論文の概要: Who Determines the Meaning of an Emotion? Affective Sovereignty as an Epistemic Consequence of Measurement Limits

• arxiv url: http://arxiv.org/abs/2606.31442v1
• Date: Tue, 30 Jun 2026 10:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.172496
• Title: Who Determines the Meaning of an Emotion? Affective Sovereignty as an Epistemic Consequence of Measurement Limits
• Title（参考訳）: 感情の意味を誰が決定するか : 測定限界の疫学的帰結としての影響
• Abstract要約: 感情を感知するAIは、車、家電、対話エージェント、社会インフラに急速に組み込まれつつある。 しかし、この領域における中心的な規範的疑問は、まだ未解決のままである: 自分自身の感情の意味を決定する最終的な権限を持つ者はいるのか? 感情AIは高信頼点ラベルを割り当て、集約レベルで実差を識別できるが、個々のインスタンスに対する意味分布の既約成分は推定できない。 これらの結果は,感情の設計,評価,規制は,AIのコアに精度の最大化ではなく,解釈権限の明示的な割り当てを置くべきであることを示唆している。
• 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: Emotion-sensing AI is rapidly becoming embedded in vehicles, home appliances, dialogue agents, and social infrastructure, giving rise to a sphere in which emotion is no longer confined to individual experience but is instead observed and computed at a societal scale, a domain we term the Affectosphere. Yet a central normative question in this domain has remained underexplored: who has the final authority to determine the meaning of one's own emotion? This study addresses the question from the epistemological side of measurement's structural limits. We define a meaning distribution as the distribution of labels assigned by annotators drawn from a population under a fixed annotation protocol, and decompose its uncertainty into reducible and irreducible components. We then demonstrate that, while emotion AI can assign high-confidence point labels and discriminate real differences at an aggregate level, the irreducible component of the meaning distribution for individual instances cannot be estimated with adequate coverage under realistic annotator counts, a systematic divergence we term the epistemic gap. The key finding is that high device confidence does not constitute evidence that irrecoverable meaning has been recovered. From this epistemic gap, together with an explicitly stated normative premise, namely that the output of a system which cannot recover a quantity in principle must not be treated as its authoritative determination, we derive the norm that the final interpretive authority over the meaning of one's emotion is procedurally reserved for the experiencing subject, the norm of affective sovereignty. These results suggest that the design, evaluation, and regulation of emotion AI should place explicit allocation of interpretive authority, rather than accuracy maximisation, at their core.
• Abstract（参考訳）: 感情を感知するAIは、車、家電、対話エージェント、社会インフラに急速に組み込まれており、感情が個々の体験に制限されず、代わりに社会規模で観察され、計算される球体(Affectosphere)と呼ばれる領域を生み出している。 しかし、この領域における中心的な規範的疑問は、まだ未解決のままである: 自分自身の感情の意味を決定する最終的な権限を持つ者はいるのか? 本研究は,測定対象の構造的限界の認識論的側面からの疑問に対処する。 固定アノテーションプロトコルにより,アノテータがアノテータに割り当てられたラベルの分布として意味分布を定義し,その不確かさを再現可能かつ既約成分に分解する。 そこで我々は,感情AIが高信頼点ラベルを割り当て,実際の差分を集約レベルで識別できる一方で,現実的なアノテータ数の下では,個々のインスタンスに対する意味分布の既約成分を十分なカバレッジで推定することはできないことを実証した。 重要な発見は、高いデバイス信頼性が、発見不可能な意味が回復されたという証拠を構成していないことである。 この認識的ギャップから、明確に述べられた規範的前提、すなわち、原理的に量を取り戻すことができないシステムの出力は、その権威的な決定として扱われてはならない、という前提とともに、人間の感情の意味に関する最終的な解釈的権威は、主観的主題、感情的主権の規範のために手続き的に保留されているという規範を導出する。 これらの結果は、AIは感情の設計、評価、規制を、精度の最大化ではなく、解釈的権威の明示的な割り当てを中心に置くべきであることを示唆している。

関連論文リスト

• Disentangling Reasoning in Large Audio-Language Models for Ambiguous Emotion Prediction [23.80840030172631]
  我々は、曖昧な感情認識を分布的推論問題として再構成する。 LALMにおけるあいまいさ認識推論の最初の体系的研究について述べる。 IEMOCAPとCREMA-Dの実験では、SFT、DPO、GRPOのトレーニング戦略に一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-03-09T11:02:34Z)
• 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)
• 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)
• Emotion-Coherent Reasoning for Multimodal LLMs via Emotional Rationale Verifier [53.55996102181836]
  本稿では,感情関係検証器 (ERV) と説明リワードを提案する。 本手法は,対象感情と明確に一致した推論をモデルに導出する。 我々のアプローチは、説明と予測の整合性を高めるだけでなく、MLLMが感情的に一貫性があり、信頼できる対話を実現するのにも役立ちます。
  論文  参考訳（メタデータ） (2025-10-27T16:40:17Z)
• 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)
• Handling Ambiguity in Emotion: From Out-of-Domain Detection to Distribution Estimation [45.53789836426869]
  感情に対する主観的な認識は、人間の注釈からの矛盾したラベルにつながる。 本稿では,あいまいな感情を扱う3つの方法について検討する。 分類器にラベルを付けない発話を付加クラスとして組み込むことで、他の感情クラスの分類性能が低下することを示す。 また,明快な深層学習を用いた感情分類における不確実性を定量化することにより,不明瞭な感情を伴う発話を領域外サンプルとして検出することを提案する。
  論文  参考訳（メタデータ） (2024-02-20T09:53:38Z)
• Estimating the Uncertainty in Emotion Attributes using Deep Evidential Regression [17.26466867595571]
  自動感情認識では、異なる人間のアノテータによって同じ発話に割り当てられたラベルはしばしば矛盾する。 本稿では,感情属性の不確かさを推定するために,ベイズ的アプローチであるDeep obviousial emotion regression (DEER)を提案する。 広く使われているMSP-PodcastとIEMOCAPデータセットの実験では、DeERが最先端の結果を生み出した。
  論文  参考訳（メタデータ） (2023-06-11T20:07:29Z)
• Distribution-based Emotion Recognition in Conversation [17.26466867595571]
  本稿では,感情分布推定のためのシーケンス・ツー・シーケンス問題としてERCを定式化する分布ベースフレームワークを提案する。 IEMOCAPデータセットの実験結果から,ERCは単一発話ベースシステムよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-09T12:16:28Z)
• Seeking Subjectivity in Visual Emotion Distribution Learning [93.96205258496697]
  視覚感情分析(VEA)は、人々の感情を異なる視覚刺激に向けて予測することを目的としている。 既存の手法では、集団投票プロセスにおいて固有の主観性を無視して、統合されたネットワークにおける視覚的感情分布を予測することが多い。 視覚的感情分布の主観性を調べるために,新しいテキストサブジェクティビティ評価ネットワーク(SAMNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-25T02:20:03Z)
• Estimating the Uncertainty in Emotion Class Labels with Utterance-Specific Dirichlet Priors [24.365876333182207]
  本稿では,発話ごとのディリクレの事前分布に基づく新たな訓練損失を提案する。 ラベル付けの不確かさの高い試験発話を検出することで、さらなる測定値を用いて性能を評価する。 広く使われているIEMOCAPデータセットによる実験は、2分岐構造が最先端の分類結果を達成することを示した。
  論文  参考訳（メタデータ） (2022-03-08T23:30:01Z)

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。