A new version of this entry is available:
Abstract (English)
The thesis analyzes the applicability of methods of Sentiment Analysis and Predictive Analytics on textual communication in electronic negotiation transcripts. In particular, the thesis focuses on examining whether an automatic classifier can predict the outcome of ongoing, asynchronous electronic negotiations with sufficient accuracy. When combined with influencing factors leading to the specific classification decision, such a classification model could be incorporated into a Negotiation Support System in order to proactively intervene in ongoing negotiations it judges as likely to fail and then to give advice to the negotiators to prevent negotiation failure. To achieve this goal, an existing data set of electronic negotiations was used in a first study to create a Sentiment Lexicon, which tracks verbal indicators for utterances of positive and, respectively, negative polarity. This lexicon was subsequently combined with a simplified, feature-based representation of electronic negotiation transcripts which was then used as training data for various machine learning classifiers in order to let them determine the outcome of the negotiations based on the transcripts in a second study. Here, complete negotiation transcripts were classified as well as partial transcrips in order to assess classification quality in ongoing negotiations. The third study of the thesis sought to refine the classification model with respect to sentence-based granularity. To this end, human coders were classifying negotiation sentences regarding their subjectivity and polarity. The results of this content analysis approach were then used to train sentence-level subjectivity and polarity classifiers. The fourth and final study analyzed different aggregation methods for these sentence-level classification results in order to support the classifiers on negotiation granularity. Different aggregation and classification models were discussed, applied to the negotiation data and subsequently evaluated. The results of the studies show that it is possible to a certain degree to use a sentiment-based representation of negotiation data to automatically determine negotiation outcomes. In combination with the sentence-based classification models, negotiation classification quality increased further. However, this improvement was only found to be significant for complete negotiation transcripts. If only partial transcripts are used – specifically to simulate an ongoing negotiation scenario – the models tend to behave more erratic and classifcation quality depletes. This result yields the assumption that polarized utterances (positive as well as negative) only carry unequivocal information (with respect to the outcome) towards the end of the negotiation. During the negotiation, the influence of these utterances becomes more ambiguous, hence decreasing classification accuracy on models using a representation based on sentiments. Regarding the original goal of the thesis, which is to provide a basic means to support ongoing negotiations, this means that supporting mechanisms employed by a Negotiation Support System should focus on moderation techniques and resolving of potentially conflicting situations. Approaches that could be used to employ further conflict diagnosis in interaction with the negotiators are given in the final chapter of the thesis, as well as a discussion of potential recommendations and advice the system could give and lastly, approaches to visualize the classification data to the negotiators.
Abstract (German)
Im Rahmen der Arbeit wurde die Anwendbarkeit von Methoden der Sentiment Analysis und Predictive Analytics auf textuelle Kommunikation in elektronischen Verhandlungen untersucht. Insbesondere sollte ermittelt werden, ob ein automatisiertes Klassifikationsverfahren in laufenden, asynchron geführten elektronischen Verhandlungen mit hinreichender Genauigkeit den Verhandlungsausgang vorhersagen kann. Eine solche Klassifikation, kombiniert mit den Einflussfaktoren, die zu der entsprechenden Klassifikation geführt haben, könnte dann im Rahmen eines Verhandlungsunterstützungssystems genutzt werden, um proaktiv in die Verhandlung einzugreifen um ggf. einen erfolglosen Ausgang der Verhandlung zu verhindern. Basierend auf einem existierenden Datensatz elektronischer Verhandlungen wurde hierzu in einer ersten Studie ein sogenanntes Sentiment-Lexikon erstellt, welches Indikatoren für positive bzw. negative Äußerungen sammelt. Dieses Lexikon sowie eine vereinfachte, Feature-basierte Repräsentation der Verhandlungsdaten diente in einer zweiten Studie als Grundlage, um maschinelle Lernverfahren zu trainieren, die das Resultat der Verhandlung basierend auf den textuellen Daten ermitteln sollten. Die Verfahren wurden sowohl auf vollständigen als auch auf partiellen Verhandlungstranskripten angewendet, um die Klassifikationsqualität in laufenden Verhandlungen bestimmen zu können. Im Rahmen einer dritten Studie wurde eine Verfeinerung des Lernverfahrens auf der Granularität einzelner Sätze durchgeführt. Hierzu wurden Sätze aus Verhandlungen von menschlichen Codern hinsichtlich Subjektivität vs. Objektivität und Polarität (positiv vs. negativ) bewertet. Die Resultate dieser Inhaltsanalyse dienten als Input für maschinelle Lernverfahren, die automatisiert Sätze bezüglich der beiden genannten Dimensionen klassifizieren. In einer finalen Integrationsstudie wurden die Ergebnisse der Klassifikationsverfahren auf Satz-Ebene aggregiert und verwendet um die Klassifikation auf Verhandlungsebene zu unterstützen. Hierbei wurden verschiedene Alternativen zur Aggregation durchgeführt und bewertet. Die Resultate der einzelnen Studien zeigen, dass es mit Abstrichen möglich ist, mit einer Sentiment-basierten Repräsentation von Verhandlungsdaten das Ergebnis einer Verhandlung vorherzusagen. Insbesondere wenn die Klassifikationsmodelle mit feingranularen Informationen angereichert werden, steigt die Qualität der Vorhersage für einzelne Modelle weiter signifikant an. Dies trifft jedoch nur auf Transkripte vollständiger Verhandlungen zu – werden nur partielle Transkripte verwendet im Sinne einer möglichst frühzeitigen Vorhersage des Resultats verhalten sich die Modelle erratischer und die Genauigkeit degeneriert. Die mit diesem Resultat verbundene Annahme ist, dass polarisierte Äußerungen (positiv wie negativ) in erster Linie gegen Ende der Verhandlung eindeutige Informationen liefern – insbesondere Sentiments in der Mitte der Transkripte scheinen der Klassifikationsqualität eher abträglich. Für konkrete proaktive Unterstützungsmaßnahmen, die ein Verhandlungsunterstützungssystem zu diesem Zeitpunkt ergreifen kann bedeutet dies in erster Linie, dass diese Maßnahmen im Falle dass die Verhandlung zu scheitern droht auf eine Moderation und Auflösung eventueller Konfliktsituationen abzielen sollten. Hierzu werden im Rahmen des Ausblicks in der Thesis ausführlich denkbare Ansätze zur weiteren Konfliktdiagnose in Interaktion mit den Nutzern, Ansätze für Empfehlungen und Ratschlägen, die das System geben kann, sowie Visualisierungsansätze diskutiert.
File is subject to an embargo until
This is a correction to:
A correction to this entry is available:
This is a new version of:
Notes
Publication license
Publication series
Published in
Faculty
Faculty of Business, Economics and Social Sciences
Institute
Institute of Interorganizational Management & Performance
Examination date
2018-07-03
Supervisor
Edition / version
Citation
Identification
DOI
ISSN
ISBN
Language
English
Publisher
Publisher place
Classification (DDC)
300 Social sciences, sociology, and anthropology
Original object
Free keywords
Electronic negotiation Predictive analytics Machine learning Sentiment analysis Text classification Elektronische Verhandlungen Textklassifikation
Standardized keywords (GND)
Verhandlung Maschinelles Lernen
Sustainable Development Goals
BibTeX
@phdthesis{Körner2017,
url = {https://hohpublica.uni-hohenheim.de/handle/123456789/6390},
author = {Körner, Michael},
title = {Sentiment analysis in electronic negotiations},
year = {2017},
school = {Universität Hohenheim},
}