[논문 리뷰] Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19

Ali Shariq Imran, Sher Mohammad Doudpota외 2명|arXiv (Cornell University)|2020. 08. 23.

Sentiment Analysis and Opinion Mining참고 문헌 34인용 수 8

한 줄 요약

이 연구는 코로나19 팬데믹 초기 단계 동안 다문화적 극성과 정서 반응을 탐지하기 위해 트위터 데이터 기반 양방향 LSTM 네트워크를 사용하는 딥러닝 기반의 정서 및 정서 분석 프레임워크를 제안한다. 이는 Sentiment140 데이터셋에서 최신 기술 수준의 정확도를 달성하며, 문화적으로 유사한 스웨덴과 노르웨이 사이에서도 정서 경향에 대조적인 극성 차이를 드러낸다. 반면, 인접한 국가들인 미국-캐나다 및 인도-파키스탄는 높은 정서 상관관계를 보인다.

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.

연구 동기 및 목표

• 글로벌 위기, 특히 코로나19 팬데믹 기간 동안 문화적 차이가 공공 정서와 정서 반응에 미치는 영향을 조사하기 위해.
• NLP와 딥러닝이 소셜 미디어 데이터에서 미묘한 문화적 및 정서적 경향을 포착하는 데 효과적인지 평가하기 위해.
• 정부 정책(예: 봉쇄 조치 및 집단 면역 전략)이 지리적·문화적으로 유사한 국가들 간 공공 정서에 미치는 영향을 분석하기 위해.
• 애정표현 및 실제 건강 데이터를 활용해 정서 탐지 모델의 신뢰성을 검증하기 위해.
• 건강 위기 기간 동안 실제 사건과 공공 정서를 연결함으로써 NLP 기반 시스템이 정책 결정에 기여할 잠재력을 탐색하기 위해.

제안 방법

• 두 단계로 구성된 딥러닝 아키텍처를 적용: 첫 번째 단계로 정서 극성 분류(긍정/부정)를 위한 양방향 장기 단기 기억(Loong Short-Term Memory, LSTM) 네트워크를 사용하고, 두 번째 단계로 감정 분류를 위한 추가적인 LSTM을 적용하여 기쁨, 놀라움, 슬픔, 혐오, 두려움, 분노의 여섯 가지 감정으로 분류.
• 공개된 Sentiment140 데이터셋을 기반으로 정서 극성 모델을 훈련하여 이 기준 테스트에서 최신 기술 수준의 정확도를 달성.
• LSTM 계층에 입력하기 전에 사전 훈련된 단어 임베딩(GloVe 또는 유사한 것들)을 통합하여 트윗의 의미적 표현을 향상.
• 애정표현을 추출하여 트윗에서 수집한 외부 신호로 활용해 모델 성능을 검증하고 정서 일관성 검사를 수행.
• 검출된 정서를 공식 건강 통계(예: 확진자 수) 및 발표된 보고서와 교차 확인하여 실제 사건과의 일치를 확보.
• 2020년 2월 동안 코로나19 관련 트렌딩 해시태그를 활용해 트위터 API를 통해 트윗을 수집하였으며, 3월~4월 동안의 데이터는 카글 트윗 데이터셋을 보완 자료로 활용.

실험 결과

연구 질문

• RQ1 NLP는 코로나19 팬데믹과 같은 글로벌 위기 상황에서 문화적 행동을 이해하는 데 얼마나 기여할 수 있는가?
• RQ2 트윗에서 탐지된 정서 및 정서 패턴은 실제 공공 정서와 정부 정책 대응에 얼마나 반영되어 있는가?
• RQ3 특히 인접한 국가들 사이에서 정서 극성은 어느 정도 유사하게 유지되는가?
• RQ4 봉쇄 조치 및 국가 정책은 다양한 문화권에서 어떻게 정서적·정서적으로 인식되는가?

주요 결과

• 제안된 딥러닝 모델은 Sentiment140 데이터셋에서 최신 기술 수준의 정확도를 달성하여 정서 및 정서 분류에서 뛰어난 성능을 보였다.
• 언어적·문화적으로 유사한 스웨덴과 노르웨이 사이에서도 팬데믹 기간 동안 정서 극성 경향이 서로 반대되었으며, 노르웨이는 장기 봉쇄 조치 이후 긍정 정서가 더 빠르게 감소한 경향을 보였다.
• 미국과 캐나다, 인도와 파키스탄는 정서 극성 경향에 높은 상관관계를 보이며 지역적 정서 일치를 나타냈다.
• 파키스탄, 노르웨이, 캐나다에서는 팬데믹 초기 단계 동안 평균 긍정 트윗 수가 평균 부정 트윗 수를 초과했다.
• 모든 여섯 개 분석 국가에서 2020년 4월 첫 주와 둘째 주 동안 긍정 및 부정 트윗 수가 평균 이하로 떨어졌다.
• 애정표현 기반 검증을 통해 정서 탐지의 일관성이 확인되어 모델 예측의 신뢰성을 뒷받침했다.