Un ordinateur peut-il analyser les émotions ?
Sommaire
Le langage humain est complexe. Apprendre à un ordinateur ou à une machine comment analyser les nuances, que ce soit au niveau grammatical ou culturel, ainsi que comment le contexte peut influencer le sens de la phrase, est un processus difficile qui n’est pas impossible.
Que signifie l’analyse des sentiments ?
L’analyse des sentiments, également appelée opinion mining ou emotion analysis en anglais, est un domaine d’étude consistant à analyser les émotions, les sensations et les attitudes des individus vis-à-vis des entités telles que les produits, les services, etc. Il s’agit d’un des domaines de recherche les plus actifs en traitement automatique de langage naturel depuis le début des années 2000.
L’analyse des sentiments vise à extraire des informations subjectives telles que des opinions et des sentiments à partir de textes évaluatifs en langage naturel sur des sites web et des médias sociaux. Elle permet d’analyser automatiquement toutes ces données textuelles, de mieux comprendre sa perception et d’en faire ressortir les différentes opinions exprimées dans une mention en ligne, sur un sujet précis comme une marque, une actualité ou un produit.
Types d’analyse des sentiments
Il y a de nombreux types d’analyse des sentiments qui sont appliqués :
- Classification des polarités : positive, négative ou neutre ;
- Détection des émotions : joyeux, triste, en colère, etc. ;
- Identification des intentions : intéressé, pas intéressé, etc..
Catégories des sentiments ?
Les sentiments sont généralement classifiés en trois polarités : positive, négative ou neutre.
Selon les mots et les phrases particuliers qui sont extraits, le texte ou la phrase sera catégorisé(e).
Ainsi, suivant le type d’analyse prédéfini, il est possible d’avoir des catégories plus fines, par exemple :
- Très positive
- Positive
- Neutre
- Négative
- Très négative
De ce fait, l’analyse des sentiments permet d’analyser une grande quantité de données afin de pouvoir facilement identifier les sentiments associés.
Niveaux d’analyses
De manière générale, il y a trois niveaux d’analyse des sentiments :
- Niveau du document : la polarité du texte entier sera déterminée. Cela signifie que le texte n’exprime qu’une seule opinion sur un seul concept/produit.
- Niveau de la phrase : la polarité de chaque phrase dans le texte sera déterminée. Cela signifie que chaque phrase exprime une opinion unique sur une entité unique.
- Niveau des aspects : ce niveau d’analyse qui est plus fin que les deux précédents permet d’analyser le texte afin d’identifier différents aspects et de déterminer le sentiment qui correspond pour chacun.
Plus concrètement, prenons l’exemple suivant :
« Cet ordinateur est bien, mais il vaut mieux que sa batterie dure plus longtemps et qu’il soit plus léger à porter.«
Il y a trois aspects qui sont évalués :- l’ordinateur => positif ;
- l’autonomie de la batterie => négatif ;
- le poids => négatif.
Analyse des sentiments, comment ça marche ?
Il existe plusieurs façons d’analyser les sentiments, avec de nombreux méthodes et algorithmes pour mettre en œuvre des systèmes d’analyse des sentiments comme suit :
- Approche par apprentissage automatique supervisé : repose sur des techniques d’apprentissage automatique (Machine Learning). Il s’agit d’apprendre au système à classer de façon automatique sur la base de statistiques, par exemple, un avis client est positif, négatif ou neutre (en cas d’analyse de polarité).
Pour que l’apprentissage automatique fonctionne, il faut annoter un jeu de données. Un algorithme probabiliste va ensuite analyser cette annotation afin d’en faire ressortir des règles qui permettront de classer d’autres avis selon les polarités. - Approche à base de règles linguistiques : il s’agit d’analyser un échantillon d’avis pour déterminer quels sont les mots ou les expressions qui indiquent le sentiment et ses différents degrés. Une fois cette analyse linguistique effectuée, des règles de grammaire qui seront créées permettront au système de classer chaque avis dans l’une ou l’autre des polarités.
- Approche hybride : cette méthode est assez intuitive puisqu’elle combine le meilleur des deux approches précédentes. En combinant les deux approches, la précision peut être améliorée.
Les limites de l’analyse des sentiments
Des risques d’erreur existent toujours dans n’importe quel procédé automatisé. L’intervention humaine est souvent nécessaire dans ce cas afin d’assurer la pertinence de l’analyse.
Certains systèmes se contentent de fournir une tonalité globale et de faire une extraction de thème global, sans affiner au niveau des aspects mentionnés ci-dessus. Les résultats sont alors moins pertinents.
Au-delà de la fiabilité, il est indispensable de prendre en compte que la communication humaine ne se limite pas qu’à trois polarités, positive, négative et neutre.
Études de cas associés
Je suis directeur de la conformité dans le domaine de l’assurance, nous vendons par téléphone des produits variés dans un contexte particulièrement réglementé. J’ai donc besoin d’outils pour m’assurer que les obligations d’information sont comprises et appliquées par les équipes en tenant compte des spécificités de chaque produit, sans pour autant nuire à la performance commerciale. Comment puis-je faire ?
Je suis dirigeant d’une société immobilière dont l’activité principale est la gestion syndicale de nombreux lots de copropriétés. Chaque jour, la boîte mail de ma société doit faire face à l’afflux de centaines d'emails : de la simple prise d’information à la demande d’intervention urgente. Comment puis-je automatiser le traitement d’un grand volume d'emails pour gagner en temps et en efficacité ?
En tant que Directeur de Production en transformation numérique dans une entreprise de vente en ligne, je souhaite mettre en place une solution d'IA avec apprentissage. Nous ne disposons que d'un faible volume de données et nous travaillons notamment sur l'analyse sentimentale des commentaires de clients qui nous sont parvenus grâce à notre site.
Je suis responsable réseaux sociaux pour une marque de cosmétiques et je souhaite pouvoir mesurer la satisfaction de nos clients sur les réseaux sociaux afin de prendre en compte ces retours pour mieux communiquer autour de mon entreprise, ainsi que réagir au plus vite lors de potentiels cas de crise.
Je suis responsable du service après-vente d'un site de vente en ligne et nous avons actuellement un système de prédiction automatique permettant de classer les avis de clients comme positifs, négatifs et neutres. Cependant, nous aimerions un système de détection qui, au lieu de donner une étiquette globale à un texte entier, fournisse des informations à un niveau plus fin. Existe-t-il des solutions de ce genre ?
Directeur de publication dans un groupe de presse, je suis responsable de la visibilité de mon journal dans l'espace numérique. Nos titres sont présents sur de nombreux réseaux sociaux et des blogs, où les publications sont ouvertes aux commentaires du public. La modération de ces pages est une responsabilité pour notre publication, une nécessité pour son image et une charge pour les équipes en charge de l'animation numérique. De plus, il est nécessaire de s'assurer que la modération des propos déposés par les internautes soit en ligne avec la Charte de bonnes pratiques de la publication. L'intelligence artificielle et les technologies du langage naturel peuvent-elles préparer, faciliter et accélérer la modération ?
Officier des forces de sécurité, j'anime une cellule de surveillance des réseaux criminels de toutes sortes, notamment à partir des interceptions de relations entre les membres de ces réseaux : texte, mais surtout enregistrements audio, dans les langues les plus diverses, parfois rares. Je sais que l'intelligence artificielle permet de mettre en évidence des faits d'intérêt majeur par l'analyse dans le temps de ces données textuelles et aimerais en savoir davantage.
Je suis décideur dans un institut d'études marketing et de sondage d'opinion. Je souhaite lancer des enquêtes incluant des questions ouvertes pour leur richesse. Mais comment dépouiller toutes ces contributions en texte libre ?
Je dispose de contenus précieux reflétant l’expérience, la satisfaction, les attentes de mes clients. Mais autant les contenus en texte libre sont riches, autant ils sont complexes à exploiter. L'analyse linguistique peut-elle m'apporter une aide ?
Je suis responsable d'une plateforme touristique d'un office de tourisme, et je souhaite proposer aux touristes potentiels des descriptions de mes prestataires et socioprofessionnels prenant en compte les avis clients.