utworzone przez Agnieszka Czoska | gru 17, 2018 | Badania rynku, Polityka i społeczeństwo, Styl życia
Znany Lekarz to chyba najpopularniejszy serwis z opiniami o doktorach. Zebraliśmy mały, testowy korpus opinii dostępnych na stronie ZnanyLekarz.pl, krytycznych i chwalących wybraną grupę ginekologów. Postawiliśmy na tę specjalność, bo okazało się, że najłatwiej właśnie w niej znaleźć rozczarowanych pacjentów. Uzyskane wyniki są dobrym przybliżeniem tego, co pokazałaby nam analiza większego zbioru tekstów z innych specjalności – sprawdziliśmy to. Kolejny raz okazało się, że analiza SentiTool jest skuteczna już na stosunkowo niewielkim zbiorze wpisów.
Zebraliśmy po pięć krytycznych i chwalących wpisów o wybranych lekarzach. Poklasyfikowaliśmy je zgodnie z podziałem Znanego Lekarza: pięć gwiazdek to pochwała, jedna – krytyka. Następnie wrzuciliśmy teksty w SentiToola otrzymując dwa modele ich zawartości: analizę sentymentu (podział na pozytywne i negatywne sformułowania) i analizę zgodną z modelem Plutchika uwzględniającym osiem emocji podstawowych.
Najpierw przyjrzyjmy się analizie sentymentu.
O ile w pochwalnych opiniach jest wyraźna przewaga pozytywnych emocji, krytyczne wpisy zawierają obie składowe w prawie takich samych proporcjach. Opisując nieudane leczenie lub wizyty pacjenci wyrażają swoje niezadowolenie, ale w “elegancki” sposób (na portalu ZnanyLekarz nie są zwykle anonimowi, konieczność podania nazwiska może ich skłaniać do powstrzymywania się od nazywania swoich odczuć w sposób nieparlamentarny). Często porównują złego lekarza do innego, który był dla nich przyjemniejszy czy skuteczniejszy. Stąd brak przewagi negatywnego sentymentu. Jednocześnie okazuje się, że w analizie sentymentu bardzo krytyczna uwaga (1 na 5 gwiazdek) nie jest łatwa do wykrycia na podstawie ilości negatywnych sformułowań.
Analiza poszczególnych emocji daje nam znacznie więcej informacji.
Krytyczne opinie charakteryzują się sporą proporcją złości, smutku (w tym wypadku wyrażnie odróżnialnego od negatywnego sentymentu), wstrętu i strachu. Negatywne emocje są zawsze obecne także w pochwalnych wpisach, ale spodziewamy się tego ze względu na specyfikę dziedziny – opis choroby i leczenia źle się kojarzy.
Żeby wyraźniej pokazać rozsunięcie emocji w krytycznych i pochwalnych opiniach ze strony ZnanyLekarz.pl przetworzyliśmy dane w nieco inny sposób. Na wykresie radarowym wyraźnie widać, że opinie krytyczne ciążą w kierunku smutku i złości. Pochwalne w kierunku radości i zaufania (obecnego także w tych pierwszych, znowu mamy tu do czynienia ze specyfiką dziedziny).
Porównanie wyników analizy sentymentu i zawartości ośmiu emocji składowych w opiniach o lekarzach pozwala nam wyciągnąć dwa podstawowe wnioski:
- Krytyka angażuje więcej różnorodnych emocji, czego jednak nie widać w analizie sentymentu.
- Chwalenie to dużo pozytywów i bardzo mało negatywów. Do wyłonienia takich wpisów z większego zbioru wystarczy nawet klasyczna analiza.
Znając rozkład emocji nie musimy już wymuszać na pacjencie dodawania gwiazdek do opinii. Sami umiemy ją zaklasyfikować jako pochwałę lub krytykę. Co więcej, wiemy już, że wystarczy monitorować wyrażenia związane ze złością lub smutkiem – jeśli będzie ich coraz więcej, wizerunek danego lekarza niewątpliwie jest w kryzysie. Analiza tego, o czym pisali pacjenci (jak robiliśmy to przy okazji badania recenzji czy wpisów o Tęczowym Piątku) wykazuje, czy problemem jest osobowość lekarza (na przykład jest niemiły, oschły), czy może używany przez niego sprzęt lub zbyt niska skuteczność zabiegów.
Na przykładzie portalu ZnanyLekarz.pl pokazaliśmy wyższą skuteczność analizy pojedynczych emocji w porównaniu z analizą sentymentu. Skupienie się wyłącznie na wnioskach z analizy wydźwięku emocjonalnego może często prowadzić do błędnych konkluzji. Może mieć swoje negatywne konsekwencje biznesowe. I odwrotnie! Wydobycie z tekstu podstawowych emocji i ich interpretacja to potężne narzędzie w rękach działów obsługi klienta, marketingu i sprzedaży.
utworzone przez Agnieszka Czoska | gru 5, 2018 | Okiem badacza
W SENTIMENTI zajmujemy się badaniem emocji zawartych w tekstach, ale to nie znaczy, że interesują nas tylko wtedy, gdy da się je ubrać w słowa. To bardzo stare ewolucyjnie procesy dziejące się w naszych mózgach, czy raczej ciałach, w odpowiedzi na różne bodźce. Bez odczuwania nie ma emocji, nawet jeśli wedle wszelkiego prawdopodobieństwa zawrzemy je w naszym artykule, reklamie, mailu.
Jak twierdzi Joseph Le Doux, jeden z najważniejszych badaczy emocji, powstały jako mechanizm szybkiej reakcji na zagrożenie. Wychodząc od tej diagnozy można stwierdzić: negatywne emocje są nam niezbędne, ale pozytywne to tylko dodatek? Zupełnie nie, przecież tymi drugimi psychologia zajmowała się od zarania nazywając je układem nagrody. Nagroda, odczucie przyjemności, jest tak silne, że może uzależniać. Zbierając te dwa wątki razem widzimy nie tylko, jak istotne są oba krańce spektrum emocji, ale także, że w odczuciach ważnia jest powodowana nimi chęć ucieczki lub zbliżenia się do czegoś, pozostania w obszarze jego oddziaływania.
Emocje to także mechanizm sterowania naszą uwagą. Lubimy patrzeć na obiekty wywołujące w nas radość lub zachwyt, czyli pozytywne odczucia skłaniają nas do utrzymywania na nich wzroku (słuchu lub innych zmysłów). Reakcja ucieczki także jest spowodowana zauważeniem czegoś, na przykład węża na naszej ścieżce. Z tym, że świadomie dostrzegamy go dobrą chwilę po tym, kiedy się już wystraszyliśmy i cofnęliśmy. Uwaga niekoniecznie jest świadoma, nasz umysł załatwia niektóre sprawy automatycznie, co nie znaczy, że nie mają one potem wpływu na nasze funkcjonowanie.
Czy pozytywne, przyjemne widoki także mogą wpływnąć na nasze zachowanie niezauważone? Mniej więcej to pytanie stawiał sobie modny do niedawna neuromarketing, dziedzina wyrastająca z psychologii eksperymentalnej. Badania w tej dziedzinie prowadzą między innymi Rafał Ohme czy Dawid Wiener.
Ohme przeprowadził badanie (we współpracy z Michałem Matukinem i Tomaszem Szczurko) nad szalenie popularnym spotem reklamowym telewizora Sony Bravia. Film, opisywany powszechnie jako “kolorowe piłeczki” (lub ball bounce) zdobył uznanie profesjonalistów i zwykłych widzów – podobały się zdjęcia, muzyka… Jednak jak pokazało badanie Ohmego i innych bez jednej sceny, małego szczegółu często zupełnie niepamiętanego przez odbiorców i w zasadzie ignorowanego przez reklamożerców, jego efekt byłby znacznie mniejszy. Otóż usunięcie sceny z żabą wyskakującą z rynny (naprawdę tam jest!) sprawało, że efekt reklamy stawał się skromniejszy – pamiętano mniej zalet nowego ekranu, entuzjazm się zmniejszał.
Neuronaukowcy wytłumaczyli “efekt żaby” tym, że ta króciutka scena wywoływała wyraźny (wychwytywany przez EEG) wzrost pozytywnych emocji, co w efekcie poprawiało pamiętanie informacji podawanych tuż po niej. W terminach psychologii poznawczej mówimy tu o primingu emocjonalnym – pozytywnie nacechowany bodziec pożycza swój wydźwięk neutralnym treścią, które mu towarzyszą. Co ciekawe, sami twórcy “piłeczek” nie zdawali sobie sprawy z potęgi żaby. Po prostu im się spodobała.
W innym badaniu Ohme i jego zespół analizowali także minimalną różnicę sprawiającą, że potencjalne klientki zapamiętywały dużo więcej informacji z reklamy kosmetyku (jednej z wielu oglądanych w czasie jednej sesji). Występująca w niej aktorka dotykała swojej twarzy lub nie. Pierwsza wersja wywoływała więcej emocji, ale co ciekawe, negatywnych. Być może zadziałał tu efekt odwrócenia znaku emocji, o którym pisaliśmy wcześniej, bo uczestniczki tego badania po zobaczeniu źle odebranego gestu chętniej brały kosmetyk do wypróbowania.
Obecność emocji, nawet niezauważanych świadomie, wywołuje lepszy odbiór reklamy, poprawia zapamiętanie informacji o produkcie, zwiększa na niego chęć. W filmie wystarczy jedna scena, w tekście być może jedno słowo. Artyści tworzący reklamę mają pełne prawo nie wiedzieć, czym tak naprawdę zadziałali na ludzi, ale obowiązkiem specjalistów od marketingu, monitoringu marki, sprzedaży jest sprawdzić to i zrozumieć. Przecież skrócenie spotu o jedną scenę może zniweczyć jego efekt – o ile to ta wywołująca emocje. A wystarczy odrobina uczucia, najlepiej w sąsiedztwie kluczowej dla nas informacji, żeby lepiej nastroić potencjalnego klienta.
utworzone przez Agnieszka Czoska | lis 29, 2018 | Okiem badacza
Dr Jan Kocoń jest inżynierem języka naturalnego – to on odpowiada za uczenie maszynowe zamknięte w SentiToolu, naszym narzędziu do analizy emocji w tekście. Koordynuje prace zespołu językoznawczego, integruje poszczególne elementy narzędzia, ściśle współpracuje z zespołem informatycznym.
Kiedy masz komuś pierwszy raz opowiedzieć o Sentimenti i naszych narzędziach, co mówisz najpierw?
Sentimenti jest projektem, w którym zajmujemy się analizą emocji w tekście. W odróżnieniu od rozwiązań konkurencji, w których rozpoznaje się wyłącznie wydźwięk tekstu (pozytywny, neutralny, negatywny), nasze narzędzia są w stanie zrozumieć tekst, przypisać wyrazom w tekście konkretne znaczenia oraz emocje, jakie ludzie odczuwają w związku z tymi znaczeniami. Emocje te stanowią z kolei bazę wiedzy dla mechanizmu uczenia maszynowego, który dokonuje automatycznego rozpoznawania emocji na poziomie zdań oraz całego tekstu.
Co to znaczy, że analizujemy emocje w tekście?
W badaniach prowadzonych w projekcie zaadaptowaliśmy model Plutchika, obejmujący osiem emocji podstawowych: radość, smutek, zaufanie, wstręt, oczekiwanie, strach, zaskoczenie oraz złość. Jesteśmy w stanie oszacować, w jakim stopniu te emocje są wyrażone w tekście.
Skąd wiemy, jakie emocje ludzie czują?
Baza wiedzy, która jest pomocą dla naszego projektu, obejmuje ponad 30000 znaczeń słów, dla których 20000 unikatowych respondentów przypisuje oceny dotyczące wydźwięku oraz emocji. Mówimy tu o “znaczeniach”, a nie “słowach”, bo wyrazy są wieloznaczne, na przykład “ciemny” znaczy co innego w “ciemny błękit” lub “ciemny lud” i tylko w tym drugim przypadku niesie emocje. Każde znaczenie docelowo otrzyma 50 ocen od różnych osób. Dzięki temu wiemy, jakie odczucia wywołują określone znaczenia w tekście. Jednak emocja tekstu nie jest prostą sumą emocji przypisanych do znaczeń występujących w tym tekście…
Co jeszcze sprawia, że narzędzia do analizy emocji w tekście działają?
Z pomocą przychodzą nam dwie rzeczy. Pierwszą z nich jest nasza gigantyczna baza opinii z przyporządkowanym wydźwiękiem, które pochodzą z różnych dziedzin: podróże, medycyna, produkty i wiele innych. Mamy ponad 10 milionów takich tekstów, co stanowi doskonałe źródło informacji o ogólnym odczuciu twórcy tekstu. Jednak aby stwierdzić, jakie emocje dany tekst wywołuje u czytelnika, prowadzimy także własne badania, analogiczne od badań prowadzonych na pojedynczych znaczeniach. Przedmiotem tych badań są tym razem teksty. Osoby ankietowane przypisują im emocje podstawowe, dokładnie tak samo jak znaczeniom słów. Drugi filar naszego narzędzia to kombinacja wielu metod uczenia maszynowego. Eksperci od przetwarzania języka naturalnego dostarczają nam narzędzi do analizy tekstu na poziomie składniowym oraz semantycznym, dodatkowo tworzą reguły analizy znaczeń w kontekście jak: negacja, przypuszczenie, osłabienie lub wzmocnienie wydźwięku itp. Jest to dodatkowa pomoc dla metod automatycznych, na przykład głębokich sieci neuronowych, za pomocą których odbywa się właściwe wnioskowanie na temat emocji w tekście.
Do czego może się według ciebie przydać automatyczna analiz emocji?
Docelowo widzę wiele zastosowań dla naszych narzędzi. Pierwszy obszar obejmuje rynek reklam wyświetlanych w kontekście artykułów internetowych i dopasowywanie ich do emocji, jakie tekst publikacji wzbudza u czytelników. Przykładowo w smutnym tekście mogłaby pojawić się reklama towarzystwa ubezpieczeniowego, a w radosnym – reklama wycieczki. Kolejnym obszarem jest monitoring marki, czyli analizowanie jak klienci firm piszą w Internecie o danej firmie, jej produktach, jakie emocje im przy tym towarzyszą. Kolejne interesujące obszary to sortowanie skarg mailowych od klientów względem emocji w nich zawartych, detekcja konfliktów rodzących się w korespondencji pracowników, wykrywanie kryzysów w mediach społecznościowych, a nawet możliwość diagnozowania chorób psychicznych – potencjał jest naprawdę ogromny.
Co jeszcze planujesz zrobić w Sentimenti?
Póki co, jest gotowy prototyp z prostą analizą tekstu na poziomie znaczeń oraz z analizą wydźwięku z wykorzystaniem naszych wielkich zasobów opinii. Obecnie we Wrocławskim zespole Sentimenti zarządzam budową mechanizmu uczenia maszynowego, w którym możliwe będzie zagregowanie zarówno informacji z bazy wiedzy dotyczącej znaczeń, jak i informacji pochodzących z potoku przetwarzania języka naturalnego. Wciąż spływają nam nowe dane o odczuciach osób czytających teksty, stanowiące nasz zbiór uczący. Im więcej danych, tym lepsza jakość narzędzia.
utworzone przez Agnieszka Czoska | lis 27, 2018 | Okiem badacza
Dwie poprzednie części analizy wyników naszego badania nad wpływem emotikon na wydźwięk emocjonalny zdań zakończyliśmy pytaniem: czy zawsze wpływają tak samo? Wiemy, że zdaniom z “: )“, a nawet z “: *” zdarzało się dostać od uczestników naszej ankiety jedynkę, czyli oceniali je jako negatywne. Oczywiście mogli się pomylić. Ale z drugiej strony zobaczyliśmy też, że chociaż da się ułożyć buźki od najbardziej negatywnej do pozytywnej, te drugie wcale nie układają się za bardzo równo… A poza tym, łączą je słabe korelacje, więc nie jest tak, że “: D” to “: )” ale bardziej. Warto sprawdzić, co takiego jest z różnymi uśmiechami, że nie nie zawsze dodają zdaniu radości.
Żeby było ciekawiej, ale także bardziej poprawnie metodologicznie, popracujemy na innych danych niż dotąd. Usuniemy z nich wartości odstające, tzw. outliery. Nie ręcznie, ale automatycznie (w programie KNiME, korzystając z filtra do danych numerycznych). Czyszczenie danych okazało się dość radykalne, w jego efekcie aż pięć z dziewięciu badanych przez nas emotikon zamiast pięciu kategorii ocen zostało jedynie z trzema. Oznacza to, że wykres ilustrujący kontinuum negatywne-pozytywne nieco się zmienił i jest teraz bardziej jednoznaczny.
Kiedy uśmiech staje się niemiły. Co oznaczają emotki?
Nawet po odrzuceniu outlierów okazuje się, że “: |” na końcu zdania może w efekcie dawać pozytywny komunikat, a “X D” – negatywny. Co więcej, nawet dodanie emotki może nie ocieplić ani nie ochłodzić zdania, ale pozostawić je w średnich regionach oceny 3.
Testowaliśmy wpływ emotikon z wykorzystaniem pięciu różnych zdań, raczej neutralnych, choć ocenianych przez uczestników badania różnie. Jak pokazaliśmy w pierwszym wpisie, faktycznie neutralne jest “Powiedział, że nic się nie stało”.
Przypuszczamy, że wyjściowy wydźwięk emocjonalny zdania będzie miał wpływ na to, czy po dodaniu danej emotikony czytelnik odczyta je inaczej, czy wciąż tak samo. Czy “Jedziemy na wycieczkę do Grecji” zmieni się tak samo mocno po dodaniu “: (“, co “: )“? Poniżej pokazujemy średnią zmianę (na plus lub minus) po dodaniu emotikony, w stosunku do zdania w formie wyjściowej, bez ozdób.
Jak widać na powyższym wykresie, nie każda emotikona działa równie silnie. Zmiany na minus są większe niż na plus, największe, jeśli dodamy “: |” lub “: /” (dwie najsilniej ze sobą skorelowane emotki). Uśmiechy zawsze działają słabiej, a nie mają prawie żadnego wpływu na zdanie o Grecji czy “Teraz rozumiem” – a więc te najbardziej pozytywne już w punkcie wyjścia. Co więcej, można dostrzec niewielki, ale negatywny wpływ dodania “: P“, a nawet “: *“, do informacji o wycieczce! Przy okazji na powyższym wykresie widać, że “: 0“, choć ma wyrażać zaskoczenie czy nawet zachwyt, jest odbierane jako obniżające wydźwięk zdania, zwłaszcza uznawanego za pozytywne.
Emotikony. Co oznaczają? Symbole z pustymi przebiegami i paradoksalnymi efektami
Zdania niosące pozytywne emocje nie robią się zdecydowanie bardziej entuzjastyczne po dodaniu pozytywnej emotikony. Najbardziej zyskują na nich te “wyjściowo” negatywne, na przykład dodanie “: D” do słów o deszczu lub poniedziałku sprawi, że zrobią się neutralne, a nawet radosne. “: *” i “: P” mogą mieć paradoksalne działanie – zwykle ocieplają zdanie, jednak mogą sprawić, że pozytywne stwierdzenia staną się negatywne, być może ironiczne lub nabierają złośliwych odcieni. Nie skupialibyśmy się na tym być może jedynie na podstawie wyników naszych badań, ale mamy za sobą kilka kłótni biorących się z wysłania bliskim źle odebranego całuska…
Emotikony działają trochę jak intonacja – jakbyśmy wypowiadali zdanie innym tonem, bardziej radośnie, ze smutkiem, z rozczarowaniem, albo okazując szczęście. I właśnie jak ton mogą wywoływać paradoksalne efekty – przybijające treść podana lekkim tonem raczej nie pociesza, może wręcz wywołać agresję i niechęć wobec mówiącego. Badając reakcje odbiorcy w momencie, gdy emotikony są integralnym, używanym od dłuższego czasu elementem komunikacji on-line możemy wreszcie sprawdzić, jaki mogą mieć efekt na odbiór różnych informacji.
Chcemy wiedzieć o emotikonach jeszcze więcej, dlatego prowadzimy kolejne badanie. Można wziąć w nim udział klikając w ten link. Zajmie 10 minut.
utworzone przez Agnieszka Czoska | lis 22, 2018 | Okiem badacza
Matematyka może opisać uczucia – najprościej robi to dwuczynnikowa teoria emocji definiująca je na dwóch skalach: polaryzacji i siły. Zachwyt jest silniejszy niż radość, a obrzydzenie bardziej negatywne niż wstręt. Prowadząc badania z wykorzystaniem EmoTool (na przykład te o politykach) korzystaliśmy z obu skal, ale analizując emotikony i ich wpływ na odbiór zdań skupiliśmy się na kontinuum negatywne-pozytywne.
Jak pisaliśmy w pierwszej części analizy naszego badania, dodanie “: )” sprawia, że zdanie zaczyna brzmieć pozytywnie, a “: (” – negatywnie. Dopisanie całuska działa bardzo podobnie jak uśmiech – chyba, że wyjściowe zdanie (bez emotikony) wydawało się odbiorcom negatywne, wtedy uczestnicy naszego badania decydowali się na uznanie go za neutralne, co może także oznaczać, że powinniśmy zadać im inne pytanie – na przykład, czy mają do czynienia z ironią lub bezsensowną konstrukcją. Poprzednim razem opisaliśmy 3 z 9 przebadanych przez nas emotikon. Dzisiaj napiszemy trochę więcej o pozostałych.
W naszym badaniu wykorzystaliśmy pięć zdań:
- Teraz wszystko rozumiem.
- Dzisiaj jest poniedziałek.
- Od rana pada deszcz.
- Powiedział, że nic się nie stało.
- Jedziemy na wycieczkę do Grecji.
… i 9 emotikon
- : )
- : (
- : D
- : P
- : /
- X D
- : 0
- : |
- : *
Założyliśmy, że 5 z nich będzie miało pozytywny wydźwięk, a 3 negatywny (nr. 2, 5 i 8). Przypuszczaliśmy także, że “: 0” może być najbardziej kłopotliwa dla uczestników badania, bo “zaskoczona buźka” jest rzadko używana w wersji nie-ilustrowanej. Prosiliśmy o ocenę każdego zdania (najpierw bez emotikon, potem z nimi, zdania w każdej z tych list pokazywały się w losowej kolejności) na skali 1 (negatywny wydźwięk emocjonalny) do 5 (pozytywny), gdzie 3 oznaczało środek skali i neutralną wypowiedź.
Zobaczyliśmy w poprzednim wpisie, że ich obecność emotikon wyraźnie wpływała na odbiór emocjonalnego wyrazu zdań. To oczywiście nie cała matematyka przydatna do opisu wyników, nie chodzi tylko o to, czy pojedyncze histogramy przesuwają się bliżej 1 czy 5. Jeśli dodanie buźki faktycznie dodaje pozytywności lub negatywności znaczeniu zdania, relacje pomiędzy wersją z emotką i bez powinny dać się opisać regresją liniową.
Ocena zdania w wersji podstawowej… nie koreluje zbyt silnie z ocenami jakiejkolwiek wersji wzbogaconej. Najsilniejsza korelacja liniowa wiąże je z naszą dziwną : 0 (R=0.306, to słaba korelacja). Nie widać także żadnej silnej korelacji negatywnej (R=-0.4 i więcej), a więc nie można mówić o odwracaniu wydźwięku zdania przez użycie emotikony. Przyjrzyjmy się wobec tego relacjom między emotikonami.
Najsilniej skorelowane są ze sobą “: /” i “: |” (R=0.64). Oznacza to, że 40% zmienności jednej zmiennej (ocen zdań z emotikoną “:/”) można wyjaśnić lub przewidzieć na podstawie zmian (ocen) tej drugiej. Te oszacowania wydźwięku emocjonalnego niekoniecznie są takie same czy podobne, po prostu na 40% da się obliczyć jedne na podstawie drugich. Oceny na skali 1-5 to zmienne porządkowe, możemy je zatem eksplorować jak dane ilorazowe lub nominalne, dlatego użyjmy jeszcze testu Chi-kwadrat, który pokaże nam, czy może jednak oceny tych zdań są podobne. Chi=565.6, P=0.001 – są istotnie statystycznie różne. Zdania z obiema emotikonami najczęściej otrzymywały ocenę 2, “raczej negatywne”, ale “: |” częściej była uznawana za neutralną, a “: /” za negatywną (histogramy poniżej). “: /” koreluje jeszcze (R=0.55) ze smutną buźką, co także nie znaczy, że ich oceny są takie same (Chi=462.38, p>0.001). Oczywiście, trzeba tu uważać na jeszcze jedną sprawę – kiedy mówimy o korelacjach, mierzymy je wg osób, natomiast testy Chi liczymy w grupach – wówczas nie interesuje nas, kto jak ocenił dane zdanie, a tylko czy wszystkie zdania z “:)” mają w sumie inne proporcje odpowiedzi niż te z “: P“. Każdy z tych testów daje nam nieco inną perspektywę na relacje pomiędzy zmiennymi.
Poniżej prezentujemy wykres pokazujący siłę korelacji pomiędzy poszczególnymi emotikonami – uwzględniliśmy jedynie te powyżej 0.4 (oznaczające 16% wspólnej zmienności), czyli od umiarkowanych po silniejsze korelacje. Najwyższy słupek to omówiona wyżej relacja między “: /” i “: |“. Czarne prostokąty wskazują emotikony o największej liczbie interesujących korelacji z innymi. Jak widać, dotyczy to głównie tych pozytywnie nacechowanych (ale nie klasycznego uśmiechu) – być może po prostu dlatego, że jest ich nieco więcej. Za to negatywnie nacechowane okazały się silniej skorelowane i to w ich przypadku możemy faktycznie mówić o silniejszych korelacjach.
Przeglądając korelacje i histogramy można podzielić emotikony użyte w naszym badaniu na pozytywne (“: D“, “: D“, “: *“, “”X D“), negatywne (“: /“, “: |“, “: (“) oraz “inne” – “: )” i “: 0“, z których pierwsza jest niewątpliwie pozytywnie nacechowana, ale za bardzo nie koreluje z pozostałymi z tej grupy. Czy umiemy poukładać je w ciąg od najbardziej pozytywnych po najbardziej negatywne?
Jeśli weźmiemy pod uwagę wzrastającą liczbę 5 i spadającą 1, otrzymamy wyraźne kontinuum od “: (” po “: D“. Co zastanawiające, każda emotikona otrzymywała ocenę od 1 do 5, nie ma takiej, która nie pojawiłaby się choć kilka razy z bardzo nietypową dla siebie oceną emocjonalną.
Wyniki naszego badania pokazują emocjonalną wartość emotikony, jej wpływ na odbiór zdania niezależnie od jego treści. W pierwszym artykule z tego cyklu pokazaliśmy, że nie wszystkie analizowane przez nas zdania było odbierane (przed dodaniem emotikon) jako neutralne, dlatego planujemy jeszcze jedną analizę, tym razem sprawdzającą, jaka interakcja zachodzi pomiędzy treścią zdania i emocjami niesionymi przez dodaną do niego buźkę.
Poszczególne emotikony tylko do pewnego stopnia zachowują się w sposób, jakiego spodziewaliśmy się planując badanie. Możemy je ułożyć w elegancki ciąg od negatywnych po pozytywne, ale to nie znaczy (spójrzcie na korelacje), że łatwo nam przewidzieć, jak dokładnie zostanie odebrane konkretne zdanie po dodaniu do niego uśmiechu, “: D” lub “XD”. To na pewno jeden z powodów dla których dodanie “: )” nie zawsze sprawia, że nasz żart zostanie zrozumiany.
