학습, 딥 러닝 접근법을 평가하며, 맥락 해석, 캐릭터 수준의 감정 추적, 도메인 특화 애너테이션의 필요성 등의 과제를 강조하면서, 정서 분석 분야의 발전을 위해 심리학적 모델과 서사 모델의 통합을 주장한다.

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.

연구 동기 및 목표

• 문학 텍스트에서 정서 및 감정 분석을 위한 기존 계산적 방법을 맵핑하고 분석하는 것.
• 특히 서사 맥락과 캐릭터 수준의 감정 추적에 관해 현재 접근법의 방법론적 격차를 특정하는 것.
• 소셜 미디어나 뉴스와 같은 다른 도메인과 비교해 문학 감정 분석에서의 고유한 과제를 부각하는 것.
• 문학을 위한 계산적 감정 분석에 심리학적 모델과 서사 구조를 통합할 것을 주장하는 것.
• 감정 분석의 용어와 방법론적 선택을 명확히 하여 다학제적 연구를 지원하는 것.

제안 방법

• 계산적 문학 연구 및 디지털 인문학 분야의 동료 심사 논문을 대상으로 체계적인 문헌 검토를 수행한다.
• 기법을 사전 기반, 특징 기반 기계 학습, 표현 학습/딥 러닝 접근법으로 분류한다.
• 감정 분류에 사용되는 기술들인 TF-IDF, 백오브워즈, SVM, 나이브 베이즈, 결정 트리, 신경망 임베딩 등을 평가한다.
• 약한 정밀도를 보이는 문학 코퍼스에서의 세분화된 서사 수준 애너테이션의 부족을 지적하며, 애너테이션 자료를 활용한 지도 학습의 중요성을 강조한다.
• 방법론의 투명성과 해석 가능성에 초점을 맞추며, 정확도는 낮지만 설명 가능성이 높은 어휘 기반 방법을 선호한다.
• 캐릭터 네트워크, 플롯 진행, 독자 인식 등의 서사 특징을 감정 모델링에 통합하는 방안을 논의한다.

실험 결과

연구 질문

• RQ1 다양한 계산 기반 감정 분석 기법이 다른 도메인과 비교해 문학 텍스트에 적용되었을 때 성능은 어떻게 되는가?
• RQ2 서사 맥락, 서사 구조, 캐릭터 발달과 관련하여 문학에서 감정을 분석할 때의 주요 방법론적 과제는 무엇인가?
• RQ3 기존 감정 분석 도구가 문학 텍스트에 적응시킬 수 있는 정도는 어느 정도이며, 설명 가능성이나 정확도를 잃지 않는가?
• RQ4 심리학적 감정 모델은 어떻게 문학 분석을 위한 계산 프레임워크에 통합될 수 있는가?
• RQ5 문학 감정 분석의 애너테이션 및 모델 개발 과정에서 도메인 전문 지식은 어떤 역할을 하는가?

주요 결과

• 사전 기반 기법은 문학 분석에서 설명 가능성을 요구함에 따라 정확도는 낮지만 디지털 인문학 분야에서 선호된다.
• 기계 학습 및 딥 러닝 모델은 정서 분류에서 뛰어난 성능을 보이지만, 현재는 문학 연구에서 세분화된 애너테이션 코퍼스가 부족하여 이를 요구한다.
• 소셜 미디어나 뉴스와 비교해 문학에서 감정 분석은 간접적인 감정 표현, 문체적 수단, 내재된 서사 맥락 등으로 인해 더 복잡하다.
• 현재의 방법론은 캐릭터 간 감정 궤적의 장기적 의존성이나 플롯 전개에 따른 감정 변화를 잘 모델링하지 못한다.
• 맥락 인식이 가능한 감정 모델링을 가능하게 하기 위해 캐릭터, 관계, 플롯 아크를 포함한 다수 수준의 애너테이션 필요성이 증가하고 있다.
• 심리학적 감정 모델과 서사 구조를 통합하는 것이 계산적 문학 연구의 발전을 위해 필수적이다.