Acceso usuarios
Nicolás José Fernández Martínez
En las redes sociales, los usuarios expresan con frecuencia sus emociones, juicios y evaluaciones sobre diversos temas sociales y privados, detectables mediante métodos automatizados. Mientras que tareas de PLN como la detección de emociones y la clasificación de actos de diálogo se centran en identificar emociones e intenciones en los textos, se ha prestado poca atención a la función actitudinal de un texto, como expresar desagrado, desacuerdo, pesimismo, desaprobación, etc. Nuestra principal contribución introduce la tarea de PLN de identificación de funciones actitudinales negativas, yendo más allá de la detección de emociones y la clasificación de diálogos al centrarse en la intención de los usuarios y la expresión de emociones negativas y evaluaciones éticas y estéticas negativas. Presentamos un dataset sintético básico para funciones actitudinales negativas construido con recursos obtenidos del campo de la enseñanza y aprendizaje de lenguas extranjeras. El conjunto de datos se utilizó para desarrollar modelos supervisados de funciones actitudinales negativas, que se comparó con otros modelos estándar basados en datasets de detección de emociones de redes sociales cuyas categorías de emociones fueron reasignadas a funciones actitudinales negativas. Nuestros modelos, aunque no superan sistemáticamente los modelos estándar debido a las diferencias cualitativas de las tareas, el uso de datos fuera de dominio y los problemas de etiquetado encontrados en los datasets de detección de emociones, muestran capacidades prometedoras con datos nunca antes vistos y en contextos multilingües.
On social media, users often express emotions, judgments, and evaluations on various social and private topics, detectable through automated methods. While NLP tasks like emotion detection and dialogue act classification focus on identifying emotions and intentions in texts, little attention has been paid to the attitudinal function of a text, such as expressing dislike, disagreement, pessimism, disapproval, etc. Our main contribution introduces the NLP task of negative attitudinal function identification, going beyond emotion detection and dialogue classification by focusing on users’ intent and the expression of negative emotions, and negative ethical and aesthetic evaluations. We present a basic synthetic dataset for negative attitudinal functions built with foreign language teaching and learning resources. The dataset was used to develop negative attitudinal function models with supervised approaches, which were compared against other baseline models based on social media emotion detection datasets whose emotion categories were mapped to negative attitudinal functions. Our models, though not consistently outperforming baselines due to the qualitative differences of the tasks, use of out-of-domain data, and labeling issues found in the emotion detection datasets, exhibit promising capabilities with unseen data and in multilingual contexts.
