論文の概要: CrisisKD: Five-Stage Knowledge Distillation for Aspect-Level Sentiment and Emotion Analysis in Crisis Discourse

• arxiv url: http://arxiv.org/abs/2609.05757v1
• Date: Fri, 04 Sep 2026 22:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 12:41:28.768539
• Title: CrisisKD: Five-Stage Knowledge Distillation for Aspect-Level Sentiment and Emotion Analysis in Crisis Discourse
• Title（参考訳）: CrisisKD:危機談話における5段階知識蒸留と感情分析
• Abstract要約: アスペクトレベルの感情分析と感情分析のための5段階の知識蒸留フレームワークであるCrisisKDを提案する。 我々は50,615のアスペクトレベルラベルを含むデータセットをオープンソースリソースとしてアノテーションと微調整スクリプトとともにリリースする。 CrisisKDは、同じモデルであるQwen2.5-7B ICLベースラインをATEで2.8F1ポイント、ATE+AECで3.8F1ポイント改善する。
• 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: Identifying the target of emotional words or phrases in crisis situations, especially health-related ones, is important for understanding public concerns across cultural and linguistic contexts. We propose CrisisKD, a five-stage teacher--student knowledge distillation framework for aspect-level sentiment and emotion analysis on unannotated social media data. A teacher LLM generates aspect-level labels and reasoning traces that supervise a smaller student model across aspect extraction, syntactic parsing, opinion extraction, sentiment classification, and emotion classification. Using this framework, we construct and release a dataset containing 50,615 aspect-level labels, together with the annotation and fine-tuning scripts as open-source resources. The resulting student supports end-to-end ABSA and emotion detection at substantially lower inference cost than the teacher. On a manually annotated 500-tweet gold set, the 5-task Qwen2.5-7B student improves over the untuned model by 7.9 F1 points on aspect extraction, 17.0 points on emotion accuracy, and 6.5 points on sentiment accuracy. On the external ABEA benchmark, CrisisKD improves the same-model Qwen2.5-7B ICL baseline by 2.8 F1 points on ATE and 3.8 F1 points on joint ATE+AEC.
• Abstract（参考訳）: 危機的状況における感情的な言葉やフレーズの標的、特に健康に関する言葉の特定は、文化的・言語的文脈における公衆の関心事を理解する上で重要である。 ソーシャルメディアデータに対するアスペクトレベルの感情分析と感情分析のための5段階の知識蒸留フレームワークであるCrisisKDを提案する。 教師のLCMは、アスペクトレベルのラベルと推論トレースを生成し、アスペクト抽出、構文解析、意見抽出、感情分類、感情分類にまたがって、より小さな学生モデルを監督する。 このフレームワークを用いて、50,615のアスペクトレベルラベルを含むデータセットを構築し、オープンソースリソースとしてアノテーションや微調整スクリプトを組み込んでリリースする。 得られた学生は、教師よりもかなり低い推論コストで、エンド・ツー・エンドのABSAと感情検出をサポートする。 5-task Qwen2.5-7Bの学生は、手動でアノテートされた500ツイートのゴールドセットで、アスペクト抽出で7.9F1ポイント、感情精度で17.0ポイント、感情精度で6.5ポイント向上した。 外部のABEAベンチマークでは、CrisisKDは同じモデルであるQwen2.5-7B ICLベースラインをATEで2.8F1ポイント、ATE+AECで3.8F1ポイント改善している。

関連論文リスト

• Navigating the Emotion Tree: Hierarchical Hyperbolic RAG for Multimodal Emotion Recognition [56.650820426231284]
  マルチモーダル感情認識は、人間の感情状態を理解するためにテキスト、音声、ビデオソースを統合することを目的としている。 大規模言語モデルは多モーダル推論において優れているが、感情カテゴリーを独立したラベルとして扱うのが一般的である。 本稿では,bftextHyperEmo-RAGを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:04:48Z)
• Emotion Entanglement and Bayesian Inference for Multi-Dimensional Emotion Understanding [40.766332191425]
  EmoSceneは4,731の文脈に富んだシナリオを8次元の感情ベクトルでアノテートした理論に基づくベンチマークである。 本稿では,感情共起統計を組み込んだ絡み合い型ベイズ推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T12:27:04Z)
• Understanding Emotion in Discourse: Recognition Insights and Linguistic Patterns for Generation [0.36980845568339205]
  認識のための10シード評価を併用した厳格なアブレーション試験を行った。 言語分析では,5,286件の談話マーカーを解析する。 感情とマーカー位置の有意な関連性を見いだす。
  論文  参考訳（メタデータ） (2026-01-01T02:49:44Z)
• Switchboard-Affect: Emotion Perception Labels from Conversational Speech [7.576840738395629]
  そこで我々は,Switchboard corpus を自然言語の有望な情報源として認識する。 群集に分類的感情と次元属性のデータセットをラベル付けするように訓練する。 我々は、最先端のSERモデルを評価し、特に一般化が貧弱な感情カテゴリーの様々なパフォーマンスを見いだした。
  論文  参考訳（メタデータ） (2025-10-14T21:23:04Z)
• Benchmarking Contextual and Paralinguistic Reasoning in Speech-LLMs: A Case Study with In-the-Wild Data [46.12417789276609]
  音声-LLMは、書き起こしや翻訳といったタスクにおいて顕著なパフォーマンスを示してきたが、社会的および感情的な知性に不可欠な音声のパラ言語的側面を理解することにはまだ限界がある。 文脈パラ言語推論における音声LLMの評価のためのベンチマークであるCP-Benchを提案する。
  論文  参考訳（メタデータ） (2025-09-20T09:26:40Z)
• Towards Emotionally Consistent Text-Based Speech Editing: Introducing EmoCorrector and The ECD-TSE Dataset [52.95197015472105]
  EmoCorrectorはテキストベースの音声編集のための新しいポスト補正方式である。 編集されたテキストの感情的特徴を検索し、一致する感情で音声サンプルを検索し、所望の感情に合わせて音声を合成する。 EmoCorrectorは、現在のTSEメソッドにおける感情の不整合に対処しながら、意図した感情の発現を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-24T16:10:56Z)
• Emo Pillars: Knowledge Distillation to Support Fine-Grained Context-Aware and Context-Less Emotion Classification [56.974545305472304]
  感情分析のためのほとんどのデータセットは、意見が表現された文脈を欠き、感情理解に不可欠であり、主にいくつかの感情カテゴリーによって制限される。 我々はLLMベースのデータ合成パイプラインを設計し、よりアクセスしやすい軽量BERT型エンコーダモデルのトレーニング例を生成するために、大規模モデルMistral-7bを利用する。 Emo Pillarsモデルは、GoEmotions、ISEAR、IEMOCAP、EmoContextといった特定のタスクに調整された場合、新しいドメインに対して高い適応性を示し、最初の3つでSOTAのパフォーマンスに達した。
  論文  参考訳（メタデータ） (2025-04-23T16:23:17Z)
• EmoGRACE: Aspect-based emotion analysis for social media data [0.25602836891933073]
  本稿では,2,621の英語つぶやきからなるABEAトレーニングデータセットを作成した。 その結果得られたデータセットには、Anger、Sadness、Happiness、Fear、Noneクラスのためのアスペクトレベルの感情ラベルが含まれていた。 F1スコアが70.1%, ATEが46.9%, AECが46.9%であった。
  論文  参考訳（メタデータ） (2025-03-19T11:48:52Z)
• Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
  会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。 データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。 我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-12-19T08:47:50Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• A Deep Neural Framework for Contextual Affect Detection [51.378225388679425]
  感情を持たない短い単純なテキストは、その文脈と共に読むときに強い感情を表現することができる。 文中の単語の相互依存を学習する文脈影響検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-28T05:03:15Z)

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。