論文の概要: C$^{3}$T: Counterfactual Causal Reasoning for Sentiment Shifts in Social-Media Conversation Trees
- arxiv url: http://arxiv.org/abs/2609.02131v1
- Date: Wed, 02 Sep 2026 05:40:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.095825
- Title: C$^{3}$T: Counterfactual Causal Reasoning for Sentiment Shifts in Social-Media Conversation Trees
- Title（参考訳）: C$^{3}$T:ソーシャルメディア会話木における感性変化に対する因果推論
- Authors: S M Rafiuddin, Atriya Sen,
- Abstract要約: 談話の動きを候補として扱うことで,うわさ中心の会話木に感情変化が生じる理由を考察する。
本稿では,C$3$T(Counterfactual Causal Conversation Transformer)を提案する。
- 参考スコア（独自算出の注目度）: 0.3093890460224435
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Sentiment in social-media threads does not only vary across posts; it shifts as users react to claims, corrections, evidence, and hostility within a branching reply tree. We study why sentiment changes in rumor-centric conversation trees by treating discourse moves (e.g., denial/correction, evidence/link, toxicity/attack) as candidate interventions and asking (i) what sentiment a reply expresses, (ii) whether the sentiment shifts relative to its parent, and (iii) which prior message most plausibly drove the reply's sentiment. To support this setting, we introduce CaSiRe, a causal sentiment reasoning layer over public rumor conversation datasets that adds post-level sentiment labels, induced parent-child shift labels, calibrated multi-label intervention tags, and explicitly annotated causal-source labels. We then propose C$^{3}$T (Counterfactual Causal Conversation Transformer), a thread-structured temporal model that jointly predicts node sentiment and shifts, learns sparse ancestor attribution, and supports counterfactual queries by forcing conversational intervention embeddings on or off to estimate potential outcomes. Under an event-level split, C$^{3}$T improves out-of-event robustness and attribution over text-only, graph-based, and temporal baselines, and yields interpretable model-based effects: denials/corrections and evidence reduce downstream negativity, while toxicity increases it. We also benchmark open-weight LLM prompting baselines and find that added conversational context helps, but attribution remains less reliable, motivating structure-aware counterfactual modeling for social-media analysis.
- Abstract（参考訳）: ソーシャルメディアスレッドの感度は、投稿によって異なるだけでなく、ユーザが分岐した返信ツリー内のクレーム、修正、証拠、敵意に反応するにつれて変化する。
議論行動(例えば、否定・訂正・エビデンス・リンク・毒性・攻撃)を候補者の介入として扱うことで、うわさ中心の会話木における感情変化がなぜ影響するかを考察し、質問する。
(i)返事がどのような感情を表すか。
(二)親に対する感情の変化の有無、及び
(三)返信の感情をもっとも強固に促した先行メッセージ。
この設定をサポートするために、公開噂会話データセット上の因果的感情推論層であるCaSiReを導入し、ポストレベル感情ラベル、誘導された親子シフトラベル、校正されたマルチラベル介入タグ、明示的に注釈付き因果的ソースラベルを追加した。
そこで我々はC$^{3}$T(Counterfactual Causal Conversation Transformer)を提案する。これはノードの感情とシフトを共同で予測し、スパースな祖先属性を学習し、会話の介入を強制し、潜在的な結果を推定するスレッド構造化時間モデルである。
事象レベルの分割の下で、C$^{3}$Tは、テキストのみ、グラフベース、時間ベースラインに対するアウト・オブ・アンバウト・ロバスト性および属性を改善し、解釈可能なモデルベースの効果をもたらす。
また,オープンウェイト LLM をベンチマークし,会話コンテキストの追加が有効であることを示す。
関連論文リスト
- A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。
スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
論文 参考訳（メタデータ） (2026-08-09T12:14:10Z) - When to Think, When to Speak: Learning Disclosure Policies for LLM Reasoning [60.714416943748866]
シングルストリームの自己回帰インターフェースでは、同じトークンがモデル状態を更新し、不可逆的な公約を構成する。
そこで我々は,Side-by-Side (SxS) Interleaved Reasoningを導入する。
論文 参考訳（メタデータ） (2026-05-05T02:59:58Z) - ControBench: An Interaction-Aware Benchmark for Controversial Discourse Analysis on Social Networks [17.87131765035957]
ControBenchは議論の余地のある談話分析のベンチマークである。
RedditのTrump、中絶、宗教に関する議論から生まれたものだ。
我々はControBench上で,グラフニューラルネットワーク,事前学習言語モデル,および大規模言語モデルを評価する。
論文 参考訳（メタデータ） (2026-05-01T08:39:26Z) - Real Talk, Virtual Faces: A Formal Concept Analysis of Personality and Sentiment in Influencer Audiences [0.981328290471248]
本稿では,形式的概念分析と相関ルールマイニングを基盤とした2層フレームワークを提案する。
3つのVI-HIインフルエンサーペアからYouTubeコメントを適用すれば、2層解析で一貫した構造的差異が明らかになる。
FCAを多信号談話分析の原則として位置づけた。
論文 参考訳（メタデータ） (2026-03-25T15:23:32Z) - CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。
CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。
回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
論文 参考訳（メタデータ） (2026-02-23T18:06:15Z) - 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) - Importance-aware Topic Modeling for Discovering Public Transit Risk from Noisy Social Media [8.638879065913246]
都市交通機関は、群衆、遅延、安全事故などの新興サービスのリスクを監視するために、ソーシャルメディアに目を向けている。
言語相互作用とユーザの影響を共同でモデル化することで,この問題に対処する。
提案モデルでは,最先端のトピックコヒーレンスと,先行するベースラインと比較して強い多様性を実現する。
論文 参考訳（メタデータ） (2025-12-06T04:45:17Z) - Boosting Temporal Sentence Grounding via Causal Inference [55.61521060331558]
テンポラル・センテンス・グラウンディング(Temporal Sentence Grounding)は、あるテキストクエリに意味的に対応するビデオ中の関連モーメントを特定することを目的としている。
これらの素因的相関は,(1) 特定の動詞や句の頻繁な共起など,テキストデータに固有の偏り,(2) ビデオコンテンツにおける顕著なパターンや反復パターンに過度に適合する傾向,の2つの要因から生じる。
本稿では, 因果推論を利用した新たなTSGフレームワーク, 因果介入, 反ファクト推論を提案する。
論文 参考訳（メタデータ） (2025-07-07T13:01:06Z) - What Causes the Failure of Explicit to Implicit Discourse Relation Recognition? [14.021169977926265]
このような障害の1つの原因は、接続が削除された後のラベルシフトであることを示す。
いくつかの明示的なインスタンスによって表現される談話関係は、接続が消えると変化する。
ラベルシフトを軽減するための2つの戦略について検討する。
論文 参考訳（メタデータ） (2024-04-01T09:08:53Z) - Neutral Utterances are Also Causes: Enhancing Conversational Causal
Emotion Entailment with Social Commonsense Knowledge [52.04642421708207]
Conversational Causal Emotion Entailmentは、会話から非ニュートラル目標発話に対する因果発話を検出することを目的としている。
感情情報は、標的発話と感情が同一である因果発話の検出を著しく促進することができる。
論文 参考訳（メタデータ） (2022-05-02T09:12:32Z) - Information Consumption and Social Response in a Segregated Environment:
the Case of Gab [74.5095691235917]
この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。
疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。
本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
論文 参考訳（メタデータ） (2020-06-03T11:34:25Z)
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。