論文の概要: ManzaiSet: A Multimodal Dataset of Viewer Responses to Japanese Manzai Comedy

• arxiv url: http://arxiv.org/abs/2510.18014v1
• Date: Mon, 20 Oct 2025 18:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.521482
• Title: ManzaiSet: A Multimodal Dataset of Viewer Responses to Japanese Manzai Comedy
• Title（参考訳）: マンザイセット:日本のマンザイ彗星に対する視聴者反応のマルチモーダルデータセット
• Authors: Kazuki Kawamura, Kengo Nakai, Jun Rekimoto,
• Abstract要約: 本研究では,日本のマンザイコメディ・ビデオの大規模マルチモーダル・データセットを初めて提示し,241人の参加者からランダムな順序で10のプロの演技を観戦した。 これは、感情コンピューティングにおける西洋中心のバイアスに対処する。 このデータセットは、文化的に意識された感情発達と、西洋以外の文脈に合わせたパーソナライズされたエンターテイメントシステムを可能にする。
• 参考スコア（独自算出の注目度）: 16.614003265269567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ManzaiSet, the first large scale multimodal dataset of viewer responses to Japanese manzai comedy, capturing facial videos and audio from 241 participants watching up to 10 professional performances in randomized order (94.6 percent watched >= 8; analyses focus on n=228). This addresses the Western centric bias in affective computing. Three key findings emerge: (1) k means clustering identified three distinct viewer types: High and Stable Appreciators (72.8 percent, n=166), Low and Variable Decliners (13.2 percent, n=30), and Variable Improvers (14.0 percent, n=32), with heterogeneity of variance (Brown Forsythe p < 0.001); (2) individual level analysis revealed a positive viewing order effect (mean slope = 0.488, t(227) = 5.42, p < 0.001, permutation p < 0.001), contradicting fatigue hypotheses; (3) automated humor classification (77 instances, 131 labels) plus viewer level response modeling found no type wise differences after FDR correction. The dataset enables culturally aware emotion AI development and personalized entertainment systems tailored to non Western contexts.
• Abstract（参考訳）: マンザイセット(ManzaiSet)は、日本のマンザイコメディーに対する視聴者の反応の大規模なマルチモーダルデータセットであり、241人の参加者から、ランダムな順番で最大10のプロのパフォーマンス(94.6%が視聴 >= 8; 分析はn=228。 これは、感情コンピューティングにおける西洋中心のバイアスに対処する。 1kはクラスタリングが3つの異なるビューアタイプを識別する: 1kはクラスタリングで、3つの異なるビューアタイプを識別する: High and Staable Appreciators (72.8%, n=166), Low and Variable Decliner (13.2%, n=30), and Variable Improver (14.0%, n=32), with heterogeneity of variance (Brown Forsythe p < 0.001), (2) 個人レベルの分析では、正の視聴順序効果(平均スロープ = 0.488, t(227) = 5.42, p < 0.001, permutation p < 0.001), 疲労仮説に矛盾する。 このデータセットは、文化的に意識された感情AI開発と、西洋以外の状況に合わせてパーソナライズされたエンターテイメントシステムを可能にする。

関連論文リスト

• Artificial Intelligence Bias on English Language Learners in Automatic Scoring [23.76046619016318]
  我々は,ELからの応答,(2)非ELLからの応答,(3)現実のELLと非ELLの比率を反映した混合データセット,(4)両グループの同じ表現を持つバランスの取れた混合データセットの4つのデータセットを用いて,BERTを微調整した。 ELと非ELL間の平均スコアギャップ(MSG)を測定し,人間モデルとAIモデルの両方で生成されたMSGの差を計算し,スコアの相違を同定した。 トレーニングデータセットが大きいと、ERと非ELLのAIバイアスや歪んだ相違は見つからないことがわかった。
  論文  参考訳（メタデータ） (2025-05-15T18:32:24Z)
• iNews: A Multimodal Dataset for Modeling Personalized Affective Responses to News [25.367927300697424]
  iNewsは、ニュースコンテンツに対するパーソナライズされた感情反応のモデリングを容易にするために設計された、新しいデータセットである。 当社のデータセットは、英国の主要メディアの2,899件のマルチモーダルなFacebookニュース投稿に対して、291件の英国住民のアノテーションで構成されています。
  論文  参考訳（メタデータ） (2025-03-05T10:09:53Z)
• Exploring Response Uncertainty in MLLMs: An Empirical Evaluation under Misleading Scenarios [49.53589774730807]
  マルチモーダル大規模言語モデル(MLLM)は近年,視覚的質問応答から映像理解に至るまでのタスクにおいて,最先端のパフォーマンスを実現している。 12件のオープンソースMLLMが, 単一の偽装キューを受けた65%の症例において, 既往の正解を覆した。
  論文  参考訳（メタデータ） (2024-11-05T01:11:28Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)
• The MuSe 2024 Multimodal Sentiment Analysis Challenge: Social Perception and Humor Recognition [64.5207572897806]
  マルチモーダル・センティメント・アナリティクス・チャレンジ (MuSe) 2024は、現代の2つのマルチモーダル・インフルエンスと感情分析の問題に対処する。 Social Perception Sub-Challenge (MuSe-Perception)では、参加者は16種類の個人の社会的属性を予測する。 クロスカルカルカルチャー・ヒューモー検出サブチャレンジ(MuSe-Humor)データセットは、Passau Spontaneous Football Coach Humorデータセット上に拡張される。
  論文  参考訳（メタデータ） (2024-06-11T22:26:20Z)
• Using Natural Language Explanations to Rescale Human Judgments [81.66697572357477]
  大規模言語モデル(LLM)を用いて順序付けアノテーションと説明を再スケールする手法を提案する。 我々は、アノテータのLikert評価とそれに対応する説明をLLMに入力し、スコア付けルーリックに固定された数値スコアを生成する。 提案手法は,合意に影響を及ぼさずに生の判断を再スケールし,そのスコアを同一のスコア付けルーリックに接する人間の判断に近づける。
  論文  参考訳（メタデータ） (2023-05-24T06:19:14Z)
• The MuSe 2023 Multimodal Sentiment Analysis Challenge: Mimicked Emotions, Cross-Cultural Humour, and Personalisation [69.13075715686622]
  MuSe 2023は、現代の3つの異なるマルチモーダル感情と感情分析の問題に対処する共有タスクの集合である。 MuSe 2023は、さまざまな研究コミュニティから幅広いオーディエンスを集めようとしている。
  論文  参考訳（メタデータ） (2023-05-05T08:53:57Z)
• Race Bias Analysis of Bona Fide Errors in face anti-spoofing [0.0]
  本稿では,3つの重要な特徴を持つ反スプーフに面した人種偏見の系統的研究について述べる。 焦点は、重大な倫理的および法的問題があるボナフェイドエラーの潜在的なバイアスを分析することにある。 本稿では,VQ-VAEに基づくフェース・アンチ・スプーフィング・アルゴリズムのバイアス解析プロセスについて述べる。
  論文  参考訳（メタデータ） (2022-10-11T11:49:24Z)
• Prediction of Listener Perception of Argumentative Speech in a Crowdsourced Data Using (Psycho-)Linguistic and Fluency Features [24.14001104126045]
  議論的発話のクラウドソースデータセットにおいてTEDトークスタイルの感情評価を予測することを目的としている。 本稿では,TEDトーク音声の大規模データセット上で事前学習したモデルを微調整することにより,これらのカテゴリを予測するための分類タスクに有効なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-11-13T15:07:13Z)

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。