Библиографическое описание:Детектирование эмоций и семантика эмотивов: грусть и гнев в аннотированной выборке текстов = Emotion detection and semantics of emotives: distress and anger in annotated text dataset : научное издание / А. В. Колмогорова. - Текст : непосредственный // Филологический класс = Philological Class. - 2021. - Т. 26, № 2. - С. 78-89. - Cited Reference Count: 21. - the research leading to these results received funding from the Russian Foundation for Basic Research, Grant No. 19-012-00205 Design of Sentiment Classifier for Internet Texts in Russian backed by Lovheim's Cube Emotion Model., Russian Foundation for Basic ResearchRussian Foundation for Basic Research (RFBR) [19-012-00205]. - ISSN 2071-2405. - ISSN 2658-5235, DOI 10.51762/1FK-2021-26-02-06.
Аннотация:Статья посвящена поиску максимально приближенного к интерпретативному ощущению обычного носителя языка способа описания эмоциональной лексики. Новизна исследования связана с тем, что оно опирается на данные эмоционального аннотирования 3920 русскоязычных интернет - текстов, проведенного на значительной выборке информантов при помощи специального компьютерного интерфейса, позволяющего высчитывать «вес» 8 эмоций (грусть, радость, гнев, удивление, стыд, воодушевление, отвращение, страх) в тексте. Материал исследования, результаты которого представлены в данной публикации, составляют две выборки по 150 интернет - текстов, получивших, согласно агрегированной оценке 2000 информантов, наивысшие индексы двух эмоций - грусти и гнева. Предмет исследования - семантика эмотивов грусть и гнев через призму коллективной интроспекции информантов - носителей языка. Цель статьи - обсудить опыт экспертного семантического описания эмотивов грусть и гнев на материале интернет - текстов, аннотированных группой информантов - носителей языка как наиболее «грустные» и «гневные» тексты соответственно. Применение методов психолингвистического эксперимента, корпусного и семантического анализа привело к следующим результатам: семантические описания эмотивов грусть и гнев, полученные таким образом, 1) представляют собой социальные сценарии прототипического переживания эмоции, отражающие интерпретативные стратегии коллективного языкового сознания, а не только интроспективные ощущения эксперта - лингвиста; 2) дают возможность объяснить, почему технологии машинного обучения лучше детектируют в текстах гнев, чем грусть; 3) создают прецедент использования новых технологий для проведения семантического описания эмотивной лексики. Результаты исследования могут найти применение в эмотиологии, лексикографической практике, лингводидактике.
The article explores the ways of making emotional lexemes semantic description consistent with interpretative intuition of the ordinary language speaker. The research novelty is determined by the fact that it is based on the data retrieved from the emotional assessment of 3920 internet - texts in Russian made by informants via using a specially designed computer interface. When applied this interface, we can aggregate the weight of 8 emotions (distress, enjoyment, anger, surprise, shame, excitement, disgust, fear) in text. Thus, the data we have used for this publication includes two sets of 150 internet - texts assessed by 2000 informants with the highest score of emotions of distress or anger. The scope of the study covers the semantics of two mentioned above lexemes ( grust’ and gnev ) analyzed through the prism of collective introspection of informants. The article purpose is to discuss the case when a semantic description of emotives is given by an expert, which largely uses “the best texts” of corresponding emotions, according to the collective opinion of informants. Our methods include psycholinguistic experiment, corpus and semantic analysis. The research led us to three main conclusions. Firstly, the semantic descriptions of emotives grust’ and gnev obtained in proposed way represent prototypical scenarios of living an emotion in social context and take into account not only the introspective sensations of an expert - linguist, but the interpretative strategies of language users. Secondly, such semantic explanation provides us with keys for explaining, why machine learning technologies are better at detecting anger than sadness in text. Finally, it creates a precedent in using new technologies for making an ecological semantic description of emotive vocabulary. The research results can find application in emotiology, lexicographic practice and didactics.
The article explores the ways of making emotional lexemes semantic description consistent with interpretative intuition of the ordinary language speaker. The research novelty is determined by the fact that it is based on the data retrieved from the emotional assessment of 3920 internet-texts in Russian made by informants via using a specially designed computer interface. When applied this interface, we can aggregate the weight of 8 emotions (distress, enjoyment, anger, surprise, shame, excitement, disgust, fear) in text. Thus, the data we have used for this publication includes two sets of 150 internet-texts assessed by 2000 informants with the highest score of emotions of distress or anger. The scope of the study covers the semantics of two mentioned above lexemes (grust' and gnev) analyzed through the prism of collective introspection of informants. The article purpose is to discuss the case when a semantic description of emotives is given by an expert, which largely uses the best texts of corresponding emotions, according to the collective opinion of informants. Our methods include psycholinguistic experiment, corpus and semantic analysis. The research led us to three main conclusions. Firstly, the semantic descriptions of emotives grust' and gnev obtained in proposed way represent prototypical scenarios of living an emotion in social context and take into account not only the introspective sensations of an expert-linguist, but the interpretative strategies of language users. Secondly, such semantic explanation provides us with keys for explaining, why machine learning technologies are better at detecting anger than sadness in text. Finally, it creates a precedent in using new technologies for making an ecological semantic description of emotive vocabulary. The research results can find application in emotiology, lexicographic practice and didactics.
