論文の概要: Dual Perspectives in Emotion Attribution: A Generator-Interpreter Framework for Cross-Cultural Analysis of Emotion in LLMs

• arxiv url: http://arxiv.org/abs/2603.29077v1
• Date: Mon, 30 Mar 2026 23:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.946387
• Title: Dual Perspectives in Emotion Attribution: A Generator-Interpreter Framework for Cross-Cultural Analysis of Emotion in LLMs
• Title（参考訳）: 感情属性の両面的視点: LLMにおける感情の相互解析のためのジェネレータ・インタプリタ・フレームワーク
• Authors: Aizirek Turdubaeva, Uichin Lee,
• Abstract要約: 大きな言語モデル(LLM)は、人間の感情を理解し、適応するために、異文化のシステムでますます使われている。 本稿では,表現と解釈の両方を考慮し,感情帰属の両視点を捉えるジェネレータ・インタプリタ・フレームワークを提案する。 分析の結果,パフォーマンスの変化は感情の種類や文化の文脈によって異なることが明らかとなった。
• 参考スコア（独自算出の注目度）: 23.408766732887912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used in cross-cultural systems to understand and adapt to human emotions, which are shaped by cultural norms of expression and interpretation. However, prior work on emotion attribution has focused mainly on interpretation, overlooking the cultural background of emotion generators. This assumption of universality neglects variation in how emotions are expressed and perceived across nations. To address this gap, we propose a Generator-Interpreter framework that captures dual perspectives of emotion attribution by considering both expression and interpretation. We systematically evaluate six LLMs on an emotion attribution task using data from 15 countries. Our analysis reveals that performance variations depend on the emotion type and cultural context. Generator-interpreter alignment effects are present; the generator's country of origin has a stronger impact on performance. We call for culturally sensitive emotion modeling in LLM-based systems to improve robustness and fairness in emotion understanding across diverse cultural contexts.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、文化的な表現や解釈の規範によって形作られた人間の感情を理解し、適応するために、異文化のシステムでますます使われている。 しかし、感情帰属に関する先行研究は、感情生成者の文化的背景を見渡すことを中心に、主に解釈に焦点を当てている。 この普遍性の仮定は、国家間での感情の表現や認識のバリエーションを無視している。 このギャップに対処するために,表現と解釈の両方を考慮し,感情帰属の2つの視点を捉えるジェネレータ・インタプリタ・フレームワークを提案する。 15ヶ国のデータを用いて6つのLDMを感情帰属タスクで体系的に評価した。 分析の結果,パフォーマンスの変化は感情の種類や文化の文脈によって異なることが明らかとなった。 発電機と解釈器のアライメント効果があり、発電機の発祥国は性能に強い影響を与える。 多様な文化的文脈における感情理解の堅牢性と公平性を改善するため,LLMシステムにおける文化的に敏感な感情モデリングを提唱する。

関連論文リスト

• Emotion is Not Just a Label: Latent Emotional Factors in LLM Processing [4.733799057798266]
  私たちは感情を、モデルがどのようにテキストに従属し、推論するかを形作る潜在要因として研究しています。 我々は、トランスモデルにおいて、感情的なトーンが注意構造を体系的にどう変化させるかを分析する。 トレーニング中に感情条件付き表現の漂流を制限する感情正規化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-10T05:23:18Z)
• 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)
• CULEMO: Cultural Lenses on Emotion -- Benchmarking LLMs for Cross-Cultural Emotion Understanding [7.308914305652415]
  カルチャー・レンズ・オン・エモーション (CuLEmo) は、6つの言語にまたがるカルチャー・アウェア・感情予測を評価するための最初のベンチマークである。 キュレモ語は言語ごとに400の工芸的な質問で構成されており、それぞれに微妙な文化的推論と理解が必要である。 このベンチマークを用いて、カルチャーを意識した感情予測と感情分析タスクにおける、最先端のLCMの評価を行う。
  論文  参考訳（メタデータ） (2025-03-12T01:01:30Z)
• When Words Smile: Generating Diverse Emotional Facial Expressions from Text [77.1867389815291]
  本稿では,感情動態に着目したエンドツーエンドのテキスト対表現モデルを提案する。 我々のモデルは連続的な潜伏空間における表情の変動を学習し、多様な、流動的で、感情的に一貫性のある表現を生成する。
  論文  参考訳（メタデータ） (2024-12-03T15:39:05Z)
• ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
  CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。 CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。 本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
  論文  参考訳（メタデータ） (2024-05-17T15:45:08Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)

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。