論文の概要: EERPD: Leveraging Emotion and Emotion Regulation for Improving Personality Detection

• arxiv url: http://arxiv.org/abs/2406.16079v1
• Date: Sun, 23 Jun 2024 11:18:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 19:04:12.784139
• Title: EERPD: Leveraging Emotion and Emotion Regulation for Improving Personality Detection
• Title（参考訳）: EERPD:パーソナリティ検出を改善するための感情と感情の規制の活用
• Authors: Zheng Li, Dawei Zhu, Qilong Ma, Weimin Xiong, Sujian Li,
• Abstract要約: EERPDと呼ばれる新しい人格検出手法を提案する。 本手法では,人格予測において,人格に強く相関する心理的概念である感情制御を導入する。 実験の結果,ERPDは人格検出の精度とロバスト性を大幅に向上させることが示された。
• 参考スコア（独自算出の注目度）: 19.98674724777821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personality is a fundamental construct in psychology, reflecting an individual's behavior, thinking, and emotional patterns. Previous researches have made some progress in personality detection, primarily by utilizing the whole text to predict personality. However, these studies generally tend to overlook psychological knowledge: they rarely apply the well-established correlations between emotion regulation and personality. Based on this, we propose a new personality detection method called EERPD. This method introduces the use of emotion regulation, a psychological concept highly correlated with personality, for personality prediction. By combining this feature with emotion features, it retrieves few-shot examples and provides process CoTs for inferring labels from text. This approach enhances the understanding of LLM for personality within text and improves the performance in personality detection. Experimental results demonstrate that EERPD significantly enhances the accuracy and robustness of personality detection, outperforming previous SOTA by 15.05/4.29 in average F1 on the two benchmark datasets.
• Abstract（参考訳）: パーソナリティ(Personality)は、個人の行動、思考、感情パターンを反映する心理学の基本的構成である。 従来の研究は、主に人格の予測にテキスト全体を活用することによって、人格検出に多少の進歩をもたらした。 しかしながら、これらの研究は一般に心理学的知識を軽視する傾向があり、感情の規制と個性の間に確立された相関関係を適用することは滅多にない。 そこで本研究では,ERPDと呼ばれる人格検出手法を提案する。 本手法では,人格予測において,人格に強く相関する心理的概念である感情制御を導入する。 この機能と感情機能を組み合わせることで、数ショットのサンプルを取得し、テキストからラベルを推論するためのプロセスCoTを提供する。 このアプローチは、テキスト中のパーソナリティに対するLLMの理解を高め、パーソナリティ検出の性能を向上させる。 実験の結果,EERPDは2つのベンチマークデータセットの平均F1において,従来のSOTAを15.05/4.29で上回り,人格検出の精度と堅牢性を大幅に向上させることが示された。

関連論文リスト

• Large Language Models Can Infer Personality from Free-Form User Interactions [0.0]
  GPT-4は、パーソナリティを適度な精度で推測することができ、以前のアプローチよりも優れていた。 その結果,人格評価への直接的注力は,ユーザエクスペリエンスの低下を招いていないことがわかった。 予備的な分析は、人格推定の正確さは、社会デミノグラフィーのサブグループによってわずかに異なることを示唆している。
  論文  参考訳（メタデータ） (2024-05-19T20:33:36Z)
• Dynamic Generation of Personalities with Large Language Models [20.07145733116127]
  Hypernetworks に基づく動的パーソナリティ生成手法である Dynamic Personality Generation (DPG) を導入する。 GPT-4にビッグファイブ・パーソナリティ理論を組み込んでパーソナリティアセスメント・マシンを形成する。 次に、この人格評価装置を用いて、スクリプトデータ中の対話を評価し、その結果、人格対話データセットを生成する。
  論文  参考訳（メタデータ） (2024-04-10T15:17:17Z)
• 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)
• LLMvsSmall Model? Large Language Model Based Text Augmentation Enhanced Personality Detection Model [58.887561071010985]
  パーソナリティ検出は、ソーシャルメディア投稿に根ざした性格特性を検出することを目的としている。 既存のほとんどのメソッドは、事前訓練された言語モデルを微調整することで、ポスト機能を直接学習する。 本稿では,大規模言語モデル (LLM) に基づくテキスト拡張強化人格検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-12T12:10:18Z)
• Can ChatGPT Read Who You Are? [9.694940903078656]
  チェコ語で書かれたテキストを代表とする総合的なユーザスタディの結果を155人のサンプルで報告した。 本研究は,ChatGPTによる性格特性推定と人間による評価とを比較し,テキストから人格特性を推定する際のChatGPTの競争性能を報告する。
  論文  参考訳（メタデータ） (2023-12-26T14:43:04Z)
• PsyCoT: Psychological Questionnaire as Powerful Chain-of-Thought for Personality Detection [50.66968526809069]
  PsyCoTと呼ばれる新しい人格検出手法を提案する。これは、個人がマルチターン対話方式で心理的質問を完遂する方法を模倣するものである。 実験の結果,PsyCoTは人格検出におけるGPT-3.5の性能とロバスト性を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-10-31T08:23:33Z)
• InCharacter: Evaluating Personality Fidelity in Role-Playing Agents through Psychological Interviews [57.04431594769461]
  本稿では, RPAの性格的忠実度を心理的尺度で評価するための新しい視点を紹介する。 実験には様々な種類の RPA と LLM が含まれ、14の広く使用されている心理学的尺度で32の異なる文字をカバーしている。 InCharacterでは、現在最先端のRPAが人物の人格と高度に一致した個性を示し、80.7%の精度を達成している。
  論文  参考訳（メタデータ） (2023-10-27T08:42:18Z)
• Identifying and Manipulating the Personality Traits of Language Models [9.213700601337383]
  言語モデルにおける知覚的パーソナリティが、言語生成において一貫して現れるかどうかを検討する。 BERT や GPT2 のような言語モデルでは、異なる文脈におけるパーソナライズマーカーの識別と反映が一貫して可能であることを示す。 この振る舞いは、非常に予測可能な方法で操作できる能力を示し、それらを人格の特徴を特定し、ダイアログシステムのようなアプリケーションにおけるペルソナを制御するツールとしてフレーム化します。
  論文  参考訳（メタデータ） (2022-12-20T14:24:11Z)
• Evaluating and Inducing Personality in Pre-trained Language Models [78.19379997967191]
  人間の個性理論を機械行動研究のツールとして活用することで,心理測定研究からインスピレーションを得た。 これらの疑問に答えるために,機械の動作を研究するためのMachine Personality Inventory(MPI)ツールを紹介した。 MPIは、ビッグファイブ・パーソナリティ・ファクター(Big Five Personality Factors、ビッグファイブ・パーソナリティ・ファクター)理論とパーソナリティ評価在庫に基づく標準化されたパーソナリティ・テストに従う。 パーソナリティ・プロンプト法(P2法)を考案し、特定のパーソナリティを持つLSMを制御可能な方法で誘導する。
  論文  参考訳（メタデータ） (2022-05-20T07:32:57Z)
• Towards Persona-Based Empathetic Conversational Models [58.65492299237112]
  共感的会話モデルは、多くのドメインにおけるユーザの満足度とタスク結果を改善することが示されている。 心理学において、ペルソナは人格と高い相関関係があることが示され、それによって共感に影響を及ぼす。 本研究では,ペルソナに基づく共感的会話に対する新たな課題を提案し,ペルソナが共感的反応に与える影響に関する最初の経験的研究を示す。
  論文  参考訳（メタデータ） (2020-04-26T08:51:01Z)

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。