論文の概要: Affective Natural Language Generation of Event Descriptions through
Fine-grained Appraisal Conditions
- arxiv url: http://arxiv.org/abs/2307.14004v1
- Date: Wed, 26 Jul 2023 07:34:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-27 13:19:07.039395
- Title: Affective Natural Language Generation of Event Descriptions through
Fine-grained Appraisal Conditions
- Title(参考訳): きめ細かい評価条件による事象記述の感情的自然言語生成
- Authors: Yarik Menchaca Resendiz and Roman Klinger
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 12.447379545167642
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Models for affective text generation have shown a remarkable progress, but
they commonly rely only on basic emotion theories or valance/arousal values as
conditions. This is appropriate when the goal is to create explicit emotion
statements ("The kid is happy."). Emotions are, however, commonly communicated
implicitly. For instance, the emotional interpretation of an event ("Their dog
died.") does often not require an explicit emotion statement. In psychology,
appraisal theories explain the link between a cognitive evaluation of an event
and the potentially developed emotion. They put the assessment of the situation
on the spot, for instance regarding the own control or the responsibility for
what happens. We hypothesize and subsequently show that including appraisal
variables as conditions in a generation framework comes with two advantages.
(1) The generation model is informed in greater detail about what makes a
specific emotion and what properties it has. This leads to text generation that
better fulfills the condition. (2) The variables of appraisal allow a user to
perform a more fine-grained control of the generated text, by stating
properties of a situation instead of only providing the emotion category. Our
Bart and T5-based experiments with 7 emotions (Anger, Disgust, Fear, Guilt,
Joy, Sadness, Shame), and 7 appraisals (Attention, Responsibility, Control,
Circumstance, Pleasantness, Effort, Certainty) show that (1) adding appraisals
during training improves the accurateness of the generated texts by 10 pp in
F1. Further, (2) the texts with appraisal variables are longer and contain more
details. This exemplifies the greater control for users.
- Abstract(参考訳): 感情的テキスト生成のモデルは顕著な進歩を示しているが、一般的には基本的な感情理論やヴァランス/覚醒値にのみ条件として依存している。
これは、明示的な感情表現("the kid is happy")を作ることが目的であるときに適切である。
しかし、感情は暗黙的に伝達される。
例えば、ある出来事の感情的な解釈(「Their Dog died.」)は、しばしば明示的な感情表現を必要としない。
心理学において、評価理論は、事象の認知的評価と潜在的に発達する感情との関係を説明する。
彼らは状況の評価をその場に置き、例えば、自身のコントロールや何が起こるかの責任について。
生成フレームワークの条件として評価変数を含めると2つの利点があることを示す。
1) 生成モデルは, 特定の感情の作り方や特性について, より詳細な情報を得る。
これにより、条件を満たしたテキストが生成される。
2)評価の変数は、感情カテゴリのみを提供するのではなく、状況の特性を述べることによって、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ができる。
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。
さらに、(2)鑑定変数のテキストは長く、より詳細なものを含んでいる。
これは、ユーザに対するより大きなコントロールの例です。
関連論文リスト
- Personality-affected Emotion Generation in Dialog Systems [67.40609683389947]
ダイアログシステムに与えられた個性に基づいて感情を生成する新しいタスクであるパーソナリティ影響感情生成を提案する。
本課題の課題,すなわち,(1)個性と感情的要因を不均一に統合し,(2)対話場面における多粒性感情情報を抽出する。
その結果,感情生成性能はマクロF1では13%,重み付きF1では5%向上することが示唆された。
論文 参考訳(メタデータ) (2024-04-03T08:48:50Z) - Language Models (Mostly) Do Not Consider Emotion Triggers When Predicting Emotion [87.18073195745914]
人間の感情が感情の予測において有意であると考えられる特徴とどのように相関するかを検討する。
EmoTriggerを用いて、感情のトリガーを識別する大規模言語モデルの能力を評価する。
分析の結果、感情のトリガーは感情予測モデルにとって健全な特徴ではなく、様々な特徴と感情検出のタスクの間に複雑な相互作用があることが判明した。
論文 参考訳(メタデータ) (2023-11-16T06:20:13Z) - Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
隠れ変数分離に基づく動的因果解離モデルを提案する。
このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。
具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
論文 参考訳(メタデータ) (2023-09-13T12:58:09Z) - 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) - Unsupervised Extractive Summarization of Emotion Triggers [56.50078267340738]
我々は、感情を共同で検出し、トリガーを要約できる新しい教師なし学習モデルを開発した。
Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報と言語理解モジュールを組み合わせたものです。
論文 参考訳(メタデータ) (2023-06-02T11:07:13Z) - Empathetic Dialogue Generation via Sensitive Emotion Recognition and
Sensible Knowledge Selection [47.60224978460442]
情緒的対話生成のためのシリアル・アンド・感情知識相互作用(SEEK)法を提案する。
我々は,会話中の感情のダイナミックス(感情の流れ)に敏感な微粒なエンコーディング戦略を用いて,応答の感情依存特性を予測するとともに,知識と感情の相互作用をモデル化し,より敏感な応答を生成する新しい枠組みを設計する。
論文 参考訳(メタデータ) (2022-10-21T03:51:18Z) - 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) - 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) - Emotion-Aware, Emotion-Agnostic, or Automatic: Corpus Creation
Strategies to Obtain Cognitive Event Appraisal Annotations [12.48513712803069]
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。
論文 参考訳(メタデータ) (2021-02-25T13:55:44Z) - 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。