Duygu analizi alanında araştırmacının rolü, sadece hazır algoritmaları veriye uygulamakla sınırlı değildir; aksine, problemin tanımından verinin hazırlanmasına, yöntem seçiminden sonuçların yorumlanmasına kadar sürecin her aşamasında kritik kararlar veren bir mimar rolündedir.
KARAR VERİCİ OLARAK ARAŞTIRMACI: YÖNTEM VE HEDEF DENGESİ
Araştırmacı, çalışmanın bağlamına göre “doğruluk” (accuracy) ile “yorumlanabilirlik” (interpretability) arasında bilinçli bir seçim yapmak zorundadır.
Doğruluk ve Yorumlanabilirlik Takası: Araştırmacı, sözlük tabanlı (lexicon-based) yöntemler ile makine öğrenmesi/derin öğrenme yöntemleri arasında karar vermelidir. Sözlük tabanlı yöntemler, hangi kelimelerin duygu puanına katkıda bulunduğunu açıkça gösterdiği için yüksek yorumlanabilirlik sunar, ancak doğruluk oranları daha düşüktür. Öte yandan, transfer öğrenimi (transfer learning) gibi son teknoloji modeller daha yüksek doğruluk sunsa da, “kara kutu” yapıları nedeniyle yorumlanmaları zordur. Araştırmacı, eğer amaç teorik bir model oluşturmak veya “neden” sorusunu cevaplamaksa sözlükleri; eğer amaç sadece yüksek tahmin başarısıysa (örneğin müşteri şikayetlerini sınıflandırmak) derin öğrenme modellerini tercih etmelidir (Hartmann vd., 2023).
Analiz Kapsamının Belirlenmesi: Araştırmacı, analizin ikili (pozitif/negatif) mi yoksa çok sınıflı (pozitif, negatif, nötr) mı olacağına karar verir. Üç sınıflı bir yapıya geçmek, doğruluk oranını şans faktörü nedeniyle düşürebilir, ancak kavramsal olarak daha zengin sonuçlar sunar (Hartmann vd., 2023).
VERİ KÜRATÖRÜ VE EĞİTMENİ OLARAK ARAŞTIRMACI
Duygu analizinde verinin kalitesi ve etiketlenmesi (annotation), modelin başarısını doğrudan etkiler. Araştırmacının buradaki rolü, “gerçeği” (ground truth) tanımlamaktır.
Anotasyon ve Anlaşmazlık Yönetimi: Araştırmacılar genellikle veri setlerini oluştururken insanlar arasındaki anlaşmazlıkları (annotator disagreement) “gürültü” olarak görüp atma eğilimindedir. Ancak, daha derin bir analiz için araştırmacı, bu anlaşmazlıkların aslında metnin “karmaşık” (complicated) doğasından kaynaklandığını fark etmeli ve bu verileri atmak yerine modelin bunları ayrı bir sınıf olarak öğrenmesini sağlamalıdır (Kenyon-Dean vd., 2018).
Duygu ve Haber Ayrımı: Özellikle haber metinlerinde, araştırmacı “kötü haber” (örneğin bir kriz haberi) ile o habere yönelik “negatif duygu”yu birbirinden ayıracak yönergeleri oluşturmalıdır. Aksi takdirde sistemler, içeriği negatif olan her metni, yazarın negatif duygusu olarak yanlış sınıflandırabilir (Balahur vd., 2013).
Veri Ön İşleme: Araştırmacı, veriyi modele hazırlamak için metin temizleme, kök bulma (stemming), durak kelimelerin (stop words) atılması ve n-gram oluşturma gibi ön işleme adımlarını tasarlar (Bhadane vd., 2015; Shedthi B & Shetty, 2024).
KAVRAMSAL ÇERÇEVEYİ ÇİZEN MİMAR
Araştırmacı, duygu analizini basit bir sınıflandırma probleminden çıkarıp yapısal bir bilgi çıkarma sürecine dönüştüren tanımları yapar.
Fikrin Yapısal Tanımı: Araştırmacı, bir fikri sadece “iyi/kötü” olarak değil; hedef varlık (e), yön/özellik (a), duygu değeri (s), fikir sahibi (h) ve zaman (t) bileşenlerinden oluşan beşli bir yapı (e,a,s,h,t) olarak tanımlar ve sistemi bu bileşenleri çıkaracak şekilde kurgular (Liu, 2017).
Analiz Seviyesi: Araştırmacı, analizin doküman seviyesinde mi (tüm metin tek bir duygu), cümle seviyesinde mi, yoksa özellik/yön (aspect) seviyesinde mi yapılacağını belirler. Özellik bazlı analiz, kullanıcıların neyi beğenip neyi beğenmediğini (örneğin; “ekranı güzel ama pili kötü”) anlamak için daha detaylı bir yaklaşımdır (Devika vd., 2016; Liu, 2015).
DİLBİLİMCİ VE PSİKOLOG ROLÜ
Araştırmacı, metindeki örtülü anlamları, ironiyi ve kültürel nüansları çözecek stratejiler geliştirmelidir.
Sözlük ve Kaynak Oluşturma: Araştırmacılar, genel amaçlı sözlüklerin (örn. WordNet) yanı sıra, alana özgü (domain-specific) duygu sözlükleri oluşturmak için “seed” (tohum) kelimeler kullanarak bu listeleri genişleten algoritmalar tasarlar (Liu, 2015).
Öznellik ve Nesnellik Ayrımı: Her öznel cümlenin duygu içermediğini (örn. inançlar, tahminler) ve her nesnel cümlenin duygusuz olmadığını (örn. arzu edilmeyen bir gerçeği belirten cümleler) ayırt etmek araştırmacının görevidir (Liu, 2015).
İroni ve Kinaye: Araştırmacı, metindeki kelimelerin tam tersini kastettiği ironi ve kinaye gibi durumları tespit etmek için özel kurallar veya makine öğrenmesi modelleri geliştirmelidir (Liu, 2015).
ENTEGRATÖR VE İYİLEŞTİRİCİ
Mevcut yöntemlerin sınırlarını bilen araştırmacı, farklı yaklaşımları birleştirerek performansı artırmayı hedefler.
Hibrit Yaklaşımlar: Araştırmacı, sözlük tabanlı yöntemlerin yüksek yorumlanabilirliği ile makine öğrenmesinin yüksek doğruluğunu birleştiren hibrit sistemler tasarlar. Örneğin, bir sınıflandırıcı başarısız olduğunda diğerinin devreye girdiği kademeli sistemler kurabilir (Prabowo & Thelwall, 2009).
Bağlam ve Alan Uyarlaması: Bir alanda (örn. film yorumları) eğitilen modelin başka bir alanda (örn. mutfak eşyaları) çalışmayabileceğini bilen araştırmacı, “transfer öğrenimi” (transfer learning) tekniklerini kullanarak modelleri yeni alanlara uyarlar (Liu, 2015).
Açıklanabilir Yapay Zeka (XAI): Derin öğrenme modellerinin şeffaflık sorununu çözmek için LIME gibi teknikler kullanarak modelin neden belirli bir karar verdiğini (hangi kelimelerin etkili olduğunu) analiz eder ve açıklar (Tiwari, 2024).
Özetle, duygu analizinde araştırmacı sadece bir uygulayıcı değil; veriyi tanımlayan, gürültüyü anlamlandıran, uygun analiz seviyesini seçen ve insan dili ile matematiksel modeller arasındaki boşluğu dolduran kişidir.
Not: Bu içerik, ilgili akademik kaynakların Google NotebookLM kullanılarak analiz edilmesi ve derlenmesiyle oluşturulmuştur.
KAYNAKÇA
Balahur, A., Steinberger, R., Kabadjov, M., & Zavarella, V. (2013). Sentiment Analysis in the News. arXiv Preprint arXiv:1309.6202.
Bhadane, C., Dalal, H., & Doshi, H. (2015). Sentiment Analysis: Measuring Opinions. Procedia Computer Science, 45, 808-814.
Devika, M. D., Sunitha, C., & Ganesh, A. (2016). Sentiment Analysis: A Comparative Study on Different Approaches. Procedia Computer Science, 87, 44-49.
Hartmann, J., Heitmann, M., Siebert, C., & Schamp, C. (2023). More than a Feeling: Accuracy and Application of Sentiment Analysis. International Journal of Research in Marketing, 40(1), 75-87.
Kenyon-Dean, K., Ahmed, E., Fujimoto, S., Georges-Filteau, J., Glasz, C., Kaur, B., Lalande, A., Bhanderi, S., Belfer, R., Kanagasabai, N., Sarrazingendron, R., Verma, R., & Ruths, D. (2018). Sentiment Analysis: It’s Complicated! Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long Papers), 1886-1895.
Liu, B. (2015). Sentiment Analysis: Mining Opinions, Sentiments and Emotions. Cambridge University Press.
Liu, B. (2017). Many Facets of Sentiment Analysis. Içinde E. Cambria, D. Das, S. Bandyopadhyay, & A. Feraco (Ed.), A Practical Guide to Sentiment Analysis (ss. 11-39). Springer International Publishing.
Prabowo, R., & Thelwall, M. (2009). Sentiment analysis: A combined approach. Journal of Informetrics, 3(2), 143-157.
Shedthi B, S., & Shetty, V. (2024). Role of machine learning in sentiment analysis: Trends, challenges, and future directions. Içinde D. J. Hemanth (Ed.), Computational Intelligence Methods for Sentiment Analysis in Natural Language Processing Applications (ss. 1-21). Elsevier.
Tiwari, R. S. (2024). Hate speech detection using LSTM and explanation by LIME (local interpretable model-agnostic explanations). Içinde D. J. Hemanth (Ed.), Computational Intelligence Methods for Sentiment Analysis in Natural Language Processing Applications (ss. 93-110). Elsevier.