論文の概要: Fine-Grained Emotion Classification from Mobile App Reviews: An Empirical Study with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.03802v1
• Date: Thu, 01 Oct 2026 07:50:50 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:24:16.619746
• Title: Fine-Grained Emotion Classification from Mobile App Reviews: An Empirical Study with Large Language Models
• Title（参考訳）: モバイルアプリレビューからの細粒度感情分類:大規模言語モデルを用いた実証的研究
• Abstract要約: モバイルアプリレビューのきめ細かい感情分類は、要求エンジニアリング活動を可能にする。 本稿では,大規模言語モデルを用いたマルチラベル感情の自動分類について検討する。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License:
• Abstract: Context: Fine-grained emotion classification of mobile app reviews enables requirements engineering activities that go beyond polarity-based opinion mining, including emotionally informed issue prioritisation and feature-oriented feedback analysis. However, automatic fine-grained emotion extraction from app reviews remains understudied. Objectives: Building on a previously published annotation framework and human-labelled ground truth adapted from Plutchik's taxonomy, this paper investigates how large language models can be leveraged for automatic multi-label emotion classification under severe class imbalance. Methods: We compare encoder-only fine-tuning under multi-label and binary-ensemble formulations, decoder-only zero- and few-shot prompting across open-source and proprietary models, and a catalogue of imbalance mitigation strategies (loss reweighting, resampling, generative data augmentation), with the synthetic-review generator and prompting strategy selected via an intrinsic augmentation-utility ranking. Results: Fine-tuned encoders trail the best decoder-only few-shot prompting (macro-F1 0.642) by a wide margin at baseline (multi-label: 0.387; binary ensemble: 0.450); pairing the best multi-label encoder with generative data augmentation and positive-weighted loss closes most of this gap (+0.204) at up to three orders of magnitude lower inference latency than the decoders, with the largest gains on the rarest emotions, from undetected to gains of up to +0.501 F1. Conclusion: Large language models make fine-grained, multi-label emotion classification of app reviews feasible for requirements engineering pipelines, with modest macro-F1, and the best formulation and mitigation strategy are backbone- and formulation-dependent. We release the experimental pipeline, synthetic corpora, and fine-tuned checkpoints for replication and reuse.
• Abstract（参考訳）: コンテキスト: モバイルアプリレビューのきめ細かい感情分類により、感情的にインフォームドされた課題優先順位付けや機能指向のフィードバック分析など、極性に基づく意見マイニング以上の要求エンジニアリング活動が可能になる。 しかし、アプリレビューから自動的にきめ細かい感情を抽出する方法はまだ検討されていない。 目的:Plutchikの分類学に適応した注釈フレームワークと人為的真理に基づいて構築された本研究では,大規模言語モデルを用いて,重度のクラス不均衡下での多言語感情の自動分類を行う方法について検討する。 方法: 複数ラベルとバイナリアンサンブルの定式化によるエンコーダのみの微調整, オープンソースおよびプロプライエタリなモデル間でのデコーダのみのゼロショットと少数ショットのプロンプト, インバランス緩和戦略(ロスリウェイト, 再サンプリング, 生成データ強化)のカタログと, 合成レビュージェネレータと本質的な拡張ユーティリティランキングで選択した戦略とを比較した。 結果: 微調整エンコーダは, 最良デコーダのみのショットプロンプト (macro-F1 0.642) をベースライン(マルチラベル:0.387;バイナリアンサンブル:0.450); 最高のマルチラベルエンコーダと生成データ拡張と正重み付き損失をペアリングすることで, このギャップの大部分(+0.204)をデコーダよりも最大3桁低い推論遅延で終了する。 結論: 大規模な言語モデルでは,要件エンジニアリングパイプラインにおいて,アプリレビューの詳細なマルチラベルの感情分類が可能であり,マクロF1が適度で,最高の定式化と緩和戦略はバックボーンと定式化に依存している。 実験パイプライン、合成コーパス、複製と再利用のための微調整チェックポイントをリリースする。

関連論文リスト

• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Compositional Benchmark Synthesis for Hierarchical Human Action Recognition [4.812022454180755]
  4段階階層型インテンションベンチマークを合成するベンチマーク生成および評価フレームワークを提案する。 エピソードは、主題一貫性制約の下で遷移モデルによって組み立てられる。 被検体の使用量を0.566から0.248に削減する。
  論文  参考訳（メタデータ） (2026-08-11T10:22:22Z)
• Speculative Refinement: A Hybrid Autoregressive Diffusion Decoding Strategy and Its Behavior Across Benchmarks [1.9800951131982487]
  我々はSpecRef(Speculative Refinement)を用いて、ARドラフトからマスク付き拡散言語モデルをウォームスタートする。 We evaluate SpecRef across six benchmarks (HumanEval, MBPP, GSM8K, BBH, ARC-Challenge, HellaSwag) with three distinct evaluation protocol。 これらの観察は、多段階または非自己回帰生成パイプラインに適用され、より診断評価の実践に向けて向けられる。
  論文  参考訳（メタデータ） (2026-06-25T18:52:24Z)
• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• Cost-Aware Model Selection for Text Classification: Multi-Objective Trade-offs Between Fine-Tuned Encoders and LLM Prompting in Production [0.0]
  大規模言語モデル(LLM)は、オープンエンド推論や生成言語タスクにおいて強力な機能を示している。 固定ラベル空間を用いた構造化テキスト分類問題に対して、モデル選択は予測性能のみによって駆動されることが多い。 BERTファミリーの細調整エンコーダを用いたモデルでは、競争力があり、しばしば優れた分類性能が得られることを示す。
  論文  参考訳（メタデータ） (2026-02-06T03:54:28Z)
• GLiClass: Generalist Lightweight Model for Sequence Classification Tasks [49.2639069781367]
  本稿では,シーケンス分類タスクにGLiNERアーキテクチャを適用する新しい手法であるGLiClassを提案する。 提案手法は,ゼロショットおよび少数ショット学習シナリオに必要な柔軟性を維持しつつ,埋め込み方式に匹敵する高い精度と効率を実現する。
  論文  参考訳（メタデータ） (2025-08-11T06:22:25Z)
• Dense Retrievers Can Fail on Simple Queries: Revealing The Granularity Dilemma of Embeddings [65.31723739561151]
  埋め込みは、エンコードされたセマンティクス内のきめ細かいエンティティやイベントを認識できないかもしれない。 本稿では,新たな評価データセットであるCapRetrievalを導入し,文節は画像キャプションであり,クエリはエンティティやイベントの概念を多種多様な形式でターゲットとするフレーズである。 我々は提案したデータ生成戦略でエンコーダを微調整し、小さな0.1Bエンコーダで最先端の7Bモデルを上回る性能を実現した。
  論文  参考訳（メタデータ） (2025-06-10T09:00:33Z)
• Responsible AI in NLP: GUS-Net Span-Level Bias Detection Dataset and Benchmark for Generalizations, Unfairness, and Stereotypes [6.30817290125825]
  本稿では、GUSデータセットとマルチラベルトークンレベル検出器を組み合わせたGUS-Net Frameworkを紹介し、社会バイアスのスパンレベル分析を行う。 GUSデータセットには、複数のドメインにまたがる3,739のユニークなスニペットが含まれ、69,000以上のトークンレベルのアノテーションが含まれている。 マルチラベルトークンレベルの分類としてバイアス検出を定式化し,エンコーダベースモデルとデコーダベース大規模言語モデルの両方をベンチマークする。
  論文  参考訳（メタデータ） (2024-10-10T21:51:22Z)
• Hierarchical Bi-Directional Self-Attention Networks for Paper Review Rating Recommendation [81.55533657694016]
  本稿では,階層型双方向自己注意ネットワークフレームワーク(HabNet)を提案する。 具体的には、文エンコーダ(レベル1)、レビュー内エンコーダ(レベル2)、レビュー間エンコーダ(レベル3)の3つのレベルで、論文レビューの階層構造を利用する。 我々は、最終的な受理決定を行う上で有用な予測者を特定することができ、また、数値的なレビュー評価とレビュアーが伝えるテキストの感情の不整合を発見するのに役立てることができる。
  論文  参考訳（メタデータ） (2020-11-02T08:07:50Z)

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。