earticle

영어

High-quality sentiment analysis datasets are critical for enhancing the performance of natural language processing (NLP) systems, especially for morphologically complex agglutinative languages. This study aims to improve the consistency and accuracy of sentiment annotation by considering the unique linguistic characteristics of such languages. To this end, we propose a hybrid annotation framework that combines Hierarchical Sentiment Voting (HSV), which organizes sentiment classification into multiple levels, with a Human-in-the-Loop (HITL) mechanism that selectively applies human validation to low-confidence annotations. The study focuses on agglutinative languages, including Korean, and constructs a dataset of over 1.5 million text samples collected from various online sources such as product reviews, movie critiques, and community comments. Experimental results show that the proposed method significantly improves inter-annotator agreement and model performance, particularly in contexts requiring fine-grained sentiment distinctions. This research empirically demonstrates the importance of structured, human-refined annotation for building reliable sentiment datasets in agglutinative languages and presents a practical framework that can support the development of accurate sentiment analysis models.

한국어

고품질 감성 분석 데이터셋은 형태론적으로 복잡한 교착어를 포함한 자연어 처리(NLP) 성능 향상에 핵심적이다. 본 연구는 이러한 언어적 특성을 고려하여 감성 주석의 일관성과 정확성을 향상시키기 위한 목적을 가진다. 이를 위해 감성 분류 를 다단계로 구성하는 계층적 감성 분류(Hierarchical Sentiment Voting, HSV) 방식과 불확실성이 높은 주석에 인간 검토 를 추가하는 인간 개입 기반(Human-in-the-Loop, HITL) 프레임워크를 결합한 하이브리드 주석 방식을 제안한다. 연구 범 위는 한국어를 포함한 교착어에 집중되며, 다양한 온라인 데이터(상품 후기, 영화 리뷰, 커뮤니티 댓글 등)로부터 150만 건 이 상의 텍스트를 수집하여 데이터셋을 구축하였다. 실험 결과, 제안된 방법은 주석자 간 일치도와 감성 분류 모델의 성능을 모 두 향상시켰으며, 특히 미세한 감성 차이를 요구하는 문맥에서 높은 안정성을 보였다. 본 연구는 교착어 기반 감성 데이터셋 구축에 있어 구조화된 인간 정제 주석이 중요함을 실증적으로 제시하며, 실무적으로는 정확한 감성 분석 모델 개발에 기여할 수 있는 데이터 구축 프레임워크로 활용될 수 있다.