Разработка информационной системы мониторинга психоэмоционального состояния с использованием NLP

Содержание

Введение

Глава 1. Теоретико-методологические принципы проектирования систем анализа психоэмоционального дискурса

1.1. Генезис концепций автоматизированного анализа текстовой информации в отечественной системной инженерии

1.2. Формализация методов лингвистического моделирования в контексте психосемантики

1.3. Архитектурные парадигмы современных информационных систем мониторинга текстового контента

Глава 2. Проектирование и программная экспликация системы мониторинга состояний пользователей

2.1. Системный анализ требований и разработка концептуальной модели системы на базе NLP-технологий

2.2. Алгоритмическое обеспечение процесса идентификации эмоциональных детерминант в текстовых потоках

2.3. Процедура верификации разработанного программного комплекса и интерпретация полученных результатов

Заключение

Список использованной литературы

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

Тема: Разработка информационной системы мониторинга психоэмоционального состояния с использованием NLP

ВВЕДЕНИЕ

Актуальность темы исследования обусловлена стремительным развитием технологий обработки естественного языка (Natural Language Processing, NLP) и возрастающей потребностью современного общества в инструментах автоматизированного анализа психоэмоциональных состояний пользователей цифровых платформ. В условиях тотальной цифровизации социальных взаимодействий, когда значительная часть коммуникаций осуществляется посредством текстовых сообщений в мессенджерах, социальных сетях, корпоративных системах, возникает объективная необходимость в создании интеллектуальных систем, способных распознавать эмоциональную окраску текстовых данных. Подобные системы находят применение в разнообразных сферах — от превентивной психологической поддержки до управления клиентским опытом в коммерческих организациях. Научная значимость исследования определяется необходимостью формализации методологических подходов к проектированию информационных систем класса sentiment analysis с учетом специфики русскоязычного дискурса.

Степень изученности проблемы характеризуется неравномерностью научных разработок. Если в англоязычном сегменте существует обширный корпус исследований, посвященных алгоритмам машинного обучения для детекции эмоций в текстах, то русскоязычная научная традиция демонстрирует фрагментарность подходов и недостаточную проработанность архитектурных решений для систем подобного класса. Существующие модели зачастую ориентированы на английский язык, что создает проблему адаптации при работе с морфологически богатыми языками славянской группы. Кроме того, наблюдается дефицит комплексных исследований, интегрирующих теоретико-методологические принципы проектирования информационных систем с современными достижениями в области нейросетевых архитектур для обработки естественного языка [14, c. 45].

Современные технологии NLP претерпели качественный скачок с появлением трансформерных архитектур и предобученных языковых моделей типа BERT, GPT, RuBERT, что открыло новые горизонты для решения задач классификации эмоциональной тональности текстов. Однако внедрение этих технологий в промышленные информационные системы требует глубокого понимания как лингвистической специфики обрабатываемых данных, так и системно-инженерных принципов построения масштабируемых программных комплексов. Архитектурные решения должны обеспечивать не только высокую точность распознавания эмоциональных маркеров, но и отказоустойчивость, производительность при обработке больших объемов данных, возможность интеграции с гетерогенными информационными ландшафтами корпоративных структур [27, c. 112].

Дискуссионным остается вопрос о выборе оптимальной модели представления эмоций: дискретные категориальные схемы Экмана противопоставляются континуальным моделям типа circumplex model, что влияет на разработку таксономии для обучающих датасетов. Нерешенной задачей является достижение высокой точности распознавания имплицитно выраженных эмоциональных состояний, когда текстовые сообщения содержат иронию, сарказм, культурно-специфичные коннотации или многослойную семантическую структуру. Отдельного внимания заслуживает проблема обработки контекстно-зависимых эмоциональных маркеров и учета темпоральной динамики психоэмоциональных состояний при анализе последовательностей текстовых фрагментов [33, c. 78].

Цель выпускной квалификационной работы заключается в разработке информационной системы мониторинга психоэмоционального состояния пользователей на основе анализа текстовых данных с применением технологий обработки естественного языка.

Для достижения поставленной цели необходимо решить следующие задачи:

• исследовать генезис концепций автоматизированного анализа текстовой информации в системной инженерии и выявить ключевые этапы эволюции подходов к обработке естественного языка;
• провести формализацию методов лингвистического моделирования в контексте психосемантики и определить архитектурные парадигмы современных информационных систем мониторинга текстового контента;
• выполнить системный анализ требований и разработать концептуальную модель информационной системы на базе NLP-технологий с детальным проектированием алгоритмического обеспечения;
• осуществить программную экспликацию системы, провести верификацию разработанного программного комплекса и интерпретировать полученные результаты с оценкой качества классификации эмоциональных детерминант.

Объектом исследования выступают информационные системы мониторинга психоэмоционального состояния пользователей, реализованные на основе технологий обработки естественного языка.

Предметом исследования являются методы проектирования, алгоритмическое обеспечение и архитектурные решения для систем автоматизированного анализа эмоциональной тональности текстовых данных.

Теоретическая база исследования формируется на стыке нескольких научных дисциплин. В области проектирования информационных систем работа опирается на концепции системного анализа Берталанфи, методологию объектно-ориентированного проектирования Буча, архитектурные паттерны Фаулера. Лингвистическую основу составляют теория речевых актов Остина-Серля, психосемантические модели Осгуда, современные подходы к корпусной лингвистике. Математический аппарат базируется на теории вероятностей, математической статистике, теории графов и алгоритмах машинного обучения — методах классификации, нейросетевых архитектурах, механизмах внимания в трансформерных моделях [19, c. 156].

Методы исследования включают аналитические подходы к систематизации научной литературы, методы системного анализа для декомпозиции требований к информационной системе, формальные методы моделирования с использованием UML-нотации, алгоритмы предобработки текстовых данных (токенизация, лемматизация, векторизация), методы машинного обучения с учителем для классификации текстов, алгоритмы обучения нейронных сет

…