본 연구는 한국어 처리를 위한 감정 유형을 기반으로 감정 말뭉치를 구축하여 다양한 언어 모델로 한국어의 감정 분석 성능을 평가하고, 감정 데이터 생성 및 평가를 통해 초거대 언어 모델의 감정 분석 능력을 이해하고자 하는 데 목적이 있다. 이를 위해 언어 처리의 관점에서 한국어 처리에 적합한 감정 유형에는 어떤 것들이 있는지 알아보고 GoEmotions와 KOTE의 감정 유형을 분석하여 최종적으로 12개의 감정 유형을 설정하였으며, 이를 기반으로 총 30,000건의 감정 주석 말뭉치를 구축하였다. 다음으로 구축된 감정 말뭉치를 활용하여 ...
본 연구는 한국어 처리를 위한 감정 유형을 기반으로 감정 말뭉치를 구축하여 다양한 언어 모델로 한국어의 감정 분석 성능을 평가하고, 감정 데이터 생성 및 평가를 통해 초거대 언어 모델의 감정 분석 능력을 이해하고자 하는 데 목적이 있다. 이를 위해 언어 처리의 관점에서 한국어 처리에 적합한 감정 유형에는 어떤 것들이 있는지 알아보고 GoEmotions와 KOTE의 감정 유형을 분석하여 최종적으로 12개의 감정 유형을 설정하였으며, 이를 기반으로 총 30,000건의 감정 주석 말뭉치를 구축하였다. 다음으로 구축된 감정 말뭉치를 활용하여 BERT 기반의 언어 모델인 KcBERT, RoBERTa, KoELECTRA, KcELECTRA와 GPT 기반의 언어 모델인 GPT-3.5와 GPT-4의 한국어 처리 및 감정 분석 성능을 평가하고, 이를 통해 언어 모델이 예측하기 쉬운 감정 유형과 어려운 감정 유형을 파악해 보았다. 또한, GPT-3.5를 활용하여 새로운 감정 데이터를 생성하고 이를 정량적 및 정성적으로 평가하여 언어 모델의 감정 데이터 생성 및 이해 능력을 분석해 보았다. 정성 평가는 3인의 평가자가 진행하였으며, 평가자들 간의 IAA는 상당한 일치도를 보여 평가 결과의 신뢰성을 입증하였다. 본 연구에서는 다양한 방법론을 적용하여 감정 말뭉치를 평가하고 각 모델들이 어떠한 상관 관계를 가지고 있는지 파악하는 과정을 통해 BERT 기반의 언어 모델보다 GPT 기반의 초거대 언어 모델이 문장의 맥락을 더 고려하여 감정을 인식하고 있음을 확인하였다. 이를 통해 언어 모델이 감정을 인식할 때 인간의 감정 인식 방법과 유사하게 복합적인 감정 유형이 필요하며, 맥락을 충분히 고려하여 감정을 인식할 수 있는 모델의 개발이 필요하다는 것을 확인하였다. 평가 과정에서 발견된 오류나 부족한 점을 바탕으로 감정 말뭉치의 품질을 개선하여 보다 풍부하고 다양한 감정 말뭉치를 구축하는 것은 언어 모델 학습에 좋은 자료가 될 뿐만 아니라 언어 모델의 성능 개선에도 도움이 될 것이며, 고객 서비스, 감정 및 정서 분석, 소셜 미디어모니터링, 챗봇 서비스 등 다양한 산업 분야에서 응용될 수 있다. 또한, 향후 인간과 기계의 보다 자연스러운 소통을 인간적이고 섬세하게 만드는 데 기여할 것이다.
본 연구는 한국어 처리를 위한 감정 유형을 기반으로 감정 말뭉치를 구축하여 다양한 언어 모델로 한국어의 감정 분석 성능을 평가하고, 감정 데이터 생성 및 평가를 통해 초거대 언어 모델의 감정 분석 능력을 이해하고자 하는 데 목적이 있다. 이를 위해 언어 처리의 관점에서 한국어 처리에 적합한 감정 유형에는 어떤 것들이 있는지 알아보고 GoEmotions와 KOTE의 감정 유형을 분석하여 최종적으로 12개의 감정 유형을 설정하였으며, 이를 기반으로 총 30,000건의 감정 주석 말뭉치를 구축하였다. 다음으로 구축된 감정 말뭉치를 활용하여 BERT 기반의 언어 모델인 KcBERT, RoBERTa, KoELECTRA, KcELECTRA와 GPT 기반의 언어 모델인 GPT-3.5와 GPT-4의 한국어 처리 및 감정 분석 성능을 평가하고, 이를 통해 언어 모델이 예측하기 쉬운 감정 유형과 어려운 감정 유형을 파악해 보았다. 또한, GPT-3.5를 활용하여 새로운 감정 데이터를 생성하고 이를 정량적 및 정성적으로 평가하여 언어 모델의 감정 데이터 생성 및 이해 능력을 분석해 보았다. 정성 평가는 3인의 평가자가 진행하였으며, 평가자들 간의 IAA는 상당한 일치도를 보여 평가 결과의 신뢰성을 입증하였다. 본 연구에서는 다양한 방법론을 적용하여 감정 말뭉치를 평가하고 각 모델들이 어떠한 상관 관계를 가지고 있는지 파악하는 과정을 통해 BERT 기반의 언어 모델보다 GPT 기반의 초거대 언어 모델이 문장의 맥락을 더 고려하여 감정을 인식하고 있음을 확인하였다. 이를 통해 언어 모델이 감정을 인식할 때 인간의 감정 인식 방법과 유사하게 복합적인 감정 유형이 필요하며, 맥락을 충분히 고려하여 감정을 인식할 수 있는 모델의 개발이 필요하다는 것을 확인하였다. 평가 과정에서 발견된 오류나 부족한 점을 바탕으로 감정 말뭉치의 품질을 개선하여 보다 풍부하고 다양한 감정 말뭉치를 구축하는 것은 언어 모델 학습에 좋은 자료가 될 뿐만 아니라 언어 모델의 성능 개선에도 도움이 될 것이며, 고객 서비스, 감정 및 정서 분석, 소셜 미디어 모니터링, 챗봇 서비스 등 다양한 산업 분야에서 응용될 수 있다. 또한, 향후 인간과 기계의 보다 자연스러운 소통을 인간적이고 섬세하게 만드는 데 기여할 것이다.
주제어
#감정 유형 감정 분석 감정 생성 감정 말뭉치 transformer GPT 생성AI 정량 평가 정성 평가 emotion types emotion analysis emotion generation emotion corpus generation AI quantitative evaluation qualitative evaluation
학위논문 정보
저자
장연지
학위수여기관
연세대학교 대학원
학위구분
국내박사
학과
언어정보학협동과정 전산언어학전공
지도교수
김한샘
발행연도
2024
총페이지
vii, 155 p.
키워드
감정 유형 감정 분석 감정 생성 감정 말뭉치 transformer GPT 생성AI 정량 평가 정성 평가 emotion types emotion analysis emotion generation emotion corpus generation AI quantitative evaluation qualitative evaluation
※ AI-Helper는 부적절한 답변을 할 수 있습니다.