論文の概要: What About Emotions? Guiding Fine-Grained Emotion Extraction from Mobile App Reviews

• arxiv url: http://arxiv.org/abs/2505.23452v1
• Date: Thu, 29 May 2025 13:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.884766
• Title: What About Emotions? Guiding Fine-Grained Emotion Extraction from Mobile App Reviews
• Title（参考訳）: 感情はどうなるか? モバイルアプリレビューから細粒の感情を抽出する
• Authors: Quim Motger, Marc Oriol, Max Tiessler, Xavier Franch, Jordi Marco,
• Abstract要約: 本稿では,アプリレビューにおける微粒な感情分析の課題と限界について論じる。 我々の研究は、構造化アノテーションフレームワークとデータセットを開発することにより、Plutchikの感情分類をアプリレビューに適用する。 また,大規模言語モデルを用いた感情アノテーションの自動化の実現可能性についても検討した。
• 参考スコア（独自算出の注目度）: 3.24647377768909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Opinion mining plays a vital role in analysing user feedback and extracting insights from textual data. While most research focuses on sentiment polarity (e.g., positive, negative, neutral), fine-grained emotion classification in app reviews remains underexplored. This paper addresses this gap by identifying and addressing the challenges and limitations in fine-grained emotion analysis in the context of app reviews. Our study adapts Plutchik's emotion taxonomy to app reviews by developing a structured annotation framework and dataset. Through an iterative human annotation process, we define clear annotation guidelines and document key challenges in emotion classification. Additionally, we evaluate the feasibility of automating emotion annotation using large language models, assessing their cost-effectiveness and agreement with human-labelled data. Our findings reveal that while large language models significantly reduce manual effort and maintain substantial agreement with human annotators, full automation remains challenging due to the complexity of emotional interpretation. This work contributes to opinion mining by providing structured guidelines, an annotated dataset, and insights for developing automated pipelines to capture the complexity of emotions in app reviews.
• Abstract（参考訳）: 意見マイニングは、ユーザのフィードバックを分析し、テキストデータから洞察を抽出する上で重要な役割を果たす。 ほとんどの研究は感情の極性(肯定的、否定的、中立的)に焦点を当てているが、アプリレビューにおけるきめ細かい感情分類はいまだ研究されていない。 本稿では,アプリレビューの文脈における微粒な感情分析の課題と限界を特定し,対処することで,このギャップに対処する。 我々の研究は、構造化アノテーションフレームワークとデータセットを開発することにより、Plutchikの感情分類をアプリレビューに適用する。 反復的な人間のアノテーションプロセスを通じて、感情分類における明確なアノテーションガイドラインと重要な課題を文書化する。 さらに,大規模言語モデルを用いて感情アノテーションの自動化の実現可能性を評価し,そのコスト効率と人間ラベル付きデータとの整合性を評価する。 以上の結果から,大規模な言語モデルでは手作業が大幅に削減され,人間のアノテータとの相当な合意が維持されるが,情緒的解釈の複雑さのため,完全な自動化は依然として困難であることが明らかとなった。 この研究は、構造化されたガイドライン、注釈付きデータセット、およびアプリレビューにおける感情の複雑さをキャプチャする自動パイプラインを開発するための洞察を提供することによって、意見のマイニングに寄与する。

関連論文リスト

• My Words Imply Your Opinion: Reader Agent-based Propagation Enhancement for Personalized Implicit Emotion Analysis [11.628440499885238]
  本稿では,Personalized IEA(PIEA)とRAPPIEモデルについて紹介する。 我々は、読者のフィードバックをシミュレートするために、大きな言語モデルに基づくリーダーエージェントを作成する。 我々は、英語と中国語のソーシャルメディアをカバーする2つの新しいPIEAデータセットを構築した。
  論文  参考訳（メタデータ） (2024-12-10T10:06:46Z)
• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• Context Unlocks Emotions: Text-based Emotion Classification Dataset Auditing with Large Language Models [23.670143829183104]
  テキストデータに文脈情報がないため、テキストベースの感情分類データセットのアノテーションプロセスは困難である。 本稿では,このような文脈情報を強化するための促進戦略を動機付けるために,テキストコンテキストの形式的定義を提案する。 提案手法は, 経験的, 人的評価的両面から, 入力と人的アノテートラベルのアライメントを改善する。
  論文  参考訳（メタデータ） (2023-11-06T21:34:49Z)
• 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)
• Natural Language Processing for Cognitive Analysis of Emotions [0.0]
  本稿では,感情とその原因を探索する新たなアノテーション手法と,感情場面の自伝的記述からなる新たなフランス語データセットを提案する。 テキストは、A. Finkelによって開発された感情の認知分析を適用して、人々が感情管理を改善する手助けをすることで収集された。
  論文  参考訳（メタデータ） (2022-10-11T09:47:00Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)
• Target Guided Emotion Aware Chat Machine [58.8346820846765]
  意味レベルと感情レベルにおける投稿に対する応答の整合性は、人間のような対話を提供する対話システムにとって不可欠である。 この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-15T01:55:37Z)
• A Unified Dual-view Model for Review Summarization and Sentiment Classification with Inconsistency Loss [51.448615489097236]
  ユーザーレビューから正確な要約と感情を取得することは、現代のEコマースプラットフォームにとって不可欠な要素である。 本稿では,これら2つのタスクの性能を協調的に改善する新しいデュアルビューモデルを提案する。 異なる領域の4つの実世界のデータセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-02T13:34:11Z)
• PO-EMO: Conceptualization, Annotation, and Modeling of Aesthetic Emotions in German and English Poetry [26.172030802168752]
  我々は、詩の中の感情を、文章で表現されるものや著者が意図するものよりも、読者に誘惑されるものとして考える。 我々は,読者の審美的評価を予測可能な審美感情の集合を概念化し,各行に複数ラベルの注釈を付けることで,その文脈内での混合感情を捉えることができる。
  論文  参考訳（メタデータ） (2020-03-17T13:54:48Z)

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。