Sosial media sentiment analizi insanların sosial media məzmunlarında mövzu, məhsul, şəxs, hadisə və ya siyasət haqqında müsbət, mənfi, neytral və ya daha ətraflı emosional qiymətləndirmələrini hesablama üsulları ilə çıxarmağa çalışan sahədir. İlk dövrlərdə daha çox yazılı mətnləri pozitiv, neqativ və neytral siniflərə ayırmağa fokuslanan bu sahə bu gün daha mürəkkəb quruluşa çevrilib.

Artıq sosial media yalnız qısa mətnlərdən ibarət deyil. Şəkillər, videolar, səslər, memlər, emojilər, hashtaglər, şərh zəncirləri, canlı yayımlar və şəbəkə əlaqələri emosional şərhə təsir göstərir. Cümlə təkbaşına neytral görünə bilər; lakin yanındakı yumoristik şəkil, istehzalı səs tonu və ya müzakirə konteksti onun mənasını dəyişə bilər. Buna görə sosial media sentiment analizi klassik mətn təsnifatından daha geniş tədqiqat sahəsinə çevrilib.

Tədqiqatın ən vacib mesajı budur: Süni intellekt və böyük dil modelləri sentiment analizini gücləndirsə də, sahənin əsas problemlərini tam həll etmir. Sosial media verilənləri səs-küylüdür, kontekst parçalıdır, məzmunlar manipulyasiya edilə bilər, botlar və süni intellekt tərəfindən yaradılmış paylaşımlar real insan emosiyasını təqlid edə bilər. Buna görə sosial media sentiment analizi yalnız daha güclü model deyil; daha yaxşı kontekst, daha etibarlı verilənlər və daha diqqətli şərh tələb edir.

Problem Nədir?

İnsanlar sosial mediada məhsullar, siyasi hadisələr, brendlər, filmlər, böhranlar, səhiyyə tətbiqləri, maliyyə inkişafları və gündəlik həyat haqqında daim fikir bildirirlər. Bu məzmunlar ictimai rəy araşdırması, marketinq, böhran idarəetməsi, siyasət izlənməsi və akademik tədqiqat baxımından çox dəyərli görünə bilər. Lakin bu verilənləri anlamaq asan deyil.

Birinci problem sosial media dilinin dağınıq olmasıdır. İstifadəçilər qısaltmalar, emojilər, jarqon, zarafat, ironiya, istehza, çoxdilli ifadələr və kontekstdən asılı göndərmələrdən istifadə edirlər. “Əla olub!” cümləsi həqiqətən müsbət ola bilər; amma istehzalı kontekstdə tam əksini də ifadə edə bilər. Sentiment analizi sistemi bu fərqi tuta bilməzsə yanlış nəticə yaradar.

İkinci problem kontekstin parçalı olmasıdır. Paylaşım əvvəlki söhbətə, aktual hadisəyə, mədəni zarafata və ya platformadaxili trendə istinad edə bilər. Mətnin daxilində bu kontekst açıq şəkildə yazılmayıbsa, sistem yalnız sözlərə baxaraq həqiqi emosiyanı çıxara bilməyə bilər.

Üçüncü problem sosial media məzmununun hər zaman real insan fikrini əks etdirməməsidir. Sponsorlu məzmunlar, saxta rəylər, bot hesablar, təşkilatlanmış kampaniyalar və artıq süni intellektlə yaradılmış paylaşımlar sentiment verilənlərini poza bilər. Sistem bu məzmunları real ictimai rəy kimi qəbul edərsə, təhlil nəticələri yanıltıcı hala gələr.

Dördüncü problem sentiment analizinin müxtəlif sahələrdə yanlış şərh edilmə riskidir. Marketinqdə brend haqqında istehlakçı qavrayışını anlamaq üçün istifadə oluna bilər; lakin siyasətdə müşahidə, təbliğat və ya ictimai rəyin manipulyasiyası məqsədi ilə də istifadə edilə bilər. Maliyyədə bazar sentimentini izləmək üçün istifadə oluna bilər; lakin təkbaşına investisiya qərarı yaratmaq üçün etibarlı alət deyil.

Metod Nə Təklif Edir?

Tədqiqat sosial media sentiment analizini tək bir üsuldan ibarət hesab etmir. Sahənin tarixi olaraq klassik mətn təsnifatından dərin öyrənməyə, oradan multimodal və böyük dil modeli əsaslı yanaşmalara doğru inkişaf etdiyini göstərir.

İlk dövr sentiment analizi əsasən yazılı mətndəki sözləri araşdıraraq mətni pozitiv, neqativ və ya neytral kimi təsnif edirdi. Bu yanaşma xüsusilə məhsul rəyləri kimi daha nizamlı mətnlərdə işləyə bilirdi. Lakin sosial media dili daha qısa, daha sürətli, daha dağınıq və kontekstdən daha çox asılı olduğu üçün bu üsullar məhdud qalırdı.

Dərin öyrənmə yanaşmaları sözləri yalnız sabit lüğət girişləri kimi deyil, məna əlaqələri daxilində təmsil etməyə başladı. Word embedding adlanan söz təmsili üsulları “favorite” və “favourite” kimi fərqli yazılan, lakin oxşar məna daşıyan sözləri bir-birinə yaxın kodlaya bildi. CNN və RNN kimi modellər söz sırasını və konteksti daha yaxşı nəzərə ala bildi.

Aspect-Based Sentiment Analysis, yəni aspekt əsaslı sentiment analizi, tək ümumi sentiment balı vermək əvəzinə mətndəki müxtəlif cəhətləri ayrı-ayrılıqda araşdırır. Məsələn, “Telefonun kamerası çox yaxşıdır, amma batareyası zəifdir” deyən istifadəçi eyni məhsul haqqında həm müsbət, həm mənfi sentiment bildirib. Bu yanaşma kamera üçün pozitiv, batareya üçün neqativ sentiment çıxarmağı hədəfləyir.

Multimodal sentiment analizi mətn xaricindəki elementləri də nəzərə alır. Sosial mediada emosiya yalnız sözlərdə deyil; şəkildə, videoda, səs tonunda, üz ifadəsində, musiqidə, mem quruluşunda və şərh kontekstində də ortaya çıxa bilər. Buna görə mətn, görüntü, səs və video verilənlərinin birlikdə qiymətləndirilməsi daha realistik nəticələr verə bilər.

Bilik qrafları və sahə biliyi əsaslı üsullar sentiment şərhinin kontekstdən asılı olduğu hallarda əhəmiyyət qazanır. Söz ümumi dildə neytral ola bilər; lakin səhiyyə, maliyyə, idman və ya siyasət kimi xüsusi sahədə güclü emosiya daşıya bilər. Bilik qrafları anlayışlar və əlaqələr vasitəsilə bu konteksti modelə əlavə etməyə çalışır.

Böyük dil modelləri isə sahəni yenidən formalaşdırıb. LLM-lər, yəni böyük dil modelləri uzun konteksti daha yaxşı anlaya, müxtəlif dillərdə işləyə, az nümunə ilə tapşırıq yerinə yetirə və mürəkkəb cümlə quruluşlarını həll edə bilər. Lakin bu modellər də təsadüfilik, qara qutu quruluşu, qiymətləndirmə çətinliyi və qərəz kimi yeni problemlər yaradır.

Formullar Nəyi İzah Edir?

Tədqiqatda riyazi formula və ya eksperimental model tənliyi yoxdur. Mətn sosial media sentiment analizini konseptual və metodoloji baxımdan izah edən ensiklopediya maddəsidir. Buna görə köçürüləcək orijinal MathJax formulası yoxdur.

Buna baxmayaraq, sahənin əsas məntiqi Verianla oxucusu üçün sadə şəkildə belə göstərilə bilər:

Bu ifadə tədqiqatda sözbəsöz formula kimi yer almır; sosial media sentiment analizinin klassik mətn təsnifatından niyə daha geniş olduğunu göstərmək üçün hazırlanmış redaksiya ümumiləşdirməsidir.

Klassik sentiment təsnifatı belə sadələşdirilə bilər:

Burada \(x\) təhlil edilən sosial media məzmununu; \(f(x)\) isə modelin bu məzmun üçün yaratdığı sentiment sinfini təmsil edir.

Aspekt əsaslı sentiment analizində isə tək ümumi bal əvəzinə hər aspekt üçün ayrıca sentiment çıxarılır:

Burada \(a_i\) məhsul, siyasət, xidmət və ya hadisə ilə bağlı müəyyən aspekti; \(s_i\) isə həmin aspekt haqqındakı sentiment qiymətləndirməsini təmsil edir. Məsələn, telefon rəyində \(a_1\) kamera, \(a_2\) batareya, \(a_3\) qiymət ola bilər.

Sosial media analizində ən kritik xəbərdarlıq isə belə ümumiləşdirilə bilər:

Çünki sosial media verilənləri botlar, sponsorlu məzmunlar, alqoritmik görünürlük, platforma qaydaları, saxta hesablar və süni intellekt tərəfindən yaradılmış mətnlərlə formalaşa bilər.

Qrafik, Cədvəl və Sxemin Əsas Mesajı

Tədqiqatın struktur izahı sosial media sentiment analizinin üç böyük transformasiyadan keçdiyini göstərir. Birinci mərhələdə sentiment analizi daha çox təcrid olunmuş yazılı mətnlərin pozitiv və ya neqativ təsnifatı idi. İkinci mərhələdə sosial media platformaları bu sahəni genişləndirdi: qarşılıqlı əlaqələr, şəbəkələr, zamanla dəyişiklik, hashtaglər, şərh axınları və viral yayılma təhlilin bir hissəsinə çevrildi. Üçüncü mərhələdə isə böyük dil modelləri və multimodal modellər işə qoşularaq mətn, görüntü, səs və video şərhini birlikdə düşünməyi mümkün etdi.

Tətbiq sahələri baxımından tədqiqat sosial media sentiment analizinin yalnız marketinq aləti olmadığını göstərir. Məhsul rəyləri və brend qavrayışı erkən istifadə sahələridir; lakin siyasət, ictimai rəyin izlənməsi, dövlət müşahidəsi, təbliğat, maliyyə bazarlarının izlənməsi və siyasət təhlili kimi sahələrdə də istifadə olunur. Bu geniş istifadə sahəsi üsulun gücünü göstərməklə yanaşı etik riskləri də artırır.

Sosial media növləri baxımından vacib mesaj budur: Sosial media tək platforma növündən ibarət deyil. Bloqlar, mikrobloglar, sosial şəbəkə saytları, video paylaşma platformaları, foto tətbiqləri, mesajlaşma tətbiqləri, canlı yayım platformaları, forumlar və vikilər fərqli ünsiyyət formaları yaradır. Buna görə eyni sentiment analizi üsulu hər platformada eyni uğuru verməyə bilər.

Təhlil növləri baxımından tədqiqat beş genişlənmə sahəsinə diqqət çəkir: multimodal təhlil, zaman dinamikası, qarşılıqlı əlaqə təhlili, şəbəkə əlaqələri və emosiyanın yayılması. Bu başlıqlar sosial media sentiment analizinin artıq yalnız “bu paylaşım müsbətdirmi?” sualını deyil, “bu emosiya necə yayıldı, kimlər gücləndirdi, hansı şəbəkələrdə cəmləşdi, hansı hadisədən sonra dəyişdi?” kimi daha mürəkkəb sualları da nəzərdən keçirdiyini göstərir.

Böyük dil modelləri bölməsinin əsas mesajı ikitərəflidir. LLM-lər daha dərin kontekst anlayışı, az nümunə ilə tapşırıq yerinə yetirmə və çoxdilli təhlil üstünlüyü verir. Lakin təsadüfi çıxış yaratma, qara qutu quruluşu, təlim verilənlərinin bilinməməsi, qiymətləndirmə çətinliyi və qərəz kimi problemlər sentiment analizində yeni qeyri-müəyyənliklər yaradır.

Təcrübələr Necə Aparılıb?

Bu tədqiqat klassik mənada eksperimental araşdırma aparmır. Yeni verilənlər dəsti ilə model təlimi, kəmiyyət düzgünlük müqayisəsi və ya laboratoriya təcrübəsi təqdim etmir. Bunun əvəzinə sosial media sentiment analizi sahəsindəki ədəbiyyatı, üsulları, tətbiq sahələrini və gələcək çətinlikləri toplayan akademik ensiklopediya maddəsi kimi hazırlanıb.

Tədqiqat sosial media sentiment analizinin tarixi inkişafını erkən maşın öyrənməsi yanaşmalarından başlayaraq izah edir. Pang, Lee və Vaithyanathan-ın film rəyləri üzərində tədqiqatı kimi erkən dövr işləri sahənin maşın öyrənməsi ilə necə institusionallaşdığını göstərən əsas istinadlar arasında təqdim olunur.

Daha sonra sahənin tətbiq baxımından genişlənməsi araşdırılır. Məhsul rəyləri, siyasi kampaniyalar, ictimai rəyin izlənməsi, dövlət müşahidəsi, siyasət təhlili, maliyyə sentimentinin izlənməsi və brend idarəetməsi kimi istifadə sahələri müzakirə olunur. Bu bölmə sentiment analizinin texniki təsnifat üsulu olmaqdan çıxıb sosial, kommersiya və siyasi nəticələr yaradan analitik alətə çevrildiyini göstərir.

Metod bölməsində dərin öyrənmə, aspekt əsaslı sentiment analizi, multimodal təhlil, bilik qrafları və böyük dil modelləri kimi yanaşmalar müqayisəli şəkildə nəzərdən keçirilir. Bu yanaşma oxucuya sahənin yalnız tək model ailəsinə əsaslanmadığını; fərqli verilən növləri və məqsədlər üçün fərqli üsulların lazım olduğunu göstərir.

Nəticə bölməsində isə gələcək problemlər vurğulanır. Verilənlərə çıxış məhdudiyyətləri, məxfilik və razılıq müzakirələri, saxta məzmun, bot hesablar və süni intellekt tərəfindən yaradılmış paylaşımlar sentiment analizinin etibarlılığına təsir edən əsas risklər kimi təqdim olunur.

Nəticələr Nəyi Göstərir?

Birinci nəticə sosial media sentiment analizinin klassik mətn təsnifatından kənara çıxmasıdır. Bu gün sentiment analizi mətn, şəkil, video, səs, zaman, qarşılıqlı əlaqə və şəbəkə əlaqələrini birlikdə qiymətləndirməyə doğru irəliləyir.

İkinci nəticə sosial media verilənlərinin hər zaman etibarlı ictimai rəy göstəricisi olmamasıdır. Platforma alqoritmləri, məzmun tənzimləmə siyasətləri, sponsorlu məzmunlar, botlar və saxta hesablar sentiment analizini poza bilər. Platformada daha çox müsbət məzmun görünməsi insanların həqiqətən daha müsbət düşündüyü demək olmaya bilər.

Üçüncü nəticə tətbiq sahələrinin çox genişlənməsidir. Marketinq və məhsul rəyləri erkən nümunələrdir; lakin siyasət, dövlət müşahidəsi, təbliğat, maliyyə və siyasət dizaynı kimi sahələrdə də sentiment analizindən istifadə olunur. Bu genişlənmə üsulun həm faydalı, həm də riskli ola biləcəyini göstərir.

Dördüncü nəticə böyük dil modellərinin sahəni gücləndirməsi, lakin həll olunmamış problemləri aradan qaldırmamasıdır. LLM-lər konteksti daha yaxşı tuta və az nümunə ilə təhlil apara bilər; lakin çıxışları dəyişkən ola bilər, qərar prosesləri şəffaf deyil və təlim verilənlərinin nə ehtiva etdiyi çox vaxt bilinmir.

Beşinci nəticə süni intellekt tərəfindən yaradılmış məzmunun sentiment analizində əsaslı qırılma yarada bilməsidir. Əgər sosial media məzmununun mühüm hissəsi real insan fikri əvəzinə botlar və ya süni intellekt sistemləri tərəfindən yaradılırsa, bu məzmunlardan çıxarılan “emosiya” sosial reallığı əks etdirməyə bilər.

Bu Niyə Vacibdir?

Sosial media sentiment analizi brendlərin müştəri məmnuniyyətini anlamasından hökumətlərin ictimai rəy reaksiyalarını izləməsinə, akademik tədqiqatlardan maliyyə bazarı siqnallarına qədər geniş sahədə istifadə olunur. Buna görə üsulun sərhədlərini anlamaq ən az onun texniki imkanlarını bilmək qədər vacibdir.

Şirkət üçün yanlış sentiment analizi məhsul strategiyasını yanlış istiqamətləndirə bilər. Dövlət qurumu üçün yanlış sosial media oxunuşu cəmiyyətin həqiqi narahatlıqlarını gözdən qaçırmağa səbəb ola bilər. Siyasətdə sentiment analizi seçici davranışını anlamağa kömək edə bilər; lakin manipulyasiya və müşahidə riski də daşıyır. Maliyyədə isə sosial media sentimenti təkbaşına etibarlı investisiya siqnalı deyil; bazar davranışı daha mürəkkəb dəyişənlərlə formalaşır.

Bu tədqiqat xüsusilə bir məqamı görünən edir: Sosial media verilənləri öz-özünə “xalqın səsi” deyil. Platformaların alqoritmləri, məzmun qaydaları, istifadəçi demoqrafiyası, botlar, sponsorlu paylaşımlar və süni intellekt tərəfindən yaradılmış mətnlər bu səsi formalaşdırır. Buna görə sentiment analizi nəticələri həmişə verilən mənbəyinin necə formalaşdığı sualı ilə birlikdə şərh edilməlidir.

Verianla baxımından tədqiqatın dəyəri süni intellekt əsaslı sosial media analizinin həm texniki, həm də sosial tərəfini birlikdə göstərməsidir. Daha yaxşı modellər vacib olsa da, əsas məsələ yalnız təsnifat düzgünlüyü deyil; real insan emosiyasını, konteksti və manipulyasiya riskini fərqləndirə bilən daha diqqətli təhlil çərçivələrinə ehtiyac var.

Diqqət Edilməli Məqamlar

Birinci diqqət məqamı tədqiqatın eksperimental model müqayisəsi deyil, ensiklopediya maddəsi olmasıdır. Buna görə mətn sosial media sentiment analizi sahəsinə ümumi və öyrədici giriş təqdim edir; müəyyən modelin performansını ətraflı sınaqdan keçirmir.

İkinci diqqət məqamı sosial media sentiment analizinin maliyyə istifadəsidir. Xəbər və ya sosial media sentiment verilənlərindən bəzi bazar təhlillərində istifadə oluna bilər; lakin bu məzmun investisiya tövsiyəsi deyil. Sosial media sentimenti bazar hərəkətlərini təkbaşına etibarlı şəkildə proqnozlaşdırmaq üçün kifayət deyil.

Üçüncü diqqət məqamı siyasət və ictimai rəyin izlənməsi sahəsidir. Sentiment analizi ictimai rəy tendensiyalarını anlamağa kömək edə bilər; lakin müşahidə, təbliğat və davranış yönləndirməsi məqsədi ilə istifadə olunanda etik və demokratik risklər doğura bilər.

Dördüncü diqqət məqamı böyük dil modellərinin məhdudiyyətidir. LLM-lər güclü kontekst anlayışı versə də, təsadüfi çıxışlar yarada, qara qutu kimi davrana, qərəz daşıya və təlim verilənlərinin qeyri-müəyyənliyi səbəbindən qiymətləndirməni çətinləşdirə bilər.

Beşinci diqqət məqamı saxta və süni intellekt tərəfindən yaradılmış məzmunlardır. Əgər təhlil edilən məzmunların mühüm hissəsi saxta hesablar, botlar və ya AI tərəfindən yaradılmış mətnlərdən ibarətdirsə, sistem texniki baxımdan düzgün təsnifat aparsa belə, ölçdüyü şey real insan emosional meyli olmaya bilər.

Nəticə

Sosial media sentiment analizi sadə pozitiv-neqativ təsnifatından daha mürəkkəb sahəyə çevrilib. Bu gün bu sahə multimodal məzmunlar, şəbəkə əlaqələri, zamanla emosiyanın dəyişməsi, qarşılıqlı əlaqə axınları, platforma dinamikası və böyük dil modelləri ilə birlikdə düşünülür.

Tədqiqatın əsas mesajı budur: Süni intellekt sosial media emosiyalarını daha yaxşı təhlil edə bilər; lakin verilənlərin həqiqiliyi, kontekstin parçalanmışlığı və məzmun manipulyasiyası problemləri həll olunmadan sentiment analizi nəticələri asanlıqla yanıltıcı hala gələ bilər.

LLM-lər sosial media sentiment analizini daha güclü və çevik hala gətirib. Lakin bu modellərin təsadüfi, qara qutu və qərəzə açıq quruluşu yeni diqqət məqamları yaradır. Daha inkişaf etmiş model avtomatik olaraq daha etibarlı sosial şərh demək deyil.

Verianla baxımından tədqiqatın əsas nəticəsi aydındır: Sosial mediadakı emosional siqnalları anlamaq üçün yalnız sözləri deyil; platformanı, konteksti, qarşılıqlı əlaqəni, şəbəkəni, zamanı və məzmunun real insan tərəfindən yaradılıb-yaradılmadığını birlikdə qiymətləndirmək lazımdır.

Mənbə və Metod Qeydi

Bu məzmun Joyce Y. M. Nip və Benoit Berthelier tərəfindən hazırlanmış “Social Media Sentiment Analysis” adlı, Encyclopedia jurnalında 2024-cü ildə dərc edilmiş açıq girişli akademik ensiklopediya maddəsinə əsasən hazırlanıb. Tədqiqat sosial media sentiment analizinin tərifi, tarixi inkişafı, tətbiq sahələri, sosial media növləri, multimodal təhlil, aspekt əsaslı sentiment analizi, bilik qrafları, böyük dil modelləri və gələcək risklər haqqında ümumi qiymətləndirmə təqdim edir.

Bu məzmun sözbəsöz tərcümə deyil; tədqiqatın əsas ideyası Verianla yayım xəttinə uyğun şəkildə sadələşdirilib və orijinal Azərbaycan dilli redaksiya məqaləsinə çevrilib.