論文の概要: Cognition-Oriented Emotion Tracing from Causes to Consequences in Real-World Social Scenes

• arxiv url: http://arxiv.org/abs/2610.11410v2
• Date: Fri, 09 Oct 2026 07:51:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.202548
• Title: Cognition-Oriented Emotion Tracing from Causes to Consequences in Real-World Social Scenes
• Title（参考訳）: 実世界社会場面における原因による認知指向感情追跡
• Abstract要約: 感情科学(Affective science)は、感情を評価、規制、社会的解釈によって形成された展開過程として記述する。 本稿では,情緒的なエピソードを3つの段階(条件,影響,効果)を通じて形式化する認知指向の枠組みであるTRACEを提案する。 TRACE-Benchは、認識、規制の復号化、原因推論、効果推論、フルチェーン再構築の5つのタスクを通じて、現実世界の社会シーンにおけるマルチモーダルモデルを評価する。
• 参考スコア（独自算出の注目度）: 47.011664216815085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Affective computing has progressed from categorical emotion recognition to open-ended affective analysis with large multimodal models. Yet affective science describes emotion as an unfolding process shaped by appraisal, regulation, and social interpretation, which remains underexplored computationally. We propose TRACE, a cognition-oriented framework that formalizes an affective episode through three interrelated stages: Condition, Affect, and Effect, integrating observable cues with cognitive factors such as internal stance and regulation of emotional display. Based on this formulation, TRACE-Bench evaluates multimodal models in real-world social scenes through five tasks spanning grounded affect recognition, regulation decoding, cause reasoning, effect reasoning, and full-chain reconstruction, with 3,746 structured question-answer pairs over 646 videos. A matched human-model comparison reveals a substantial performance gap, while affect-specialized models also generally lag behind general-purpose MLLMs. Model outputs show recurring failures, including treating displayed behavior as genuine feeling and fabricating unsupported events during long-chain generation. We further propose TRACER, a cognition-grounded structured reasoning method that couples each inference with explicit premises from factual observations, cognitive appraisals, and established upstream conclusions, forming a traceable graph of intermediate and target conclusions. TRACER outperforms all evaluated model baselines on each of the five tasks. Project page: https://cogaffc.github.io/TRACE
• Abstract（参考訳）: Affective Computingは、カテゴリー的感情認識から、大規模マルチモーダルモデルによるオープンな感情分析へと進歩してきた。 しかし、感情科学は感情を評価、規制、社会的解釈によって形成された展開過程として記述し、計算的に未熟なままである。 内的姿勢や感情表示の規制といった認知的要因と観測可能な手がかりを統合することにより,情緒的なエピソードを3つの段階(条件,影響,効果)で形式化する認知指向のフレームワークであるTRACEを提案する。 この定式化に基づいて、TRACE-Benchは、認識、規制の復号化、原因推論、効果推論、フルチェーン再構築といった5つのタスクにまたがる5つのタスクを通じて、現実世界の社会シーンにおけるマルチモーダルモデルを評価し、646本の動画に対して3,746本の構造化された質問応答対を持つ。 一致した人間モデルの比較では、大きな性能差が示される一方、感情特化モデルは一般的に汎用MLLMよりも遅れている。 モデル出力は、表示された振る舞いを真の感覚として扱うことや、長鎖生成時にサポートされないイベントを作成することを含む、繰り返し失敗を示す。 さらに、実測、認知評価から各推論を明示的な前提と組み合わせ、上流の結論を定式化し、中間および対象の結論のトレース可能なグラフを作成する、認知基盤構造推論手法TRACERを提案する。 TRACERは評価されたモデルベースラインを5つのタスクごとに上回る。 プロジェクトページ:https://cogaffc.github.io/TRACE

関連論文リスト

• From Surface to Depth: Towards Cognitive Appraisal Reasoning in Multimodal Emotion Understanding [70.85308410745449]
  マルチモーダルな感情理解を認知から認知的評価への進展として定式化する。 この新しいパラダイムをサポートするために、データセット、モデル、ベンチマークを導入します。 以上の結果から,知覚から評価への推論は,表層部と表層部との関連を超越する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-10-08T13:14:39Z)
• 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)
• CAREBench: Evaluating LLMs' Emotion Understanding by Assessing Cognitive Appraisal Reasoning [15.748287669426695]
  本稿では,CAREBenchについて紹介する。CAREBenchは,実世界の物語に関する一対一の視点と三対三の視点から,完全な推論連鎖アノテーションを用いた最初のベンチマークである。 より強いモデルは、特定のタスクにおいて人間の観察者と一致するか、あるいは上回っているが、評価的推論と肯定的な感情認識では不足している。
  論文  参考訳（メタデータ） (2026-05-16T22:23:21Z)
• M3-BENCH: Process-Aware Evaluation of LLM Agents Social Behaviors in Mixed-Motive Games [4.88323005571385]
  M3-Benchは、M3-Benchのマルチステージベンチマークである。 我々は、多次元の証拠を解釈可能な社会行動像に集約するために、ビッグファイブパーソナリティモデルと社会交換理論を統合する。
  論文  参考訳（メタデータ） (2026-01-13T11:38:51Z)
• Beyond Description: Cognitively Benchmarking Fine-Grained Action for Embodied Agents [52.14392337070763]
  CFG-Benchは、きめ細かな動作インテリジェンスを体系的に評価する新しいベンチマークである。 CFG-Benchは、1,368のキュレートされたビデオと19,562の3つのモダリティからなる質問応答ペアからなる。 CFG-Benchに関する包括的評価から,MLLMの先導者は,物理的相互作用の詳細な指示を生成するのに苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-11-24T02:02:29Z)
• DeceptionBench: A Comprehensive Benchmark for AI Deception Behaviors in Real-world Scenarios [57.327907850766785]
  現実的な現実のシナリオにまたがる騙しのキャラクタリゼーションは未解明のままである。 DeceptionBenchは、さまざまなドメインにまたがる認知傾向を体系的に評価する最初のベンチマークです。 本研究は,本質的な側面から,ユーザ満足度を優先する自己関心のエゴスティックな傾向を示すモデルや,サイコファンティックな行動を示すモデルについて検討する。 実世界のフィードバックダイナミクスのより現実的なシミュレーションを構築するために,持続的マルチターン相互作用ループを組み込んだ。
  論文  参考訳（メタデータ） (2025-10-17T10:14:26Z)
• Human Cognitive Benchmarks Reveal Foundational Visual Gaps in MLLMs [65.93003087656754]
  VisFactorは、よく確立された認知心理学評価から20の視覚中心のサブテストをデジタル化するベンチマークである。 GPT、Gemini、Claude、LLaMA、Qwen、SEEDファミリーから20のフロンティアマルチモーダル言語モデル(MLLM)を評価する。 最高のパフォーマンスモデルは100点中25.19点のスコアしか得られず、精神的な回転、空間的関係推論、図形の識別といったタスクに一貫して失敗する。
  論文  参考訳（メタデータ） (2025-02-23T04:21:32Z)
• Towards Context-Aware Emotion Recognition Debiasing from a Causal Demystification Perspective via De-confounded Training [14.450673163785094]
  文脈認識感情認識(CAER)は、対象者の感情を認識するための貴重な意味的手がかりを提供する。 現在のアプローチは、コンテキストから知覚的に重要な表現を抽出する洗練された構造を設計することに集中している。 共同設立者を非難するためのCCIM(Contextual Causal Intervention Module)を提案する。
  論文  参考訳（メタデータ） (2024-07-06T05:29:02Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)

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。