論文の概要: On Emotion-Sensitive Decision Making of Small Language Model Agents

• arxiv url: http://arxiv.org/abs/2604.06562v1
• Date: Wed, 08 Apr 2026 01:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.286186
• Title: On Emotion-Sensitive Decision Making of Small Language Model Agents
• Title（参考訳）: 小言語モデルエージェントの感情感性決定について
• Authors: Jiaju Lin, Xingjian Du, Qingyun Wu, Ellen Wenting Zou, Jindong Wang,
• Abstract要約: 表現レベルの感情誘導と構造化ゲーム理論的評価を組み合わせることで、感情に敏感な意思決定について検討する。 感情状態は、群衆に検証された実世界の感情を除去するテキストから導かれるアクティベーションステアリングを用いて誘導される。 感情的な摂動は戦略的選択に体系的に影響を及ぼすが、結果として生じる行動はしばしば不安定であり、人間の期待と完全に一致しない。
• 参考スコア（独自算出の注目度）: 23.213662701638658
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Small language models (SLM) are increasingly used as interactive decision-making agents, yet most decision-oriented evaluations ignore emotion as a causal factor influencing behavior. We study emotion-sensitive decision making by combining representation-level emotion induction with a structured game-theoretic evaluation. Emotional states are induced using activation steering derived from crowd-validated, real-world emotion-eliciting texts, enabling controlled and transferable interventions beyond prompt-based methods. We introduce a benchmark built around canonical decision templates that span cooperative and competitive incentives under both complete and incomplete information. These templates are instantiated using strategic scenarios from \textsc{Diplomacy}, \textsc{StarCraft II}, and diverse real-world personas. Experiments across multiple model families in various architecture and modalities, show that emotional perturbations systematically affect strategic choices, but the resulting behaviors are often unstable and not fully aligned with human expectations. Finally, we outline an approach to improve robustness to emotion-driven perturbations.
• Abstract（参考訳）: スモールランゲージモデル(SLM)は、対話的な意思決定エージェントとして使われることが多いが、ほとんどの決定指向評価は、感情を因果的要因として無視する。 表現レベルの感情誘導と構造化ゲーム理論的評価を組み合わせることで、感情に敏感な意思決定について検討する。 感情状態は、群衆に検証された実世界の感情を除去するテキストから導かれるアクティベーションステアリングを用いて誘導され、プロンプトベースの方法を超えて制御および伝達可能な介入を可能にする。 我々は、完全な情報と不完全な情報の両方の下で協調的および競争的なインセンティブにまたがる標準決定テンプレートを中心に構築されたベンチマークを導入する。 これらのテンプレートは、 \textsc{Diplomacy}、 \textsc{StarCraft II}、および様々な現実世界のペルソナの戦略的シナリオを使ってインスタンス化される。 様々なアーキテクチャやモダリティにおける複数のモデルファミリーに対する実験では、感情的な摂動が戦略的選択に体系的に影響を及ぼすが、結果として生じる行動は不安定であり、人間の期待と完全に一致していないことが示されている。 最後に、感情駆動摂動に対する堅牢性を改善するためのアプローチを概説する。

関連論文リスト

• A Unified Spoken Language Model with Injected Emotional-Attribution Thinking for Human-like Interaction [50.05919688888947]
  本稿では,感情的インテリジェンスのための統一言語モデルを提案する。 IEATは、ユーザーの感情状態とその根本原因をモデルの内部推論プロセスに組み込んでおり、明示的な監督として扱われるのではなく、感情を意識した推論を内部化することができる。 HumDial(Human-like Spoken Dialogue Systems Challenge)Emotional Intelligenceベンチマークの実験は、提案手法が感情軌道モデリング、感情的推論、共感的応答生成にまたがるトップランクのパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-08T14:07:30Z)
• Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models [6.810484095299127]
  感情支援は人間とAIの相互作用における中核的な能力であり、心理学的カウンセリング、ロールプレイ、コンパニオンシップなどの応用がある。 大規模言語モデル(LLM)の既存の評価は、しばしば短く静的な対話に依存し、感情的サポートの動的で長期的な性質を捉えない。 本フレームワークは,328の情緒的文脈と1,152の外乱イベントからなる大規模ベンチマークを構築し,進化する対話シナリオ下での現実的な情緒的変化をシミュレートする。
  論文  参考訳（メタデータ） (2025-11-12T05:47:28Z)
• From Rational Answers to Emotional Resonance: The Role of Controllable Emotion Generation in Language Models [16.350658746140788]
  大規模言語モデル(LLM)は、一貫性があり、制御可能で、文脈的に適切な方法で感情を表現するのに苦労する。 感情ベクトル(EV)に基づく制御可能な感情生成フレームワークを提案する。 本手法は、追加のトレーニングやアーキテクチャの変更なしに、感情のトーンを微調整し、連続的に調整することができる。
  論文  参考訳（メタデータ） (2025-02-06T13:38:57Z)
• EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics [12.105216351739422]
  EmoDynamiXは、ユーザの微粒な感情と、不均一なグラフを使用してシステム戦略の間の談話ダイナミクスをモデル化し、パフォーマンスと透明性を改善します。 2つのESCデータセットの実験結果から、EmoDynamiXは従来の最先端の手法よりも優れたマージンを持つことが示された。
  論文  参考訳（メタデータ） (2024-08-16T14:54:41Z)
• Self-Emotion Blended Dialogue Generation in Social Simulation Agents [18.781929161272853]
  本研究では,大規模言語モデル(LLM)に基づくシミュレーションフレームワークにおける対話戦略と意思決定において,自己感情がエージェントの行動にどのように影響するかを検討する。 その結果、自己感情を取り入れることで、エージェントはより人間的な対話戦略を提示できることがわかった。 エージェントが複数のトピックについて議論する仮想シミュレーション環境では,エージェントの自己感情がエージェントの意思決定プロセスに大きな影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-08-03T02:11:48Z)
• Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
  隠れ変数分離に基づく動的因果解離モデルを提案する。 このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。 具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-13T12:58:09Z)
• Emotion Recognition from Multiple Modalities: Fundamentals and Methodologies [106.62835060095532]
  マルチモーダル感情認識(MER)のいくつかの重要な側面について論じる。 まず、広く使われている感情表現モデルと感情モダリティの簡単な紹介から始める。 次に、既存の感情アノテーション戦略とそれに対応する計算タスクを要約する。 最後に,実世界のアプリケーションについて概説し,今後の方向性について論じる。
  論文  参考訳（メタデータ） (2021-08-18T21:55:20Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)
• Enhancing Cognitive Models of Emotions with Representation Learning [58.2386408470585]
  本稿では,きめ細かな感情の埋め込み表現を生成するための,新しいディープラーニングフレームワークを提案する。 本フレームワークは,コンテキスト型埋め込みエンコーダとマルチヘッド探索モデルを統合する。 本モデルは共感対話データセット上で評価され,32種類の感情を分類する最新結果を示す。
  論文  参考訳（メタデータ） (2021-04-20T16:55:15Z)
• Modality-Transferable Emotion Embeddings for Low-Resource Multimodal Emotion Recognition [55.44502358463217]
  本稿では、上記の問題に対処するため、感情を埋め込んだモダリティ変換可能なモデルを提案する。 我々のモデルは感情カテゴリーのほとんどで最先端のパフォーマンスを達成する。 私たちのモデルは、目に見えない感情に対するゼロショットと少数ショットのシナリオにおいて、既存のベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-09-21T06:10:39Z)

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。