論文の概要: Emotion-Aware, Emotion-Agnostic, or Automatic: Corpus Creation
Strategies to Obtain Cognitive Event Appraisal Annotations
- arxiv url: http://arxiv.org/abs/2102.12858v1
- Date: Thu, 25 Feb 2021 13:55:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-27 09:28:11.067005
- Title: Emotion-Aware, Emotion-Agnostic, or Automatic: Corpus Creation
Strategies to Obtain Cognitive Event Appraisal Annotations
- Title（参考訳）: 感情認識、感情診断、自動:認知イベント評価アノテーション取得のためのコーパス作成戦略
- Authors: Jan Hofmann and Enrica Troiano and Roman Klinger
- Abstract要約: 評価理論は、イベントの認知評価が特定の感情をどのように導くかを説明します。
イベント中心のenISEARコーパスに基づく評価次元に対する異なるアノテーション戦略について検討する。
- 参考スコア（独自算出の注目度）: 12.48513712803069
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Appraisal theories explain how the cognitive evaluation of an event leads to
a particular emotion. In contrast to theories of basic emotions or affect
(valence/arousal), this theory has not received a lot of attention in natural
language processing. Yet, in psychology it has been proven powerful: Smith and
Ellsworth (1985) showed that the appraisal dimensions attention, certainty,
anticipated effort, pleasantness, responsibility/control and situational
control discriminate between (at least) 15 emotion classes. We study different
annotation strategies for these dimensions, based on the event-focused enISEAR
corpus (Troiano et al., 2019). We analyze two manual annotation settings: (1)
showing the text to annotate while masking the experienced emotion label; (2)
revealing the emotion associated with the text. Setting 2 enables the
annotators to develop a more realistic intuition of the described event, while
Setting 1 is a more standard annotation procedure, purely relying on text. We
evaluate these strategies in two ways: by measuring inter-annotator agreement
and by fine-tuning RoBERTa to predict appraisal variables. Our results show
that knowledge of the emotion increases annotators' reliability. Further, we
evaluate a purely automatic rule-based labeling strategy (inferring appraisal
from annotated emotion classes). Training on automatically assigned labels
leads to a competitive performance of our classifier, even when tested on
manual annotations. This is an indicator that it might be possible to
automatically create appraisal corpora for every domain for which emotion
corpora already exist.
- Abstract（参考訳）: 評価理論は、イベントの認知評価が特定の感情をどのように導くかを説明します。
基本的な感情や影響の理論とは対照的に、この理論は自然言語処理においてあまり注目されていない。
Smith and Ellsworth (1985) は、評価次元は注意、確実性、期待された努力、快適性、責任/コントロール、状況制御が(少なくとも)15の感情クラス間で区別されることを示した。
イベント指向のenisearコーパス(troiano et al., 2019)に基づいて,これらの次元に対する異なるアノテーション戦略について検討した。
筆者らは,(1)経験豊富な感情ラベルを隠蔽しながらアノテートするテキストを表示する,(2)テキストに関連する感情を明らかにする,という2つの手動アノテーション設定を解析した。
設定2では、アノテータは、記述されたイベントのより現実的な直観を開発できる一方、設定1は、純粋にテキストに依存する、より標準的なアノテーション手順である。
これらの戦略を2つの方法で評価する: アノテーション間の合意を測定し、RoBERTaを微調整して評価変数を予測する。
その結果,感情の知識がアノテーションの信頼性を高めることがわかった。
さらに、純粋に自動的なルールベースのラベル付け戦略(注釈付き感情クラスによる評価)を評価した。
自動割り当てられたラベルのトレーニングは、手動アノテーションでテストした場合でも、分類器の競争的パフォーマンスにつながります。
これは感情コーパスが存在するすべてのドメインに対して、評価コーパスを自動生成することが可能であることを示す指標である。
関連論文リスト
- Where are We in Event-centric Emotion Analysis? Bridging Emotion Role
Labeling and Appraisal-based Approaches [10.736626320566707]
テキストにおける感情分析という用語は、様々な自然言語処理タスクを仮定する。
感情と出来事は2つの方法で関連していると我々は主張する。
我々は,NLPモデルに心理的評価理論を組み込んで事象を解釈する方法について議論する。
論文 参考訳（メタデータ） (2023-09-05T09:56:29Z) - Affective Natural Language Generation of Event Descriptions through
Fine-grained Appraisal Conditions [12.447379545167642]
評価変数を生成フレームワークの条件として使用するには2つの利点があることを示す。
評価変数は、ユーザが生成したテキストをよりきめ細かい制御を行うことを可能にする。
7つの感情(Anger, Disgust, Fear, Guilt, Joy, Sadness, Shame)と7つの評価(Attention, Responsibility, Control, Circumstance, Pleasantness, Effort, Certainty)を用いた実験の結果,(1)トレーニング中に評価を追加することで,F1の10ppの精度が向上することがわかった。
論文 参考訳（メタデータ） (2023-07-26T07:34:19Z) - Speech Synthesis with Mixed Emotions [77.05097999561298]
異なる感情の音声サンプル間の相対的な差を測定する新しい定式化を提案する。
次に、私たちの定式化を、シーケンスからシーケンスまでの感情的なテキストから音声へのフレームワークに組み込む。
実行時に、感情属性ベクトルを手動で定義し、所望の感情混合を生成するためにモデルを制御する。
論文 参考訳（メタデータ） (2022-08-11T15:45:58Z) - Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。
既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。
視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
論文 参考訳（メタデータ） (2022-07-25T02:20:03Z) - Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on
Data-Driven Deep Learning [70.30713251031052]
本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。
実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
論文 参考訳（メタデータ） (2022-06-15T01:25:32Z) - Dimensional Modeling of Emotions in Text with Appraisal Theories: Corpus
Creation, Annotation Reliability, and Prediction [14.555520007106656]
心理学において、評価理論として知られる感情理論のクラスは、出来事と感情の関係を説明することを目的としている。
我々は,アノテータによって評価概念を確実に再構築できるかどうかを理解することを目的として,テキストにおける感情分析のための評価理論の適合性を分析した。
テキスト分類法と人間のアノテータとの比較により、両者が同様の性能で感情や評価を確実に検出できることが示されている。
論文 参考訳（メタデータ） (2022-06-10T17:20:17Z) - x-enVENT: A Corpus of Event Descriptions with Experiencer-specific
Emotion and Appraisal Annotations [13.324006587838523]
感情分析のための分類設定は、感情のエピソードに関与する異なる意味的役割を含む統合的な方法で行うべきであると論じる。
心理学における評価理論に基づいて、我々は、記述された出来事記述の英文コーパスを編纂する。
この記述には感情に満ちた状況が描かれており、感情に反応した人々の言及が含まれている。
論文 参考訳（メタデータ） (2022-03-21T12:02:06Z) - StrengthNet: Deep Learning-based Emotion Strength Assessment for
Emotional Speech Synthesis [82.39099867188547]
本稿では,強度予測のための深層学習に基づく感情力評価ネットワークを提案する。
本モデルは,音響エンコーダ,強度予測器,補助感情予測器を含む構造を持つマルチタスク学習フレームワークに適合する。
実験により,提案した強度ネットの予測感情強度は,見知らぬ音声に対する地上の真理スコアと高い相関性を示した。
論文 参考訳（メタデータ） (2021-10-07T03:16:15Z) - A Circular-Structured Representation for Visual Emotion Distribution
Learning [82.89776298753661]
視覚的感情分布学習に先立つ知識を活用するために,身近な円形構造表現を提案する。
具体的には、まず感情圏を構築し、その内にある感情状態を統一する。
提案した感情圏では、各感情分布は3つの属性で定義される感情ベクトルで表される。
論文 参考訳（メタデータ） (2021-06-23T14:53:27Z) - A computational model implementing subjectivity with the 'Room Theory'.
The case of detecting Emotion from Text [68.8204255655161]
本研究は,テキスト分析における主観性と一般的文脈依存性を考慮した新しい手法を提案する。
単語間の類似度を用いて、ベンチマーク中の要素の相対的関連性を抽出することができる。
この方法は、主観的評価がテキストの相対値や意味を理解するために関係しているすべてのケースに適用できる。
論文 参考訳（メタデータ） (2020-05-12T21:26:04Z) - Appraisal Theories for Emotion Classification in Text [13.743991035051714]
自動分類手法は,事象の性質を潜時変数として学習する必要があることを示す。
本稿では,事象の認知的評価の理論に従って,そのような解釈を明確化することを提案する。
以上の結果から,事象記述における高品質な評価次元の割り当てが,個別の感情カテゴリーの分類の改善につながることが示唆された。
論文 参考訳（メタデータ） (2020-03-31T12:43:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。