ಭಾವ ವಿಶ್ಲೇಷಣೆ: ಕಂಪ್ಯೂಟರ್ ಸಾಫ್ಟ್‌ವೇರ್ ಮಾನವನ ಬರವಣಿಗೆಯ ಭಾವನಾತ್ಮಕ ಧ್ವನಿಯನ್ನು ಹೇಗೆ ಅಳೆಯುತ್ತದೆ?

ಮಾನವನ ಗುಣಾತ್ಮಕ ಭಾವನೆಗಳನ್ನು ಸಂಖ್ಯಾತ್ಮಕ ಗಣಿತದ ಅಂಕಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸುವುದು

ಪ್ರತಿ ನಿಮಿಷವೂ ಗ್ರಾಹಕರು ಲಕ್ಷಾಂತರ ಉತ್ಪನ್ನ ವಿಮರ್ಶೆಗಳು, ಸಾಮಾಜಿಕ ಜಾಲತಾಣದ ಪೋಸ್ಟ್‌ಗಳು, ಗ್ರಾಹಕ ಬೆಂಬಲದ ಇಮೇಲ್‌ಗಳು ಮತ್ತು ಸಮೀಕ್ಷೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಬರೆಯುತ್ತಾರೆ. ಮಾನವ ವಿಶ್ಲೇಷಕರಿಗೆ ಈ ಅಪಾರ ಪ್ರಮಾಣದ ಪಠ್ಯವನ್ನು ಕೈಯಾರೆ ಓದಿ ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು ಅಸಾಧ್ಯ. ಈ ಸವಾಲಿಗೆ ಉತ್ತರವಾಗಿ ಕಂಪ್ಯೂಟರ್ ವಿಜ್ಞಾನಿಗಳು ಭಾವ ವಿಶ್ಲೇಷಣೆ (sentiment analysis) ಎಂಬ ತಂತ್ರಜ್ಞಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಇದು ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆಯ (NLP - Natural Language Processing) ಒಂದು ಪ್ರಮುಖ ಅಂಗವಾಗಿದ್ದು, ಪಠ್ಯದಲ್ಲಿ ಅಡಗಿರುವ ಭಾವನಾತ್ಮಕ ಒಲವು ಸಕಾರಾತ್ಮಕವಾಗಿದೆಯೇ (positive), ನಕಾರಾತ್ಮಕವಾಗಿದೆಯೇ (negative) ಅಥವಾ ತಟಸ್ಥವಾಗಿದೆಯೇ (neutral) ಎಂಬುದನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಲೆಕ್ಕಹಾಕುತ್ತದೆ.

ಆರಂಭಿಕ ಕಾಲದ ಭಾವನಾ ಅಳತೆಯು ಶಬ್ದಕೋಶ ಆಧಾರಿತ ವಿಧಾನಗಳನ್ನು ಅವಲಂಬಿಸಿತ್ತು. ಸಾಫ್ಟ್‌ವೇರ್ ಕೇವಲ 'ಅದ್ಭುತ', 'ಉತ್ತಮ', 'ಕೆಟ್ಟ' ಅಥವಾ 'ಭೀಕರ' ಎಂಬಂತಹ ಮುಂಚಿತವಾಗಿ ನಿಗದಿಪಡಿಸಿದ ಹುಡುಕಾಟ ಪದಗಳಿಗಾಗಿ (ಕೀವರ್ಡ್‌ಗಳು ಅಥವಾ keywords) ವಾಕ್ಯವನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತಿತ್ತು ಮತ್ತು ಅವುಗಳಿಗೆ ನೀಡಲಾದ ಅಂಕಗಳನ್ನು ಕೂಡಿ ಅಂತಿಮ ತೀರ್ಮಾನಕ್ಕೆ ಬರುತ್ತಿತ್ತು. ಈ ಪ್ರಾಥಮಿಕ ವಿಧಾನವು ಸರಳ ಪಠ್ಯಗಳಿಗೆ ಉಪಯುಕ್ತವಾಗಿದ್ದರೂ, ಮಾನವ ಸಂವಹನದ ನೈಜ ಆಳವನ್ನು ಗ್ರಹಿಸಲು ವಿಫಲವಾಯಿತು.

ದೈನಂದಿನ ಮಾನವ ಭಾಷೆಯ ಸಂಕೀರ್ಣತೆಗಳ ಮುಂದೆ ಈ ಪ್ರಾಥಮಿಕ ಎಣಿಕೆಯ ವಿಧಾನ ಕುಸಿದುಬಿದ್ದಿತು. ಉದಾಹರಣೆಗೆ, 'ಇದು ನಾನು ನಿರೀಕ್ಷಿಸಿದಷ್ಟು ಕೆಟ್ಟದಾಗಿಲ್ಲ' ಎಂಬ ವಾಕ್ಯದಲ್ಲಿ 'ಕೆಟ್ಟ' ಎಂಬ ನಕಾರಾತ್ಮಕ ಪದವಿದ್ದರೂ, ಇಡೀ ವಾಕ್ಯವು ವಾಸ್ತವವಾಗಿ ಒಂದು ಸಕಾರಾತ್ಮಕ ಮೆಚ್ಚುಗೆಯಾಗಿದೆ. ಅದೇ ರೀತಿ 'ಖಂಡಿತ, ಮತ್ತೊಂದು ಅದ್ಭುತ ವಿಳಂಬ!' ಎಂಬ ವ್ಯಂಗ್ಯದ ಹೇಳಿಕೆಯಲ್ಲಿ 'ಅದ್ಭುತ' ಎಂಬ ಒಳ್ಳೆಯ ಪದವಿದ್ದರೂ, ಬಳಕೆದಾರನು ತೀವ್ರ ಅಸಮಾಧಾನವನ್ನು ವ್ಯಕ್ತಪಡಿಸುತ್ತಿದ್ದಾನೆ. ವಾಕ್ಯದ ನಿಜವಾದ ಅರ್ಥವು ಕೇವಲ ಬಿಡಿ ಪದಗಳಲ್ಲಲ್ಲ, ಬದಲಿಗೆ ಅವು ಒಟ್ಟಾಗಿ ಸೇರಿ ಸೃಷ್ಟಿಸುವ ಸಂದರ್ಭದಲ್ಲಿ ಅಡಗಿರುತ್ತದೆ.

ಆಧುನಿಕ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು ಧ್ರುವೀಯತೆ, ತೀವ್ರತೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಅಂಶಗಳನ್ನು ಅಳೆಯುವ ಬಗೆ

ಇಂದಿನ ಸುಧಾರಿತ ಭಾವ ವಿಶ್ಲೇಷಣಾ ತಂತ್ರಜ್ಞಾನವು (ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಮಾದರಿಗಳು ಅಥವಾ transformer models) ಪಠ್ಯವನ್ನು ಪ್ರಮುಖ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಹಂತಗಳ ಮೂಲಕ ಹಾದುಹೋಗುವಂತೆ ಮಾಡುತ್ತದೆ:

• ಭಾವನಾತ್ಮಕ ಒಲವಿನ ಅಂಕಗಳು (ಪೋಲಾರಿಟಿ ಸ್ಕೋರ್ ಅಥವಾ polarity score): ಪಠ್ಯದ ಪ್ರತಿಯೊಂದು ಭಾಗಕ್ಕೂ ಮೈನಸ್ ಒಂದರಿಂದ (ತೀವ್ರ ನಕಾರಾತ್ಮಕ) ಪ್ಲಸ್ ಒಂದರವರೆಗೆ (ತೀವ್ರ ಸಕಾರಾತ್ಮಕ) ಗಣಿತದ ಅಂಕಗಳನ್ನು ನಿಗದಿಪಡಿಸಿ, ಒಟ್ಟಾರೆ ಅಭಿಪ್ರಾಯವನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.
• ಭಾವನಾತ್ಮಕ ಪ್ರಮಾಣ ಮತ್ತು ತೀವ್ರತೆ: ಇದು ಭಾವನೆಯ ದಿಕ್ಕನ್ನು ಮೀರಿ ಅದರ ಆವೇಗವನ್ನು ಅಳೆಯುತ್ತದೆ; ಅಂದರೆ 'ಆ್ಯಪ್ ಸರಿಯಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ' ಎಂಬ ಸಾಮಾನ್ಯ ತೃಪ್ತಿಗೂ, 'ಈ ಆ್ಯಪ್ ನನ್ನ ಇಡೀ ಜೀವನವನ್ನೇ ಬದಲಾಯಿಸಿತು' ಎಂಬ ತೀವ್ರ ಉತ್ಸಾಹಕ್ಕೂ ಇರುವ ವ್ಯತ್ಯಾಸವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಗುರುತಿಸುತ್ತದೆ.
• ನಿರ್ದಿಷ್ಟ ಅಂಶಗಳ ವಿಶ್ಲೇಷಣೆ (aspect-based sentiment analysis): ಒಂದೇ ವಿಮರ್ಶೆಯಲ್ಲಿ ಹಲವು ವಿಷಯಗಳಿದ್ದಾಗ—ಉದಾಹರಣೆಗೆ 'ಕ್ಯಾಮೆರಾ ಅದ್ಭುತವಾಗಿದೆ ಆದರೆ ಬ್ಯಾಟರಿ ತೀರಾ ನಿರಾಶಾದಾಯಕ'—ಕ್ಯಾಮೆರಾಗೆ ಸಕಾರಾತ್ಮಕ ಅಂಕ ಮತ್ತು ಬ್ಯಾಟರಿಗೆ ನಕಾರಾತ್ಮಕ ಅಂಕವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ದಾಖಲಿಸಲಾಗುತ್ತದೆ.
• ವ್ಯಕ್ತಿ ಮತ್ತು ಉತ್ಪನ್ನಗಳ ಪ್ರತ್ಯೇಕ ಗುರುತಿಸುವಿಕೆ (ಘಟಕ-ಮಟ್ಟದ ವರ್ಗೀಕರಣ ಅಥವಾ entity-level classification): ಒಂದೇ ಪ್ಯಾರಾಗ್ರಾಫ್‌ನಲ್ಲಿ ಹಲವು ಕಂಪನಿಗಳು ಅಥವಾ ವ್ಯಕ್ತಿಗಳ ಹೆಸರಿದ್ದಾಗ, ಯಾವ ಭಾವನಾತ್ಮಕ ಗುಣವಾಚಕವು ಯಾರಿಗೆ ಅನ್ವಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಣಿತದ ಸೂತ್ರವು (ಅಲ್ಗಾರಿದಮ್) ನಿಖರವಾಗಿ ಜೋಡಿಸಿ, ಬಹು-ವಿಷಯಗಳ ಚರ್ಚೆಯಲ್ಲಿ ಗೊಂದಲವಾಗದಂತೆ ತಡೆಯುತ್ತದೆ.

ಚಲನಚಿತ್ರ ವಿಮರ್ಶೆಯೊಂದರಲ್ಲಿ ಕೇವಲ ಕೀವರ್ಡ್ ಹುಡುಕಾಟಕ್ಕೂ ಮತ್ತು ಆಧುನಿಕ ಸಂದರ್ಭೋಚಿತ ವಿಶ್ಲೇಷಣೆಗೂ ಇರುವ ಪ್ರಾಯೋಗಿಕ ವ್ಯತ್ಯಾಸವನ್ನು ಗಮನಿಸಿ. ಒಬ್ಬ ಪ್ರೇಕ್ಷಕನು 'ಈ ಮಾನಸಿಕ ಹಾರರ್ ಚಿತ್ರವು ಆರಂಭದಿಂದ ಕೊನೆಯವರೆಗೂ ನನ್ನನ್ನು ಬೆಚ್ಚಿಬೀಳಿಸಿತು ಮತ್ತು ಸೀಟಿನ ತುದಿಯಲ್ಲಿ ಕೂರಿಸಿತು' ಎಂದು ಬರೆದರೆ, ಹಳೆಯ ಕೀವರ್ಡ್ ವ್ಯವಸ್ಥೆಯು 'ಬೆಚ್ಚಿಬೀಳಿಸಿತು' ಮತ್ತು 'ಹಾರರ್' ಎಂಬ ಪದಗಳನ್ನು ನೋಡಿ ಇದು ಗ್ರಾಹಕನ ಅಸಮಾಧಾನ ಎಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುತ್ತದೆ. ಆದರೆ ಆಧುನಿಕ ಭಾಷಾ ತಂತ್ರಜ್ಞಾನವು (ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಮಾದರಿ), ಹಾರರ್ ಚಿತ್ರರಂಗದ ಸಂದರ್ಭದಲ್ಲಿ ಭಯ ಹುಟ್ಟಿಸುವುದೇ ಗ್ರಾಹಕನು ಬಯಸಿದ ನೈಜ ಅನುಭವ ಎಂಬುದನ್ನು ಅರಿತು, ಈ ವಿಮರ್ಶೆಯನ್ನು ಅತ್ಯುತ್ತಮ ಮೆಚ್ಚುಗೆ ಎಂದು ಸರಿಯಾಗಿ ವರ್ಗೀಕರಿಸುತ್ತದೆ.

ವ್ಯಂಗ್ಯ, ಸಾಂಸ್ಕೃತಿಕ ನುಡಿಗಟ್ಟುಗಳು ಮತ್ತು ಸ್ವಯಂಚಾಲಿತ ನಿರ್ವಹಣೆಯ ಮಿತಿಗಳು

ಇಷ್ಟೆಲ್ಲಾ ಎಂಜಿನಿಯರಿಂಗ್ ಪ್ರಗತಿಯ ಹೊರತಾಗಿಯೂ, ಮಾನವ ಸಂವಹನದ ಸೂಕ್ಷ್ಮ ಸಾಮಾಜಿಕ ಆಯಾಮಗಳನ್ನು ಅಳೆಯುವಲ್ಲಿ ಸ್ವಯಂಚಾಲಿತ ವರ್ಗೀಕರಣವು ಹಲವು ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತದೆ:

• ವ್ಯಂಗ್ಯ ಮತ್ತು ವಿಡಂಬನೆ: 'ರಜಾದಿನಗಳ ಆರಂಭದಲ್ಲೇ ವಿಮಾನ ರದ್ದಾಯಿತು, ನಿಜಕ್ಕೂ ಎಷ್ಟು ಅದ್ಭುತ ಸೇವೆ!' ಎಂಬಂತಹ ವಾಕ್ಯಗಳು ಸಿಟ್ಟನ್ನು ಹೊರಹಾಕಲು 'ಅದ್ಭುತ' ಎಂಬ ಸಕಾರಾತ್ಮಕ ಪದವನ್ನು ಬಳಸುತ್ತವೆ; ಇದು ಕಂಪ್ಯೂಟರ್ ಗಣಿತದ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು (ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು) ಸುಲಭವಾಗಿ ದಾರಿತಪ್ಪಿಸುತ್ತದೆ.
• ಪ್ರಾದೇಶಿಕ ಆಡುಭಾಷೆ ಮತ್ತು ನುಡಿಗಟ್ಟುಗಳು: ಇಂಗ್ಲಿಷ್‌ನಲ್ಲಿ 'that was sick' ಅಥವಾ ಕನ್ನಡದಲ್ಲಿ 'ಆ ಹಾಡು ಬೆಂಕಿ ತರಹ ಇತ್ತು' ಎನ್ನುವುದು ತೀವ್ರ ಮೆಚ್ಚುಗೆಯ ಸಂಕೇತ; ಆದರೆ ಕಟ್ಟುನಿಟ್ಟಾದ ನಿಯಮಗಳ ವ್ಯವಸ್ಥೆಯು 'ಬೆಂಕಿ' ಅಥವಾ 'ಅನಾರೋಗ್ಯ' ಎಂಬ ಶಬ್ದಗಳನ್ನು ಹಿಂಸೆ ಅಥವಾ ನಕಾರಾತ್ಮಕತೆಯೆಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸಬಹುದು.
• ಗ್ರಾಹಕ ಸೇವಾ ಆದ್ಯತೆಯ ಏರುಪೇರು: ಗ್ರಾಹಕ ಬೆಂಬಲ ವ್ಯವಸ್ಥೆಯು ಕೇವಲ ನಕಾರಾತ್ಮಕ ಅಂಕಗಳ ಆಧಾರದ ಮೇಲೆ ದೂರುಗಳನ್ನು ವಿಂಗಡಿಸಿದಾಗ, ಅತ್ಯಂತ ಸಭ್ಯ ಭಾಷೆಯಲ್ಲಿ ಬರೆದ ಗಂಭೀರ ದೂರುಗಳು ಗಂಟೆಗಟ್ಟಲೆ ಕಾಯಬೇಕಾಗಬಹುದು; ಅದೇ ಸಮಯದಲ್ಲಿ ಅವಾಚ್ಯ ಶಬ್ದಗಳಿಂದ ಕೂಡಿದ ಸಂದೇಶಗಳು ತಕ್ಷಣವೇ ಮೊದಲ ಆದ್ಯತೆ ಪಡೆಯುತ್ತವೆ.
• ಜನಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪಕ್ಷಪಾತ: ತರಬೇತಿಯ ದತ್ತಾಂಶಗಳ ಕೊರತೆಯಿಂದಾಗಿ, ಮಾತೃಭಾಷಿಕರಲ್ಲದವರು ಅಥವಾ ಪ್ರಾದೇಶಿಕ ಸಮುದಾಯಗಳು ಬರೆಯುವ ಪಠ್ಯವನ್ನು ಸಾಫ್ಟ್‌ವೇರ್ ಅತಿಯಾಗಿ ಆಕ್ರಮಣಕಾರಿ ಅಥವಾ ನಕಾರಾತ್ಮಕವೆಂದು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವ ಸಾಧ್ಯತೆಗಳಿರುತ್ತವೆ.

ಭಾವ ವಿಶ್ಲೇಷಣೆಯು ಸಾರ್ವಜನಿಕರ ಅಭಿಪ್ರಾಯದ ನಾಡಿಮಿಡಿತವನ್ನು ತ್ವರಿತವಾಗಿ ತಿಳಿಯಲು ನೆರವಾಗುತ್ತದೆ, ಆದರೆ ಮಾನವನ ಭಾವನಾತ್ಮಕ ಸಂವಹನವು ಅತ್ಯಂತ ಆಳವಾದದ್ದು. ಸಾಫ್ಟ್‌ವೇರ್ ಪದಗಳ ಆವರ್ತನವನ್ನು ಲೆಕ್ಕಹಾಕಿ ಸಂಖ್ಯಾತ್ಮಕ ಸಂಭವನೀಯತೆಗಳನ್ನು ನೀಡಬಲ್ಲದೇ ಹೊರತು, ನೈಜ ಸಹಾನುಭೂತಿ ಮತ್ತು ಸಂದರ್ಭೋಚಿತ ಗ್ರಹಿಕೆಗೆ ಮನುಷ್ಯರ ವಿವೇಚನೆಯೇ ಅಂತಿಮ ಮಾರ್ಗದರ್ಶಿಯಾಗಿದೆ.