論文の概要: PTEI: Integrating Personality Traits to Enhance Emotional Intelligence in Large Language Models

• arxiv url: http://arxiv.org/abs/2607.10245v1
• Date: Sat, 11 Jul 2026 10:20:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.349727
• Title: PTEI: Integrating Personality Traits to Enhance Emotional Intelligence in Large Language Models
• Title（参考訳）: PTEI:大規模言語モデルにおける感情知性を高めるパーソナリティトラストの統合
• Abstract要約: 大規模言語モデルを用いた感情情報処理にパーソナリティ・トレイトを組み込む新しい枠組みを提案する。 PteI、MBTI、OCEANの性格特性は、与えられた感情的シナリオから直接抽出され、文脈的知識として利用される。 確立されたEIベンチマーク実験により、PTEIは様々なLDMの感情理解能力を向上し、GPTモデルで最も高い改善が見られた。
• 参考スコア（独自算出の注目度）: 3.2190474594931775
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Despite advances in Emotional Intelligence (EI), Large Language Models (LLMs) still significantly underperform humans in complex emotional reasoning. This gap originates partly from the limited incorporation of individual differences, particularly personality traits, which are fundamental to human emotional inference. To address this, we propose PTEI, a novel framework for integrating Personality Traits into Emotional Intelligence tasks using LLMs. In PTEI, MBTI and OCEAN personality traits are first extracted directly from the given emotional scenarios and then utilized as contextual knowledge within personality-aware prompts, guiding LLMs to accurately infer emotions and their underlying causes. To ensure optimal contextual grounding, we employ Contrastive Learning to construct an optimized retrieval system that surfaces emotionally and personally aligned scenarios, enhancing reasoning quality. Extensive experiments on established EI benchmarks show that PTEI enhances the Emotional Understanding (EU) capabilities of various LLMs, with the strongest improvement observed in GPT models. Combining PTEI with Chain-of-Thought (CoT) reasoning yields an additional 4 percent increase in accuracy. These findings underscore PTEI's contribution toward advancing AI systems with more sophisticated social and psychological grounding.
• Abstract（参考訳）: 感情知能(EI)の進歩にもかかわらず、Large Language Models(LLM)は複雑な感情的推論において人間を著しく過小評価している。 このギャップは、個人差、特に人間の感情的推論に根ざした性格特性の限定的な取り込みに由来する。 そこで本研究では,LLMを用いた感情知能タスクにパーソナリティトラッツを統合する新しいフレームワークであるPTEIを提案する。 PTEIでは、MBTIとOCEANの性格特性は、まず与えられた感情的シナリオから直接抽出され、その後、パーソナリティ認識のプロンプトの中で文脈的知識として利用され、LLMに感情とその根本原因を正確に推測するよう誘導する。 最適な文脈的接地を保証するために、コントラスト学習を用いて、感情的かつ個人的に整合したシナリオを探索し、推論品質を向上させる最適化された検索システムを構築する。 確立されたEIベンチマークの大規模な実験により、PTEIは様々なLLMの感情理解(EU)能力を強化し、GPTモデルで最も強い改善が見られた。 PTEIとCoT(Chain-of-Thought)の推論を組み合わせると、さらに4%の精度が向上する。 これらの知見は、より洗練された社会的・心理的根拠を持つAIシステムへのPTEIの貢献を裏付けるものである。

関連論文リスト

• Emotional intelligence in large language models is fragmented across perception, cognition, and interaction [24.97041943324913]
  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。
  論文  参考訳（メタデータ） (2026-05-23T17:48:09Z)
• 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)
• MME-Emotion: A Holistic Evaluation Benchmark for Emotional Intelligence in Multimodal Large Language Models [108.61337743051483]
  MME-Emotionは,MLLMの感情的理解と推論能力の両方を評価するシステムベンチマークである。 MME-Emotionには6000以上のキュレートされたビデオクリップとタスク固有の質問回答(QA)ペアが含まれており、8つの感情的なタスクを定式化するための広いシナリオにまたがっている。 マルチエージェントシステムフレームワークを通じて分析された、感情認識と推論のためのハイブリッドメトリクスを備えた総合評価スイートが組み込まれている。
  論文  参考訳（メタデータ） (2025-08-11T03:14:55Z)
• RLVER: Reinforcement Learning with Verifiable Emotion Rewards for Empathetic Agents [67.46032287312339]
  大規模言語モデル(LLM)は論理的およびアルゴリズム的推論において優れているが、彼らの感情的知性(EQ)は認知能力よりもはるかに遅れている。 シミュレーションユーザによる検証可能な感情報酬を活用する,最初のエンドツーエンド強化学習フレームワークであるRLVERを紹介する。 以上の結果から,RLVERは感情的知的で幅広い言語エージェントへの実践的な経路であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-03T18:33:18Z)
• Enhancing Collective Intelligence in Large Language Models Through Emotional Integration [0.2812395851874055]
  本研究では,大規模言語モデル (LLM) への感情的多様性の統合を,集団知能を高めるために検討する。 群衆現象の人間の知恵に触発され、GoogleのGoEmotionsデータセットとローランド適応(LoRA)を用いてDarkIdol-Llama-3.1-8Bモデルを微調整し、感情的に多様な応答をシミュレートした。
  論文  参考訳（メタデータ） (2025-03-05T23:42:48Z)
• EmoBench: Evaluating the Emotional Intelligence of Large Language Models [73.60839120040887]
  EmoBenchは、確立された心理学理論に基づいて、マシン感情知能(EI)の包括的な定義を提案するベンチマークである。 EmoBenchには、英語と中国語で400の手作りの質問が含まれている。 以上の結果から,既存の大規模言語モデルのEIと平均的な人間の間には,かなりのギャップがみられ,今後の研究に向けての有望な方向性が浮かび上がっている。
  論文  参考訳（メタデータ） (2024-02-19T11:48:09Z)
• 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)
• Emotional Intelligence of Large Language Models [9.834823298632374]
  大規模言語モデル(LLM)は多くの分野において顕著な能力を示している。 しかし、現実世界の応用にとって重要な人間の感情や価値観との整合性は、体系的に評価されていない。 そこで我々は,感情認識,解釈,理解を含むLLMの感情知能(EI)を評価した。
  論文  参考訳（メタデータ） (2023-07-18T07:49:38Z)
• Large Language Models Understand and Can be Enhanced by Emotional Stimuli [53.53886609012119]
  我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。 実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。 EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-07-14T00:57:12Z)

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。