Fugu-MT 論文翻訳(概要): Psychology-driven LLM Agents for Explainable Panic Prediction on Social Media during Sudden Disaster Events

論文の概要: Psychology-driven LLM Agents for Explainable Panic Prediction on Social Media during Sudden Disaster Events

arxiv url: http://arxiv.org/abs/2505.16455v1
Date: Thu, 22 May 2025 09:39:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-23 17:12:48.19844
Title: Psychology-driven LLM Agents for Explainable Panic Prediction on Social Media during Sudden Disaster Events
Title（参考訳）: 災害時のソーシャルメディアにおける説明可能なパニック予測のための心理駆動型LLMエージェント
Authors: Mengzhu Liu, Zhengqiu Zhu, Chuan Ai, Chen Gao, Xinghong Li, Lingnan He, Kaisheng Lai, Yingfeng Chen, Xin Lu, Yong Li, Quanjun Yin,
Abstract要約: 本稿では,感情覚醒理論に基づくパニック予測のための心理駆動型生成エージェントフレームワーク(サイコエージェント)を提案する。具体的には、まず人文大言語モデル(LLM)を用いて、きめ細かいオープンパニック感情データセット(COPE)を構築する。解釈可能性を高めるために,我々は,個別の心理的連鎖を専用のプロンプトでシミュレートするLLMベースのロールプレイングエージェントを設計した。
参考スコア（独自算出の注目度）: 25.69230239224621
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: During sudden disaster events, accurately predicting public panic sentiment on social media is crucial for proactive governance and crisis management. Current efforts on this problem face three main challenges: lack of finely annotated data hinders emotion prediction studies, unmodeled risk perception causes prediction inaccuracies, and insufficient interpretability of panic formation mechanisms. We address these issues by proposing a Psychology-driven generative Agent framework (PsychoAgent) for explainable panic prediction based on emotion arousal theory. Specifically, we first construct a fine-grained open panic emotion dataset (namely COPE) via human-large language models (LLMs) collaboration to mitigate semantic bias. Then, we develop a framework integrating cross-domain heterogeneous data grounded in psychological mechanisms to model risk perception and cognitive differences in emotion generation. To enhance interpretability, we design an LLM-based role-playing agent that simulates individual psychological chains through dedicatedly designed prompts. Experimental results on our annotated dataset show that PsychoAgent improves panic emotion prediction performance by 12.6% to 21.7% compared to baseline models. Furthermore, the explainability and generalization of our approach is validated. Crucially, this represents a paradigm shift from opaque "data-driven fitting" to transparent "role-based simulation with mechanistic interpretation" for panic emotion prediction during emergencies. Our implementation is publicly available at: https://anonymous.4open.science/r/PsychoAgent-19DD.
Abstract（参考訳）: 突然の災害の際には、ソーシャルメディア上でパニックの感情を正確に予測することが、積極的なガバナンスと危機管理に不可欠である。この問題に対する現在の取り組みは、3つの大きな課題に直面している: 微妙な注釈付きデータの欠如は感情予測研究を妨げる、未モデル化のリスク知覚は予測の不正確さを引き起こす、パニック形成機構の不十分な解釈性である。本研究では,感情覚醒理論に基づくパニック予測のための心理学駆動型生成エージェントフレームワーク(サイコアジェント)を提案し,これらの課題に対処する。具体的には、まず、人間の大言語モデル(LLM)の協調を通して、セマンティックバイアスを緩和するために、きめ細かいオープンパニック感情データセット(COPE)を構築する。そこで我々は,リスク認識と感情生成の認知的差異をモデル化するための心理的メカニズムを基礎とした,クロスドメインな異種データの統合フレームワークを開発した。解釈可能性を高めるために,我々は,個別の心理的連鎖を専用のプロンプトでシミュレートするLLMベースのロールプレイングエージェントを設計した。注釈付きデータセットによる実験結果から、サイコエージェントはベースラインモデルと比較してパニック感情予測性能を12.6%から21.7%改善することが示された。さらに,本手法の妥当性と一般化を検証した。重要なことに、これは緊急時のパニック感情予測のための不透明な「データ駆動フィッティング」から透明な「機械的解釈を伴うロールベースシミュレーション」へのパラダイムシフトを表している。私たちの実装は、https://anonymous.4open.science/r/PsychoAgent-19DDで公開されています。

関連論文リスト

Teleology-Driven Affective Computing: A Causal Framework for Sustained Well-Being [0.1636303041090359]
本稿では,主要な感情理論を統一するテレロジー駆動型感情コンピューティングフレームワークを提案する。我々は、個人的な情緒的な出来事の「データバース」を作ることを提唱する。シミュレーション環境でエージェントを訓練するためのメタ強化学習パラダイムを導入する。
論文参考訳（メタデータ） (2025-02-24T14:07:53Z)
Mechanistic Interpretability of Emotion Inference in Large Language Models [16.42503362001602]
感情表現は大規模言語モデルにおいて特定の領域に機能的に局所化されていることを示す。我々は,環境刺激の評価から感情が出現することを示すための認知的評価理論を導いた。この研究は、因果的に介入し、感情的なテキスト生成を正確に形作る新しい方法を強調している。
論文参考訳（メタデータ） (2025-02-08T08:11:37Z)
Performative Prediction on Games and Mechanism Design [69.7933059664256]
エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
論文参考訳（メタデータ） (2024-08-09T16:03:44Z)
Emotion-Oriented Behavior Model Using Deep Learning [0.9176056742068812]
感情に基づく行動予測の精度は2尾のピアソン相関を用いて統計的に検証される。本研究は,感情指向行動に基づく多面的人工エージェントインタラクションの基盤となる。
論文参考訳（メタデータ） (2023-10-28T17:27:59Z)
Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
論文参考訳（メタデータ） (2022-04-17T11:21:18Z)
Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
論文参考訳（メタデータ） (2021-08-24T17:59:09Z)
When a crisis strikes: Emotion analysis and detection during COVID-19 [96.03869351276478]
感情をラベル付けした1万ツイートのCovidEmoを紹介します。事前学習された言語モデルがドメインや危機をまたいでどのように一般化するかを検討する。
論文参考訳（メタデータ） (2021-07-23T04:07:14Z)
Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
論文参考訳（メタデータ） (2021-04-26T10:28:34Z)
Capturing social media expressions during the COVID-19 pandemic in Argentina and forecasting mental health and emotions [0.802904964931021]
アルゼンチンで発生したCOVID-19パンデミックの際の精神状態や感情は、ソーシャルメディアで使われる言語表現に基づいて予測する。メンタルヘルスの状況と感情は、ソーシャルメディアの内容とレキシコンを結びつけるマーカーを介してキャプチャされる。
論文参考訳（メタデータ） (2021-01-12T15:15:31Z)
Social Media Unrest Prediction during the {COVID}-19 Pandemic: Neural Implicit Motive Pattern Recognition as Psychometric Signs of Severe Crises [26.447165399064552]
心理的に検証された社会的不安予測器を提示し,スケーラブルで自動的な予測を再現する。私たちはこのモデルを使って、新型コロナウイルスのパンデミックによる社会不安に対する言語の変化を調査します。
論文参考訳（メタデータ） (2020-12-08T17:40:35Z)

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。