텍스트 기반 감정 변화 모델링: SemEval-2026 Task 2 분석

요약

본 논문은 SemEval-2026 Task 2를 위해 개발된 시스템을 소개하며, 시간 순서로 배열된 사용자 생성 텍스트에서 현재 감정 상태(affect)와 단기적인 감정 변화 역학(dynamics)을 모델링하는 방법을 다룹니다. 연구진은 LLM 프롬프팅, 쌍별 최대 엔트로피 (MaxEnt) 모델, 그리고 최근 감정 궤적 및 학습 가능한 사용자 임베딩을 통합한 경량 신경 회귀 모델 등 세 가지 접근 방식을 탐구했습니다. 실험 결과, LLM이 정적인 감성 신호 포착에는 효과적이지만, 단기적인 감정 변화는 텍스트 의미론보다는 최근의 수치

핵심 포인트

• LLM 프롬프팅은 텍스트에서 정적인 감성 신호를 효과적으로 포착하는 데 유용합니다.
• 단기적인 감정 변화(affective variation)는 텍스트 자체의 의미론적 정보보다, 시간 경과에 따른 최근 수치 상태 궤적에 의해 더 강력하게 설명됩니다.
• 제안된 시스템은 공식 평가 지표를 기준으로 Subtask 1 및 Subtask 2A에서 참가팀 중 최고 순위를 기록했습니다.
• 모델링 접근 방식으로는 LLM 프롬프팅, Ising-style 상호작용을 갖는 MaxEnt 모델, 그리고 사용자 임베딩이 포함된 신경 회귀 모델 등이 사용되었습니다.