The Emotional Spectrum of LLMs: Leveraging Empathy and Emotion-Based Markers for Mental Health Support
Università della Svizzera italiana(瑞士意大利语区大学)
本文提出对话系统RACLETTE,通过可解释情感画像与共情对话模型提升心理健康支持中的情感理解与回应能力,并将情感画像作为可解释标记物用于精神障碍的初步筛查。
2024-12-28 cs.AI cs.CL cs.HC
Multi-task Learning for Personal Health Mention Detection on Social Media
Durham University(杜伦大学)
检测社交媒体上的个人健康提及对于补充现有的健康监测系统至关重要。然而,注释数据以检测大规模的健康提及是一项具有挑战性的任务。本研究采用多任务学习框架,利用相关任务中的可用注释数据来提高主要任务的性能,以检测社交媒体文本中提到的个人健康体验。具体来说,我们专注于将情感信息纳入我们的目标任务,使用情感检测作为辅助任务。我们的方法显着提高了广泛的个人健康提及检测任务相比,一个强大的国家的最先进的基线。
2022-12-09 cs.AI cs.CL
Can Artificial Intelligence Support Healthcare and Mental Health Through Early Cyberbullying Detection ? The Impact of Emotion-Aware AI on Proactive Online Safety
Faculty of Computer Science, University of New Brunswick(新不伦瑞克大学计算机科学学院);Khoury College of Computer Sciences, Northeastern University(东北大学库里计算机科学学院)
本文提出CareGuard框架,结合零样本语义标注与微调Transformer模型及情感感知过滤,实现高效准确的早期网络欺凌检测,以支持心理健康保护和主动在线安全。
2026-09-10 cs.AI cs.CL
EmoMent: An Emotion Annotated Mental Health Corpus from two South Asian Countries
The University of Adelaide(阿德莱德大学);University of Moratuwa(莫拉图瓦大学);University of Colombo School of Computing(科伦坡大学计算学院);University of Colombo(科伦坡大学)
人们经常使用在线媒体(例如,Facebook,Reddit)作为一个平台,表达他们的心理困扰和寻求支持。最先进的NLP技术显示出从文本中自动检测心理健康问题的强大潜力。研究表明,心理健康问题反映在情绪上(例如,悲伤)表明一个人对语言的选择。因此,我们开发了一个新的情绪注释的心理健康语料库(EMAMent),由2802 Facebook帖子(14845句)从两个南亚国家-斯里兰卡和印度。三名临床心理学研究生参与了将这些帖子注释为八个类别,包括“精神疾病”(例如,抑郁症)和情绪(例如,“悲伤”、“愤怒”)。注释者之间的一致率为98.3%(即,两个或更多一致率为%),Fleiss Kappa为0.82。我们基于RoBERTa的模型在第一个任务(即从帖子中预测心理健康状况)和第二个任务(即相关帖子与我们分类中定义的类别的关联程度)中分别获得了0.76的F1得分和0.77的宏观平均F1得分。
2022-08-17 cs.CL
Emotionally Aware Moderation: The Potential of Emotion Monitoring in Shaping Healthier Social Media Conversations
ETH Zurich(苏黎世联邦理工学院);University of St.Gallen(斯坦纳学院);Seoul National University(首尔国立大学);Bern University of Applied Sciences(巴塞尔应用科学大学)
针对现有社交媒体主动内容审核易引发审查争议、未触及不文明行为根源的问题,研究提出并测试两类情绪监测仪表盘,发现其可提升用户情绪感知、减少仇恨言论,但也可能增加敏感话题下的负面情绪表达,为健康数字互动工具研发提供参考。
2025-06-24 cs.CL cs.HC
Figurative Usage Detection of Symptom Words to Improve Personal Health Mention Detection
CSIRO Data61(联邦科学与工业研究组织Data61);University of Queensland(昆士兰大学)
个人健康提及检测处理预测给定句子是否是健康状况的报告。过去的工作提到了错误的预测时,症状的话,即感兴趣的症状的名称,是在一个比喻的意义上使用。因此,我们将最先进的比喻使用检测与基于CNN的个人健康提及检测相结合。为此,我们提出了两种方法:基于流水线的方法和基于特征增强的方法。在基于特征增强的方法的情况下,比喻使用检测的引入导致个人健康提及检测的F分数平均提高2.21%。本文展示了使用比喻使用检测来改善个人健康提及检测的前景。
2019-07-04 cs.CL cs.IR
x-enVENT: A Corpus of Event Descriptions with Experiencer-specific Emotion and Appraisal Annotations
University of Stuttgart(斯图加特大学)
情感分类通常被表述为将文本分类到预定义的情感类集合中的任务。到目前为止,这一任务一直是识别作者和读者的情感,以及文本中提到的实体。我们认为,情感分析的分类设置应该以综合的方式进行,包括不同的语义角色,参与情绪发作。本文以心理学中的评价理论为基础,将情绪视为对事件的反应,编制了一个英语书面事件描述语料库。这些描述描绘了引发情绪的情况,并提到了情绪反应的人。我们对所有的体验者,包括原作者,用他们可能感受到的情感进行注释。此外,我们通过注释事件属性或评价(例如,感知事件不受欢迎,其结果的不确定性)。我们的分析揭示了人们的情感在互动中共同出现的模式。因此,这个丰富的注释资源提供了有用的数据,从不同角色的角度研究情绪和事件评价,它使开发的经验者特定的情绪和评价分类系统。
2022-04-08 cs.CL
AI in Mental Health: Emotional and Sentiment Analysis of Large Language Models' Responses to Depression, Anxiety, and Stress Queries
University of Tehran(塔里斯坦大学);University of South Carolina(南卡罗来纳大学);University of West London(西伦敦大学);Azad University(阿扎德大学);Amirkabir University of Technology(阿米卡比尔技术大学)
本文研究了八个大型语言模型对不同用户画像下抑郁、焦虑和压力查询的情绪回应,发现模型选择和心理健康状况类型显著影响情绪表达,而人口统计学因素影响甚微,为心理健康应用中的模型选择提供了依据。
2025-08-15 cs.CL
Did You Really Just Have a Heart Attack? Towards Robust Detection of Personal Health Mentions in Social Media
Emory University(埃默里大学)
数以百万计的用户在Twitter等社交媒体网站上分享他们的经验,这反过来又为全球范围内的公共卫生监测、数字流行病学和其他人口健康分析提供了宝贵的数据。这些应用程序的第一个关键任务是分类是否提到了个人健康事件,我们称之为(PHM)问题。这项任务具有挑战性的原因有很多,包括社交媒体帖子的长度通常很短,创造性的拼写和词汇,以及比喻性的语言,包括使用“心脏病发作”或“癌症”等疾病的夸张强调,而不是作为健康自我报告。对于很少报告或频繁但表达模糊的情况,例如“中风”,这个问题甚至更具挑战性。为了解决这个问题,我们提出了一个通用的,强大的方法来检测PHM在社交媒体中,我们称之为WESPAD,它结合了词汇,句法,基于词嵌入,基于上下文的功能。WESPAD能够通过自动扭曲词嵌入空间来最有效地检测真正的健康提及,从而从很少的例子中进行概括。与之前提出的最先进的监督和深度学习技术不同,WESPAD需要相对较少的训练数据,这使得它能够以最小的努力适应每种新的疾病和病症。我们评估WESPAD既有一个既定的公开可用的流感检测基准,也有一个新的数据集,我们已经构建了提到多种健康状况。我们的实验表明,WESPAD优于基线和最先进的方法,特别是在训练数据中提到的真实健康的数量和比例很小的情况下。
2018-03-04 cs.CL
A Novel Approach to Train Diverse Types of Language Models for Health Mention Classification of Tweets
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);TU Kaiserslautern(凯泽斯劳滕工业大学);UNSW(新南威尔士大学)
健康提及分类是指对含有疾病词的文本进行疾病检测。然而,非健康和比喻性使用疾病词汇增加了任务的挑战。最近,对抗训练作为一种正则化的手段在许多NLP任务中得到了普及。在本文中,我们提出了一种新的方法来训练语言模型的健康提到分类的推文,涉及对抗训练。我们通过使用高斯噪声在不同级别的推文示例的Transformer模型的表示中添加扰动来生成对抗性示例。此外,我们采用对比损失作为一个额外的目标函数。我们在PHM2017数据集扩展版本上评估了所提出的方法。结果表明,我们提出的方法提高了分类器的性能显着超过基线方法。此外,我们的分析表明,在较早的层添加噪声提高模型的性能,而在中间层添加噪声恶化模型的性能。最后,向最终层添加噪声比中间层添加噪声性能更好。
2022-04-13 cs.CL
COVID-19 Emotion Monitoring as a Tool to Increase Preparedness for Disease Outbreaks in Developing Regions
EAFIT university(EAFIT大学)
2019冠状病毒病大流行带来了许多挑战,从医院占用管理到锁定焦虑或抑郁等心理健康影响。在这项工作中,我们提出了一个解决方案,为后一个问题,通过开发一个Twitter的情绪监测系统的基础上,一个国家的最先进的自然语言处理模型。该系统监测城市账户以及政治家和卫生当局Twitter账户的六种不同情绪。通过匿名使用情绪监测器,卫生当局和私人健康保险公司可以制定策略来解决自杀和临床抑郁症等问题。为这样的任务选择的模型是在西班牙语语料库(BETO)上预训练的来自Transformers(BERT)的双向编码器表示。该模型在验证数据集上表现良好。该系统作为网络应用程序的一部分在线部署,用于哥伦比亚的COVID-19模拟和数据分析,可在https://epidemiologia-matematica.org上获得。
2020-12-17 cs.CL cs.SI
Public Health in Disaster: Emotional Health and Life Incidents Extraction during Hurricane Harvey
Denison University(丹尼森大学);Electric Power University(电力大学);University of Louisville(路易斯维尔大学)
本研究利用约40万条哈维飓风相关推文,结合BERT情绪预测、LDA主题建模、GNN聚类优化及LLM自动命名,提取灾害前后民众情绪与生活事件,为灾害应对提供关键洞察。
2024-08-20 cs.CL cs.IR
Context-Emotion Aware Therapeutic Dialogue Generation: A Multi-component Reinforcement Learning Approach to Language Models for Mental Health Support
University College London(伦敦大学学院)
本文提出一种多组件强化学习方法,通过改进GPT-2的治疗对话生成能力,提升情绪准确性和上下文相关性,以支持心理健康领域的发展。
2026-02-16 cs.CL
Enhancing Health Mention Classification Performance: A Study on Advancements in Parameter Efficient Tuning
Faculty of Engineering, Computer Engineering Department, Cairo University(工程学院,计算机工程系,开罗大学);Menzies School of Health Research, Charles Darwin University(健康研究学院,查尔斯达尔文大学)
本研究针对健康提及分类(HMC)的语境复杂性挑战,通过结合词性标注器信息与参数高效微调(PEFT)技术,在三个数据集上以更小模型和高效训练显著提升了F1分数,实现了准确且高效的社交媒体健康提及分类。
2025-04-30 cs.AI cs.CL
Contrastive Clustering: Toward Unsupervised Bias Reduction for Emotion and Sentiment Classification
The MITRE Corporation(MITRE 公司)
背景资料:当神经网络情感和情绪分类器用于公共卫生信息学研究时,分类器中存在的偏见可能会产生无意中的误导性结果。目的:这项研究评估了偏见对COVID-19主题的影响,并展示了应用于COVID-19社交媒体文本时减少偏见的自动算法。这可以帮助公共卫生信息学研究在危机期间产生更及时的结果,减少误导性结果的风险。研究方法:在使用无监督对比聚类对分类器进行去偏之前和之后,将情绪和情感分类器应用于COVID-19数据。对比聚类通过对比标记对主题与情绪或情感的相对显著性来近似标记与情绪或情感表现出因果关系与相关关系的程度。结果:对比聚类区分相关性与因果关系的令牌的F1得分为0.753。从分类器输入中屏蔽倾向于偏见的标记会使分类器的总体F1得分降低0.02(愤怒)和0.033(消极情绪),但会使注释为倾向于偏见的句子的F1得分提高0.155(愤怒)和0.103(消极情绪)。平均各个主题,去偏见将愤怒估计减少了14.4%,负面情绪估计减少了8.0%。结论:对比聚类减少了与COVID-19大流行有关的社交媒体文本的情感和情绪分类中的算法偏见。公共卫生信息学研究应该考虑偏见,因为它在一系列主题中普遍存在。需要进一步的研究来改进减少偏倚的技术,并探讨偏倚对公共卫生信息学分析的不利影响。
2021-11-14 cs.AI cs.CL
Lightme: Analysing Language in Internet Support Groups for Mental Health
Commonwealth Scientific and Industrial Research Organization(澳大利亚联邦科学与工业研究组织);Australian National University(澳大利亚国立大学);Australasian Institute of Digital Health(澳大拉西亚数字健康研究所)
背景:协助版主对互联网支持小组中的有害帖子进行分类,以确保其安全使用。分析在线论坛帖子中表达的语言的自动文本分类方法是一个很有前途的解决方案。研究方法:使用自然语言处理和机器学习技术,使用来自Reachout青年心理健康论坛的数据集来构建分诊后分类器。结果如下:当与最先进的,主要基于词汇资源的功能的解决方案相比,收到了最好的分类性能的危机职位(52%),这是最严重的类。在分析危机帖子时发现了六个显著的语言特征:1)表达绝望的帖子,2)表达简洁的负面情绪反应的短帖子,3)表达情绪变化的长帖子,4)表达对现有医疗服务的不满的帖子,5)利用讲故事的帖子,以及6)表达用户在危机期间向同伴寻求建议的帖子。结论:可以使用仅从帖子的文本内容导出的特征来构建竞争性分流分类器。需要做进一步的研究,以便将我们的定量和定性研究结果转化为特征,因为它可能会提高整体性能。
2020-07-03 cs.CL cs.LG
CMHL: Contrastive Multi-Head Learning for Emotionally Consistent Text Classification
本文提出CMHL模型,通过多任务学习、心理基础辅助监督和对比矛盾损失,提升情感一致性,实现优于大模型的F1分数和跨领域泛化能力。
2026-03-14 cs.CL cs.LG
Deep Learning-Based Feature Fusion for Emotion Analysis and Suicide Risk Differentiation in Chinese Psychological Support Hotlines
School of Software Engineering, Beijing University of Technology(北京工业大学软件学院);Peking University Huilongguan Clinical Medical School(北京大学回龙湖临床医学院);Sorbonne Université(索邦大学);Institut du Cerveau – Paris Brain Institute - ICM(巴黎脑研究所(ICM));CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Inserm(法国国家健康与医学研究院);AP-HP(巴黎公共医疗集团);Hôpital de la Pitié-Salpêtrière(皮蒂-萨尔皮特里医院)
本研究提出基频声学特征与深度学习特征融合的情绪分析方法,在热线数据和公开数据集上取得优异表现,发现情绪波动特征可辅助自杀风险预测,为心理评估和自杀预防提供新方向。
2025-01-15 cs.CL
What are We Depressed about When We Talk about COVID19: Mental Health Analysis on Tweets Using Natural Language Processing
Yale University(耶鲁大学);Barcelona Supercomputing Center (BSC)(巴塞罗那超级计算中心(BSC))
2019冠状病毒病(COVID-19)最近爆发,在很大程度上影响了人类生活。除了直接的身体和经济威胁外,这一流行病还间接影响人们的心理健康状况,这种状况可能是压倒性的,但难以衡量。问题可能来自各种原因,如失业状况、居家政策、对病毒的恐惧等。在这项工作中,我们专注于应用自然语言处理(NLP)技术来分析心理健康方面的推文。我们训练了深度模型,将每条推文分类为以下情绪:愤怒、期待、厌恶、恐惧、喜悦、悲伤、惊讶和信任。我们通过手动标记1,000条英文推文来构建用于训练目的的TweetCT(Ammtion-Covid 19-Tweet)数据集。此外,我们提出并比较了两种方法,以找出导致悲伤和恐惧的原因。
2020-06-08 cs.CL cs.CY cs.LG
Exploring the Emotional and Mental Well-Being of Individuals with Long COVID Through Twitter Analysis
BNU-HKBU United International College(北京师范大学-香港浸会大学联合国际学院)
本研究通过对 Twitter 内容进行分类、六种基本情绪检测和话题提取,分析长新冠患者的情绪与心理健康,发现负面情绪长期主导并在关键时期出现高峰。
2023-07-11 cs.CL cs.SI
Exploiting Social Graph Networks for Emotion Prediction
Rice University(莱斯大学)
情绪预测在心理健康和情绪感知计算中起着至关重要的作用。情绪的复杂性取决于一个人的生理健康、精神状态和周围环境,这使得预测情绪成为一项具有挑战性的任务。在这项工作中,我们利用移动传感数据来预测幸福和压力。除了一个人的生理特征外,我们还通过天气和社交网络将环境的影响纳入其中。为此,我们利用手机数据来构建社交网络,并开发一种机器学习架构,该架构可以聚合来自图网络的多个用户的信息,并将其与数据的时间动态相结合,以预测所有用户的情绪。社交网络的构建不会在EMA或从用户收集数据汇集方面产生额外成本,也不会引起隐私问题。我们提出了一个架构,自动集成用户的社交网络影响预测,能够处理现实生活中的社交网络的动态分布,使其可扩展到大规模的网络。我们的广泛评估突出了社交网络的整合所提供的改进。我们进一步研究了图的拓扑结构对模型性能的影响。
2022-07-12 cs.CL cs.LG cs.SI
Towards Interpretable Mental Health Analysis with Large Language Models
The University of Manchester(曼彻斯特大学);University of Helsinki(赫尔辛基大学);Yale University(耶鲁大学);Artificial Intelligence Research Center, AIST(日本国立研究开发法人产业技术综合研究所人工智能研究中心);Jiangxi Normal University(江西师范大学)
本文在 5 项任务、11 个数据集上评估 LLM 的心理健康分析能力,结合情绪提示与少样本策略生成决策解释,并通过人工评估和自动指标基准验证 ChatGPT 的可解释性潜力。
2023-10-11 cs.CL
Emotion fusion for mental illness detection from social media: A survey
Aalto University(阿尔托大学);The Alan Turing Institute(艾伦·图灵研究所)
本文综述融合情绪信息的社交媒体精神疾病检测方法,梳理融合策略优劣、数据、算法与可解释性挑战,并展望未来方向。
2023-04-19 cs.AI cs.CL
EFT-CoT: A Multi-Agent Chain-of-Thought Framework for Emotion-Focused Therapy
Guangdong University of Foreign Studies(广东外语外贸大学)
EFT-CoT提出一种基于情感导向治疗的多智能体框架,通过三个阶段工作流程提升心理健康问答的共情深度和专业性。
2026-03-08 cs.CL
Hashtag Healthcare: From Tweets to Mental Health Journals Using Deep Transfer Learning
University of Florida(佛罗里达大学);TAO Connect, Inc.(TAO Connect公司)
随着社交媒体平台的普及度持续上升,越来越多的人际交流和自我表达发生在网上。最近的研究主要集中在挖掘社交媒体上的公众用户对外部实体的意见,如产品评论或对政治新闻的看法。然而,很少有人关注从心理健康的角度来分析用户的内化思想和情绪。在本文中,我们量化了在线认知行为治疗中使用的公共推文和私人心理健康期刊之间的语义差异。我们将使用深度迁移学习技术来分析这两个领域之间的语义差距。我们表明,对于情绪效价预测的任务,社交媒体可以成功地利用来创建更准确,更强大和个性化的心理健康模型。我们的研究结果表明,公共和私人自我表达之间的语义差距很小,利用丰富的可用社交媒体是克服心理健康数据样本量小的一种方法,这些数据通常受到可用性和隐私问题的限制。
2017-08-04 cs.CL cs.CY
Psychological Health Knowledge-Enhanced LLM-based Social Network Crisis Intervention Text Transfer Recognition Method
Weill Cornell Medicine(威尔康奈尔医学院);University of Chicago(芝加哥大学);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院)
针对社交媒体心理健康危机识别的紧迫挑战,本研究提出结合特定领域心理健康知识的LLM文本迁移识别方法,通过多层次框架集成迁移学习、知识与多技术,在危机检测准确性和敏感性上优于传统模型。
2025-04-14 cs.AI cs.CL
Utilizing Speech Emotion Recognition and Recommender Systems for Negative Emotion Handling in Therapy Chatbots
Islamic Azad University, South Tehran Branch(伊斯兰阿扎德大学南德黑兰分校)
本文提出结合语音情感识别(SER)和推荐系统增强治疗聊天机器人,使用CNN和ShEMO数据集识别负面情绪,并通过GloVe与LSTM模型生成个性化情绪管理建议,集成GlowTTS实现英波双语语音交互,显著提升心理健康支持效果。
2023-11-18 cs.AI cs.CL
HICEM: A High-Coverage Emotion Model for Artificial Emotional Intelligence
The Pennsylvania State University(宾夕法尼亚州立大学)
随着社交机器人和其他智能机器进入家庭,人工情感智能(AEI)正在占据中心舞台,以满足用户对更深入,更有意义的人机交互的需求。为了实现这种有效的交互,下一代AEI需要全面的人类情感模型进行训练。情绪理论一直是心理学研究的热点,而情绪模型是一种描述性的工具。在实践中,最强大的模型需要强大的覆盖范围,这意味着定义最小的核心情绪集,所有其他情绪都可以从中导出。为了达到预期的覆盖率,我们转向自然语言处理中的词嵌入。使用无监督聚类技术,我们的实验表明,只要有15个离散的情感类别,我们就可以在六种主要语言-阿拉伯语,中文,英语,法语,西班牙语和俄语-中提供最大的覆盖范围。为了支持我们的研究结果,我们还检查了两个大规模情感识别数据集的注释,以评估现有情感模型与人类感知相比的有效性。由于鲁棒、全面的情感模型是开发真实世界情感计算应用程序的基础,因此这项工作在社会机器人、人机交互、心理健康和计算心理学方面具有广泛的意义。
2022-06-15 cs.CL
SpanEmo: Casting Multi-label Emotion Classification as Span-prediction
National Centre for Text Mining(国家文本挖掘中心);The University of Manchester(曼彻斯特大学)
情感识别(ER)是自然语言处理(NLP)中的一项重要任务,因为它在现实世界的应用中具有很高的影响力,从健康和福祉到作者分析,消费者分析和安全。目前的ER方法主要是对情绪进行独立分类,而没有考虑到情绪可以共存。这种方法忽略了潜在的模糊性,其中多种情绪重叠。我们提出了一个新的模型“SpanEmo”铸造多标签情感分类跨度预测,它可以帮助ER模型学习标签和句子中的单词之间的关联。此外,我们引入了一个损失函数,专注于模拟输入句子中多种共存的情绪。对SemEval2018多标签情感数据在三种语言集上进行的实验(即,英语,阿拉伯语和西班牙语)证明了我们的方法的有效性。最后,我们提出了不同的分析,说明我们的方法在提高模型性能和学习有意义的情感类和句子中的单词之间的关联方面的好处。
2021-01-25 cs.CL
Psychometric Analysis and Coupling of Emotions Between State Bulletins and Twitter in India during COVID-19 Infodemic
Indraprastha Institute Information Technology, Delhi(德里英德拉普拉斯塔信息技术学院);Guru Nanak Dev University, Amritsar(阿姆利则古鲁那纳克德夫大学)
2019冠状病毒病的信息传播速度超过了疫情本身。信息流行浪潮中的错误信息对人民的健康和治理系统构成了重大威胁。由于社交媒体是最大的信息来源,因此管理信息流行病不仅需要减少错误信息,还需要及早了解由此产生的心理模式。在COVID-19危机期间,自2020年3月6日以来,仅Twitter一家公司的策划活动页面的使用量就急剧增加了45%,其直接消息的使用量也增加了30%。在这项研究中,我们分析了印度国家和邦一级COVID-19信息流行病与COVID-19相关官方公报的心理测量影响和耦合。我们用心理语言学的视角来看待这两个来源,并量化了两者之间的程度和耦合。我们修改了path,这是一个基于深度skip-gram的开源词典构建器,可以有效地捕捉与健康相关的情绪。然后,我们能够在社交媒体和官方公告中捕捉与健康相关的情绪的时间演变。使用格兰杰因果关系对从官方公告和社交媒体中提取的情绪时间序列之间的领先滞后关系进行分析表明,国家公告在医疗紧急情况等某些情绪方面领先于社交媒体。进一步的见解,是潜在的相关的政策制定者和积极从事减轻错误信息的传播者也进行了讨论。我们的论文还介绍了CoronaIndiaDataset 2,这是印度第一个基于社交媒体的国家和州级COVID-19数据集,拥有超过560万条国家和260万条州级推文。最后,我们将我们的研究结果作为COVibes,这是一个交互式网络应用程序,可以在…
2020-05-13 cs.CL cs.CY cs.SI
EmoInHindi: A Multi-label Emotion and Intensity Annotated Dataset in Hindi for Emotion Recognition in Dialogues
Indian Institute of Technology Patna(印度理工学院巴特那分校)
人工智能(AI)的长期目标是创建类似人类的对话系统。这样的系统应该有能力发展与用户的情感联系,因此在对话中的情感识别是一个重要的任务。在对话中的情感检测是一项具有挑战性的任务,因为人类通常在一个单一的话语中传达不同程度的强度的多种情感。此外,对话的话语中的情感可能取决于使任务更复杂的先前话语。情感识别一直都有很大的需求。然而,大多数现有的会话中的多标签情感和强度检测数据集都是英文的。为此,我们在印地语中创建了一个大型会话数据集,名为MindInHindi,用于包含1,814个对话的会话中的多标签情感和强度识别,总共有44,247个话语。我们准备我们的数据集在绿野仙踪的方式为犯罪受害者的心理健康和法律咨询。对话的每个话语都用来自16个情感类别的一个或多个情感类别(包括中性)及其相应的强度值进行注释。我们还提出了强上下文基线,可以检测情感(S)和相应的强度的话语给定的会话上下文。
2022-05-27 cs.CL
The Healthy States of America: Creating a Health Taxonomy with Social Media
Nokia Bell Labs(诺基亚贝尔实验室);IT University of Copenhagen(哥本哈根 IT 大学);King’s College London(伦敦国王学院)
自从社交媒体被广泛使用以来,研究人员一直在挖掘在线讨论,以跟踪特定疾病或慢性病(如流感或抑郁症)的爆发和演变。为了扩大研究中的疾病范围,我们开发了一种用于自然语言处理的深度学习工具,可以从非结构化的社交媒体文本中提取几乎任何医疗状况或疾病。有了这个工具,我们处理了Reddit和Twitter的帖子,分析了两个条件共现网络的聚类,发现它们对应于定义明确的医疗条件类别。这导致了第一个从在线讨论中自动得出的医疗条件的综合分类法的创建。我们根据官方的国际疾病和相关健康问题统计分类(ICD-11)验证了我们的分类结构,发现我们的聚类与22个官方类别中的20个类别相匹配。根据我们在Reddit上提到的分类法的子类别,在美国,我们就可以计算出疾病的健康分数。与疾病提及的计数或不了解我们分类结构的计数相反,我们发现我们的疾病特异性健康评分与官方报告的18种疾病的患病率存在因果关系。
2021-03-01 cs.AI cs.CL cs.CY
SeerNet at SemEval-2018 Task 1: Domain Adaptation for Affect in Tweets
Seernet Technologies, LLC(Seernet科技有限责任公司)
本文描述了SemEval-2018影响推文(英语)子任务的最佳性能系统。该系统重点关注效价和情感的有序分类和回归子任务。对于序数分类,效价被分为7个不同的类别,范围从-3到3,而情绪被分为4个不同的类别,分别为每种情绪,即愤怒,恐惧,喜悦和悲伤。回归子任务估计效价和每种情绪的强度。该系统执行4个不同模型的领域自适应,并创建一个集成,以给出最终的预测。拟议的系统在参与上述子任务的75个团队中排名第一。我们的表现优于基准模型,幅度从49.2%到76.4%不等,因此,大大推动了最先进的技术。
2018-04-17 cs.CL
Sentiment Analysis: Automatically Detecting Valence, Emotions, and Other Affectual States from Text
National Research Council Canada(加拿大国家研究委员会)
机器学习的最新进展已经导致行为类似于人类的计算机系统。情感分析,即自动确定文本中的情感,使我们能够利用商业、公共卫生、政府政策、社会科学和艺术中以前无法实现的大量机会。此外,从新闻到社交媒体帖子,对文本中的情感分析不仅提高了我们对人们如何通过语言传达情感的理解,而且也提高了我们对情感如何塑造我们行为的理解。本文对情感分析研究进行了全面的概述,包括:该领域的起源,任务的丰富景观,挑战,所使用的方法和资源的调查,以及应用程序。我们还讨论了如何,没有仔细的预先思考,情感分析有潜在的有害结果。我们概述了在情感分析中追求公平的最新研究路线。
2021-01-14 cs.CL
Emotion-based Modeling of Mental Disorders on Social Media
Dartmouth College(达特茅斯学院)
根据世界卫生组织(世卫组织)的数据,每四个人中就有一个人在一生中的某个时候会受到精神障碍的影响。然而,在世界上许多地方,由于精神疾病的耻辱感,对精神健康及其相关症状的无知,患者并不积极寻求专业诊断。在本文中,我们提出了一个使用Reddit上的对话被动检测精神障碍的模型。具体来说,我们专注于一个子集的精神障碍,其特征是不同的情绪模式(以下称为情绪障碍):重性抑郁症,焦虑症和双相情感障碍。通过被动(即,自动)检测,我们可以鼓励病人寻求精神疾病的诊断和治疗。我们提出的模型与该领域的其他工作不同,因为我们的模型完全基于情感状态,以及Reddit上用户的这些状态之间的转换,而之前的工作通常基于基于内容的表示(例如,n元语法、语言模型嵌入等)。我们发现,基于内容的表示受领域和主题偏见的影响,因此不会泛化,而我们的模型,另一方面,抑制特定主题的信息,从而在不同的主题和时间推广。我们进行实验,我们的模型的能力,以检测不同的情绪障碍和我们的模型的概括性。我们的实验表明,虽然我们的模型执行基于内容的模型,如BERT,它更好地概括跨时间和主题。
2022-01-24 cs.CL cs.SI
Bias in Emotion Recognition with ChatGPT
Microsoft(微软)
本文通过实验评估 ChatGPT 在不同数据集和情绪标签上的文本情绪识别性能,发现其表现受数据集与标签选择影响并存在偏差,同时证明微调可显著提升识别能力。
2023-12-04 cs.CL cs.RO
Emotion Recognition in Conversation: Research Challenges, Datasets, and Recent Advances
Instituto Politécnico Nacional(国立理工学院);University of Michigan(密歇根大学);Carnegie Mellon University(卡内基梅隆大学)
情感是人类固有的,因此情感理解是类人人工智能(AI)的关键部分。会话中的情感识别(ERC)作为自然语言处理(NLP)的一个新的研究前沿正变得越来越受欢迎,因为它能够从Facebook、Youtube、Reddit、Twitter等平台上的大量公开可用的会话数据中挖掘意见。此外,它在医疗保健系统(作为心理分析工具)、教育(理解学生的挫折感)等方面也有潜在的应用。此外,ERC对于生成需要理解用户情绪的情感感知对话也非常重要。满足这些需求需要有效且可扩展的对话情感识别算法。然而,这是一个艰巨的问题,因为一些研究的挑战来解决。在本文中,我们讨论了这些挑战,并阐明了在这一领域的最新研究。我们还描述了这些方法的缺点,并讨论了为什么他们不能成功地克服ERC的研究挑战的原因。
2019-05-08 cs.AI cs.CL
How Have We Reacted To The COVID-19 Pandemic? Analyzing Changing Indian Emotions Through The Lens of Twitter
IIT Kharagpur(印度理工学院卡拉格普尔分校);Mallya Aditi International School(马利亚阿迪蒂国际学校)
自疫情爆发以来,持续的COVID-19大流行已对全球人类生命及经济造成前所未有的损失。截至2020年7月18日,世界卫生组织(世卫组织)已报告超过1300万例确诊病例,其中包括216个国家和地区的近60万例死亡病例。尽管政府采取了多项措施,但印度的排名仍逐渐上升,成为继美国和巴西之后受疫情影响第三严重的国家,从而在其公民中引起广泛的焦虑和恐惧。由于世界上大多数人口继续被限制在家中,越来越多的人开始依靠推特等社交媒体平台表达他们对这一流行病各个方面的感受和态度。随着人们对心理健康的日益关注,分析公众影响的动态以预测任何潜在的威胁并采取预防措施变得势在必行。由于人类心灵的情感状态比微薄的二元情感更微妙,在这里,我们提出了一个基于深度学习的系统来识别人们的情绪从他们的推文。我们在两个多标签情感分类的基准数据集上取得了有竞争力的结果。然后,我们使用我们的系统来分析印度人的情绪反应的演变,因为流行病继续蔓延。我们还研究了随着时间的推移导致态度变化的突出因素的发展。最后,我们讨论了进一步改进我们工作的方向,并希望我们的分析可以帮助更好地监测公共卫生。
2020-08-20 cs.CL cs.SI
LSSED: a large-scale dataset and benchmark for speech emotion recognition
South China University of Technology(华南理工大学);UBTECH Robotics Corp(优必选机器人公司)
语音情感识别是下一代人机交互(HCI)的重要组成部分。然而,现有的小规模数据库限制了相关研究的发展。在本文中,我们提出了LSSED,一个具有挑战性的大规模英语语音情感数据集,其中有820个主题收集的数据,以模拟现实世界的分布。此外,我们还发布了一些基于LSSED的预训练模型,这些模型不仅可以促进语音情感识别的发展,还可以转移到相关的下游任务中,如心理健康分析等数据采集极其困难的任务。最后,我们的实验表明了大规模数据集的必要性和预训练模型的有效性。数据集将在https://github.com/tobefans/LSSED上发布。
2021-01-30 cs.AI cs.CL cs.SD