論文の概要: Advancing Multimodal Teacher Sentiment Analysis:The Large-Scale T-MED Dataset & The Effective AAM-TSA Model

• arxiv url: http://arxiv.org/abs/2512.20548v2
• Date: Fri, 26 Dec 2025 14:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-29 13:23:29.825388
• Title: Advancing Multimodal Teacher Sentiment Analysis:The Large-Scale T-MED Dataset & The Effective AAM-TSA Model
• Title（参考訳）: マルチモーダル教師感分析の強化:大規模T-MEDデータセットと効果的なAM-TSAモデル
• Authors: Zhiyi Duan, Xiangren Wang, Hongyu Yuan, Qianli Xing,
• Abstract要約: 我々は,最初の大規模教師マルチモーダル感情分析データセットT-MEDを構築した。 データセットには、K-12から高等教育までの11科目にわたる250の実際の教室から、14,938件の教師の感情データが含まれている。 本稿では,非対称な注意に基づくマルチモーダル教師感情分析モデルAAM-TSAを提案する。
• 参考スコア（独自算出の注目度）: 1.5966075413898337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teachers' emotional states are critical in educational scenarios, profoundly impacting teaching efficacy, student engagement, and learning achievements. However, existing studies often fail to accurately capture teachers' emotions due to the performative nature and overlook the critical impact of instructional information on emotional expression. In this paper, we systematically investigate teacher sentiment analysis by building both the dataset and the model accordingly. We construct the first large-scale teacher multimodal sentiment analysis dataset, T-MED. To ensure labeling accuracy and efficiency, we employ a human-machine collaborative labeling process. The T-MED dataset includes 14,938 instances of teacher emotional data from 250 real classrooms across 11 subjects ranging from K-12 to higher education, integrating multimodal text, audio, video, and instructional information. Furthermore, we propose a novel asymmetric attention-based multimodal teacher sentiment analysis model, AAM-TSA. AAM-TSA introduces an asymmetric attention mechanism and hierarchical gating unit to enable differentiated cross-modal feature fusion and precise emotional classification. Experimental results demonstrate that AAM-TSA significantly outperforms existing state-of-the-art methods in terms of accuracy and interpretability on the T-MED dataset.
• Abstract（参考訳）: 教師の感情状態は教育のシナリオにおいて重要であり、教育効果、学生のエンゲージメント、学習の成果に大きな影響を及ぼす。 しかし、既存の研究では、演奏性から教師の感情を正確に捉えられず、指導情報が感情表現に与える影響を見逃すことがしばしばある。 本稿では,教師の感情分析をモデルとデータセットの両方を用いて体系的に研究する。 我々は,最初の大規模教師マルチモーダル感情分析データセットT-MEDを構築した。 ラベリングの精度と効率を確保するため,人間と機械の協調ラベリングプロセスを採用している。 T-MEDデータセットには、K-12から高等教育、マルチモーダルテキスト、オーディオ、ビデオ、教育情報の統合を含む11の科目にわたる250の実際の教室からの14,938の教師の感情データが含まれている。 さらに,非対称な注意に基づくマルチモーダル教師感情分析モデルAAM-TSAを提案する。 AAM-TSAは、非対称な注意機構と階層的なゲーティングユニットを導入し、区別されたクロスモーダルな特徴融合と正確な感情分類を可能にした。 実験結果から,AAM-TSAはT-MEDデータセットの精度と解釈可能性において,既存の最先端手法を著しく上回ることがわかった。

関連論文リスト

• Asymmetric Decision-Making in Online Knowledge Distillation:Unifying Consensus and Divergence [18.640219880439062]
  本稿では,中間空間表現を活用する革新的な手法を提案する。 本稿では,学生モデルの特徴コンセンサス学習を強化するために,非対称意思決定(ADM)を提案する。
  論文  参考訳（メタデータ） (2025-03-09T16:32:25Z)
• Towards Unified Music Emotion Recognition across Dimensional and Categorical Models [9.62904012066486]
  音楽感情認識(MER)における最も重要な課題の1つは、感情ラベルがデータセット間で不均一であるという事実にある。 分類ラベルと次元ラベルを組み合わせた統合マルチタスク学習フレームワークを提案する。 我々の研究は、一つの統合されたフレームワークにおけるカテゴリー的感情ラベルと次元的感情ラベルの組み合わせを可能にすることで、MERに大きな貢献をしている。
  論文  参考訳（メタデータ） (2025-02-06T11:20:22Z)
• MEMO-Bench: A Multiple Benchmark for Text-to-Image and Multimodal Large Language Models on Human Emotion Analysis [53.012111671763776]
  そこで本研究では、7,145枚の肖像画からなる総合的なベンチマークであるMEMO-Benchを紹介した。 以上の結果から,既存のT2Iモデルは負のモデルよりも肯定的な感情を生成するのに効果的であることが示唆された。 MLLMは人間の感情の識別と認識に一定の効果を示すが、人間のレベルの正確さには欠ける。
  論文  参考訳（メタデータ） (2024-11-18T02:09:48Z)
• Multi Teacher Privileged Knowledge Distillation for Multimodal Expression Recognition [58.41784639847413]
  人間の感情は、表情、声調、ボディランゲージ、生理的信号を通じて伝達され知覚される複雑な現象である。 本稿では, 学生に蒸留する前に, 教師の多様な表現を並べ合わせるために, 自己蒸留による多教師PKD(MT-PKDOT)法を提案する。 その結果,提案手法はSOTA PKD法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T22:11:01Z)
• UniSA: Unified Generative Framework for Sentiment Analysis [48.78262926516856]
  感情分析は、人々の感情状態を理解し、マルチモーダル情報に基づいて感情カテゴリーを予測することを目的としている。 会話における感情認識(ERC)、アスペクトベース感情分析(ABSA)、マルチモーダル感情分析(MSA)など、いくつかのサブタスクから構成される。
  論文  参考訳（メタデータ） (2023-09-04T03:49:30Z)
• CTDS: Centralized Teacher with Decentralized Student for Multi-Agent Reinforcement Learning [114.69155066932046]
  この作品は小説を提案している。 教師モデルと学生モデルからなる分散学生(C TDS)フレームワーク。 具体的には、教師モデルは、グローバルな観察で条件付けられた個別のQ値を学ぶことで、チームの報酬を割り当てる。 学生モデルは、部分的な観察を利用して、教師モデルによって推定されるQ値を近似する。
  論文  参考訳（メタデータ） (2022-03-16T06:03:14Z)
• MEmoBERT: Pre-training Model with Prompt-based Learning for Multimodal Emotion Recognition [118.73025093045652]
  マルチモーダル感情認識のための事前学習モデル textbfMEmoBERT を提案する。 従来の「訓練前、微妙な」パラダイムとは異なり、下流の感情分類タスクをマスク付きテキスト予測として再構成するプロンプトベースの手法を提案する。 提案するMEMOBERTは感情認識性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-10-27T09:57:00Z)
• A Multi-task Mean Teacher for Semi-supervised Facial Affective Behavior Analysis [15.95010869939508]
  TSAVのような既存の感情行動分析手法は、不完全なラベル付きデータセットの課題に悩まされている。 本稿では, 半教師付き感情行動分析のためのマルチタスク平均教師モデルを提案する。 評価データセットの実験結果から,本手法はTSAVモデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-07-09T05:48:22Z)
• Multitask Learning for Emotion and Personality Detection [17.029426018676997]
  本研究では,人格特性と感情行動の相関関係を解明し,新しいマルチタスク学習フレームワークSoGMTLを提案する。 当社の計算効率の高いCNNベースのマルチタスクモデルは、複数の有名なパーソナリティおよび感情データセットにわたる最先端のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-01-07T03:09:55Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)

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。