論文の概要: They Are Not the Same: Direct Causes Are Not Grounded Emotion Explanations

• arxiv url: http://arxiv.org/abs/2605.25208v1
• Date: Sun, 24 May 2026 18:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.968766
• Title: They Are Not the Same: Direct Causes Are Not Grounded Emotion Explanations
• Title（参考訳）: 彼らは同じではない: 直接的な原因は感情説明の根拠ではない
• Authors: Zhuangzhuang Pan, Yan Xia, Chee Seng Chan,
• Abstract要約: Emotion-Cause Pair extract (ECPE) は、なぜ感情が生じるのかを説明するために導入された。 このプロキシは直接的な原因抽出に有用であるが、感情の説明を根拠とした証拠として読み過ぎやすい。 IEMO-MECPでは、原陽性の90.9%はエモ因性であり、原陰の95.0%は非ペア性である。
• 参考スコア（独自算出の注目度）: 12.877852185750845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emotion-Cause Pair Extraction (ECPE) was introduced to explain why an emotion occurs, but this goal is now often reduced to binary pair/non-pair prediction. This proxy is useful for direct-cause extraction, yet easy to over-read as evidence grounded emotion explanation. We show that this interpretation is only partially valid. In IEMO-MECP, 90.9% of original positives remain emo-cause and 95.0% of original negatives remain non-pair, confirming that the binary ECPE task is largely preserved. The problem is that direct triggers alone do not constitute a grounded explanation. Emo-context, an utterance that helps interpret a target emotion without directly causing it, appears on both sides of the original boundary and is enriched near binary uncertainty, showing that the binary boundary has no stable place for such discourse evidence. Across evaluated ECPE models, direct triggers are recovered more reliably than contextual support. Under shortcut pressure, this imbalance becomes consequential. Binary-trained models assign higher pair scores to nearby lexically similar non-pair candidates than to evidence supported but structurally harder emo-cause and emo-context pairs. Thus, pair scores can reward convenient attributions over grounded explanations. High binary ECPE performance indicates that a model can identify direct triggers; it does not indicate that the model has explained the emotion. Code is publicly available at https://github.com/panzhzh/ECPExsame.
• Abstract（参考訳）: Emotion-Cause Pair extract (ECPE) は、なぜ感情が発生するのかを説明するために導入されたが、現在ではこの目標はしばしばバイナリペア/非ペアの予測に還元されている。 このプロキシは直接的な原因抽出に有用であるが、感情の説明を根拠とした証拠として読み過ぎやすい。 この解釈は部分的にのみ有効であることを示す。 IEMO-MECPでは、原陽性の90.9%がエモ因であり、原陰の95.0%が非ペアであり、バイナリECPEタスクがほとんど保存されていることを確認している。 問題は、直接トリガーだけでは根拠のない説明にならないことだ。 エモ・コンテクス(Emo-context)は、ターゲットの感情を直接引き起こさずに解釈するのに役立つ発話であり、元の境界の両側に現れ、二項不確実性に近づき、二項境界がそのような言説証拠の安定な場所を持たないことを示す。 評価されたECPEモデル全体で、直接トリガーはコンテキストサポートよりも確実に回収される。 ショートカット圧力の下では、この不均衡は連続する。 バイナリトレーニングされたモデルは、支持されるが構造的に困難であるエモとエモコンテキストペアよりも、近隣の語彙的に類似した非ペア候補により高いペアスコアを割り当てる。 したがって、ペアスコアは、接地された説明に対して便利な属性を報いることができる。 高いバイナリECPEパフォーマンスは、モデルが直接トリガーを識別できることを示している。 コードはhttps://github.com/panzhzh/ECPExsame.comで公開されている。

関連論文リスト

• 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)
• Emotion Transfer with Enhanced Prototype for Unseen Emotion Recognition in Conversation [64.70874527264543]
  会話における未知感情認識(UERC)タスクを初めて紹介する。 本稿では,プロトタイプベースの感情伝達フレームワークProEmoTransを提案する。 ProEmoTransは有望だが、依然として重要な課題に直面している。
  論文  参考訳（メタデータ） (2025-08-27T03:16:16Z)
• Empaths at SemEval-2025 Task 11: Retrieval-Augmented Approach to Perceived Emotions Prediction [83.88591755871734]
  EmoRAGは、SemEval-2025 Task 11, Subtask A: Multi-label Emotion Detectionのためのテキスト中の知覚感情を検出するように設計されたシステムである。 我々は、与えられたテキストスニペットから話者の知覚された感情を予測することに集中し、喜び、悲しみ、恐怖、怒り、驚き、嫌悪感などの感情をラベル付けする。
  論文  参考訳（メタデータ） (2025-06-04T19:41:24Z)
• 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)
• Unsupervised Extractive Summarization of Emotion Triggers [56.50078267340738]
  我々は、感情を共同で検出し、トリガーを要約できる新しい教師なし学習モデルを開発した。 Emotion-Aware Pagerankと題された私たちのベストアプローチは、外部ソースからの感情情報と言語理解モジュールを組み合わせたものです。
  論文  参考訳（メタデータ） (2023-06-02T11:07:13Z)
• Emotion-Cause Pair Extraction as Question Answering [1.9290392443571387]
  Emotion-Cause Pair extract (ECPE) は、感情や原因節のアノテーションを使わずに、あらゆる潜在的感情の原因となる文書のペアを抽出することを目的としている。 従来のECPEのアプローチでは、複雑なアーキテクチャを用いて感情による相互作用をモデル化し、従来の2段階処理方式を改良しようと試みてきた。 本稿では,質問応答(QA)問題にECPEタスクを投入し,それに取り組むための単純かつ効果的なBERTベースのソリューションを提案する。 ある文書が与えられた場合、我々のガイド-QAモデルはまず、固定された質問を用いて最適な感情節を予測し、予測された感情を質問として使用し、最も潜在的な原因を予測する。
  論文  参考訳（メタデータ） (2023-01-05T09:33:41Z)
• A Dual-Questioning Attention Network for Emotion-Cause Pair Extraction with Context Awareness [3.5630018935736576]
  感情因果ペア抽出のためのデュアルクエストアテンションネットワークを提案する。 具体的には、文脈的・意味的回答のための注意ネットワークを通じて、候補者の感情や要因を独立に問う。 実験結果から,本手法は複数の評価指標の基準値よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-04-15T03:47:04Z)
• End-to-end Emotion-Cause Pair Extraction via Learning to Link [18.741585103275334]
  感情原因ペア抽出(ECPE)は、文書中の感情とその根本原因を共同で調査することを目的としている。 既存のECPEのアプローチでは、(1)感情と原因の検出、(2)検出された感情と原因のペアリングという2段階の手法が一般的である。 本稿では, 感情, 原因, 感情原因のペアをエンドツーエンドで同時に抽出できるマルチタスク学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-25T07:49:12Z)

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。