Análise de sentimentos, também conhecida como mineração de opinião, é o uso de processamento de linguagem natural, análise de texto, linguística computacional e biometria para identificar, extrair, quantificar e estudar sistematicamente estados afetivos e informações subjetivas. É amplamente aplicada a materiais de voz do cliente, como avaliações e respostas de pesquisas, mídias online e sociais, e materiais de saúde, para aplicações que vão desde marketing até atendimento ao cliente e medicina clínica. Com o avanço de modelos de linguagem profundos, como o RoBERTa, domínios de dados mais difíceis podem ser analisados, por exemplo, textos jornalísticos, onde os autores geralmente expressam sua opinião/sentimento de forma menos explícita.
Tipos de Análise de Sentimentos
Uma tarefa básica na análise de sentimentos é classificar a polaridade de um texto dado no nível de documento, frase ou aspecto/característica - se a opinião expressa é positiva, negativa ou neutra. A classificação avançada, "além da polaridade", analisa estados emocionais como prazer, raiva, nojo, tristeza, medo e surpresa.
Precursores da análise de sentimentos incluem o General Inquirer, que forneceu pistas para quantificar padrões em texto, e pesquisas psicológicas que examinavam o estado psicológico de uma pessoa com base na análise de seu comportamento verbal. Posteriormente, um método descrito em uma patente por Volcani e Fogel focou especificamente em sentimentos e identificou palavras e frases individuais em relação a diferentes escalas emocionais. Um sistema atual baseado em seu trabalho, chamado EffectCheck, apresenta sinônimos que podem ser usados para aumentar ou diminuir o nível de emoção evocada em cada escala.
Muitos esforços subsequentes foram menos sofisticados, usando uma mera visão polar do sentimento, de positivo a negativo, como o trabalho de Turney e Pang, que aplicaram diferentes métodos para detectar a polaridade de avaliações de produtos e avaliações de filmes, respectivamente. Este trabalho está no nível do documento. Também é possível classificar a polaridade de um documento em uma escala multi-nível, como tentado por Pang e Snyder, entre outros: Pang e Lee expandiram a tarefa básica de classificar uma avaliação de filme como positiva ou negativa para prever classificações por estrelas em uma escala de 3 ou 4 estrelas, enquanto Snyder realizou uma análise aprofundada de avaliações de restaurantes, prevendo classificações para vários aspectos, como comida e ambiente (em uma escala de cinco estrelas).
Os primeiros passos para reunir várias abordagens - aprendizado, lexical, baseada em conhecimento - foram dados no Simpósio de Primavera da AAAI de 2004, onde linguistas, cientistas da computação e outros pesquisadores primeiro alinharam interesses e propuseram tarefas compartilhadas e conjuntos de dados de referência para pesquisa computacional sistemática sobre afeto, apelo, subjetividade e sentimento em texto.
Classe Neutra e Sistemas de Escala
Embora na maioria dos métodos de classificação estatística a classe neutra seja ignorada sob a suposição de que textos neutros estão próximos do limite do classificador binário, vários pesquisadores sugerem que três categorias devem ser identificadas. Pode-se provar que classificadores específicos, como Max Entropy e SVMs, podem se beneficiar da introdução de uma classe neutra e melhorar a precisão geral. Há duas maneiras de operar com uma classe neutra: ou o algoritmo primeiro identifica a linguagem neutra, filtra-a e depois avalia o restante em termos de sentimentos positivos e negativos, ou constrói uma classificação tripla em uma única etapa. A segunda abordagem geralmente envolve estimar uma distribuição de probabilidade sobre todas as categorias (por exemplo, classificadores naive Bayes, como implementados pelo NLTK). Se e como usar uma classe neutra depende dos dados: se os dados estão claramente agrupados em linguagem neutra, negativa e positiva, filtrar a linguagem neutra é sensato; se os dados são majoritariamente neutros com pequenos desvios, essa estratégia dificultaria a distinção entre os dois polos.
Um método diferente para determinar o sentimento é o uso de um sistema de escala em que palavras comumente associadas a sentimento negativo, neutro ou positivo recebem um número em uma escala de -10 a +10 (do mais negativo ao mais positivo) ou de 0 a um limite superior positivo, como +4. Isso permite ajustar o sentimento em relação ao seu ambiente (geralmente no nível da frase). Quando texto não estruturado é analisado usando processamento de linguagem natural, cada conceito recebe uma pontuação com base em como as palavras de sentimento se relacionam com ele. Palavras que intensificam, relaxam ou negam o sentimento podem afetar a pontuação. Alternativamente, os textos podem receber pontuações de intensidade de sentimento positivo e negativo se o objetivo for determinar o sentimento em um texto em vez da polaridade geral.
Outros tipos incluem análise de sentimentos baseada em aspectos, análise de sentimentos graduada (positivo, negativo, neutro), análise de sentimentos multilíngue e detecção de emoções.
Identificação de Subjetividade e Objetividade
Esta tarefa é comumente definida como classificar um texto dado (geralmente uma frase) em uma de duas classes: objetiva ou subjetiva. Este problema às vezes pode ser mais difícil do que a classificação de polaridade. A subjetividade de palavras e frases pode depender do contexto, e um documento objetivo pode conter frases subjetivas (por exemplo, um artigo de notícias citando opiniões de pessoas). Como mencionado por Su, os resultados dependem em grande parte da definição de subjetividade usada ao anotar textos. No entanto, Pang mostrou que remover frases objetivas de um documento antes de classificar sua polaridade ajudou a melhorar o desempenho.
A identificação subjetiva e objetiva são subtarefas emergentes que usam características sintáticas, semânticas e conhecimento de aprendizado de máquina para identificar se uma frase ou documento contém fatos ou opiniões. A conscientização sobre o reconhecimento de fatos e opiniões não é recente, possivelmente apresentada pela primeira vez por Carbonell na Universidade de Yale em 1979.
O termo objetivo refere-se ao incidente que carrega informação factual. Exemplo: "Para ser eleito presidente dos Estados Unidos, um candidato deve ter pelo menos trinta e cinco anos de idade." O termo subjetivo descreve o incidente que contém informação não factual em várias formas, como opiniões pessoais, julgamentos e previsões.
Aplicações e Desafios
A análise de sentimentos é amplamente usada nos negócios para monitorar a reputação da marca, analisar o feedback do cliente e informar o desenvolvimento de produtos. Na saúde, pode analisar resultados relatados por pacientes ou mídias sociais para monitoramento de saúde pública. Na política, pode avaliar a opinião pública sobre candidatos ou políticas.
Os desafios incluem lidar com sarcasmo, ironia e sentimento dependente do contexto. Modelos de aprendizado profundo, particularmente transformadores e modelos de linguagem de grande porte, melhoraram o desempenho em domínios complexos. No entanto, mesmo modelos avançados lutam com expressões matizadas. Os pesquisadores continuam a desenvolver métodos para análise de sentimentos baseada em aspectos e detecção de emoções, frequentemente aproveitando técnicas de aprendizado de máquina e aprendizado profundo.
Direções Futuras
À medida que a inteligência artificial avança, a análise de sentimentos está se movendo em direção a análises mais refinadas e multimodais, incorporando pistas auditivas, visuais e textuais. A integração de redes neurais e modelos de IA generativa promete melhorar a compreensão do afeto humano. Considerações éticas, como privacidade e viés, permanecem áreas importantes de foco. O campo continua a evoluir com contribuições de instituições acadêmicas como MIT CSAIL e Stanford AI Lab, bem como laboratórios da indústria como Google DeepMind e OpenAI.