МЕТОД ОЦІНЮВАННЯ ВЛАСТИВОСТЕЙ ТЕКСТУ В ХОДІ ПРОВЕДЕННЯ АНАЛІТИЧНОГО ДОСЛІДЖЕННЯ З ОБРОБКИ ДАНИХ

О. М. Бабіч, І. В. Замаруєва, М. Г. Шелег

Анотація


Розглянуто метод формалізації понять у ході аналізу текстів новин засобів масової інформації на предмет їх емоційної забарвленості. В умовах сучасного інформаційного зростання необхідно в ході автоматизованої обробки текстової інформації не лише ознайомитись з їх загальним характером, а й розуміти цей зміст «у глибину». Приділено увагу поняттю «емоції», яким є його сучасне бачення у галузі психології, та «емоційна забарвленість». Їх властивості тісно пов’язані з емоційним реагуванням. Воно є відправною точкою для усіх проявів, які є об’єктом нашого дослідження. Зокрема, бути позитивними або негативними, впливати на поведінку, інтенсивністю (глибина переживань та обсяг фізіологічних зрушень),  характеризуватись іншими параметрами, що формують зазначені прояви. Представлено основні характеристики тексту, які є предметом формального опису, а саме: елементи, що впливають на формування емоційної забарвленості тексту новини; фактори, що обумовлюють силу інформаційного впливу тексту. Розглянуті основні етапи, за якими проводиться всебічне оцінювання тексту, зокрема, емоційної забарвленості. Досліджено семантичний диференціал та вивчено можливість його використання. Це забезпечує більш точну оцінку змісту тексту, у тому числі й тексту новин ЗМІ, щодо їх характеру та, зокрема, емоційної забарвленості. Представлено класифікацію розпізнавання словоформ, на основі якої визначається характер тексту і зокрема його емоційна складова. Визначено логіко-семантичні правила, в яких демонструється взаємодія словоформ всередині речення з відповідним результатом. Прийняття їх до уваги дозволяє визначити емоційну забарвленість тексту правильно і більш точно. Використання цих правил забезпечує оцінювання характеру тексту за певними словоформами, які представляють різні рівні організації тексту. Усі ці дії дають можливість виявити у тексті новини певні емоції, визначити їх силу та спрямованість, виміряти інтенсивність потоку новин, в якому вони наявні. Результати процедур розпізнавання та аналітичної обробки представлено у графічному вигляді. Відповідні мовні конструкції всередині тексту марковано, виведено графік та діаграму висновків по характеру тексту, динаміку розподілу його емоційної забарвленості та співвідношенням їх вмісту в тексті як його важливої властивості. Даний метод передбачає ретельне опрацювання інформаційного потоку, зокрема, новин ЗМІ, з вимірюванням їх емоційної забарвленості, поєднаним із різноплановим аналізом вмісту та наочним представленням результатів.


Ключові слова


оцінювання; емоційна забарвленість; емоційний вплив; словоформа; інформаційний потік

Повний текст:

PDF

Посилання


King G., Schneer B., White A. How the news media activate public expression and influence national agendas. 2017. URL: https://gking.harvard.edu/files/gking/files/776.full_.pdf

Канищева О., Медведська А., Панчул О. Визначення типів емоційного мовного висловлювання у додатках автоматичного опрацювання текстів. 2014р. URL: http://science.lp.edu.ua/sites/ default/ files/Papers /31_119.pdf

Pasquier C., da Costa Pereira C., Tettamanzi A. G. B., 2020. Extending a Fuzzy Polarity propagation method for multi-domain sentiment analysis with word embedding and POS tagging. URL:https://ecai2020.eu/papers/1246_paper.pdf

Nti I. C., Adekoya A. F., Weyori B. A. Predicting Stock Market Price Movement Using Sentiment Analysis: Evidence From Ghana. URL:https://www.researchgate.net/publication/342014896

Косогов О. М. Методика визначення пріоритетів показників, що характеризують рівень загроз інформаційній безпеці держави // Збірник наукових праць Харківського університету Повітряних Сил. 2014. № 2(39). С. 163–166.

Левченко О. В., Косогов О. М. Методика виявлення заходів негативного інформаційного впливу на основі аналізу відкритих джерел // Системи обробки інформації. 2016. № 1(138). С. 100–102.

Писарчук О. О. Програмно-алгоритмічне забезпечення процесу нейтралізації негативного інформаційного впливу // Проблеми створення, випробування, застосування та експлуатації складних інформаційних систем. 2015. Вип. 11. С.13–21.

Ильин Е. П. Эмоции и чувства // СПб: Питер. 2001. 752 с.

Изард К. Психология эмоций // Спб : Питер. 2012. 464 с.

Шелестюк Е. В. Семантический дифференциал как способ выявления внушающего воздействия текстов // Языковое бытие человека и этноса: когнитивный и психолингвистический аспекты. Материалы Международной школы–семинара (V Березинские чтения). Москва: ИНИОН РАН, АСОУ. 2009. Вып. 15. C. 329–333.

Babich O., Popov N., Glukhov S. The basics for development of mass media information stream classifier. Proceedings of AC 2019 in Prague (8–10.08.2019). Czech Technical University in Prague. P.157–164.

Honnibal M., Montani I. spaCy 2: Natural language understanding with Bloom embeddings, convolutional neural networks and incremental parsing. 2017. URL: http://citebay.com/how–to–cite/spacy/

Chris Riotta. US hiring slows in July after coronavirus outbreak intensifies and economy faces worst decline on record. 2020. URL: https://www.independent.co.uk/news/world/americas/jobs–report–us–economy–coronavirus–trump–rebound–stock–market–a9659531.html




DOI: http://dx.doi.org/10.15421/432102

Посилання

  • Поки немає зовнішніх посилань.


Контактна інформація:

Байбуз Олег Григорович - відповідальний редактор 

Тел: (056) 766-49-52

Mail: olegbaybuz68@gmail.com

Україна, 49010, м. Дніпро, пр. Гагаріна, 72

--------------------------------------------------------------------

Дніпровський національний університет імені Олеся Гончара

National Library of Ukraine Vernadsky

Google Scholar

Open Academic Journals Index

Bielefeld Academic Search Engine

Open Archives

  Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.


Open Science in Ukraine - website development