정동 예측에서 정동 예측(Forecasting)으로: 종단적 텍스트에서의 서로 다른 정보원에 대한 증거

종단적(longitudinal) 텍스트에서 차원적 정동(dimensional affect)을 모델링하려면 현재의 정동 추정(affect estimation)과 미래의 정동 변화 예측(affective change forecasting)을 구분해야 합니다. 기존의 접근 방식들은 각 텍스트를 독립적인 관측치로 취급하고 두 작업 모두에 유사한 가정을 적용하는 경우가 많으며, 이들이 서로 다른 정보원에 의존하는지 여부를 테스트하지 않습니다. 본 논문은 종단적으로 자기 보고된 생태학적 에세이(ecological essays)와 감정 단어(feeling-word) 입력을 사용하여 그 차이를 조사합니다. 우리는 91명의 사용자로부터 얻은 1,737개의 항목으로 구성된 홀드아웃(held-out) 예측 테스트 세트에서 평가된, 텍스트별 가중치(valence) 및 각성(arousal) 예측을 위한 특성-상태 정동 예측 (Trait--State Affective Prediction, TSAP) 프레임워크와 그 시간적 확장인 E-TSAP를 제안합니다. 나아가 우리는 46명의 사용자로 구성된 홀드아웃 예측 테스트 세트에서 평가된, 다음 단계의 정동 변화 예측을 위한 정동 변화 예측 하이브리드 (Affective Change Forecaster Hybrid, ACF-Hybrid)를 제안합니다. 예측의 경우, E-TSAP는 가중치(valence)에 대해 0.670, 각성(arousal)에 대해 0.449의 복합 피어슨 상관계수(Pearson correlations)를 달성합니다. 예측(forecasting)의 경우, 텍스트 표현은 압축된 수치적 궤적(numeric trajectory) 베이스라인보다 성능이 낮았습니다. 텍스트를 포함하는 모델은 가중치에 대해 $r=0.316$, 각성에 대해 $r=0.284$만을 달성한 반면, 단순한 이전 상태(prior-state) 베이스라인은 각각 $r=0.615$와 $r=0.670$에 도달했습니다. 차원별 수치적 궤적 특징을 사용하는 ACF-Hybrid는 가중치에 대해 $r=0.659$, 각성에 대해 $r=0.658$을 달성합니다. 이러한 결과는 텍스트 의미론(textual semantics)이 현재의 정동 예측을 지원하는 반면, 미래의 정동 변화는 이전의 수치적 궤적 역학(numeric trajectory dynamics)을 통해 더 잘 포착된다는 것을 보여줍니다.