લાગણી વિશ્લેષણ: લખાણ પાછળ રહેલો આનંદ, ગુસ્સો કે અસંતોષ કમ્પ્યુટર કેવી રીતે પારખે છે?

ગુણાત્મક માનવીય લાગણીઓને ગાણિતિક આંકડાઓમાં રૂપાંતરિત કરવી

તમે ક્યારેય કોઈ ઓનલાઇન સ્ટોરમાંથી મંગાવેલી વસ્તુ ખરાબ નીકળતાં ગ્રાહક સેવા ચેટ પર ગુસ્સામાં ફરિયાદ લખી છે? અથવા કોઈ રેસ્ટોરન્ટ કે ઉત્પાદનની સમીક્ષામાં કટાક્ષ કરતા લખ્યું છે કે 'વાહ, આટલી મોડી ડિલિવરી અને તૂટેલા સામાન બદલ ખૂબ ખૂબ આભાર'? બીજી જ મિનિટે સ્ક્રીન પર તમારી અસુવિધા બદલ દિલગીરી વ્યક્ત કરતો અને ફરિયાદને અગ્રતા આપતો ઈમેલ આવી જાય છે. કોઈ માનવ પ્રતિનિધિ આટલી ઝડપે હજારો ગ્રાહકોના સંદેશાઓ વાંચીને તેમનો અસંતોષ કે કટાક્ષ પારખી શકતો નથી. આ પ્રક્રિયા પાછળ સેન્ટિમેન્ટ એનાલિસિસ (લાગણી વિશ્લેષણ) કરતી આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમ સક્રિય હોય છે, જે લખાણમાં રહેલો અસંતોષ, ગુસ્સો કે કટાક્ષ આપોઆપ પારખીને ગુણાત્મક માનવીય લાગણીઓને વ્યવસ્થિત ગાણિતિક ડેટામાં રૂપાંતરિત કરે છે.

શરૂઆતના દિવસોમાં લાગણીની ગણતરી શબ્દકોશ-આધારિત સરળ નિયમો (જેને લેક્સિકલ મોડેલ્સ કહેવાય છે) પર નિર્ભર હતી. પ્રોગ્રામર્સે ભાવનાત્મક મૂલ્યો સાથે પૂર્વ-નિર્ધારિત શબ્દોની યાદી બનાવી હતી: 'શાનદાર' કે 'વિશ્વાસપાત્ર' જેવા શબ્દોને હકારાત્મક સ્કોર (+૧) મળતો હતો, જ્યારે 'ખરાબ' કે 'તૂટેલું' જેવા શબ્દોને નકારાત્મક સ્કોર (-૧) અપાતો હતો. સોફ્ટવેર ગ્રાહકના સંદેશાને સ્કેન કરતું, શબ્દોના મૂલ્યોનો સરવાળો કરતું અને આંકડાકીય સરવાળાના આધારે સંદેશાને હકારાત્મક, તટસ્થ કે નકારાત્મક જાહેર કરી દેતું હતું.

જોકે, શબ્દોની આ સાદી ગણતરી રોજિંદી માનવીય ભાષાની જટિલતાઓ અને કટાક્ષ સામે સાવ નિષ્ફળ ગઈ. એક સરળ વાક્ય જેમ કે 'આ ફોન બિલકુલ ખરાબ નથી' એમાં 'ખરાબ' શબ્દ નકારાત્મક હોવા છતાં આખું વાક્ય પ્રશંસા કરે છે; પ્રાથમિક સિસ્ટમ તેને પ્રશંસા હોવા છતાં ફરિયાદ ગણી લેતી હતી. આધુનિક લાગણી વિશ્લેષણ પ્રણાલીઓએ આવા છીછરા શબ્દ ગણતરી મોડેલોને છોડી દીધા છે અને શબ્દોનો પરસ્પર સંબંધ પારખતા મગજ જેવા કૃત્રિમ નેટવર્ક (ટ્રાન્સફોર્મર-આધારિત ન્યુરલ નેટવર્ક્સ) અપનાવ્યા છે, જે વાક્યના વ્યાકરણ, શબ્દોના ક્રમ અને સમગ્ર અર્થપૂર્ણ સંદર્ભનું એકસાથે મૂલ્યાંકન કરે છે.

આધુનિક સિસ્ટમ્સ લાગણીની દિશા (પોલેરિટી), તીવ્રતા અને ચોક્કસ પાસાંઓ કેવી રીતે માપે છે?

સમકાલીન લાગણી વિશ્લેષણ સિસ્ટમ્સ લખાણને ચાર ઊંડા વિશ્લેષણાત્મક સ્તરો દ્વારા તપાસે છે:

• લાગણીની દિશા અથવા સૂર (પોલેરિટી): મોડેલ લખાણને ગણતરીની ડિજિટલ ભૂમિતિ (બહુપરિમાણીય વેક્ટર સ્પેસ) માં મૂકે છે અને સૂર નક્કી કરતો સ્કોર ગણે છે, જે સામાન્ય રીતે -૧.૦ (અત્યંત નકારાત્મક) થી +૧.૦ (અત્યંત હકારાત્મક) વચ્ચે હોય છે.
• લાગણીની તીવ્રતા અને વજન (ઇમોશનલ મેગ્નિટ્યુડ): એક અલગ માપદંડ લાગણીની ઊંડાઈ કે માત્રા માપે છે, જે સાધારણ સંતોષ ('એપ બરાબર કામ કરે છે') અને તીવ્ર ઉત્સાહ ('આ એપે મારું આખું જીવન બદલી નાખ્યું') વચ્ચેનો ફરક સ્પષ્ટ કરે છે.
• ચોક્કસ પાસાંઓનું અલગ વિશ્લેષણ (આસ્પેક્ટ-બેઝ્ડ સેન્ટિમેન્ટ): સમગ્ર રિવ્યૂને એક જ સામાન્ય ગ્રેડ આપવાને બદલે સિસ્ટમ વિવિધ વિષયોને છૂટા પાડે છે; ઉદાહરણ તરીકે, 'જમવાનું સ્વાદિષ્ટ હતું પણ વેઈટર અસભ્ય હતો' વાક્યમાં સ્વાદ માટે હકારાત્મક અને સેવા માટે નકારાત્મક સ્કોર અલગ તારવાય છે.
• ચોક્કસ નામ કે વસ્તુ સાથે જોડાણ (એન્ટિટી લેવલ મેચિંગ): ગણતરીના નિયમો (અલ્ગોરિધમ્સ) ભાવનાત્મક વિશેષણોને તે જ ફકરામાં ઉલ્લેખિત ચોક્કસ કંપની, ઉત્પાદન કે વ્યક્તિ સાથે જોડે છે, જેથી બહુવિધ વિષયોવાળી ચર્ચામાં ગૂંચવણ ન થાય.

ફિલ્મ સમીક્ષાઓમાં કીવર્ડ આધારિત ફિલ્ટરિંગ અને આધુનિક સંદર્ભિત વિશ્લેષણ વચ્ચેનો નક્કર તફાવત વિચારવા જેવો છે. જો કોઈ દર્શક લખે, 'આ મનોવૈજ્ઞાનિક હોરર ફિલ્મે મને શરૂઆતથી અંત સુધી ડરાવી મૂક્યો અને હું ખુરશી સાથે જકડાઈ રહ્યો', તો જૂનો કીવર્ડ અલ્ગોરિધમ 'ડરાવી' અને 'હોરર' શબ્દો જોઈને તેને ગ્રાહક અસંતોષ તરીકે ફ્લેગ કરશે. જ્યારે આધુનિક ટ્રાન્સફોર્મર મોડેલ સમજે છે કે હોરર સિનેમામાં ડર લાગવો એ જ દર્શકની મુખ્ય અપેક્ષા અને ફિલ્મની સફળતા છે, જેથી તે આ સમીક્ષાને ઉત્સાહપૂર્ણ પ્રશંસા તરીકે યોગ્ય રીતે વર્ગીકૃત કરે છે.

કટાક્ષ, સાંસ્કૃતિક સંકેતો અને ગ્રાહક સેવા વ્યવસ્થાની મર્યાદાઓ

નોંધપાત્ર તકનીકી પ્રગતિ છતાં, સ્વયંચાલિત લાગણી વર્ગીકરણ માનવીય સંચારના સૂક્ષ્મ સામાજિક પાસાંઓ સામે સંઘર્ષ કરે છે:

• કટાક્ષ અને વ્યંગ: 'વાહ અદભુત, રજાઓ પહેલાં જ ફ્લાઇટ કેન્સલ થઈ ગઈ' જેવા વાક્યોમાં 'અદભુત' જેવા હકારાત્મક શબ્દનો ઉપયોગ તીવ્ર હતાશા વ્યક્ત કરવા માટે થાય છે, જે ઘણીવાર અલ્ગોરિધમિક ફિલ્ટર્સને ગેરમાર્ગે દોરે છે.
• સાંસ્કૃતિક રૂઢિપ્રયોગો અને સ્થાનિક બોલી: 'તેણે તો રંગ રાખ્યો' કે 'ધૂળ કાઢી નાખી' જેવા પ્રયોગો સ્થાનિક સંદર્ભમાં ભારે પ્રશંસા દર્શાવે છે, પરંતુ શાબ્દિક અર્થ કાઢતી સિસ્ટમ તેને નકારાત્મક ગણી શકે છે.
• ગ્રાહક સેવા પ્રાથમિકતામાં વિકૃતિ: જ્યારે સહાયતા કેન્દ્રો નકારાત્મક સ્કોરના આધારે ફરિયાદોને પ્રાથમિકતા આપે છે, ત્યારે અત્યંત ગુસ્સામાં પણ નમ્રતાપૂર્વક લખાયેલી વાજબી ફરિયાદો કલાકો સુધી પેન્ડિંગ રહે છે જ્યારે અભદ્ર લખાણો આગળ નીકળી જાય છે.
• ભાષાકીય અને વસ્તીવિષયક પૂર્વગ્રહ: સંશોધન દર્શાવે છે કે બિન-મૂળ ભાષીઓ કે પ્રાદેશિક બોલીઓનું લખાણ ડેટાસેટની અસમાનતાને કારણે અલ્ગોરિધમ્સ દ્વારા વધુ આક્રમક અથવા નકારાત્મક સ્કોર મેળવી લે છે.

લાગણી વિશ્લેષણ સંસ્થાઓને લોકલાગણીનો ઝડપી અંદાજ આપે છે, પરંતુ માનવીય લાગણીઓની અભિવ્યક્તિ અત્યંત ઊંડી અને સંદર્ભ-આધારિત હોય છે. આ સાધનો કેવી રીતે કાર્ય કરે છે તે સમજવાથી આપણને યાદ રહે છે કે સોફ્ટવેર શબ્દોની આવૃત્તિ અને ગાણિતિક સંભાવનાઓ ગણી શકે છે, પરંતુ ખરી સહાનુભૂતિ અને સંદર્ભની ઊંડી સમજ માટે હંમેશા માનવીય વિવેકબુદ્ધિ અનિવાર્ય રહે છે.