Dec, 2019

从用户对文档的回应中学习词语的共情和痛苦评分

PDF
TL;DR利用深度学习方法针对高级监督学习自动创建移情词汇评分，研究比较了几种不同的学习方法得出 Mixed-Level Feed Forward Network (MLFFN) 模型最佳，使用 MLFFN 模型创建了史无前例的移情词典，并使用 Signed Spectral Clustering 获得其结果的深入洞察。
发现论文，激发创造
  • 新闻报道中的同理心和悲痛建模

    本文提出了第一个公开可用的用于检测共情能力预测的标准，采用单项量表的方法可靠捕捉了作者对共情能力的评估，同时也是第一个区分多种共情形式的计算模型，实验表明 CNN 模型表现最佳。

    Aug, 2018

  • 使用 Transformer 模型集合的共情和苦恼检测

    该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

    Dec, 2023

  • 为 91 种语言学习和评估情感词典

    该研究提出了一种用源语言情感词汇表、双语词汇翻译模型和目标语言嵌入模型来创建任何目标语言情感词汇表的方法，并在全球 91 种语言中评估自动生成的词汇表，结果显示其产生的结果符合单语言方法创造情感词汇表的最新技术水平，甚至在某些语言和变量方面超过人工可信度。

    May, 2020

  • 机器能与人类共鸣吗？评估语言模型的情感和共情理解能力

    通过人类交互动态的深度相互关联，人类关怀在促进亲社会行为方面起着关键作用，然而，利用自然语言处理方法对关怀进行建模仍然具有挑战性。从我们对提高语言模型中理解关怀的追求出发，我们提出了几种策略，包括在掩码语言模型中进行对比学习以及使用大型语言模型进行监督微调。尽管这些方法相对于以往的方法展示出了改进，但整体结果仍然不令人满意。为了更好地理解这一趋势，我们进行了分析，发现标注者之间存在低一致性。这种缺乏共识阻碍了训练，并强调了任务的主观性。我们还探讨了注释对文化的影响。为了研究这一点，我们精心收集了乌尔都语的故事对，并发现在解释标注者之间的关怀时主观性似乎与文化背景无关。我们对语言模型对关怀理解的系统探索所获得的见解表明，在任务制定和建模方面还有相当大的探索空间。

    Jun, 2024

  • 面向标签无关情感嵌入

    本文提出了一种训练方案，可以学习独立于不同标签格式、自然语言甚至不同模型架构的情感的共享潜在表示，通过实验表明，该方法能够实现所需的互操作性，而不降低预测准确率。

    Dec, 2020

  • 评估词汇融入对于抑郁症状估计的效果

    探索将情感、情绪和领域特定的词表融入基于 Transformer 模型的抑郁症状估计中的影响。通过标记患者 - 治疗师对话的输入转录和社交媒体帖子中的单词来添加词表信息。总体结果表明，在预训练语言模型中引入外部知识可以提高预测性能，而不同的词表在目标任务上显示出不同的行为。此外，在患者 - 治疗师访谈中获得了新的抑郁水平估计的最新成果。

    Apr, 2024

  • 情感回应生成的理论驱动数据集构建与优化

    我们提出了一种新方法，利用理论驱动的偏好数据集和优化算法来对齐 LLMs，以提高情感回应生成的质量和模型的泛化性能，并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。

    Jun, 2024

  • PVG at WASSA 2021: 基于 Transformer 的多输入，多任务架构用于共情和痛苦预测

    本研究使用多输入、多任务框架，对情感评分、情感和共情分类的 WASSA 2021 共享任务进行了解决方案，并将文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性纳入考虑范畴，进而在困难的文本数据中预测了这些情绪的强度。

    Mar, 2021

  • 感觉麻木还是有同理心？通过 EmotionBench 评估 LLMs 的感受

    利用心理学中的情感评估理论，我们提出了一种评估大型语言模型（LLMs）的同理心能力的方法，通过在具体情境中观察其感受变化。我们收集了超过 400 个情境，根据 8 种情绪将其分成 36 个因素，并进行了包含超过 1200 名全球参与者的人工评价实验。研究结果显示，尽管存在一些偏差，LLMs 总体能够适当地对特定情况做出反应，但仍然无法与人类的情绪行为建立联系。我们公开了情境数据集、人工评估结果以及我们的测试框架 EmotionBench 的代码，旨在提高 LLMs 在与人类情绪行为的对齐方面的应用价值和实用性。

    Aug, 2023

  • 从无监督的情感分析中创建表情符号词库

    在线媒体产生了大量的非结构化数据，我们提出了一种新的方法来预测在线文本消息中表达的表情符号的情感，并构建了一个情感词典进行评估和比较。

    Apr, 2024