Abstract
ZusammenfassungEin wichtiger Bestandteil unserer alltäglichen Kommunikation, neben der Mitteilung und Beschreibung von Ereignissen und Fakten, ist der Ausdruck von Emotionen, welcher auch Bestandteil von Hassrede ist: Es wird zum Beispiel Wut zum Ausdruck gebracht, was wiederum bei den Betroffenen Angst, Traurigkeit oder vielleicht auch Überraschung auslösen kann. In der maschinellen Verarbeitung von Sprache haben sich in der letzten Zeit einige konkrete Aufgaben, welche Teil der Emotionsanalyse in Text sind, herauskristallisiert. Diese sind zum einen Klassifikationsaufgaben (welche Emotion drückt ein Text aus?) und zum anderen relationale Strukturlernaufgaben (welche Wörter bezeichnen die Person, die eine Emotion fühlt und welche Wörter lassen auf die Ursache der Emotion schließen?). Wir verschaffen uns in diesem Kapitel einen kurzen Überblick über das Feld und diskutieren im Anschluss etwas genauer, wie sich die Beschreibungen von Emotionen in verschiedenen Domänen unterscheiden und wie Ereignisbeschreibungen mit Hilfe psychologischer Theorien mit Emotionen zusammengebracht werden können. Insbesondere analysieren wir auf Basis des Emotions-Komponenten-Prozessmodells, auf welche Komponenten von Emotionen (subjektives Gefühl, kognitive Evaluation, Körperreaktion, Ausdruck, Motivation) Autor:innen zugreifen, und stellen fest, dass diese Verteilung zwischen sozialen Medien und Literatur unterschiedlich ist. In beiden Domänen spielt aber die kognitive Komponente zur Interpretation von Emotionen eine wichtige Rolle. Dies zeigt auf, dass insbesondere der Ereignisinterpretation Aufmerksamkeit geschenkt werden muss, um implizit kommunizierte Emotionen aufzudecken. Dies motiviert uns, Emotionen mit Hilfe der Appraisaltheorien zu analysieren, welche den Zusammenhang zwischen kognitiven Prozessen und Emotionen erklären. Zu beiden Konzepten – dem Komponentenmodell und den Appraisaltheorien – präsentieren wir Textkorpora und Klassifikationsmodelle.
Publisher
Springer Berlin Heidelberg
Reference64 articles.
1. Abdul-Mageed, M., & Ungar, L. (2017). EmoNet: Fine-grained emotion detection with gated recurrent neural networks. In Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), Vancouver, Canada (S. 718–728). Association for Computational Linguistics. http://dx.doi.org/10.18653/v1/P17-1067.
2. Alm, C.O., Roth, D., & Sproat, R. (2005). Emotions from text: Machine learning for text-based emotion prediction. In Proceedings of Human Language Technology Conference and Conference on Empirical Methods in Natural Language Processing, Vancouver, British Columbia, Canada (S. 579–586). Association for Computational Linguistics. http://dx.doi.org/10.3115/1220575.1220648.
3. Aman, S., & Szpakowicz, S. (2007). Identifying expressions of emotion in text. In International Conference on Text, Speech and Dialogue (S. 196–205). Springer. http://dx.doi.org/10.1007/978-3-540-74628-7_27.
4. Bostan, L. A. M., & Klinger, R. (2018). An analysis of annotated corpora for emotion classification in text. In Proceedings of the 27th International Conference on Computational Linguistics, Santa Fe, New Mexico, USA. (S. 2104–2119). Association for Computational Linguistics.
5. Buechel, S., Hellrich, J., & Hahn, U. (2016). Feelings from the Past—Adapting affective lexicons for historical emotion analysis. In Proceedings of the Workshop on Language Technology Resources and Tools for Digital Humanities (LT4DH), Osaka, Japan (S. 54–61). The COLING 2016 Organizing Committee.