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

본 논문은 SemEval-2026 Task 2를 위해 개발된 시스템의 성능과 방법론을 제시합니다. 이 태스크는 시간 순서로 배열된 사용자 생성 텍스트에서 현재 감정 상태(current affect)와 단기적인 감정 변화 역학(short-term affective change)을 동시에 모델링하는 것을 목표로 합니다.

연구진은 세 가지 상호 보완적인 접근 방식을 탐구했습니다. 첫째, 사용자를 고려한 방식(user-aware)과 사용자 독립적인 방식(user-agnostic)으로 나눈 LLM (Large Language Model) 프롬프팅을 활용하는 방법입니다. 둘째, 구조화된 전이 모델링(structured transition modeling)을 위해 Ising 스타일의 상호작용(interactions)을 가진 쌍별 최대 엔트로피 (Maximum Entropy, MaxEnt) 모델을 사용했습니다. 셋째, 최근 감정 궤적(recent affective trajectories)과 학습 가능한 사용자 임베딩(trainable user embeddings)을 통합한 경량 신경 회귀 모델(lightweight neural regression model)을 구축했습니다.

실험 결과는 흥미로운 통찰을 제공합니다. LLM은 텍스트로부터 정적인 감성 신호(static affective signals)를 효과적으로 포착하는 능력을 보여주었습니다. 하지만, 이 데이터셋에서 관찰되는 단기적인 감정 변화 변동성(short-term affective variation)은 텍스트의 의미론적 내용(textual semantics)보다는 최근에 기록된 수치 상태 궤적(recent numeric state trajectories)에 의해 더 강력하게 설명된다는 점을 밝혀냈습니다.

결과적으로, 제안된 통합 시스템은 공식 평가 지표를 기준으로 Subtask 1과 Subtask 2A 모두에서 참가팀 중 최고 순위를 차지하며 높은 성능을 입증했습니다.