پردازش زبان طبیعی (NLP) به عنوان یک حوزه پویا در علوم کامپیوتر، به طور فزاینده‌ای در زندگی روزمره ما نفوذ کرده است. از چت‌بات‌ها و دستیارهای صوتی گرفته تا تحلیل احساسات در شبکه‌های اجتماعی، NLP کاربردهای گسترده‌ای را ارائه می‌دهد. یکی از جنبه‌های حیاتی NLP، تحلیل احساسات است که به شناسایی و درک احساسات بیان شده در متن می‌پردازد. با این حال، توسعه مدل‌های دقیق تحلیل احساسات برای زبان‌های کم‌منبع مانند تامیل، به دلیل کمبود داده‌های آموزشی مناسب، با چالش‌هایی مواجه است. مقاله حاضر با عنوان “TamilEmo: مجموعه داده‌ی تشخیص هیجان ریز-دانه برای زبان تامیل”، گامی مهم در رفع این کمبود برمی‌دارد.

این مقاله توسط تیمی از محققان به رهبری Charangan Vasantharajan، Sean Benhur و Prasanna Kumar Kumarasen و سایر همکاران از جمله Rahul Ponnusamy، Sathiyaraj Thangasamy، Ruba Priyadharshini، Thenmozhi Durairaj، Kanchana Sivanraju، Anbukkarasi Sampath، Bharathi Raja Chakravarthi و John Phillip McCrae ارائه شده است. این تیم با تخصص در زمینه‌های پردازش زبان طبیعی، یادگیری ماشین و تحلیل احساسات، گرد هم آمده‌اند تا یک مجموعه داده‌ی ارزشمند برای جامعه تحقیقاتی زبان تامیل ایجاد کنند. زمینه تحقیق این مقاله، در حوزه محاسبه و زبان قرار دارد و تمرکز اصلی آن بر روی توسعه منابع داده‌ای برای بهبود عملکرد مدل‌های تحلیل احساسات در زبان تامیل است.

مقاله حاضر، معرفی یک مجموعه داده‌ی جدید و برچسب‌گذاری شده با نام TamilEmo را ارائه می‌دهد. این مجموعه داده، شامل بیش از 42 هزار نظر (کامنت) از یوتیوب به زبان تامیل است که به صورت دستی برای 31 هیجان مختلف، از جمله هیجان нейтрал (خنثی)، برچسب‌گذاری شده‌اند. هدف اصلی این مجموعه داده، بهبود عملکرد تشخیص هیجان در وظایف مختلف پردازش زبان طبیعی در زبان تامیل است. نویسندگان، مجموعه داده را به سه گروه مختلف (3-کلاسه، 7-کلاسه و 31-کلاسه) تقسیم کرده‌اند و عملکرد مدل‌های مختلف را بر روی هر یک از این گروه‌ها ارزیابی کرده‌اند. نتایج نشان می‌دهد که مدل MURIL-base در مجموعه داده‌ی 3-کلاسه، به میانگین امتیاز F1 کلان (macro average F1-score) برابر با 0.60 دست یافته است. در مجموعه‌های داده‌ی 7-کلاسه و 31-کلاسه، مدل Random Forest عملکرد بهتری داشته و به میانگین امتیاز F1 کلان به ترتیب 0.42 و 0.29 رسیده است.

روش‌شناسی تحقیق در این مقاله، شامل چند مرحله کلیدی است:

• جمع‌آوری داده: نظرات یوتیوب به زبان تامیل به عنوان منبع داده‌ی اصلی استفاده شده‌اند. این نظرات به دلیل تنوع زبانی و احساسی، منبع مناسبی برای ایجاد مجموعه داده‌ی تحلیل احساسات هستند.
• برچسب‌گذاری دستی: نظرات جمع‌آوری شده به صورت دستی توسط متخصصان زبان‌شناسی و تحلیل احساسات برچسب‌گذاری شده‌اند. این فرآیند، دقت و کیفیت مجموعه داده را تضمین می‌کند. برچسب‌گذاری برای 31 هیجان مختلف انجام شده است که طیف وسیعی از احساسات را پوشش می‌دهد.
• گروه‌بندی هیجانات: مجموعه داده به سه گروه مختلف (3-کلاسه، 7-کلاسه و 31-کلاسه) تقسیم شده است. این گروه‌بندی به محققان اجازه می‌دهد تا مدل‌های خود را در سطوح مختلف از دقت ارزیابی کنند. به عنوان مثال، گروه 3-کلاسه می‌تواند شامل هیجانات مثبت، منفی و خنثی باشد، در حالی که گروه 31-کلاسه، تفکیک دقیق‌تری از هیجانات را ارائه می‌دهد.
• ارزیابی مدل‌ها: عملکرد مدل‌های مختلف یادگیری ماشین و شبکه‌های عصبی عمیق بر روی مجموعه داده‌ی TamilEmo ارزیابی شده است. مدل‌هایی مانند MURIL-base و Random Forest به عنوان مدل‌های پایه مورد استفاده قرار گرفته‌اند و نتایج آن‌ها با یکدیگر مقایسه شده است. از معیار ارزیابی میانگین امتیاز F1 کلان (macro average F1-score) برای اندازه‌گیری عملکرد مدل‌ها استفاده شده است.

به عنوان مثال، فرآیند برچسب‌گذاری دستی می‌تواند شامل این باشد که یک متخصص، نظر “எவ்வளவு அருமையான பாடல்! (چه آهنگ فوق العاده ای!)” را به عنوان “شادی” یا “تحسین” برچسب‌گذاری کند. این فرآیند، نیازمند دانش عمیق زبان تامیل و درک ظرافت‌های بیان احساسات است.

یافته‌های کلیدی این تحقیق عبارتند از:

• ایجاد یک مجموعه داده‌ی بزرگ و برچسب‌گذاری شده: TamilEmo به عنوان بزرگترین مجموعه داده‌ی برچسب‌گذاری شده برای تحلیل احساسات در زبان تامیل، منبع ارزشمندی برای محققان این حوزه محسوب می‌شود.
• عملکرد مدل‌های مختلف: نتایج ارزیابی مدل‌ها نشان می‌دهد که مدل MURIL-base در مجموعه داده‌ی 3-کلاسه، عملکرد قابل قبولی داشته است. این نشان می‌دهد که این مدل می‌تواند به طور موثری احساسات کلی (مثبت، منفی و خنثی) را در متن تشخیص دهد.
• اهمیت مدل Random Forest: در مجموعه‌های داده‌ی 7-کلاسه و 31-کلاسه، مدل Random Forest عملکرد بهتری داشته است. این نشان می‌دهد که این مدل می‌تواند تفکیک دقیق‌تری از هیجانات را ارائه دهد، اما همچنان جای بهبود وجود دارد.
• چالش‌های تحلیل احساسات ریز-دانه: نتایج نشان می‌دهد که تحلیل احساسات ریز-دانه (تشخیص 31 هیجان مختلف) در زبان تامیل، چالش‌برانگیز است و نیاز به مدل‌های پیشرفته‌تری دارد.

به طور خلاصه، این مقاله نشان می‌دهد که ایجاد مجموعه داده‌های مناسب و برچسب‌گذاری شده، گامی اساسی در توسعه مدل‌های دقیق تحلیل احساسات برای زبان‌های کم‌منبع است. همچنین، این مقاله نشان می‌دهد که انتخاب مدل مناسب، بسته به سطح دقت مورد نیاز، اهمیت دارد.

مجموعه داده‌ی TamilEmo می‌تواند در کاربردهای مختلفی مورد استفاده قرار گیرد، از جمله:

• بهبود چت‌بات‌ها و دستیارهای صوتی: با استفاده از این مجموعه داده، می‌توان چت‌بات‌ها و دستیارهای صوتی را قادر ساخت تا احساسات کاربران را بهتر درک کنند و پاسخ‌های مناسب‌تری ارائه دهند.
• تحلیل احساسات در شبکه‌های اجتماعی: این مجموعه داده می‌تواند برای تحلیل احساسات کاربران در شبکه‌های اجتماعی به زبان تامیل مورد استفاده قرار گیرد. این امر می‌تواند به درک بهتر نظرات عمومی و شناسایی روندهای احساسی کمک کند. به عنوان مثال، می‌توان از این مجموعه داده برای تحلیل واکنش کاربران تامیل‌زبان به یک رویداد خاص یا یک محصول جدید استفاده کرد.
• توسعه سیستم‌های توصیه: با تحلیل احساسات کاربران، می‌توان سیستم‌های توصیه را بهبود بخشید و پیشنهادهای شخصی‌سازی شده‌تری ارائه داد.
• تحقیقات بیشتر در پردازش زبان طبیعی: این مجموعه داده می‌تواند به عنوان یک منبع آموزشی برای محققان در زمینه‌ی پردازش زبان طبیعی مورد استفاده قرار گیرد و به توسعه مدل‌های پیشرفته‌تری برای تحلیل احساسات در زبان تامیل کمک کند.

دستاورد اصلی این مقاله، ایجاد یک منبع داده‌ای ارزشمند برای جامعه تحقیقاتی زبان تامیل است. این مجموعه داده، امکان توسعه مدل‌های دقیق‌تر و کارآمدتر تحلیل احساسات را فراهم می‌کند و می‌تواند در کاربردهای مختلفی مورد استفاده قرار گیرد.

مقاله “TamilEmo: مجموعه داده‌ی تشخیص هیجان ریز-دانه برای زبان تامیل”، گامی مهم در توسعه منابع داده‌ای برای پردازش زبان طبیعی در زبان‌های کم‌منبع است. این مقاله با ارائه یک مجموعه داده‌ی بزرگ و برچسب‌گذاری شده، امکان توسعه مدل‌های دقیق‌تر تحلیل احساسات را در زبان تامیل فراهم می‌کند. یافته‌های این تحقیق نشان می‌دهد که تحلیل احساسات ریز-دانه در زبان تامیل چالش‌برانگیز است و نیاز به مدل‌های پیشرفته‌تری دارد. با این حال، مجموعه داده‌ی TamilEmo به عنوان یک منبع ارزشمند، می‌تواند به محققان در این زمینه کمک کند و راه را برای تحقیقات بیشتر هموار سازد. در نهایت، این مقاله بر اهمیت ایجاد منابع داده‌ای مناسب برای زبان‌های کم‌منبع و تاثیر آن بر توسعه فناوری‌های مبتنی بر پردازش زبان طبیعی تاکید می‌کند.