El crecimiento exponencial de la cantidad de información subjetiva en la Web 2.0. Ha provocado un creciente interés por parte de los investigadores dispuestos a desarrollar métodos para extraer datos emocionales de estas nuevas fuentes. Uno de los desafíos más importantes en la detección textual de emociones es la recopilación de datos con etiquetas de emoción debido a la subjetividad de asignar estas etiquetas. Sobre la base de esta lógica, el objetivo principal de nuestra investigación es contribuir a la resolución de este importante desafío. Esto se aborda proponiendo EmoLabel: una metodología semiautomática basada en la anotación previa, que consta de dos fases principales:
- Un proceso automático para anotar previamente las oraciones en inglés sin marcar.
- Un proceso manual de refinamiento donde los anotadores humanos determinan cuál es la emoción dominante.
Nuestro objetivo es evaluar la influencia de este método automático de preanotación en la anotación de emoción manual desde dos puntos de vista: acuerdo y tiempo necesario para la anotación. La evaluación realizada demuestra los beneficios de los procesos de preanotación ya que los resultados en el tiempo de anotación muestran una ganancia cercana al 20% cuando se aplica el proceso de anotación previa (Pre-ML) sin reducir el rendimiento del anotador. Además, los beneficios de la anotación previa son mayores en aquellos contribuyentes cuyo rendimiento es bajo (anotadores inexactos).
Cita Bibliográfica: IEEE Transactions on Affective Computing
Autores: Canales, Lea | Daelemans, Walter | Boldrini, Ester | Martínez-Barco, Patricio
URL: https://ieeexplore.ieee.org/document/8758380
Tareas relacionadas: