論文の概要: Sarc7: Evaluating Sarcasm Detection and Generation with Seven Types and Emotion-Informed Techniques
- arxiv url: http://arxiv.org/abs/2506.00658v1
- Date: Sat, 31 May 2025 18:01:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-04 21:47:33.395485
- Title: Sarc7: Evaluating Sarcasm Detection and Generation with Seven Types and Emotion-Informed Techniques
- Title（参考訳）: Sarc7: 7つのタイプと感情インフォームド技術によるサルカズムの検出と生成の評価
- Authors: Lang Xiong, Raina Gao, Alyssa Jeong, Yicheng Fu, Sean O'Brien, Vasu Sharma, Kevin Zhu,
- Abstract要約: サルカズム (Sarcasm) はユーモアの一種で、表現は文字通りの解釈とは反対の意味を伝達する。
Sarc7は、7種類のサルカズムを分類するベンチマークである。
本研究では,サルカズム不整合,ショック値,コンテキスト依存性の重要成分を同定し,感情に基づく生成手法を提案する。
- 参考スコア（独自算出の注目度）: 4.699432725785436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sarcasm is a form of humor where expressions convey meanings opposite to their literal interpretations. Classifying and generating sarcasm using large language models is vital for interpreting human communication. Sarcasm poses challenges for computational models, due to its nuanced nature. We introduce Sarc7, a benchmark that classifies 7 types of sarcasm: self-deprecating, brooding, deadpan, polite, obnoxious, raging, and manic by annotating entries of the MUStARD dataset. Classification was evaluated using zero-shot, few-shot, chain-of-thought (CoT), and a novel emotion-based prompting technique. We propose an emotion-based generation method developed by identifying key components of sarcasm-incongruity, shock value, and context dependency. Our classification experiments show that Gemini 2.5, using emotion-based prompting, outperforms other setups with an F1 score of 0.3664. Human evaluators preferred our emotion-based prompting, with 38.46% more successful generations than zero-shot prompting.
- Abstract（参考訳）: サルカズム (Sarcasm) はユーモアの一種で、表現は文字通りの解釈とは反対の意味を伝達する。
大きな言語モデルを用いたサルカズムの分類と生成は、人間のコミュニケーションの解釈に不可欠である。
Sarcasmはその微妙な性質のため、計算モデルに挑戦する。
Sarc7は,MUStARDデータセットのエントリをアノテートすることで,自己非推奨,ブローディング,デッドパン,ポーライト,曖昧,ラギング,マニックの7種類のサルカズムを分類するベンチマークである。
ゼロショット, 少数ショット, チェーン・オブ・シント(CoT)と, 感情に基づく新しいプロンプト技術を用いて, 分類評価を行った。
本研究では,サルカズム不整合,ショック値,コンテキスト依存性の重要成分を同定し,感情に基づく生成手法を提案する。
分類実験の結果,感情に基づくプロンプトを用いたGemini 2.5は,F1スコア0.3664で他の設定よりも優れていた。
人間の評価者は感情に基づくプロンプトを好み、ゼロショットのプロンプトよりも38.46%成功した。
関連論文リスト
- 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) - "When Words Fail, Emojis Prevail": Generating Sarcastic Utterances with
Emoji Using Valence Reversal and Semantic Incongruity [0.23488056916440855]
英語の非皮肉文からの絵文字を用いた文字生成のための新しいアーキテクチャを提案する。
本研究は, 人による判断を用いて, 生成した皮肉文を評価することで, 研究を締めくくった。
論文 参考訳（メタデータ） (2023-05-06T17:49:41Z) - Researchers eye-view of sarcasm detection in social media textual
content [0.0]
ソーシャルメディアにおけるあらゆる形態のコミュニケーションにおける皮肉文の使用は、ターゲットユーザに対する生理的効果をもたらす。
本稿では,様々なサルカズム検出手法について論じ,いくつかのアプローチ,および最適な特徴を持つ関連するデータセットを結論づける。
論文 参考訳（メタデータ） (2023-04-17T19:45:10Z) - Sarcasm Detection Framework Using Emotion and Sentiment Features [62.997667081978825]
本研究では,感情と感情の特徴を取り入れたモデルを提案する。
我々のアプローチは、ソーシャルネットワークプラットフォームとオンラインメディアの4つのデータセットに対して、最先端の結果を得た。
論文 参考訳（メタデータ） (2022-11-23T15:14:44Z) - How to Describe Images in a More Funny Way? Towards a Modular Approach
to Cross-Modal Sarcasm Generation [62.89586083449108]
本稿では,CMSG(Cross-modal sarcasm Generation)の新たな問題,すなわち,与えられた画像に対してサーカシックな記述を生成することについて検討する。
CMSGは、異なるモード間の相関だけでなく、サルカズムの特性をモデルが満たさなければならないため、困難である。
クロスモデルサルカズム生成のための抽出・生成・生成に基づくモジュール法(EGRM)を提案する。
論文 参考訳（メタデータ） (2022-11-20T14:38:24Z) - Speech Synthesis with Mixed Emotions [77.05097999561298]
異なる感情の音声サンプル間の相対的な差を測定する新しい定式化を提案する。
次に、私たちの定式化を、シーケンスからシーケンスまでの感情的なテキストから音声へのフレームワークに組み込む。
実行時に、感情属性ベクトルを手動で定義し、所望の感情混合を生成するためにモデルを制御する。
論文 参考訳（メタデータ） (2022-08-11T15:45:58Z) - A Multimodal Corpus for Emotion Recognition in Sarcasm [29.620911976637196]
皮肉な表現は、様々な根底にある感情を持つ。
我々は、343個の不正確な感情ラベル(690点中)を同定し、修正する。
発声は,4種類のサルカズムの1つ,プロポジション,エンベッドド,いいね!
論文 参考訳（メタデータ） (2022-06-05T08:01:09Z) - Parallel Deep Learning-Driven Sarcasm Detection from Pop Culture Text
and English Humor Literature [0.76146285961466]
ベンチマークポップカルチャー Sarcasm corpus のサーカシックな単語分布特徴を手作業で抽出する。
このような単語から重み付きベクトルからなる入力シーケンスを生成する。
提案するサルカズム検出モデルは,提案したデータセットを用いてトレーニングした場合,98.95%のトレーニング精度をピークとする。
論文 参考訳（メタデータ） (2021-06-10T14:01:07Z) - $R^3$: Reverse, Retrieve, and Rank for Sarcasm Generation with
Commonsense Knowledge [51.70688120849654]
非皮肉な入力文に基づくサルカズム生成のための教師なしアプローチを提案する。
本手法では,サルカズムの2つの主要な特徴をインスタンス化するために,検索・編集の枠組みを用いる。
論文 参考訳（メタデータ） (2020-04-28T02:30:09Z)
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。