論文の概要: Emotional intelligence in large language models is fragmented across perception, cognition, and interaction

• arxiv url: http://arxiv.org/abs/2605.24686v1
• Date: Sat, 23 May 2026 17:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.324806
• Title: Emotional intelligence in large language models is fragmented across perception, cognition, and interaction
• Title（参考訳）: 大規模言語モデルにおける感情知能は知覚、認知、相互作用によって断片化される
• Authors: Minghao Lv, Lu Chen, Enchang Zhang, Anji Zhou, Xiaoran Xue, Hanyi Zhang, Fenghua Tang, Zhuo Rachel Han, Mengyue Wu,
• Abstract要約: FACET(Functional Affective Competence and Empathy Test, FACET)は,480の専門品からなる心理測定に基づく枠組みである。 感情的な知性はモノリシックな能力ではなく、認知的および対話的な次元で断片化されていることを実証する。 これらの相違点を,認知優位,対話優位,文脈依存の3つの異なるパフォーマンスプロファイルに分類した。
• 参考スコア（独自算出の注目度）: 24.97041943324913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As large language models (LLMs) are increasingly integrated into emotionally sensitive domains, the structural integrity of their emotional intelligence (EI) becomes a critical frontier for safety and alignment. Current benchmarks often conflate superficial politeness with deep affective reasoning, failing to distinguish between perceptual accuracy and interactive efficacy. Here, we introduce FACET (Functional Affective Competence and Empathy Test), a psychometrically grounded framework comprising 480 expert-crafted items. Unlike previous metrics, FACET is theoretically anchored in the Mayer-Salovey-Caruso four-branch ability model, operationalizing EI through perception, facilitation, understanding, and management of emotions. Through an evaluation of nine frontier models (including GPT-5, Claude-Sonnet-4), we demonstrate that emotional intelligence is not a monolithic capability but is fragmented across cognitive and interactive dimensions. While frontier models demonstrate robust proficiency in objective emotion recognition and social reasoning, this does not consistently translate to interactive success. We categorize these discrepancies into three distinct performance profiles: cognitive-dominant, interactive-dominant, and context-dependent. These typologies indicate that emotional skills do not scale uniformly with general intelligence or model size; rather, they are shaped by specific alignment paradigms. Notably, we identify hidden emotion recognition as a universal performance bottleneck across all architectures. Our results suggest that current RLHF processes may optimize for "stochastic empathy", a statistical mimicry of emotional syntax, at the expense of integrated affective reasoning. These findings challenge the assumption of linear emotional scaling and provide a rigorous roadmap for developing socially aware agents capable of genuine clinical resonance.
• Abstract（参考訳）: 大きな言語モデル(LLM)が感情に敏感なドメインに統合されるにつれて、その感情的知性(EI)の構造的整合性は、安全性と整合性にとって重要なフロンティアとなる。 現在のベンチマークでは、表面の丁寧さを深い感情的推論と説明し、知覚の正確さと対話的効果の区別に失敗することが多い。 ここでは,480件の専門的項目からなる心理測定に基づくフレームワークであるFACET(Functional Affective Competence and Empathy Test)を紹介する。 以前の指標とは異なり、FACETは理論上、マイヤー・サロヴェイ=カルーソ四枝能力モデルに固定されており、感情の知覚、ファシリテーション、理解、管理を通じてEIを運用している。 GPT-5,Claude-Sonnet-4を含む9つのフロンティアモデルの評価を通じて、感情的知性はモノリシックな能力ではなく、認知的・インタラクティブな次元で断片化されていることを示す。 フロンティアモデルは、客観的な感情認識と社会的推論において堅牢な習熟度を示すが、これは常に対話的な成功に変換されない。 これらの相違点を,認知優位,対話優位,文脈依存の3つの異なるパフォーマンスプロファイルに分類した。 これらのタイプは、感情的なスキルが一般的な知性やモデルサイズと均一にスケールするのではなく、特定のアライメントパラダイムによって形作られることを示している。 特に、隠れた感情認識は、すべてのアーキテクチャにおける普遍的なパフォーマンスボトルネックであると認識する。 以上の結果から,現在のRLHFプロセスは情緒構文の統計的模倣である「確率的共感」を,統合的情緒的推論を犠牲にして最適化できる可能性が示唆された。 これらの知見は、線形的な感情的スケーリングの仮定に挑戦し、真に臨床共鳴が可能な社会的に認識されたエージェントを開発するための厳密なロードマップを提供する。

関連論文リスト

• From Syntax to Emotion: A Mechanistic Analysis of Emotion Inference in LLMs [1.4692712025142225]
  大規模言語モデル(LLM)における感情認識の内部メカニズムについて検討する。 層間におけるスパース特徴アクティベーションの解析により,一貫した3相情報フローを同定する。 感情表現は感情間で共有される特徴と感情特有の特徴の両方から構成されることを示す。
  論文  参考訳（メタデータ） (2026-04-28T17:03:16Z)
• Memory-guided Prototypical Co-occurrence Learning for Mixed Emotion Recognition [56.00118641432005]
  本稿では,感情共起パターンを明示的にモデル化するメモリ誘導型プロトタイプ共起学習フレームワークを提案する。 人間の認知記憶システムに触発されて,意味レベルの共起関係を抽出するメモリ検索戦略を導入する。 本モデルは感情分布予測のための感情情報表現を学習する。
  論文  参考訳（メタデータ） (2026-02-24T04:11:25Z)
• Technosocial risks of ideal emotion recognition technologies: A defense of the (social) value of emotional expressions [51.56484100374058]
  このようなシステムの魅力は、社会的機能的感情表現の誤解にかかっていると私は論じる。 ERTは、上皮性摩擦を崩壊させ、テクノロジーが媒介する感情プロファイルで意味を減らし、願望や役割に敏感な表現のための空間を狭めることで、この表現空間を脅かす。 精度の向上がそのようなシステムを正当化すると考えるのは直感的ではあるが、ETRの精度は直接的にその展開を正当化するものではなく、一部の文脈では規制規制の理由となるかもしれない、と私は主張する。
  論文  参考訳（メタデータ） (2026-02-09T14:20:42Z)
• 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)
• Do LLMs "Feel"? Emotion Circuits Discovery and Control [54.57583855608979]
  本研究では、感情表現を引き起こす内部メカニズムと、生成したテキストにおける感情の制御について検討する。 これは、大きな言語モデルで感情回路を発見し、検証する最初の体系的な研究である。
  論文  参考訳（メタデータ） (2025-10-13T12:24:24Z)
• 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)
• GatedxLSTM: A Multimodal Affective Computing Approach for Emotion Recognition in Conversations [35.63053777817013]
  GatedxLSTMは、会話におけるマルチモーダル感情認識(ERC)モデルである。 話者と会話相手の双方の声と書き起こしを考慮し、感情的なシフトを駆動する最も影響力のある文章を特定する。 4クラスの感情分類において,オープンソース手法間でのSOTA(State-of-the-art)性能を実現する。
  論文  参考訳（メタデータ） (2025-03-26T18:46:18Z)
• Modelling Emotions in Face-to-Face Setting: The Interplay of Eye-Tracking, Personality, and Temporal Dynamics [1.6029719942799865]
  本研究では、視線追跡データ、時間的ダイナミクス、性格特性を統合することで、知覚と知覚の両方の感情の検出を大幅に向上させる方法について述べる。 本研究は,将来の情緒コンピューティングと人間エージェントシステムの設計を示唆するものである。
  論文  参考訳（メタデータ） (2025-03-18T13:15:32Z)
• 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)

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。