El análisis de sentimientos, también conocido como minería de opiniones, es el uso del procesamiento del lenguaje natural, el análisis de texto, la lingüística computacional y la biometría para identificar, extraer, cuantificar y estudiar sistemáticamente los estados afectivos y la información subjetiva. Se aplica ampliamente a materiales de voz del cliente, como reseñas y respuestas a encuestas, medios en línea y redes sociales, y materiales de atención médica para aplicaciones que van desde el marketing hasta el servicio al cliente y la medicina clínica. Con el auge de los modelos de lenguaje profundos, como RoBERTa, se pueden analizar dominios de datos más difíciles, por ejemplo, textos de noticias donde los autores suelen expresar su opinión o sentimiento de manera menos explícita.
Tipos de análisis de sentimientos
Una tarea básica en el análisis de sentimientos es clasificar la polaridad de un texto dado a nivel de documento, oración o característica/aspecto - si la opinión expresada es positiva, negativa o neutral. La clasificación avanzada, "más allá de la polaridad", del sentimiento examina estados emocionales como disfrute, ira, disgusto, tristeza, miedo y sorpresa.
Los precursores del análisis de sentimientos incluyen el General Inquirer, que proporcionó pistas para cuantificar patrones en el texto, y la investigación psicológica que examinó el estado psicológico de una persona basándose en el análisis de su comportamiento verbal. Posteriormente, un método descrito en una patente de Volcani y Fogel se centró específicamente en el sentimiento e identificó palabras y frases individuales con respecto a diferentes escalas emocionales. Un sistema actual basado en su trabajo, llamado EffectCheck, presenta sinónimos que se pueden usar para aumentar o disminuir el nivel de emoción evocada en cada escala.
Muchos esfuerzos posteriores fueron menos sofisticados, utilizando una mera visión polar del sentimiento, de positivo a negativo, como el trabajo de Turney y Pang, quienes aplicaron diferentes métodos para detectar la polaridad de reseñas de productos y reseñas de películas, respectivamente. Este trabajo se realiza a nivel de documento. También se puede clasificar la polaridad de un documento en una escala de múltiples vías, como intentaron Pang y Snyder, entre otros: Pang y Lee ampliaron la tarea básica de clasificar una reseña de película como positiva o negativa para predecir calificaciones de estrellas en una escala de 3 o 4 estrellas, mientras que Snyder realizó un análisis en profundidad de reseñas de restaurantes, prediciendo calificaciones para varios aspectos como comida y ambiente (en una escala de cinco estrellas).
Los primeros pasos para reunir varios enfoques - aprendizaje, léxico, basado en conocimiento - se dieron en el Simposio de Primavera de AAAI de 2004, donde lingüistas, informáticos y otros investigadores alinearon por primera vez intereses y propusieron tareas compartidas y conjuntos de datos de referencia para la investigación computacional sistemática sobre afecto, atractivo, subjetividad y sentimiento en el texto.
Clase neutral y sistemas de escala
Aunque en la mayoría de los métodos de clasificación estadística, la clase neutral se ignora bajo el supuesto de que los textos neutrales se encuentran cerca del límite del clasificador binario, varios investigadores sugieren que se deben identificar tres categorías. Se puede demostrar que clasificadores específicos como Max Entropy y SVM pueden beneficiarse de la introducción de una clase neutral y mejorar la precisión general. Hay dos formas de operar con una clase neutral: o el algoritmo primero identifica el lenguaje neutral, lo filtra, y luego evalúa el resto en términos de sentimientos positivos y negativos, o construye una clasificación de tres vías en un solo paso. El segundo enfoque a menudo implica estimar una distribución de probabilidad sobre todas las categorías (por ejemplo, clasificadores naive Bayes implementados por NLTK). Si y cómo usar una clase neutral depende de los datos: si los datos están claramente agrupados en lenguaje neutral, negativo y positivo, filtrar el lenguaje neutral es sensato; si los datos son mayormente neutrales con pequeñas desviaciones, esta estrategia dificultaría distinguir entre los dos polos.
Un método diferente para determinar el sentimiento es el uso de un sistema de escala mediante el cual las palabras comúnmente asociadas con sentimiento negativo, neutral o positivo reciben un número en una escala de -10 a +10 (de más negativo a más positivo) o de 0 a un límite superior positivo como +4. Esto permite ajustar el sentimiento en relación con su entorno (generalmente a nivel de oración). Cuando el texto no estructurado se analiza utilizando el procesamiento del lenguaje natural, cada concepto recibe una puntuación basada en cómo las palabras de sentimiento se relacionan con él. Las palabras que intensifican, relajan o niegan el sentimiento pueden afectar la puntuación. Alternativamente, los textos pueden recibir puntuaciones de fuerza de sentimiento positivo y negativo si el objetivo es determinar el sentimiento en un texto en lugar de la polaridad general.
Otros tipos incluyen el análisis de sentimientos basado en aspectos, el análisis de sentimientos por grados (positivo, negativo, neutral), el análisis de sentimientos multilingüe y la detección de emociones.
Identificación de subjetividad y objetividad
Esta tarea se define comúnmente como clasificar un texto dado (generalmente una oración) en una de dos clases: objetiva o subjetiva. Este problema a veces puede ser más difícil que la clasificación de polaridad. La subjetividad de palabras y frases puede depender del contexto, y un documento objetivo puede contener oraciones subjetivas (por ejemplo, un artículo de noticias que cita opiniones de personas). Como mencionó Su, los resultados dependen en gran medida de la definición de subjetividad utilizada al anotar textos. Sin embargo, Pang mostró que eliminar oraciones objetivas de un documento antes de clasificar su polaridad ayudó a mejorar el rendimiento.
La identificación subjetiva y objetiva son subtareas emergentes que utilizan características sintácticas, semánticas y conocimiento de aprendizaje automático para identificar si una oración o documento contiene hechos u opiniones. La conciencia de reconocer hechos y opiniones no es reciente, posiblemente presentada por primera vez por Carbonell en la Universidad de Yale en 1979.
El término objetivo se refiere al incidente que lleva información fáctica. Ejemplo: "Para ser elegido presidente de los Estados Unidos, un candidato debe tener al menos treinta y cinco años de edad". El término subjetivo describe el incidente que contiene información no fáctica en varias formas, como opiniones personales, juicios y predicciones.
Aplicaciones y desafíos
El análisis de sentimientos se utiliza ampliamente en los negocios para monitorear la reputación de la marca, analizar comentarios de clientes e informar el desarrollo de productos. En la atención médica, puede analizar resultados informados por pacientes o redes sociales para el monitoreo de la salud pública. En política, puede medir la opinión pública sobre candidatos o políticas.
Los desafíos incluyen manejar el sarcasmo, la ironía y el sentimiento dependiente del contexto. Los modelos de aprendizaje profundo, particularmente los transformadores y los grandes modelos de lenguaje, han mejorado el rendimiento en dominios complejos. Sin embargo, incluso los modelos avanzados luchan con expresiones matizadas. Los investigadores continúan desarrollando métodos para el análisis de sentimientos basado en aspectos y la detección de emociones, a menudo aprovechando técnicas de aprendizaje automático y aprendizaje profundo.
Direcciones futuras
A medida que avanza la inteligencia artificial, el análisis de sentimientos se está moviendo hacia un análisis más fino y multimodal, incorporando señales de audio, visuales y textuales. La integración de redes neuronales y modelos de IA generativa promete mejorar la comprensión del afecto humano. Las consideraciones éticas, como la privacidad y el sesgo, siguen siendo áreas importantes de enfoque. El campo continúa evolucionando con contribuciones de instituciones académicas como MIT CSAIL y Stanford AI Lab, así como laboratorios industriales como Google DeepMind y OpenAI.