초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

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 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