論文の概要: A Customer Journey in the Land of Oz: Leveraging the Wizard of Oz Technique to Model Emotions in Customer Service Interactions

• arxiv url: http://arxiv.org/abs/2511.21909v1
• Date: Wed, 26 Nov 2025 20:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.296738
• Title: A Customer Journey in the Land of Oz: Leveraging the Wizard of Oz Technique to Model Emotions in Customer Service Interactions
• Title（参考訳）: Ozの国における顧客ジャーニー:Ozテクニックの魔法を活用して顧客サービスインタラクションの感情をモデル化する
• Authors: Sofie Labat, Thomas Demeester, Véronique Hoste,
• Abstract要約: EmoWOZ-CSには、商業航空、eコマース、オンライン旅行代理店、通信シナリオを含む179人の参加者による2,148人の対話が含まれている。 発見は、中立が参加者のメッセージを支配していることを示し、欲求と感謝は最も頻繁に非中立的な感情である。 いくつかの感情的な戦略(清潔さ、感謝)は肯定的な相互性を促進するが、他の戦略(謝罪、共感)は欲求、怒り、不快感を残すこともある。
• 参考スコア（独自算出の注目度）: 7.089778285573446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Emotion-aware customer service needs in-domain conversational data, rich annotations, and predictive capabilities, but existing resources for emotion recognition are often out-of-domain, narrowly labeled, and focused on post-hoc detection. To address this, we conducted a controlled Wizard of Oz (WOZ) experiment to elicit interactions with targeted affective trajectories. The resulting corpus, EmoWOZ-CS, contains 2,148 bilingual (Dutch-English) written dialogues from 179 participants across commercial aviation, e-commerce, online travel agencies, and telecommunication scenarios. Our contributions are threefold: (1) Evaluate WOZ-based operator-steered valence trajectories as a design for emotion research; (2) Quantify human annotation performance and variation, including divergences between self-reports and third-party judgments; (3) Benchmark detection and forward-looking emotion inference in real-time support. Findings show neutral dominates participant messages; desire and gratitude are the most frequent non-neutral emotions. Agreement is moderate for multilabel emotions and valence, lower for arousal and dominance; self-reports diverge notably from third-party labels, aligning most for neutral, gratitude, and anger. Objective strategies often elicit neutrality or gratitude, while suboptimal strategies increase anger, annoyance, disappointment, desire, and confusion. Some affective strategies (cheerfulness, gratitude) foster positive reciprocity, whereas others (apology, empathy) can also leave desire, anger, or annoyance. Temporal analysis confirms successful conversation-level steering toward prescribed trajectories, most distinctly for negative targets; positive and neutral targets yield similar final valence distributions. Benchmarks highlight the difficulty of forward-looking emotion inference from prior turns, underscoring the complexity of proactive emotion-aware support.
• Abstract（参考訳）: Emotion-awareのカスタマーサービスはドメイン内の会話データ、リッチアノテーション、予測機能を必要とするが、感情認識のための既存のリソースはドメイン外であり、ラベルが狭く、ポストホック検出に重点を置いていることが多い。 そこで我々は,対象とする感情軌跡との相互作用を引き出すために,制御されたオズ・ウィザード(WOZ)実験を行った。 得られたコーパスであるEmoWOZ-CSには、商業航空、電子商取引、オンライン旅行代理店、通信シナリオを含む179人の参加者による2,148のバイリンガル(オランダ語)の対話が含まれている。 筆者らの貢献は,(1)WOZをベースとした操作者による価軌道を感情研究の設計として評価すること,(2)自己申告と第三者の判断の相違を含む人間のアノテーション性能と変動を定量化すること,(3)リアルタイム支援におけるベンチマーク検出と前向き感情推定を行うこと,の3つである。 発見は、中立が参加者のメッセージを支配していることを示し、欲求と感謝は最も頻繁に非中立的な感情である。 合意はマルチラベルの感情と価値を適度に保ち、覚醒と支配を低くし、自己報告は特に第三者のラベルから分岐し、中立、感謝、怒りを最優先する。 客観的戦略は中立性や感謝を喚起するが、最適戦略は怒り、不快感、失望、欲求、混乱を増大させる。 いくつかの感情的な戦略(清潔さ、感謝)は肯定的な相互性を促進するが、他の戦略(謝罪、共感)は欲求、怒り、不快感を残すこともある。 時間的分析により、主に負の目標に対して、所定の軌道に対する会話レベルステアリングが成功し、正と中性の目標が同様の最終価分布をもたらすことが確認される。 ベンチマークでは、前向きの感情推論の難しさが強調され、積極的感情認識サポートの複雑さが強調されている。

関連論文リスト

• Why We Feel What We Feel: Joint Detection of Emotions and Their Opinion Triggers in E-commerce [34.25698222058424]
  本稿では,感情検出とオピニオントリガー抽出を統合化するタスクを提案する。 EOT-Xは、微妙な感情と意見のトリガーを持つ2,400のレビューの人間による注釈付きコレクションである。 本稿では,体系的推論と自己回帰を備えた構造化プロンプトフレームワークであるEOT-DETECTを提案する。
  論文  参考訳（メタデータ） (2025-07-07T06:59:37Z)
• Sentient Agent as a Judge: Evaluating Higher-Order Social Cognition in Large Language Models [75.85319609088354]
  SAGE(Sentient Agent as a Judge)は、大規模言語モデルの評価フレームワークである。 SAGEは人間のような感情の変化や内的思考をシミュレートするSentient Agentをインスタンス化する。 SAGEは、真に共感的で社会的に適応的な言語エージェントへの進捗を追跡するための、原則付き、スケーラブルで解釈可能なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-01T19:06:10Z)
• Disentangle Identity, Cooperate Emotion: Correlation-Aware Emotional Talking Portrait Generation [63.94836524433559]
  DICE-Talkは、感情と同一性を切り離し、類似した特徴を持つ感情を協調するフレームワークである。 我々は、モーダル・アテンションを通して、音声と視覚の感情の手がかりを共同でモデル化するアンタングル型感情埋め込み装置を開発した。 次に,学習可能な感情バンクを用いた相関強化感情調和モジュールを提案する。 第3に、拡散過程における感情の一貫性を強制する感情識別目標を設計する。
  論文  参考訳（メタデータ） (2025-04-25T05:28:21Z)
• CauESC: A Causal Aware Model for Emotional Support Conversation [79.4451588204647]
  既存のアプローチは、苦痛の感情の原因を無視します。 彼らは、話者間の相互作用における感情的ダイナミクスよりも、探究者自身の精神状態に焦点を当てている。 本稿では、まず、苦痛の感情要因と、その原因によって引き起こされる感情効果を認識する新しいフレームワークCauESCを提案する。
  論文  参考訳（メタデータ） (2024-01-31T11:30:24Z)
• Attention-based Interactive Disentangling Network for Instance-level Emotional Voice Conversion [81.1492897350032]
  感情音声変換(Emotional Voice Conversion)は、非感情成分を保存しながら、与えられた感情に応じて音声を操作することを目的とする。 本稿では,音声変換にインスタンスワイドな感情知識を活用する,意図に基づく対話型ディスタングネットワーク(AINN)を提案する。
  論文  参考訳（メタデータ） (2023-12-29T08:06:45Z)
• EmoTwiCS: A Corpus for Modelling Emotion Trajectories in Dutch Customer Service Dialogues on Twitter [9.2878798098526]
  本稿では,情緒トラジェクトリに注釈を付けた9,489件のオランダの顧客サービス対話コーパスであるEmoTwiCSを紹介する。 感情軌跡」という用語は、顧客の体験したきめ細かい感情だけでなく、会話の前に起きる出来事や人間の操作者による反応も指している。
  論文  参考訳（メタデータ） (2023-10-10T11:31:11Z)

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。