Kecerdasan buatan (AI) telah mulai merambah banyak aspek pengalaman manusia. AI bukan sekadar alat untuk menganalisis data — AI mengubah cara kita berkomunikasi, bekerja, dan hidup. Mulai dari ChatGP hingga generator video AI, batasan antara teknologi dan bagian kehidupan kita menjadi semakin kabur.
Namun apakah kemajuan teknologi ini berarti AI dapat mengidentifikasi perasaan kita secara online?
Dalam penelitian baru kami, kami menguji apakah AI dapat mendeteksi emosi manusia dalam postingan di X (sebelumnya Twitter).
Penelitian kami berfokus pada bagaimana emosi yang diungkapkan dalam postingan penggunaan tentang organisasi nirlaba tertentu dapat memengaruhi tindakan seperti keputusan untuk memberikan donasi kepada mereka di kemudian hari.
Menggunakan emosi untuk mendorong respons
Secara tradisional, para peneliti mengandalkan analisis sentimen, yang mengkategorikan pesan menjadi positif, negatif, atau netral. Meskipun metode ini sederhana dan intuitif, namun memiliki keterbatasan.
Emosi manusia jauh lebih bernuansa. Misalnya, kemarahan dan kekecewaan merupakan emosi negatif, namun dapat menimbulkan reaksi yang sangat berbeda. Pelanggan yang marah mungkin bereaksi lebih keras dibandingkan pelanggan yang kecewa dalam konteks bisnis.
Untuk mengatasi keterbatasan ini, kami menerapkan model AI yang dapat mendeteksi emosi tertentu — seperti kegembiraan, kemarahan, kesedihan, dan rasa jijik — yang diungkapkan dalam tweet.
Penelitian kami menemukan bahwa emosi yang diungkapkan pada X dapat berfungsi sebagai representasi sentimen umum masyarakat terhadap organisasi nirlaba tertentu. Perasaan ini berdampak langsung pada perilaku berdonasi.
Mendeteksi emosi
Kami menggunakan model “pembelajaran transfer transformator” untuk mendeteksi emosi dalam teks. Dilatih sebelumnya pada kumpulan data besar oleh perusahaan seperti Google dan Facebook, transformator adalah algoritma AI yang sangat canggih dan unggul dalam memahami bahasa alami (bahasa yang berkembang secara alami dibandingkan dengan bahasa atau kode komputer).
Kami menyempurnakan model ini dengan kombinasi empat kumpulan data emosi yang dilaporkan sendiri (lebih dari 3,6 juta kalimat) dan tujuh kumpulan data lainnya (lebih dari 60.000 kalimat). Hal ini memungkinkan kami memetakan berbagai macam emosi yang diungkapkan secara online.
Misalnya, model akan mendeteksi kegembiraan sebagai emosi dominan saat membaca postingan X seperti,
Memulai pagi hari kita di sekolah adalah yang terbaik! Semua tersenyum pada #tujuan #anak-anak.
Sebaliknya, model tersebut akan mengungkapkan kesedihannya dalam tweet yang mengatakan,
Aku merasa aku telah kehilangan sebagian dari diriku. Aku kehilangan Ibu lebih dari sebulan yang lalu, dan Ayah 13 tahun yang lalu. Saya tersesat dan takut.
Model ini mencapai akurasi 84 persen yang mengesankan dalam mendeteksi emosi dari teks, sebuah pencapaian yang patut dicatat di bidang AI.
Kami kemudian melihat tweet tentang dua organisasi yang berbasis di Selandia Baru – Fred Hollows Foundation dan University of Auckland. Kami menemukan tweet yang mengungkapkan kesedihan lebih cenderung mendorong donasi ke Fred Hollows Foundation, sementara kemarahan dikaitkan dengan peningkatan donasi ke Universitas Auckland.
Pertanyaan etis seiring berkembangnya AI
Mengidentifikasi emosi tertentu memiliki implikasi yang signifikan terhadap sektor-sektor seperti pemasaran, pendidikan, dan layanan kesehatan.
Mampu mengidentifikasi respons emosional masyarakat dalam konteks tertentu secara online dapat mendukung pengambil keputusan dalam merespons pelanggan individu atau pasar mereka yang lebih luas. Setiap emosi spesifik yang diungkapkan dalam postingan media sosial online memerlukan reaksi berbeda dari perusahaan atau organisasi.
Penelitian kami menunjukkan bahwa emosi yang berbeda memberikan hasil yang berbeda pula dalam hal donasi.
Mengetahui kesedihan dalam pesan pemasaran dapat meningkatkan donasi ke organisasi nirlaba memungkinkan kampanye yang lebih efektif dan membangkitkan emosi. Kemarahan dapat memotivasi orang untuk bertindak sebagai respons terhadap ketidakadilan yang dirasakan.
Meskipun model pembelajaran transfer transformator unggul dalam mendeteksi emosi dalam teks, terobosan besar berikutnya akan datang dengan mengintegrasikannya dengan sumber data lain, seperti nada suara atau ekspresi wajah, untuk menciptakan profil emosi yang lebih lengkap.
Bayangkan sebuah AI yang tidak hanya memahami apa yang Anda tulis tetapi juga perasaan Anda. Tentu saja, kemajuan tersebut disertai dengan tantangan etika.
Jika AI bisa membaca emosi kita, bagaimana kita memastikan kemampuan ini digunakan secara bertanggung jawab? Bagaimana kita melindungi privasi? Ini adalah pertanyaan penting yang harus dijawab seiring dengan terus berkembangnya teknologi.
Artikel ini awalnya diterbitkan pada Percakapan oleh Sanghyub John Lee, Ho Seok Ahn dan Leo Paas di Universitas Auckland, Waipapa Taumata Rau. Baca artikel aslinya di sini.