ОБРАБОТКА ИНФОРМАЦИИ И АНАЛИЗ ДАННЫХ
И. В. Смирнов "Программные средства психоэмоционального анализа текстов"
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ И ТЕХНОЛОГИИ
УПРАВЛЕНИЕ И ПРИНЯТИЕ РЕШЕНИЙ
МАТЕМАТИЧЕСКИЕ ОСНОВЫ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
И. В. Смирнов "Программные средства психоэмоционального анализа текстов"
Аннотация. 

В работе рассматривается проблема психоэмоционального анализа текстов, направленного на выявление психологических особенностей автора текста и выявление эмоциональных характеристик текста на основе методов психолингвистики и искусственного интеллекта. Описан программный инструмент психоэмоционального анализа текстов на русском языке, представлен пример применения инструмента для анализа реакции пользователей ВКонтакте на фейковые сообщения.

Ключевые слова: 

психолингвистический анализ текстов, выявление эмоций, социальные сети, реакция на фейки.

Стр. 27-38.

DOI 10.14357/20718632230103
 
Литература

1. Ениколопов С.Н., Медведева Т.И., Воронцова О.Ю. Оценка текстов, написанных больными эндогенными психическими заболеваниями // Психиатрия. – 2019. – Т. 81, № 1. – С. 56–64.
2. Pennebaker J. W., Francis M. E., Booth R. J. Linguistic inquiry and word count: LIWC 2001 // Mahway: Lawrence Erlbaum Associates. – 2001. – V. 71. – №. 2001. – p. 2001.
3. Štajner S., Yenikent S. A survey of automatic personality detection from texts // Proceedings of the 28th International Conference on Computational Linguistics. – 2020. –pp. 6284-6295.
4. Ahmad H., Asghar M. Z., Khan A. S., Habib A. A systematic literature review of personality trait classification from textual content // Open Computer Science. – 2020. – V. 10. – №. 1. – pp. 175-193.
5. Ярушкина Н. Г., Мошкин В. С., Андреев И. А. Алгоритм психолингвистического анализа текстовых данных социальных сетей с применением модели «Большая пятёрка» // Онтология проектирования. – 2022. – Т. 12. – №. 1 (43). – С. 82-92.
6. Acheampong F. A., Wenyu C., Nunoo‐Mensah H. Text‐based emotion detection: Advances, challenges, and opportunities // Engineering Reports. – 2020. – V. 2. – №. 7. – p. e12189.
7. Nandwani P., Verma R. A review on sentiment analysis and emotion detection from text // Social Network Analysis and Mining. – 2021. – V. 11. – №. 1. – pp. 1-19.
8. Ritesh Kumar, Atul Kr. Ojha, Shervin Malmasi, and Marcos Zampieri. Benchmarking Aggression Identification in Social Media // Proceedings of the first workshop on trolling, aggression and cyberbullying (TRAC-2018). – 2018. – pp. 1-11. Association for Computational Linguistics.
9. Faneva Ramiandrisoa, Josiane Mothe. Aggression Identification in Social Media: a Transfer Learning Based Approach // Second Workshop on Trolling, Aggression and Cyberbullying, European Language Resources Association (ELRA), May 2020, Marseille, France. pp.26-31.
10. Колмогорова А. В., Вдовина Л. А. Лексико-грамматические маркеры эмоций как параметры для сентимент анализа русскоязычных интернет-текстов // Вестник Пермского университета. Российская и зарубежная филология. – 2019. – Т.11. – №3. – С. 38–46.
11. Колмогорова А. В., Калинин А. А. Эмоциональный анализ постов ВКонтакте: классификатор или регрессор? // Компьютерная лингвистика и интеллектуальные технологии: По материалам ежегодной международной конференции «Диалог». Москва. – 2022. – Вып. 21. – С. 311-322.
12. Ghazi D., Inkpen D., Szpakowicz S. Detecting emotion stimuli in emotion-bearing sentences // International Conference on Intelligent Text Processing and Computational Linguistics. – Springer, Cham. – 2015. – pp. 152-165.
13. Campagnano C., Conia S., Navigli R. SRL4E–Semantic Role Labeling for Emotions: A Unified Evaluation Framework // Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). – 2022. – pp. 4586-4601
14. Calvo, R. A., Milne, D. N., Hussain, M. S., & Christensen, H. Natural language processing in mental health applications using non-clinical texts // Natural Language Engineering. – 2017. – V. 23. – №. 5. – pp. 649-685.
15. Kayalvizhi S. et al. Findings of the Shared Task on Detecting Signs of Depression from Social Media // Proceedings of the Second Workshop on Language Technology for Equality, Diversity and Inclusion. – 2022. – pp. 331-338.
16. M. Stankevich, I. Smirnov, Y. Kuznetsova, N. Kiselnikova, S. Enikolopov. Predicting Depression from Essays in Russian // In Computational Linguistics and Intellectual Technologies: Proceedings of the International Conference “Dialogue 2019”. – 2019. – pp. 637–647.
17. Mathur, P. Kubde and S. Vaidya, "Emotional Analysis using Twitter Data during Pandemic Situation: COVID-19 // 5th International Conference on Communication and Electronics Systems (ICCES). – 2020. – pp. 845-848.
18. Becker K., Harb J. G., Ebeling R. Exploring deep learning for the analysis of emotional reactions to terrorist events on twitter // Journal of Information and Data Management. – 2019. – V. 10. – №. 2. – pp. 97-115.
19. Harb J. G. D., Ebeling R., Becker K. A framework to analyze the emotional reactions to mass violent events on Twitter and influential factors // Information Processing & Management. – 2020. – V. 57. – №. 6. – p. 102372.
20. Ениколопов С. Н., Кузнецова Ю. М., Осипов Г. С., Смирнов И. В., Чудова Н. В. Метод реляционно-ситуационного анализа текста в психологических исследованиях // Психология. Журнал Высшей школы экономики. – 2021. – Т. 18. – №4. – С. 748–769.
21. Smirnov I., Stankevich M., Kuznetsova Y., Suvorova M., Larionov D., Nikitina E., Savelov M., Grigoriev O. TITANIS: A Tool for Intelligent Text Analysis in Social Media // In: Kovalev S.M., Kuznetsov S.O., Panov A.I. (eds) Artificial Intelligence. RCAI 2021. Lecture Notes in Computer Science, Springer, Cham. – 2021. – V. 12948. – pp.232-247.
22. С.Н. Ениколопов, Ю.М. Кузнецова, А.Н. Минин, М.Ю. Пенкина, И.В. Смирнов, М.А. Станкевич, Н.В. Чудова. Особенности текста и психологические особенности: опыт эмпирического компьютерного исследования // Труды Института Системного Анализа Российской академии наук. – 2019. – Том 69. – №3. – С. 91-99.
23. Ениколопов С.Н., Ковалев А.К., Кузнецова Ю.М., Старостина Е.Н., Чудова Н.В. Признаки, характерные для письменных текстов, написанных в состоянии фрустрации // Вестник МГУ. Серия 14. Психология. – 2019. – №3. – С. 66–85.
24. Shelmanov A. O., Smirnov I. V., Methods for Semantic Role Labeling of Russian Texts // Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference "Dialogue" (2014). Issue 13 (20). – 2014. – pp. 580-592.
25. Stankevich M., Latyshev A., Kuminskaya E., Smirnov I., Grigoriev O. Depression Detection from Social Media Texts // Proceedings of Data Analytics and Management in Data Intensive Domains: ХХI International Conference DAМDID/RCDL'2019 – 2019. – pp. 352-362.
26. Devyatkin, Dmitry A., Natalia V. Chudova, Anfisa A. Chuganskaya and Daria Sharypina. Methods for Recognition of Frustration-Derived Reactions on Social Media // In: Kovalev S.M., Kuznetsov S.O., Panov A.I. (eds) Artificial Intelligence. RCAI 2021. Lecture Notes in Computer Science, Springer, Cham. – V. 12948. – pp. 17-30.
27. Chistova E., Shelmanov A., Pisarevskaya D., Kobozeva M., Isakov V., Panchenko A., Toldova S., Smirnov I. RST Discourse Parser for Russian: an Experimental Study of Deep Learning Models //International Conference on Analysis of Images, Social Networks and Texts. – Lecture Notes in Computer Science, Springer, Cham. – 2021. – V.12602. – pp.105-119.
 
2024 / 03
2024 / 02
2024 / 01
2023 / 04

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".