論文の概要: Leveraging the power of transformers for guilt detection in text

• arxiv url: http://arxiv.org/abs/2401.07414v1
• Date: Mon, 15 Jan 2024 01:40:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 18:21:05.800000
• Title: Leveraging the power of transformers for guilt detection in text
• Title（参考訳）: テキストにおける罪悪感検出におけるトランスフォーマーのパワーの活用
• Authors: Abdul Gafar Manuel Meque, Jason Angel, Grigori Sidorov, Alexander Gelbukh
• Abstract要約: 本研究は,テキスト中の罪悪感を検出するための3つのトランスフォーマーベース言語モデルの適用性について検討する。 提案モデルでは,BERTとRoBERTaをそれぞれ2点,RoBERTaを1点で比較した。
• 参考スコア（独自算出の注目度）: 50.65526700061155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, language models and deep learning techniques have revolutionized natural language processing tasks, including emotion detection. However, the specific emotion of guilt has received limited attention in this field. In this research, we explore the applicability of three transformer-based language models for detecting guilt in text and compare their performance for general emotion detection and guilt detection. Our proposed model outformed BERT and RoBERTa models by two and one points respectively. Additionally, we analyze the challenges in developing accurate guilt-detection models and evaluate our model's effectiveness in detecting related emotions like "shame" through qualitative analysis of results.
• Abstract（参考訳）: 近年、言語モデルやディープラーニング技術が、感情検出を含む自然言語処理タスクに革命をもたらしている。 しかし、罪悪感の特定の感情はこの分野では限定的な注目を集めている。 本研究では,テキスト中の罪悪感を検出する3つのトランスフォーマティブ言語モデルの適用可能性について検討し,その性能を一般的な感情検出と罪悪感検出と比較する。 提案モデルはbertモデルとrobertaモデルにそれぞれ2点と1点を上回った。 さらに,正確な罪悪感検出モデルを構築する上での課題を分析し,結果の質的分析を通じて「シェーム」のような関連感情の検出におけるモデルの有効性を評価する。

関連論文リスト

• MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
  そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。 以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
  論文  参考訳（メタデータ） (2024-11-18T02:09:48Z)
• Emotion Detection in Reddit: Comparative Study of Machine Learning and Deep Learning Techniques [0.0]
  本研究は,GoEmotionsデータセットを利用したテキストによる感情検出に焦点を当てた。 このタスクには、6つの機械学習モデル、3つのアンサンブルモデル、Long Short-Term Memory(LSTM)モデルなど、さまざまなモデルを使用しました。 結果は、Stacking分類器が他のモデルよりも精度と性能が優れていることを示している。
  論文  参考訳（メタデータ） (2024-11-15T16:28:25Z)
• ASEM: Enhancing Empathy in Chatbot through Attention-based Sentiment and Emotion Modeling [0.0]
  本稿では,ユーザの発話の感情状態について,専門家の混在,複数エンコーダを用いた新たなソリューションを提案する。 本稿では,オープンドメインチャットボットの感情分析に基づいて感情分析を行うASEMというエンド・ツー・エンドのモデルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-02-25T20:36:51Z)
• GuReT: Distinguishing Guilt and Regret related Text [44.740281698788166]
  本稿では,罪悪感と後悔感との関係を識別するためのデータセットについて紹介する。 提案手法では,罪悪感と後悔の認識を二項分類タスクとして扱い,新たに作成したデータセットをベンチマークするために3つの機械学習と6つの変圧器ベースのディープラーニング技術を用いる。
  論文  参考訳（メタデータ） (2024-01-29T20:20:44Z)
• 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)
• DEMASQ: Unmasking the ChatGPT Wordsmith [63.8746084667206]
  そこで本研究では,ChatGPT生成内容を正確に識別する効果的なChatGPT検出器DEMASQを提案する。 提案手法は, 人為的, 機械的, 人為的, 人為的, 機械的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人為的, 人
  論文  参考訳（メタデータ） (2023-11-08T21:13:05Z)
• 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)
• Guilt Detection in Text: A Step Towards Understanding Complex Emotions [58.720142291102135]
  ギルト検出と呼ばれる新しい自然言語処理タスクを導入する。 我々は、罪悪感を、これまでNLPで研究されていない複雑で致命的な感情とみなす。 罪状検出のための公開コーパスの欠如に対処するため,4622テキストを含むデータセットであるVICを開発した。
  論文  参考訳（メタデータ） (2023-03-06T21:36:19Z)
• The Sensitivity of Word Embeddings-based Author Detection Models to Semantic-preserving Adversarial Perturbations [3.7552532139404797]
  著者分析は自然言語処理の分野において重要な課題である。 本稿では,入力の逆操作に対する既成アプローチの限界と感度について考察する。
  論文  参考訳（メタデータ） (2021-02-23T19:55:45Z)

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。