Анализ эмоций в амхарских социальных сетях: модель AfroXLMR и объяснимый ИИ

Введение в проблему распознавания эмоций и актуальность исследования

Автоматическое определение эмоционального состояния пользователей по текстам в социальных сетях является важнейшей задачей современной науки о данных и компьютерной лингвистики. Распознавание эмоционального фона текстовых сообщений позволяет объективно оценивать уровень эмоционального благополучия общества, выявлять психологическую динамику, отслеживать рост социальной напряженности, а также создавать адаптивные системы поддержки психического здоровья и умного мониторинга цифровой среды.

Однако подавляющее большинство существующих технологических решений в области **NLP (Natural Language Processing — обработка естественного языка)** разработано для высокоресурсных языков, таких как английский, испанский или китайский. Для малоресурсных языков (low-resourced languages), к которым относится амхарский язык — официальный государственный язык Эфиопии, на котором говорят десятки миллионов человек, — создание эффективных систем анализа чувств и эмоций сталкивается с серьезными препятствиями. Ключевые проблемы заключаются в отсутствии разграниченных и качественно аннотированных наборов данных (датасетов), а также в морфологической и синтаксической сложности амхарского письма (слоговая письменность Геез / Ethiopic script).

Дополнительной сложностью современных глубоких нейросетей является их «закрытость» для анализа. Большинство высокоточных алгоритмов функционируют по принципу «черного ящика» (black-box models), что делает невозможным понимание того, на какие именно лингвистические конструкции, слова или контекстные связи опирается модель при принятии решений. Для решения этих проблем авторы данного исследования предложили комплексный подход: дообучение специализированной языковой модели **AfroXLMR** для мультиметочной классификации эмоций в текстах на амхарском языке, а также интеграцию методов **XAI (Explainable Artificial Intelligence — объяснимый искусственный интеллект)** для обеспечение полной прозрачности работы нейросети.

Особенности амхарского языка и проблематика малоресурсной NLP-обработки

Амхарский язык относится к семитской группе афроазиатской языковой семьи. Он характеризуется богатой флективной и агглютинативной морфологией, выраженной системой глагольного спряжения и уникальным алфавитом. В социальных сетях пользователи часто используют специфические идиомы, сленг, фонетические сокращения и смешение языков (код-свитчинг), что существенно усложняет алгоритмический анализ.

Для эффективного анализа эмоционального состояния человека недостаточно применять бинарную классификацию (например, разделение на «позитивный» и «негативный» настрой). Реальные человеческие эмоции, выражаемые в текстах социальных сетей, многогранны и переплетены. Одно сообщение может одновременно выражать, например, грусть и гнев или удивление и радость. В связи с этим возникает необходимость в **мультиметочной классификации эмоций (multilabel emotion classification)**, при которой каждому тексту может быть присвоено сразу несколько эмоциональных категорий.

Отсутствие открытых стандартизированных корпусов текстов на амхарском языке с многокомпонентной эмоциональной разметкой долгое время сдерживало развитие исследований в сфере психологического анализа и цифрового эмоционального благополучия для данного региона. Данное исследование устраняет этот пробел, предоставляя сообществу как обученную модель, так и новый аннотированный датасет.

Архитектура модели AfroXLMR и сопоставляемые нейросетевые базовые линии

В качестве основы для построения классификатора была выбрана модель **AfroXLMR**. Данная модель представляет собой специализированную адаптацию глубокой нейросетевой архитектуры **XLM-RoBERTa (Cross-lingual Language Model — Robustly Optimized BERT Approach / Кросс-языковая языковая модель на основе оптимизированного подхода BERT)**, дополнительно обученную на многоязычных корпусах африканских языков. За счет такой предварительной подготовки AfroXLMR обладает глубоким пониманием семантических и грамматических особенностей языков Африки, существенно превосходя стандартные многоязычные модели.

Для подтверждения высокой эффективности дообученной модели AfroXLMR авторы провели масштабное экспериментальное сравнение с целым рядом современных нейросетевых архитектур (базлайнов):

• XLMR base (XLM-RoBERTa base): базовая многоязычная трансформерная модель, не проходившая специализированной адаптации под африканские языки.
• mBART (Multilingual Bidirectional and Auto-Regressive Transformers): многоязычная шумоподавляющая авторегрессионная трансформерная модель, предназначенная для задач последовательного перевода и генерации текста.
• AfriBERTa: языковая модель архитектуры **BERT (Bidirectional Encoder Representations from Transformers)**, специально обученная на текстах 11 африканских языков с низкими ресурсами.
• BiLSTM (Bidirectional Long Short-Term Memory — двунаправленная долгая краткосрочная память): рекуррентная нейронная сеть, способная учитывать контекст текстовой последовательности как в прямом, так и в обратном направлении.
• LSTM (Long Short-Term Memory — долгая краткосрочная память): классическая рекуррентная нейросеть, разработанная для предотвращения проблемы затухания градиента при обработке длинных последовательностей.
• CNN (Convolutional Neural Network — сверточная нейронная сеть): архитектура, применяемая для извлечения локальных словосочетаний и ключевых фраз ( n-грамм ) из текстовых последовательностей.

Формирование, аннотирование и структура нового датасета

В рамках исследования был собран и подготовлен уникальный датасет, состоящий из **22 000 уникальных комментариев** из социальных сетей на амхарском языке. Процесс разметки данных осуществлен квалифицированными экспертами-лингвистами с учетом культурных и языковых нюансов общения.

Разметка проводилась по **8 основным эмоциональным категориям**, охватывающим широкий спектр человеческих переживаний и состояний. Каждая запись в датасете прошла процедуру валидации для исключения дубликатов, шума и некорректных символов.

Для проведения корректных процедур обучения и оценки качества классификатора весь массив данных был разделен в стандартной пропорции:

• 80% данных (17 600 комментариев): обучающая выборка (training set), использованная для настройки внутренних весов нейросети.
• 10% данных (2 200 комментариев): валидационная выборка (validation set), применяемая для гиперпараметрической настройки и предотвращения переобучения (overfitting).
• 10% данных (2 200 комментариев): тестовая выборка (test set), предназначенная для итоговой независимой оценки точности работы модели.

Интеграция объяснимого ИИ: применение метода LIME

Одной из главных новинок работы является внедрение принципов **XAI (Explainable Artificial Intelligence — объяснимый искусственный интеллект)**. В задачах анализа эмоционального благополучия и психического состояния крайне важно знать не только итоговый вердикт нейросети, но и причины, по которым модель отнесла конкретный текст к той или иной эмоции.

Для интерпретации предсказаний модели AfroXLMR исследователи применили алгоритм **LIME (Local Interpretable Model-agnostic Explanations — локальные интерпретируемые объяснения, независимые от модели)**. Данный метод работает путем создания локальных пертурбаций (небольших изменений) во входном тексте и анализа того, как эти изменения влияют на итоговую вероятность предсказания классов.

Благодаря алгоритму LIME исследователям удалось доказательно подтвердить, что дообученная модель AfroXLMR при классификации эмоций действительно опирается на лингвистически значимые ключевые слова, эмоционально окрашенные маркеры и идиоматические выражения амхарского языка, а не на случайный шуповой контекст или технические артефакты разметки.

Результаты экспериментов и метрики качества

Для объективной оценки качества работы моделей в задаче мультиметочной классификации использовался комплекс метрик, учитывающий специфику одновременного предсказания нескольких меток:

• Recall (Полнота): метрика, демонстрирующая способность модели находить максимальное количество истинных эмоциональных категорий в тексте. Дообученная модель AfroXLMR достигла впечатляющего показателя полноты в 87%.
• Hamming Loss (Потери Хэмминга): специальная метрика для задач мультиметочной классификации, измеряющая долю неправильно предсказанных или упущенных меток относительно общего числа категорий. Чем ниже значение этой метрики, тем выше точность системы. Для AfroXLMR значение Hamming Loss составило всего 0.08.
• F1-score (F-мера): гармоническое среднее между точностью (Precision) и полнотой (Recall), являющееся главным критерием баланса классификации.

Сравнительный анализ по показателю F1-score продемонстрировал безоговорочное превосходство дообученной модели AfroXLMR над всеми представленными базовыми линиями:

• Превосходство над XLMR base — на 5%;
• Превосходство над mBART — на 3%;
• Превосходство над BiLSTM — на 5%;
• Превосходство над LSTM — на 7%;
• Превосходство над CNN — на 9%;
• Превосходство над AfriBERTa — на 2%.

Для подтверждения надежности полученных результатов было проведено статистическое тестирование методом бутстрепа (bootstrapped statistical significance testing). Тесты подтвердили, что зафиксированный прирост качества является статистически достоверным и не может быть списан на случайные колебания выборочных данных.

Значение исследования для сферы эмоционального благополучия и социальные перспективы

Возможность точного и прозрачного анализа эмоционального контекста в текстах социальных сетей имеет фундаментальное значение для мониторинга эмоционального благополучия населения. Технологии автоматического анализа эмоций на базе AfroXLMR и LIME позволяют:

• Осуществлять ранний мониторинг вспышек депрессивных состояний, тревожности и агрессии в социуме;
• Разрабатывать специализированные цифровые сервисы психологической помощи и самопомощи, адаптированные под культурные особенности региона;
• Проводить аналитические исследования общественного мнения и уровня удовлетворенности качеством жизни;
• Обеспечивать этичный и обоснованный контроль за распространением языковой ненависти и токсичного контента в цифровой среде без риска необоснованной цензуры.

«Интеграция объяснимого искусственного интеллекта в задачи анализа эмоционального состояния позволяет перешагнуть барьер недоверия к нейросетям, превращая алгоритмы глубокого обучения в понятный и валидируемый инструмент для исследователей и практических психологов».

Информация об авторах, институтах и этические декларации

Данное научное исследование было выполнено в рамках совместного академического проекта учеными из ведущих технологических институтов Эфиопии:

• Ешимебет Байю (Yeshimebet Bayu): Департамент компьютерных наук, Института технологии Дебре Маркос при Университете Дебре Маркос (Debre Markos Institute of Technology, Debre Markos University, Debre Markos, Ethiopia) — автор, ответственный за переписку (corresponding author).
• Демеке Эндали (Demeke Endalie): Факультет вычислительной техники, Институт технологии Бахир Дар при Университете Бахир Дар (Bahir Dar Institute of Technology, Bahir Dar University, Bahir Dar, Ethiopia).
• Тесфа Тегегне (Tesfa Tegegne): Факультет вычислительной техники, Институт технологии Бахир Дар при Университете Бахир Дар (Bahir Dar Institute of Technology, Bahir Dar University, Bahir Dar, Ethiopia).

Авторы выражают искреннюю благодарность руководству обоих институтов за предоставление лабораторных помещений, вычислительных ресурсов и высокоскоростного интернет-доступа, сделавших возможным проведение данного исследования.

Этические заявления и конфликт интересов

Авторы официально заявляют об отсутствии потенциальных или явных конфликтов интересов (competing interests), способных повлиять на объективность представленных результатов.

Права доступа и лицензирование

Статья опубликована на условиях открытого доступа (Open Access) в журнале Scientific Reports (Sci Rep) в 2026 году (DOI: 10.1038/s41598-026-60392-2) под международной лицензией **Creative Commons Attribution 4.0 International License (CC BY 4.0)**. Данная лицензия разрешает свободное использование, распространение, адаптацию и воспроизведение материала на любом носителе при условии обязательного указания авторства первоисточника и ссылки на лицензию.

Заключение и направления будущих исследований

Проведенное исследование успешно доказало, что дообученная модель **AfroXLMR** демонстрирует высочайшую эффективность в задаче мультиметочной классификации эмоций для амхарского языка. Сочетание передовой трансформерной архитектуры с методом локальных объяснений **LIME** позволило создать не только точную, но и полностью интерпретируемую систему анализа эмоционального состояния пользователей.

В качестве дальнейших шагов развития данного направления авторы выделяют:

• Исследование более сложных и продвинутых стратегий тонкой настройки (fine-tuning) и методов контекстного промптинга;
• Расширение датасета за счет включения текстов из региональных диалектов и мультимодальных данных (сочетание текста и изображений);
• Адаптацию разработанной методологии для оценки других малоресурсных языков Африканского континента.

Публикация аннотированного датасета из 22 000 комментариев закладывает надежный фундамент для будущих разработок в области обработки естественного языка, искусственного интеллекта и психологического анализа социума.