論文の概要: Investigating Role of Big Five Personality Traits in Audio-Visual Rapport Estimation

• arxiv url: http://arxiv.org/abs/2410.11861v1
• Date: Mon, 07 Oct 2024 08:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-20 09:10:57.507527
• Title: Investigating Role of Big Five Personality Traits in Audio-Visual Rapport Estimation
• Title（参考訳）: 音響・視覚的Rapport推定におけるビッグ5人格特性の検討
• Authors: Takato Hayashi, Ryusei Kimura, Ryo Ishii, Shogo Okada,
• Abstract要約: 対象者の性格特性をモデル入力として利用することにより,ラプポートの推定性能を向上できるかどうかを検討する。 実験の結果,非言語機能にビッグファイブ機能(BFF)を追加することで,自己報告型ラプポートの評価性能が向上することが示された。 本研究は、対人認識の性格認識推定モデルが高評価性能を実現するための第一歩である。
• 参考スコア（独自算出の注目度）: 2.6163803834101054
• License:
• Abstract: Automatic rapport estimation in social interactions is a central component of affective computing. Recent reports have shown that the estimation performance of rapport in initial interactions can be improved by using the participant's personality traits as the model's input. In this study, we investigate whether this findings applies to interactions between friends by developing rapport estimation models that utilize nonverbal cues (audio and facial expressions) as inputs. Our experimental results show that adding Big Five features (BFFs) to nonverbal features can improve the estimation performance of self-reported rapport in dyadic interactions between friends. Next, we demystify how BFFs improve the estimation performance of rapport through a comparative analysis between models with and without BFFs. We decompose rapport ratings into perceiver effects (people's tendency to rate other people), target effects (people's tendency to be rated by other people), and relationship effects (people's unique ratings for a specific person) using the social relations model. We then analyze the extent to which BFFs contribute to capturing each effect. Our analysis demonstrates that the perceiver's and the target's BFFs lead estimation models to capture the perceiver and the target effects, respectively. Furthermore, our experimental results indicate that the combinations of facial expression features and BFFs achieve best estimation performances not only in estimating rapport ratings, but also in estimating three effects. Our study is the first step toward understanding why personality-aware estimation models of interpersonal perception accomplish high estimation performance.
• Abstract（参考訳）: 社会的相互作用におけるラプポートの自動推定は、感情コンピューティングの中心的な構成要素である。 近年の報告では、参加者の性格特性をモデル入力として利用することにより、初期相互作用におけるラプポートの推定性能を向上させることができることが示されている。 本研究では,非言語的手がかり(音声および表情)を入力として利用したラプポート推定モデルを開発することにより,友人同士のインタラクションにこの知見が当てはまるかどうかを検討する。 実験の結果,非言語機能にビッグファイブ機能(BFF)を追加することで,友人同士の対話における自己報告型ラプポートの推定性能が向上することが示された。 次に,BFFモデルと非BFFモデルの比較分析により,BFFがラプポートの推定性能をいかに向上させるかを明らかにする。 我々は,ラプポート格付けを,社会的関係モデルを用いて,知覚的効果(他者格付け傾向),目標効果(他者格付け傾向),関係性効果(特定者格付け傾向)に分解する。 次に、BFFがそれぞれの効果を捉えるのにどの程度貢献するかを分析する。 分析の結果,知覚者および対象者のBFF推定モデルがそれぞれ,知覚者および対象効果を捉えていることがわかった。 さらに, 表情特徴とBFFの組み合わせは, ラプポート評価の評価だけでなく, 3つの効果も評価できることを示した。 本研究は、対人認識のパーソナリティ認識推定モデルがなぜ高い評価性能を達成するかを理解するための第一歩である。

関連論文リスト

• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
  我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。 実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
  論文  参考訳（メタデータ） (2023-11-16T06:27:35Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• HIINT: Historical, Intra- and Inter- personal Dynamics Modeling with Cross-person Memory Transformer [38.92436852096451]
  クロスパーソンメモリトランスフォーマー(CPM-T)フレームワークは、感情力学を明示的にモデル化することができる。 CPM-Tフレームワークはメモリモジュールを維持し、会話ウィンドウ内のコンテキストを保存および更新する。 共同作業,ラップポート,人的信念予測の3つの公開データセットに対して,提案手法の有効性と一般化性を評価する。
  論文  参考訳（メタデータ） (2023-05-21T06:43:35Z)
• Understanding Programmatic Weak Supervision via Source-aware Influence Function [76.74549130841383]
  Programmatic Weak Supervision (PWS)は、複数の弱い監督ソースのソース投票を確率的トレーニングラベルに集約する。 エンドモデルのトレーニング目標を分解し、各(データ、ソース、クラス)に関連する影響を計算するために、インフルエンス関数(IF)を構築します。 これらのプリミティブな影響スコアは、ソース投票、監督ソース、トレーニングデータなど、個々のコンポーネントPWSの影響を推定するために使用することができる。
  論文  参考訳（メタデータ） (2022-05-25T15:57:24Z)
• Metaversal Learning Environments: Measuring, predicting and improving interpersonal effectiveness [2.6424064030995957]
  人工知能と仮想現実を組み合わせた新しいアーキテクチャを導入し,アバターを用いた没入型学習体験を実現する。 このフレームワークは、アバターと相互作用する個人の対人効果を測定することができる。 その結果, 対人効果に欠ける個人は, アバターとの相互作用が複数あった後, パフォーマンスが著しく向上したことが明らかとなった。
  論文  参考訳（メタデータ） (2022-05-05T18:22:27Z)
• Estimating Social Influence from Observational Data [5.156484100374057]
  本研究では,社会的影響を推定する問題,個人の行動が将来の仲間の行動に与える影響を考察する。 鍵となる課題は、友人間の共有行動は、影響または他の2つの要因によって等しく説明できることである。 本稿では,3つの貢献によって社会的影響を推定する上での課題について論じる。
  論文  参考訳（メタデータ） (2022-03-24T20:21:24Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Expertise and confidence explain how social influence evolves along intellective tasks [10.525352489242396]
  本研究では,知的なタスクの連続を集団的に実行する個人集団における対人的影響について検討する。 本稿では, 過渡記憶系の理論, 社会的比較, 社会的影響の起源に関する信頼に関する実証的証拠を報告する。 これらの理論にインスパイアされた認知力学モデルを提案し、個人が時間とともに対人的影響を調整する過程を記述する。
  論文  参考訳（メタデータ） (2020-11-13T23:48:25Z)
• A Multi-term and Multi-task Analyzing Framework for Affective Analysis in-the-wild [0.2216657815393579]
  本稿では,ABAW(Affective Behavior Analysis in-the-Wild)2020 Contestに提出された感情認識手法を紹介する。 感情行動には独自の時間枠を持つ観測可能な多くの特徴があるため、複数の最適化された時間窓を導入しました。 時間ごとの感情認識モデルを作成し、これらのモデルをまとめました。
  論文  参考訳（メタデータ） (2020-09-29T09:24:29Z)

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。