論文の概要: Multi-Agent Large Language Model Based Emotional Detoxification Through Personalized Intensity Control for Consumer Protection

• arxiv url: http://arxiv.org/abs/2602.23123v1
• Date: Thu, 26 Feb 2026 15:37:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.756161
• Title: Multi-Agent Large Language Model Based Emotional Detoxification Through Personalized Intensity Control for Consumer Protection
• Title（参考訳）: 消費者保護のための個人化インテンシティ制御によるマルチエージェント大規模言語モデルに基づく感情的デトックス化
• Authors: Keito Inoshita,
• Abstract要約: 本研究では,感情分析,感情調整,バランスモニタリング,パーソナライズガイドという4つのエージェントからなるマルチエージェント情報衛生システムを提案する。 提案システムでは,原文へのアクセスを制限することなく,消費者の穏やかな情報受信を支援するフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the attention economy, sensational content exposes consumers to excessive emotional stimulation, hindering calm decision-making. This study proposes Multi-Agent LLM-based Emotional deToxification (MALLET), a multi-agent information sanitization system consisting of four agents: Emotion Analysis, Emotion Adjustment, Balance Monitoring, and Personal Guide. The Emotion Analysis Agent quantifies stimulus intensity using a 6-emotion BERT classifier, and the Emotion Adjustment Agent rewrites texts into two presentation modes, BALANCED (neutralized text) and COOL (neutralized text + supplementary text), using an LLM. The Balance Monitoring Agent aggregates weekly information consumption patterns and generates personalized advice, while the Personal Guide Agent recommends a presentation mode according to consumer sensitivity. Experiments on 800 AG News articles demonstrated significant stimulus score reduction (up to 19.3%) and improved emotion balance while maintaining semantic preservation. Near-zero correlation between stimulus reduction and semantic preservation confirmed that the two are independently controllable. Category-level analysis revealed substantial reduction (17.8-33.8%) in Sports, Business, and Sci/Tech, whereas the effect was limited in the World category, where facts themselves are inherently high-stimulus. The proposed system provides a framework for supporting calm information reception of consumers without restricting access to the original text.
• Abstract（参考訳）: 注意経済では、センセーショナルコンテンツは消費者に過度の感情的な刺激を与え、冷静な意思決定を妨げる。 本研究では,MALLET(Multi-Agent LLM-based Emotional deToxification)という,感情分析,感情調整,バランスモニタリング,パーソナルガイドという4つのエージェントからなるマルチエージェント情報衛生システムを提案する。 感情分析エージェントは、6感情BERT分類器を用いて刺激強度を定量化し、感情調整エージェントは、テキストを2つの提示モード、BALANCED(中性化テキスト)とCOOL(中性化テキスト+補助テキスト)にLLMを用いて書き換える。 Balance Monitoring Agentは毎週の情報消費パターンを集約し、パーソナライズされたアドバイスを生成する。 800 AG Newsの記事の実験では、顕著な刺激スコアの低下(最大19.3%)と、セマンティックな保存を維持しながら感情バランスを改善した。 刺激の減少と意味保存のほぼゼロの相関は、両者が独立して制御可能であることを確認した。 カテゴリーレベルの分析では、スポーツ、ビジネス、およびSci/Techの実質的な減少(17.8-33.8%)を示したが、この効果は、事実自体が本質的に高い刺激である世界カテゴリーに限られていた。 提案システムでは,原文へのアクセスを制限することなく,消費者の穏やかな情報受信を支援するフレームワークを提供する。

関連論文リスト

• Extracting Consumer Insight from Text: A Large Language Model Approach to Emotion and Evaluation Measurement [4.500361771169933]
  本稿では,LX(Linguistic eXtractor)について紹介する。 LXは、GPT-4 Turbo、RoBERTa、DeepSeekなど、主要なモデルより一貫して優れている。 オンライン小売データへのLXの適用は、一見無関係な回帰を用いて、レビューされた感情が製品の評価を予測することを裏付けている。
  論文  参考訳（メタデータ） (2026-02-17T02:33:51Z)
• ADEPT: RL-Aligned Agentic Decoding of Emotion via Evidence Probing Tools -- From Consensus Learning to Ambiguity-Driven Emotion Reasoning [67.22219034602514]
  ADEPT(Agentic Decoding of Emotion via Evidence Probing Tools)は,感情認識をマルチターン探索プロセスとして再構成するフレームワークである。 ADEPTはSLLMを進化する候補感情を維持するエージェントに変換し、専用のセマンティックおよび音響探査ツールを適応的に呼び出す。 ADEPTは、ほとんどの設定において主感情の精度を向上し、微妙な感情の特徴を著しく改善することを示した。
  論文  参考訳（メタデータ） (2026-02-13T08:33:37Z)
• A Customer Journey in the Land of Oz: Leveraging the Wizard of Oz Technique to Model Emotions in Customer Service Interactions [7.089778285573446]
  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。
  論文  参考訳（メタデータ） (2025-11-26T20:52:17Z)
• DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
  テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。 DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。 SLIMはセマンティックリークに特化した最初のデータセットである。
  論文  参考訳（メタデータ） (2025-10-16T17:39:21Z)
• MME-Emotion: A Holistic Evaluation Benchmark for Emotional Intelligence in Multimodal Large Language Models [108.61337743051483]
  MME-Emotionは,MLLMの感情的理解と推論能力の両方を評価するシステムベンチマークである。 MME-Emotionには6000以上のキュレートされたビデオクリップとタスク固有の質問回答(QA)ペアが含まれており、8つの感情的なタスクを定式化するための広いシナリオにまたがっている。 マルチエージェントシステムフレームワークを通じて分析された、感情認識と推論のためのハイブリッドメトリクスを備えた総合評価スイートが組み込まれている。
  論文  参考訳（メタデータ） (2025-08-11T03:14:55Z)
• 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)
• 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。