論文の概要: Evaluating Emotion Arcs Across Languages: Bridging the Global Divide in Sentiment Analysis

• arxiv url: http://arxiv.org/abs/2306.02213v2
• Date: Sat, 28 Oct 2023 17:30:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 21:37:36.584183
• Title: Evaluating Emotion Arcs Across Languages: Bridging the Global Divide in Sentiment Analysis
• Title（参考訳）: 言語間の感情弧の評価: 感情分析におけるグローバル分割の橋渡し
• Authors: Daniela Teodorescu and Saif M. Mohammad
• Abstract要約: 自動生成された感情弧を初めて評価した。 9言語で18の多様なデータセットで実験を行ないました。 英語の感情レキシコンの自動翻訳は、低リソース言語で高品質な感情弧を生成するのに有効であることを示す。
• 参考スコア（独自算出の注目度）: 36.1712123195025
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Emotion arcs capture how an individual (or a population) feels over time. They are widely used in industry and research; however, there is little work on evaluating the automatically generated arcs. This is because of the difficulty of establishing the true (gold) emotion arc. Our work, for the first time, systematically and quantitatively evaluates automatically generated emotion arcs. We also compare two common ways of generating emotion arcs: Machine-Learning (ML) models and Lexicon-Only (LexO) methods. By running experiments on 18 diverse datasets in 9 languages, we show that despite being markedly poor at instance level emotion classification, LexO methods are highly accurate at generating emotion arcs when aggregating information from hundreds of instances. We also show, through experiments on six indigenous African languages, as well as Arabic, and Spanish, that automatic translations of English emotion lexicons can be used to generate high-quality emotion arcs in less-resource languages. This opens up avenues for work on emotions in languages from around the world; which is crucial for commerce, public policy, and health research in service of speakers often left behind. Code and resources: https://github.com/dteodore/EmotionArcs
• Abstract（参考訳）: 感情は、個人(または人口)が時間とともにどのように感じるかを捉えます。 産業や研究で広く使われているが、自動的に生成された弧を評価する作業はほとんどない。 これは真の(金)感情の弧を確立するのが難しいためである。 私たちの研究は、初めて、系統的かつ定量的に自動生成された感情弧を評価しました。 また、機械学習(ML)モデルとLexicon-Only(LexO)手法の2つの感情弧を生成する一般的な方法を比較する。 9言語で18の多様なデータセットで実験を行うことで、インスタンスレベルの感情分類が著しく貧弱であるにもかかわらず、LexO法は数百のインスタンスから情報を集約する際に感情弧を生成するのに非常に正確であることを示す。 また,6つのアフリカ諸言語とアラビア語,スペイン語による実験を通じて,英語感情辞書の自動翻訳により,低リソース言語における高品質な感情アークを生成することができることを示した。 これは世界中の言語における感情の研究の道を開くもので、これは商業、公共政策、健康研究に欠かせない。 コードとリソース:https://github.com/dteodore/EmotionArcs

関連論文リスト

• Think out Loud: Emotion Deducing Explanation in Dialogues [57.90554323226896]
  対話における感情推論(Emotion Deducing Explanation in Dialogues)を提案する。 EDENは感情と原因を明確な考え方で認識する。 大規模言語モデル(LLM)が感情や原因をよりよく認識するのに役立ちます。
  論文  参考訳（メタデータ） (2024-06-07T08:58:29Z)
• TONE: A 3-Tiered ONtology for Emotion analysis [9.227164881235947]
  感情は心理学、医学、メンタルヘルス、コンピュータサイエンスなど、多くの分野で重要な役割を果たしてきた。 1) 教師付き手法の効率は収集したデータのサイズと領域に強く依存する。 我々は、Gerrod Parrot博士の感情群に基づく感情階層を効果的に生成する感情ベースのオントロジーを作成する。
  論文  参考訳（メタデータ） (2024-01-11T04:23:08Z)
• Emotionally Numb or Empathetic? Evaluating How LLMs Feel Using EmotionBench [83.41621219298489]
  心理学からの感情評価理論を用いて,Large Language Models (LLMs) の人為的能力を評価する。 我々は、研究の中心となる8つの感情を引き出すのに有効な400以上の状況を含むデータセットを収集した。 我々は世界中の1200人以上の被験者を対象に人間による評価を行った。
  論文  参考訳（メタデータ） (2023-08-07T15:18:30Z)
• Frustratingly Easy Sentiment Analysis of Text Streams: Generating High-Quality Emotion Arcs Using Emotion Lexicons [31.87319293259599]
  感情のレキシコンの質とそれを用いて生成できる感情の弧の質との関係について検討する。 事例レベルでは著しく劣っているにもかかわらず、LexO法は数百の事例から情報を集約することで感情弧を生成するのに極めて正確であることを示す。
  論文  参考訳（メタデータ） (2022-10-13T21:50:54Z)
• Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
  マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。 まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。 次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。 最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2021-08-18T21:55:20Z)
• Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause Extraction [18.68808042388714]
  感情認識と感情原因検出の両方に共同で取り組むソリューションを提案する。 暗黙的に表現された感情を理解する上で,常識的知識が重要な役割を担っていることを考慮し,新しい手法を提案する。 共通センス推論とマルチタスクフレームワークを含む場合,両タスクのパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-06-17T20:11:04Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)
• SpanEmo: Casting Multi-label Emotion Classification as Span-prediction [15.41237087996244]
  マルチラベル感情分類をスパンプレディションとした新しいモデル「SpanEmo」を提案する。 入力文中の複数の共存感情をモデル化することに焦点を当てた損失関数を導入する。 SemEval2018マルチラベル感情データを3つの言語セットで実験した結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-01-25T12:11:04Z)
• Learning and Evaluating Emotion Lexicons for 91 Languages [10.06987680744477]
  本稿では,任意の対象言語に対して,ほぼ任意に大きな感情辞書を作成する手法を提案する。 我々は8つの感情変数と100k以上の語彙エントリからなる表現に富んだ高被覆語彙を生成する。 我々の手法は、辞書作成に対する最先端のモノリンガルなアプローチと一致し、一部の言語や変数に対する人間の信頼性を超越した結果をもたらす。
  論文  参考訳（メタデータ） (2020-05-12T10:32:03Z)
• Emotion Recognition From Gait Analyses: Current Research and Future Directions [48.93172413752614]
  歩行はウォーカーの感情に関する情報を伝える 様々な感情と歩行パターンのマッピングは、感情の自動認識のための新しい情報源を提供する。 歩行は遠隔観察可能で 模倣が困難で 被験者との協力も少ない
  論文  参考訳（メタデータ） (2020-03-13T08:22:33Z)

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。