Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
종단적 텍스트 데이터에서 현재의 정동 추정과 미래의 정동 변화 예측이 서로 다른 정보원에 의존함을 밝힌 연구입니다. TSAP 및 ACF-Hybrid 프레임워크를 통해 텍스트 의미론과 수치적 궤적 역학의 역할을 비교 분석했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기종단적(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.