Sentiment Analysis as a Tool of Linguistic Emotionology: Assessment of the Text Tonality Analysis Systems Potential

Capa

Citar

Texto integral

Resumo

The assessment of text tone in large information flows is solved using both qualitative and quantitative methods. Qualitative methods include, primarily, the methods of linguistic emotionology, such as the compilation of tone dictionaries used in computer systems to evaluate the tone of a given text. the article discusses the principles of functioning of automatic text analysis systems as a method of computer-aided text analysis. it also provides an analysis of several modern tone analysis systems. characteristics of these systems are identified, and advantages and disadvantages are revealed based on linguistic material from marked-up film and product reviews from a well-known online marketplace. Special attention is given to linguistic reasons behind the challenges in assessing tone, such as multilingualism, different ways of presenting text by users, including abbreviated forms, can make the process difficult to understand. Genre diversity, implicit assessments, polysemy, homonymy, polarity modifiers, subjunctive mood, sarcasm, irony are all factors that can complicate the process of determining the tonality of a piece of text. Based on the results of our study, we conclude that programs using a hybrid method have the most effective functionality for detecting tonality. these programs are an important tool for linguistic emotionology and linguoconflictology, as they provide a necessary evaluative component. the research suggests possible approaches for optimizing the functioning of these programs. the study allows us to gain a better understanding of the challenges associated with detecting tonality in text and selecting sentiment analysis systems that operate on different principles. these systems not only solve practical problems related to sentiment analysis but also serve as a valuable source of material for research within the linguistic theory of emotions.

Sobre autores

Olga Maksimenko

Federal State university of education

Autor responsável pela correspondência
Email: maxbel7@yandex.ru
ORCID ID: 0000-0002-6611-8744
Código SPIN: 7708-5901

Dr.Sc. (Philology), Full Professor, Professor of the language theory, anglistics and applied linguistics Department, linguistic Faculty

10a built 2, Radio street, Moscow, Russian Federation, 105005

Mikhail Belyakov

Moscow State institute of international Relations (university) Ministry of Foreign affairs of the Russian Federation

Email: m.belyakov@my.mgimo.ru
ORCID ID: 0000-0002-6230-9893
Código SPIN: 1761-5400

Dr.Sc. (Philology), associated Professor, Professor at Russian Department

76, Vernadskogo av., Moscow, Russian Federation, 119454

Bibliografia

  1. Shakhovsky, V.I. (1987). Categorization of Emotions in the Lexico-Semantic System of Language. Voronezh: Voronezh State University publ. (In Russ.).
  2. Shakhovsky, V.I. (2008). Linguistic Theory of Emotions. Moscow: Gnosis. (In Russ.).
  3. Belyakov, M.V. (2022). Linguoaxiology and Linguosemiotics of Diplomatic discourse (based on the Material of Open Professional Diplomacy) [Doctoral Thesis]. Moscow. (In Russ.).
  4. Belyakov, M.V. (2016). Analysis of News Reports on the Website of the Ministry of Foreign Affairs of the Russian Federation by the Method of Sentiment Analysis (Art. 2). RUDN Journal of Language Studies, Semiotics and Semantics, 6(4), 115–124. (In Russ.).EDN: WZZKRZ
  5. Maksimenko, O.I. (2012). Analysis of the Tonality of Texts (Sentiment Analysis) Based on Media Texts. In: Proceedings of IV Novikov readings: Functional Semantics and Semiotics of Sign Systems. Part 1 (pp. 96–105). Moscow: RUDN University publ. (In Russ.).
  6. Introduction to Sentiment Analysis: What is Sentiment Analysis (2018). URL: https://algorithmia.com/blog/introduction-sentiment-analysis (accessed: 10.01.2025).
  7. Agrawal, R., & Gupta, N. (2018). Extracting Knowledge from Opinion Mining. In: Advances in Data Mining and Database Management. Hershey: IGI Global. https://doi.org/ 10.4018/978-1-5225-6117-0
  8. Yurganov, A.A. (2017). Sentiment Analysis as a Tool for Text Research. Problems of Modern Science and Education, 29(111), 39–41. (In Russ.). EDN: ZDMSVF
  9. Pang, B., & Lee, L. (2008). Opining Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1–2), 1–135.
  10. Shakhovsky, V.I. (2009). Emotions as an Object of Research in Linguistics. Journal of Psycholinguistics, 9, 29–43. (In Russ.). EDN: LAULHF
  11. Kolmogorova, A.V., Kalinin, A.A., & Malikova, A.V. (2019). Who Speaks about What in “Joyful” and “Sad” Texts: in Search of Discriminating Features of Texts of Different Emotional Tones. Proceedings of the Ural Federal University. Series 2, Humanities, 21(4(193)), 219—234. (In Russ.). https://doi.org/ 10.15826/izv2.2019.21.4.078 EDN: JMPVSS
  12. Kolmogorova, A.V., & Vdovina, L.A. (2019). Lexico-Grammatical Markers of Emotions as Parameters for The Sentimental Analysis of Russian-Language Internet Texts. Bulletin of the Perm University. Russian and Foreign Philology, 11(3), 38–46. (In Russ.). https://doi.org/ 10.17072/2073-6681-2019-3-38-46 EDN: VOGAAV
  13. Kolmogorova, A.V. (2018). Verbal Markers of Emotions in the Context of Solving Problems of Sentiment Analysis. Questions of Cognitive Linguistics, Issues of Cognitive Linguistics, 1(54), 83—93. (In Russ.). https://doi.org/ 10.20916/1812-3228-2018-1-83-93 EDN: QIWKPN
  14. Semina, T.A. (2018). Dichotomy Subjectivity vs. Objectivity and Tonal Relevance in the Tasks of Tonality Analysis. Bulletin of the Moscow State Regional University. Series: Linguistics, 1, 38–45. (In Russ.). https://doi.org/ 10.18384/2310-712X-2018-1-38-45 EDN: YRNQNH
  15. Scheible, C., & Schutze, H. (2013). Sentiment Relevance. In: Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics, August 4–9. (pp. 954–963). Sofia, Bulgaria: Association for Computational Linguistics.
  16. Narayanan, R., Liu, B., & Choudhary, A. (2009). Sentiment Analysis of Conditional Sentences. In: Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing (pp. 180–189). Singapore: ACL and AFNLP. URL: https://www.researchgate.net/publication/221012837_Sentiment_Analysis_of_Conditional_Sentences (accessed: 10.01.2025). https://doi.org/ 10.3115/1699510.1699534
  17. Failures, A.G., Voronina, I.E., et al. (2016). Advanced Neural Network Models for Solving the Problem of Determining Tonality. Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies, 4, 178–183. EDN: XVSYZX
  18. Rentoumi, V., Petrakis, S., Klenner, M. et al. (2010). United We Stand: Improving Sentiment Analysis by Joining Machine Learning and Rule Based Methods. In: 7th International Conference on Language Resources and Evaluation (LREC 2010), 19–21 May 2010 (pp. 954–963). Malta: Zurich Open Repository and Archive, University of Zurich.
  19. Becker, I., & Aharonson, V. (2010). Last but definitely not least: on the role of the last sentence in automatic polarity-classification. In: Proceedings of the ACL 2010 Conference Short Papers 11–16 July 2010 (pp. 331–335). Sweden: Uppsala, Association for Computational Linguistics URL: https://www.researchgate.net/publication/220873476_Last_but_Definitely_Not_Least_On_the_Role_of_the_Last_Sentence_in_Automatic_Polarity-Classification (accessed: 10.01.2025).
  20. Shakhovsky, V.I. (2019). Substantiation of the Linguistic Theory of Emotions. Journal of psycholinguistics, 1(39), 22–37. (In Russ.). https://doi.org/ 10.30982/2077-5911-2019-39-1-22-37 EDN: SKQDYO

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».