論文の概要: "splink" is happy and "phrouth" is scary: Emotion Intensity Analysis for
Nonsense Words
- arxiv url: http://arxiv.org/abs/2202.12132v1
- Date: Thu, 24 Feb 2022 14:48:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 22:24:22.594346
- Title: "splink" is happy and "phrouth" is scary: Emotion Intensity Analysis for
Nonsense Words
- Title（参考訳）: スプリンク」は幸せで「フラウフ」は怖い:無意味な単語の感情インテンシティ分析
- Authors: Valentino Sabbatino, Enrica Troiano, Antje Schweitzer and Roman
Klinger
- Abstract要約: 参加者は、喜び、悲しみ、怒り、嫌悪、恐怖、驚きの度合いを、意味のない単語272語に割り当てる。
文字レベルおよび音韻に基づく強度回帰器を開発し、実単語とナンセンス単語で評価する。
データ分析により、いくつかの音声パターンは感情の強度の違いを明確に示していることが明らかとなった。
- 参考スコア（独自算出の注目度）: 15.425333719115262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: People associate affective meanings to words -- "death" is scary and sad
while "party" is connotated with surprise and joy. This raises the question if
the association is purely a product of the learned affective imports inherent
to semantic meanings, or is also an effect of other features of words, e.g.,
morphological and phonological patterns. We approach this question with an
annotation-based analysis leveraging nonsense words. Specifically, we conduct a
best-worst scaling crowdsourcing study in which participants assign intensity
scores for joy, sadness, anger, disgust, fear, and surprise to 272 non-sense
words and, for comparison of the results to previous work, to 68 real words.
Based on this resource, we develop character-level and phonology-based
intensity regressors and evaluate them on real and nonsense words, and across
these categories (making use of the NRC emotion intensity lexicon of 7493
words). The data analysis reveals that some phonetic patterns show clear
differences between emotion intensities. For instance, s as a first phoneme
contributes to joy, sh to surprise, p as last phoneme more to disgust than to
anger and fear. In the modelling experiments, a regressor trained on real words
from the NRC emotion intensity lexicon shows a higher performance (r = 0.17)
than regressors that aim at learning the emotion connotation purely from
nonsense words. We conclude that humans do associate affective meaning to words
based on surface patterns, but also based on similarities to existing words
("juy" to "joy", or "flike" to "like").
- Abstract（参考訳）: 人々は感情的な意味を言葉に関連付ける -- 「死」は怖く悲しく、一方「パーティー」は驚きと喜びで暗示される。
このことは、この協会が純粋に、意味的な意味に固有の学習された感情的輸入の産物であるのか、あるいは、形態学的および音韻学的パターンのような他の単語の特徴の影響であるのかという疑問を提起する。
非意味な単語を利用したアノテーションに基づく分析でこの問題にアプローチする。
具体的には, 参加者が喜び, 悲しみ, 怒り, 嫌悪, 恐怖, 驚きの強度スコアを, 272のナンセンスな単語に割り当て, 結果を過去の作品と比較し, 68実単語に割り当てる, クラウドソーシング・スタディを実施した。
この資源に基づき、文字レベルおよび音韻に基づく強度回帰器を開発し、実語およびナンセンス語、およびこれらカテゴリー(7493語のnrc感情強度レキシコンを用いて)で評価する。
データ分析の結果、いくつかの音声パターンは感情の強度の違いを明確に示していることがわかった。
例えば、最初の音素としてのsは喜びに寄与し、shは驚きに、pは怒りと恐怖よりも嫌悪に寄与する。
モデル実験では、NRC感情強度レキシコンから実単語を訓練した回帰器は、無意味な単語から感情の意味を純粋に学習することを目的とした回帰器よりも高い性能(r = 0.17)を示す。
人間は表層パターンに基づいて感情的な意味を持つだけでなく、既存の単語(「juy」から「joy」へ、「flike」から「like」へ)との類似性にも基づいていると結論づける。
関連論文リスト
- Learning Frame-Wise Emotion Intensity for Audio-Driven Talking-Head Generation [59.81482518924723]
そこで本研究では,発話頭生成のための微妙なシフトを捕捉し,生成する手法を提案する。
我々は,強度レベルを正確に制御し,様々な感情を生成できる話頭フレームワークを開発した。
提案手法の有効性を実験・解析により検証した。
論文 参考訳（メタデータ） (2024-09-29T01:02:01Z) - Context is Important in Depressive Language: A Study of the Interaction Between the Sentiments and Linguistic Markers in Reddit Discussions [2.6571678272335717]
本研究では,抑うつにおける言語マーカーと感情表現の文脈としての議論トピックの影響について検討した。
我々の感情分析では、抑うつ者の感情の強さは、コントロールよりも否定的感情と肯定的感情の両方が高いことが判明した。
論文 参考訳（メタデータ） (2024-05-28T11:19:39Z) - Neighboring Words Affect Human Interpretation of Saliency Explanations [65.29015910991261]
単語レベルのサリエンシの説明は、しばしばテキストベースのモデルで特徴属性を伝えるために使われる。
近年の研究では、単語の長さなどの表面的要因が、コミュニケーションされたサリエンシスコアの人間の解釈を歪めてしまうことが報告されている。
本研究では,単語の近傍にある単語のマーキングが,その単語の重要性に対する説明者の認識にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2023-05-04T09:50:25Z) - CEFER: A Four Facets Framework based on Context and Emotion embedded
features for Implicit and Explicit Emotion Recognition [2.5137859989323537]
文レベルと単語レベルの両方でテキストを解析するフレームワークを提案する。
CEFER (Context and Emotion embedded Framework for Emotion Recognition) と呼ぶ。
CEFERは、暗黙の感情を含む各単語の感情ベクトルと、文脈に基づく各単語の特徴ベクトルを結合する。
論文 参考訳（メタデータ） (2022-09-28T11:16:32Z) - 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) - 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) - Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。
本稿では,感情の強さを明示的に表現し,制御することを目的とする。
本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
論文 参考訳（メタデータ） (2022-01-10T02:11:25Z) - Perspective-taking and Pragmatics for Generating Empathetic Responses
Focused on Emotion Causes [50.569762345799354]
i) 相手の感情が発話から引き起こされる原因となる単語を特定することと, (ii) 応答生成における特定の単語を反映することである。
社会的認知からインスピレーションを得て、生成的推定を用いて、感情が単語レベルのラベルのない発話から単語を推論する。
論文 参考訳（メタデータ） (2021-09-18T04:22:49Z) - Evolution of emotion semantics [2.1706063563430646]
過去世紀における感情的言葉の意味的変化の証拠を見いだす。
変化の速度は、感情概念の原型性によって予測された。
テキストによる単語埋め込みから得られた感情意味変化の履歴率と原型性は負に相関する。
論文 参考訳（メタデータ） (2021-08-05T23:46:22Z) - Guilt by Association: Emotion Intensities in Lexical Representations [35.416923187323945]
本研究では,特定の感情に対する単語レベルの感情インテンシティスコアを推定し,教師なし,教師なし,最終的に単語ベクトル表現から感情関連を抽出する自己教師あり手法を検討する。
単語ベクトルは感情の微粒化を誘発する有意な可能性を秘めており、現状の感情レキシコンよりも人間の地上の真理評価との相関がはるかに高いことが判明した。
論文 参考訳（メタデータ） (2021-04-18T02:03:52Z) - Detecting Emotion Primitives from Speech and their use in discerning
Categorical Emotions [16.886826928295203]
感情は人間同士のコミュニケーションにおいて重要な役割を担い、幸福やフラストレーション、誠実さといった感情を伝えることができる。
この研究は、感情プリミティブが、幸福、嫌悪、軽蔑、怒り、驚きといったカテゴリー的感情を中性的なスピーチから検出する方法について研究した。
以上の結果から, 覚醒と支配は, 感情のより優れた検出方法であった。
論文 参考訳（メタデータ） (2020-01-31T03:11:24Z)
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。