DISSECTING EMOTION: CHALLENGES IN CLASSIFICATION AND ANALYSIS

Trong lĩnh vực giáo dục, sentiment analysis có thể được sử dụng để phân tích cảm xúc của học sinh, sinh viên từ các bài đăng, bình luận trên mạng xã hội. Điều này giúp các nhà quản lý giáo dục, giáo viên hiểu rõ hơn về tâm trạng, suy nghĩ của học sinh, sinh viên, từ đó đưa ra các biện pháp hỗ trợ phù hợp. Ví dụ, phân tích các "confession" trên các trang Facebook có thể cung cấp thông tin giá trị về các vấn đề tâm lý mà học sinh đang gặp phải. Emotion detection trong môi trường giáo dục cho phép cải thiện chất lượng giảng dạy và hỗ trợ tâm lý học sinh.

Tiếng Việt có cấu trúc ngữ pháp phức tạp và đa dạng, đặc biệt là khi được sử dụng trên mạng xã hội với nhiều biến thể, từ viết tắt đến tiếng lóng. Điều này gây khó khăn cho các thuật toán NLP trong việc phân tích chính xác sentiment polarity của văn bản. Việc sử dụng text mining và data mining trong tiếng Việt đòi hỏi sự tùy chỉnh và điều chỉnh liên tục để đối phó với sự thay đổi của ngôn ngữ. Thêm vào đó, sarcasm detection và irony detection trong tiếng Việt cũng là một thách thức lớn do sự tinh tế và đa dạng của cách diễn đạt.

Tiếng lóng và biểu tượng cảm xúc (emoji) được sử dụng rộng rãi trên mạng xã hội, nhưng chúng lại gây ra nhiều khó khăn cho các thuật toán sentiment analysis. Tiếng lóng thường có nghĩa không rõ ràng và thay đổi theo thời gian, trong khi emoji có thể mang nhiều ý nghĩa khác nhau tùy thuộc vào ngữ cảnh. Việc kết hợp các phương pháp pre-processing techniques như tokenization, stemming, và lemmatization có thể giúp cải thiện khả năng xử lý tiếng lóng và emoji, nhưng vẫn cần có các thuật toán đặc biệt để hiểu đúng ý nghĩa của chúng.

Dữ liệu sử dụng cho sentiment analysis thường bị sai lệch, tức là một số cảm xúc được thể hiện nhiều hơn so với các cảm xúc khác. Điều này có thể dẫn đến việc mô hình học được các mẫu không chính xác và dự đoán sai lệch trên các dữ liệu mới. Để giải quyết vấn đề này, cần sử dụng các kỹ thuật cân bằng dữ liệu, chẳng hạn như Synthetic Minority Over-sampling Technique (SMOTE), hoặc sử dụng các hàm mất mát (loss function) như Focal Loss để giảm thiểu ảnh hưởng của các lớp chiếm ưu thế.

Mô hình BERT đã chứng minh được hiệu quả vượt trội trong nhiều tác vụ NLP, bao gồm cả sentiment analysis. BERT có khả năng hiểu được ngữ cảnh hai chiều của từ, giúp cải thiện khả năng phân biệt các sắc thái cảm xúc tinh tế. Việc sử dụng BERT cho phân tích cảm xúc tiếng Việt đòi hỏi việc huấn luyện mô hình trên một tập dữ liệu lớn các văn bản tiếng Việt. Có thể tận dụng các mô hình pretrain BERT đã được huấn luyện sẵn trên tiếng Việt để tiết kiệm thời gian và tài nguyên tính toán. Theo Hình 1 (Seminar Information Systems (WS19/20), 2020), kiến trúc của BERT cho phép nó học được các biểu diễn ngữ nghĩa sâu sắc của ngôn ngữ.

Feature extraction là một bước quan trọng trong quy trình phân tích cảm xúc. Các phương pháp như TF-IDF và word embeddings (ví dụ: Word2Vec, GloVe) giúp chuyển đổi văn bản thành các vectơ số, mà các mô hình machine learning có thể xử lý được. TF-IDF đo lường tầm quan trọng của một từ trong một văn bản dựa trên tần suất xuất hiện của nó. Word embeddings biểu diễn các từ dưới dạng các vectơ trong một không gian ngữ nghĩa, trong đó các từ có ý nghĩa tương tự nằm gần nhau. Việc kết hợp các phương pháp feature extraction khác nhau có thể giúp cải thiện độ chính xác của sentiment analysis.

Kỹ thuật data augmentation giúp tạo ra các bản sao của dữ liệu hiện có bằng cách áp dụng các phép biến đổi nhỏ, chẳng hạn như thay thế từ đồng nghĩa, chèn từ ngẫu nhiên, hoặc xóa từ. Kỹ thuật này giúp tăng cường tính đa dạng của dữ liệu và giảm thiểu hiện tượng overfitting. Việc sử dụng data augmentation đặc biệt hữu ích khi dữ liệu huấn luyện bị thiếu hụt hoặc không cân bằng. Theo nghiên cứu của Koufakou et al. (2023), data augmentation có thể cải thiện đáng kể độ robustness của emotion detection models.

Các evaluation metrics như accuracy, precision, recall, và F1-score cung cấp một cái nhìn toàn diện về hiệu suất của mô hình sentiment analysis. Accuracy cho biết tỷ lệ dự đoán đúng tổng thể, nhưng có thể bị ảnh hưởng bởi sự mất cân bằng dữ liệu. Precision đo lường khả năng của mô hình trong việc xác định chính xác các cảm xúc tích cực. Recall đo lường khả năng của mô hình trong việc tìm ra tất cả các cảm xúc tích cực thực tế. F1-score kết hợp cả precision và recall để cung cấp một đánh giá cân bằng hơn. Bảng 4 (Minh, 2024) cung cấp ví dụ về cách đánh giá các mô hình machine learning.

Real-time sentiment analysis cho phép giám sát cảm xúc của công chúng về một chủ đề cụ thể trong thời gian thực. Điều này đặc biệt hữu ích trong việc giám sát khủng hoảng truyền thông, nơi mà việc phản ứng nhanh chóng và hiệu quả là rất quan trọng. Bằng cách theo dõi sentiment trends trên mạng xã hội, các tổ chức có thể phát hiện sớm các dấu hiệu của khủng hoảng và đưa ra các biện pháp đối phó kịp thời. Các API của các nền tảng mạng xã hội (Facebook, Twitter, Instagram) cho phép thu thập dữ liệu mạng xã hội trong thời gian thực và phân tích cảm xúc của nó.

Multi-lingual sentiment analysis đòi hỏi việc xử lý các ngôn ngữ khác nhau với các đặc điểm ngữ pháp và từ vựng riêng biệt. Việc sử dụng các mô hình deep learning có khả năng học được các biểu diễn ngôn ngữ độc lập có thể giúp giải quyết thách thức này. Tuy nhiên, cần có một lượng lớn dữ liệu được gắn nhãn chính xác cho mỗi ngôn ngữ để huấn luyện các mô hình này. Ngoài ra, việc sử dụng các kỹ thuật transfer learning có thể giúp chuyển giao kiến thức từ một ngôn ngữ sang ngôn ngữ khác.

Việc sử dụng phân tích cảm xúc có thể đặt ra các vấn đề đạo đức liên quan đến quyền riêng tư của người dùng. Cần đảm bảo rằng dữ liệu cá nhân được thu thập và sử dụng một cách minh bạch và có sự đồng ý của người dùng. Ngoài ra, cần tránh sử dụng các mô hình bị thiên vị, có thể dẫn đến các quyết định không công bằng. Các nhà nghiên cứu và phát triển sentiment analysis cần tuân thủ các nguyên tắc đạo đức và quy định pháp luật liên quan đến bảo mật dữ liệu cá nhân.