감정 어휘 사전을 이용한 문학 감정분류

• 영문명: Literary Emotion Classification Using a Emotion Lexicon
• 발행기관: 한국자료분석학회
• 저자명: 이대국(Daekug Lee) 김지영(Ji-Young Kim) 전수영(Sooyoung Cheon)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.26 No.2, 457~469쪽, 전체 13쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2024.04.30

국문 초록

최근 문장과 문서 같은 텍스트에서 느껴지는 감정을 분류하는 감정 분석 기술이 발달하며 문학을 포함한 다양한 연구에서 활용되고 있다. 감정은 문학을 이해하기 위한 중요한 토대이기에 문학 연구에서 감정 분석 기술을 적용하는 것은 중요하며, 기술의 발전을 위해 감정 분석 과정에서 발생하는 문제점을 개선하려는 노력이 필요하다. 이에 본 연구는 학습 데이터 구축 시 기존 라벨링 방식에서 생기는 문제점을 설명하며, 이를 개선하기 위한 ‘감정 어휘 사전 기반 감정 라벨링’을 소개한다. 기존 감정 라벨링 방식은 소수 전문가의 주관으로 텍스트에서 느껴지는 감정을 판단하는 방식이고, 감정 사전 기반 라벨링 방식은 감정 사전에 기반하여 감정을 판단한다. 감정 사전 기반 라벨링의 유효성을 입증하기 위해 서로 다른 감정 라벨링 방식을 가진 두 학습데이터를 구축하고, 감정 분석 모델에 입력하여 결과를 비교해주었다. 그 결과 감정 사전 기반 라벨링을 사용한 모델의 정확도는 91.95%를 기록하며, 기존 라벨링을 사용한 모델보다 약 20% 정도 높은 성능을 보였다. 또한, 정량적 평가에서 나아가 대학수학능력시험의 문학 지문을 모델에 입력해 분류 결과를 직접 확인한 결과, 감정 사전 기반 라벨링을 사용한 모델이 더 나은 예측력을 보였다. 본 연구는 다양한 딥러닝 모델 연구의 학습 데이터 구축에서 사용되던 감정 어휘 사전을 문학 감정 분석 연구에 처음으로 적용하여 그 효과를 증명했기에 의미가 있다.

영문 초록

Recently, emotion analysis technology has been developed to classify emotions felt in texts such as sentences and documents, and it is being used in a variety of research, including literature. Because emotions are an important foundation for understanding literature, it is important to apply emotion analysis technology in literary research, and efforts are needed to improve problems that arise during the emotion analysis process for the development of technology. This study explains the problems that arise from existing labeling methods when constructing learning data, and introduces ‘emotion lexicon-based emotion labeling’ to improve these problems. To prove the effectiveness of emotion lexicon-based labeling, we constructed two learning data with different emotion labeling methods, entered them into a emotion analysis model, and compared the results. As a result, the accuracy of the model using emotion lexicon-based labeling was 91.95%, showing approximately 20% higher performance than the model using existing labeling. In addition, as a result of going beyond quantitative evaluation and directly checking the analysis results by inputting literary passages from the CSAT into the model, the model using emotion lexicon-based labeling showed better predictive power.

목차

1. 서론

2. 이론적 배경

3. 데이터 설명

4. 연구방법

5. 분석 결과

6. 결론

References

키워드

감정 분석 감정 분류 감정 어휘 사전 감정 라벨링 KoBERT Emotion analysis emotion classification emotion lexicon emotion labeling KoBERT