독일어 텍스트의 감성분석 연구 = Zur Stimmungsanalyse deutscher Texte

다국어 초록 (Multilingual Abstract)

In diesem Beitrag wurden die Ergebnisse der Analyse von Stimmungswerten (Sentiment-Scores) in deutschsprachigen Texten diskutiert. In dieser Studie wurden 22 Texte aus sechs verschiedenen Gattungen für die Stimmungsanalyse ausgewählt. Die Gattungen einzelner Texte sind reine Romane, biografische Romane, Kriminalromane, Theaterstücke, Autobiografien und literarische Texte.
Für die reinen Romane wurden die Werke von Wolfgang von Goethe, Franz Kafka, Thomas Mann, Heinrich Mann und Herman Hesse sowie die übersetzten Werke von William Shakespeare, Leo Tolstoi und Jane Austen analysiert.
Basierend auf dem Sentiment-SentiWS_v2.0, das an der Universität Leipzig entwickelt wurde, wurden die Stimmungswerte einzelner Texte berechnet, indem die im Lexikon eingetragenen Stimmungswerte erst den gesamten Lemmata der Texte zugewiesen und dann all die Werte addiert wurden. Zum Beispiel ist der Stimmungswert für Werbeslogans am höchsten, gefolgt von der für populäre Romane, während Kriminalromane den niedrigsten Stimmungswert aufweisen.
Darüber hinaus hat die Weltanschauung der Autoren auch Einfluss auf die Stimmungswerte ihrer Werke geübt. Im Fall von Goethe wurden Faust und Die Leiden des jungen Werthers in die Analyse herangezogen, wobei beide einen positiven Stimmungswert aufwiesen, während Kafkas Werke einen negativen Stimmungswert zeigten. In ähnlicher Weise wies die Autobiografie von Hillary Clinton einen negativen Sentimentwert auf, während Michelle Obamas Autobiografie dagegen einen positiven Sentimentwert zeigte. Diese Studie hat auch ans Licht gebracht, was für Stimmungswerte die Figuren von Lessings Emilia Galloti und Shakespeares Romeo und Julia erzielt haben.
Während frühere Studien gezeigt haben, welche Subtypen von Emotionen – z.
B. Freude, Trauer, Wut - in Texten ausgedrückt werden, wurden in dieser Studie die Stimmungswerte je nach einzelnen Texten oder Gattungen berechnet. Der Berechnungsprozess und seine Ergebnisse können als neuer Forschungsbeitrag bewertet und auf die Analyse koreanischer oder englischer Texte angewendet werden.

국문 초록 (Abstract)

본 연구에서는 독일어 감성범주 사전과 감성지수 사전 SentiWS_v2.0을 활용하여드라마의 감성변화 추이와 드라마의 중심인물들의 감성지수, 작품들의 감성지수, 작가들의 감성지수 및 장르별 감성지수를 산출하여 비교분석했다. 감성분석의 결과 작가간의차이와 장르적인 차이를 발견할 수 있었다. 이를 테면, 광고슬로건의 감성지수가 가장높고 대중소설이 그 뒤를 따르며 추리소설이 가장 낮은 감성지수를 나타냈다. 외에 작가나 저자의 세계관도 감성지수에 영향을 미친 것으로 평가된다. 괴테의 경우 파우스트와 젊은 베르테르의 슬픔이 분석대상에 포함되었는데 두 작품 모두 긍정적인 감성지수를 보인 반면, 카프카의 작품들은 모두 부정적인 감성지수를 나타냈다. 한편, 분석대상이 된 힐러리 클린턴의 자서전은 부정적 감성지수를 보인 반면, 미셀 오바마의 자서전은 긍정적 감성지수를 나타냈다. 더 나아가 레싱의 작품 에밀리아 갈로티와 세익스피어 작품 로미오와 줄리엣의 인물들이 어떤 수준의 감성지수를 나타내는 지를 밝혀냈다.
선행연구들이 텍스트들에 어떤 감성범주 – 기쁨, 슬픔, 분노 등 - 들이 주로 나타나는 지를 밝힌 반면, 본 연구에서 개별 텍스트나 장르별로 감성지수를 산출하여 저자간, 장르간의 차이를 발견한 점이 새로운 연구성과로 평가될 수 있을 것이다.

참고문헌 (Reference)

• 1 이민행, "빅데이터 시대의 언어연구 - 내 손안의 검색엔진" 21세기 북스 2015
• 2 홍문표, "독일어 감정사전을 활용한 감성분석" 한국독어학회 (30) : 173-195, 2014
• 3 "Voyant"
• 4 Evert, S, "Twenty-first century Corpus Workbench: Updating a query architecture for the new millennium" University of Birmingham 2011
• 5 "Textgrid"
• 6 Feldman, R, "Techniques and applications for sentiment analysis" 56 : 82-89, 2013
• 7 Liu, B, "Sentiment Analysis and Subjectivity" 2010
• 8 Remus, R, "SentiWS - a Publicly Available Germanlanguage Resource for Sentiment Analysis" 2010
• 9 "QuaDramA"
• 10 Dalitz, Ch, "Paired Comparison Sentiment Scores"
• 11 Reiter, N, "Ottokar Capulet und Julia Schroffenstein - Liebeskonflikte und Gattungskontexte bei Kleist und Shakespeare" Invited Lecture 2016
• 12 Mohammad, S. M, "Obtaining Reliable Human Ratings of Valence, Arousal, and Dominance for 20,000 English Words" 2018
• 13 Bubenhofer, Noah, "Korpuslinguistik als Methode der Diskursund Kulturanalyse" de Gruyter 2009
• 14 Krautter, B, "Konferenzabstracts DHd 2019 Digital Humanities: multimedial & multimodal" Frankfurt am Main, Germany 2019
• 15 Arnold, T, "Humanities in R" Springer 2015
• 16 Klinger, R, "Digital Humanities (DH) Kraków" Poland 2016
• 17 "CRETA"
• 18 Blessing, A, "Automatische Sprachverarbeitung zur Analyse von Figurenrede" Book of Abstracts of DHd 2016
• 19 Kang, S, "Automatic Construction of Sentiment Lexicon by Analyzing SMS Bigdata" 2018
• 20 Hemmatian, F, "A survey on classification techniques for opinion mining and sentiment analysis" 1-51, 2017