Advances in Sentiment and Emotion Analysis Techniques

• Kumari, Anamika ^[1] ; Pallavi, Smita ^[1] ; Pandey, Subhash Chandra ^[1]
  1. [1] Department of Computer Science, Birla Institute of Technology, Patna-800014, India
• Localización: Health Leadership and Quality of Life, ISSN-e 3008-8488, Vol. 3, Nº. 0, 2024 (Ejemplar dedicado a: Health Leadership and Quality of Life)
• Idioma: inglés
• Títulos paralelos:
  • Avances en las técnicas de análisis de sentimientos y emociones
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Introducción: comprender y analizar las emociones humanas es un área de investigación fundamental, con aplicaciones que abarcan la atención sanitaria, la educación, el entretenimiento y la interacción entre humanos y ordenadores. Objetivo: aprovechando modalidades como las expresiones faciales, los patrones del habla, las señales fisiológicas y los datos de texto, este estudio examina la integración de arquitecturas de aprendizaje profundo, como las redes neuronales convolucionales (CNN), las redes neuronales recurrentes (RNN) y los modelos de transformadores, para captar eficazmente las señales emocionales complejas. Método: este conjunto de datos ofrece un amplio espectro de categorías emocionales y clasificaciones de sentimientos, y sirve como un recurso sólido para avanzar en modelos innovadores de aprendizaje automático y aprendizaje profundo. Resultados: los hallazgos allanan el camino para desarrollar sistemas inteligentes capaces de adaptarse a las emociones humanas, fomentando interacciones más naturales y empáticas entre humanos y máquinas. Conclusiones: las direcciones futuras incluyen la expansión de conjuntos de datos, el abordaje de consideraciones éticas y la integración de estos modelos en aplicaciones del mundo real.

  • English

    Introduction: Understanding and analyzing human emotions is a critical area of research, with applications spanning healthcare, education, entertainment, and human-computer interaction. Objective: Leveraging modalities such as facial expressions, speech patterns, physiological signals, and text data, this study examines the integration of deep learning architectures, such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), and Transformer models, to capture intricate emotional cues effectively.Method: This dataset offers a broad spectrum of emotional categories and sentiment classifications, serving as a robust resource for advancing innovative machine learning and deep learning models. Result: The findings pave the way for developing intelligent systems capable of adapting to human emotions, fostering more natural and empathetic interactions between humans and machines. Conclusion: Future directions include expanding datasets, addressing ethical considerations, and integrating these models into real-world applications.