Na introdução do periódico “IEEE Transactions on Affective Computing”31 o
autor (GRATCH, 2010) define computação afetiva como “… o campo de estudo cuja preocupação consiste na compreensão, reconhecimento e utilização de emoções humanas e outros fenômenos afetivos no desenho de sistemas tecnológicos.”
Nessa seção se passa a tratar de emoções. A relação entre emoção e sentimento neste trabalho é discutida na seção 5.5 e ilustrada na figura 5.15.
(PICARD, 1995) introduziu o termo “Computação Afetiva”, o definindo como sendo a “computação relacionada a, que emerge de ou influencia emoções”. Ela ainda discute a importância das emoções no processo de decisão e enumera algumas aplicações, tais como aquelas voltadas para entretenimento, aprendizagem assistida por computador e interação homem-máquina, que podem se beneficiar do seu tratamento e reconhecimento.
Partindo do princípio de que emoções não podem ser diretamente observadas, uma modelagem do problema proposta envolve a utilização de HMM (“Hidden Markov
Models”)32, onde os estados afetivos emitem sinais (PICARD, 1995). Esses sinais, como
expressão facial, atributos do discurso falado e o conteúdo do texto escrito, são diretamente observáveis e servem de referência para o estado subjacente.
Mais recentemente a autora, ao discriminar algumas das principais limitações da computação afetiva, enumera alguns desafios: no reconhecimento de emoção face à sua natureza privada e à própria dificuldade humana de reconhecê-la; na sua modelagem considerando sua própria evolução pelas ciências cognitivas; e na expressão das
31 http://www.computer.org/portal/web/tac
32 HMM consiste em uma máquina de estados cujas funções de transição de estado e função de emissão de sinais são probabilísticas (RABINER, 1989). No apêndice G é dada uma introdução desse
emoções, pois o corpo, através da sua fisiologia, consiste no seu principal meio de comunicação (PICARD, 2003)
O reconhecimento de todas emoções possíveis é difícil tanto para o ser humano quanto para o agente artificial. A dificuldade de anotar o tipo de emoção foi classificado por (ALM; ROTH; SPROAT, 2005) como “difícil”, reportando terem encontrado na literatura acordo entre os anotadores variando de 21% a 51%. Essa variação depende do contexto. Entretanto, vários autores, limitando o seu número ou a sua polaridade, reportam avanços significativos em algumas tarefas.
Existem algumas abordagens básicas para o problema, sendo que muitas envolvem alguma combinação delas (LIU; LIEBERMAN; SELKER, 2003). A mais comum consiste na utilização de um léxico que associa palavras a emoções (RUMBELL et al., 2008)e (NICOLOV; SALVETTI; IVANOVA, 2008). Uma evolução consiste em afiliação lexical onde é atribuída uma distribuição de probabilidade de emoções para um item lexical (FAHRNI; KLENNER, 2008). Outra abordagem consiste no processamento estatístico de linguagem natural, utilizando métodos estatísticos como “Latent Semantic
Analysis” (LSA) (STRAPPARAVA; VALITUTTI; STOCK, 2006) (KIM; VALITUTTI;
CALVO, 2010) (BELLEGARDA, 2010) e (CAMBRIA et al., 2011), sendo que neste último os autores mesclam técnicas de “Web Semântica” para aprimorar a extração de afetividade em texto.
Adicionalmente muitos pesquisadores constroem modelos para uma determinada área de conhecimento ou tarefa específica, com desempenho satisfatório para o problema focado, porém de difícil generalização (RITCHIE et al., 2008), (OSHERENKO, 2008), (BALAHUR; MONTOYO, 2008), (SOKOLOVA; LAPALME, 2008)
DANISMAN e ALPKOCAK(2008) complementam o acima descrito agrupando as abordagens para a solução do problema de reconhecimento de emoção humana em três grupos: uso de palavras-chave; NLP estatístico; e o uso de ontologias. Entretanto enumeram alguns pontos fracos. No uso de palavras-chave a fraqueza consiste no limitado número de palavras em texto com valor emocional (LUTFI et al., 2007); e em NLP estatística o grande volume de dados necessários para o treinamento dos classificadores estatísticos. Enquanto enumeram dois recursos linguísticos (ConceptNet (LIU; SINGH, 2004) e LIWC (PENNEBAKER; FRANCIS, 1999))33 não apontam
nenhuma fraqueza. Os autores propõem a utilização de “Vector Space Model” (VSM) para classificação de sentenças em uma de seis classes, onde cada uma representa um tipo de emoção.
SemEval, um acrônimo para “Semantic Evaluation”, consiste em uma série de avaliações de sistemas que efetuam análise semântica34. O evento de 2007 foi o único,
até 2014, onde foi proposta a tarefa de “Texto Afetivo” cujo foco específico era inferir a classificação de emoções (raiva, angústia, medo, alegria, tristeza e surpresa) e sua polaridade (positiva e negativa) de manchetes de sites de notícias. O corpus foi dividido em duas partes, sendo que aquela reservada ao desenvolvimento continha 250 entradas e a de teste 1000 entradas. Para cada manchete era associada um tipo de emoção. Sua polaridade variava em uma escala de [-100, 100], onde os valores limítrofes indicavam a máxima intensidade. Foi atribuído o valor zero apenas para as manchetes que não continham emoções (definição da neutralidade). O corpus foi anotado por 6 pessoas com a correlação de Pearson para a concordância entre elas apresentado na figura 2.1. Na figura 2.2 é apresentando um quadro, resumindo o desempenho dos sistemas participantes. Na avaliação desses resultados (STRAPPARAVA; MIHALCEA, 2007) os autores concluem: que a tarefa de anotar emoções é difícil, concordando com (ALM; ROTH; SPROAT, 2005); e que o desempenho apresentados pelos sistemas sugerem espaço para futuras melhorias.
O time “ClaC” apresentou dois sistemas. O primeiro utilizava um dicionário com polaridade das palavras e uma função nebulosa calculava o grau de aderência de cada manchetes a uma polaridade. O segundo, “ClaC-NB”, os mesmos atributos alimentaram uma rede Bayesiana naïve que efetuava a classificação. O time UPAR7 desenvolveu um sistema baseado em regra onde as manchetes eram analisadas sintaticamente para posterior inferência da polaridade da emoção encontrada. O SICS montou vetores termo x polaridade de um fórum de discussão. As palavras mais frequentes em outro corpus de notícias foram retiradas de cada manchete, constituindo o vetor, cuja distância era calculada para cada vetor termo x polaridade. O time SWAT desenvolveu um classificador baseado em modelo de linguagem com 1-grama.
REISENZEIN et al.(2013), depois de uma breve revisão da literatura, entendem que as pesquisas na área da computação afetiva emergem de duas disciplinas: psicologia e inteligência artificial. Para facilitar a comunicação entre elas, propõe um arcabouço, apoiado somente na IA simbolista em detrimento da conexionista35, constituído de três
partes. Na primeira listam propostas para sistematizar as diversas teorias psicológicas de emoção que servem como plantas para a criação e comparação de modelos computacionais. Na segunda discutem como formalizar as teorias psicológicas de emoção através de uma linguagem formal, independente de implementação. A linguagem proposta serviriam para formalizar as premissas de modelos computacionais. Na terceira parte do arcabouço consideram opções para modelar emoções em arquiteturas de agentes, incluindo arquitetura de agentes afetivos.
Embora não consista no objetivo dessa pesquisa é importante ressaltar alguns trabalhos que almejam implementar emoção na geração do discurso, visando tornar a relação homem-máquina mais natural (VAN DER SLUIS; MELLISH, 2008), (WILLIAMS; POWER; PIWEK, 2008)e (WHITEHEAD; CAVEDON, 2010).
35 Isso se deveu a experiência dos autores envolvidos.
Figura 2.2: Resultado dos sistemas para a anotação de valência Acurácia Precisão Cobertura F1
ClaC 55,10 61,42 9,20 16,00
UPAR7 55,00 57,54 8,78 15,24
SWAT 53,20 45,71 3,42 6,36
ClaC-NB 31,20 31,18 66,38 42,43
SICS 29,00 28,41 60,17 38,60
Figura 2.1: Correlação de Pearson para a concordância entre os anotadores
Emoção k Raiva 49,55 Desgosto 44,51 Medo 63,81 Alegria 59,91 Tristeza 68,19 Surpresa 36,07 Valência k Valência 78,01
O desempenho do agente artificial é baixo, dado o relativamente baixo desempenho do agente humano. Isso mostra o longo caminho que precisa ser percorrido pelas disciplinas (psicologia, neurociência, linguística e ciência da computação) para melhorar a compreensão humana do que seja esse conceito e concomitante melhoria do desempenho dos agentes artificiais. É nessa área que a tese aqui proposta contribui.