TopicDiff: A Topic-enriched Diffusion Approach for Multimodal Conversational Emotion Detection
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
针对现有多模态对话情绪检测研究忽略声学、视觉模态主题信息的问题，提出将扩散模型集成到神经主题模型的TopicDiff方法，有效捕获多模态主题信息，性能超越现有最优基准，且发现声学、视觉主题信息比语言的更具区分度和鲁棒性。
2024-03-11 cs.AI cs.CL cs.LG
Finding Good Representations of Emotions for Text Classification
The Hong Kong University of Science and Technology（香港科技大学）
对于机器来说，正确地解释人类情感对于更好的人机通信非常重要，因为情感是人与人通信的重要组成部分。情感的一个方面反映在我们使用的语言中。如何在文本中表达情感是自然语言处理的一个挑战。虽然像word 2 vec这样的连续向量表示已经成为NLP问题的新规范，但它们的局限性在于它们没有考虑情感，并且可能无意中包含对某些身份的偏见，例如不同性别。本文的重点是通过在训练过程中明确考虑文本中的情感和模型偏差来改善现有的词和句子水平的表征。我们改进的表示可以帮助构建更强大的机器学习模型，用于情感/情感分析和滥用语言检测等情感相关的文本分类。我们首先提出了一种称为情感词向量（EVEC）的表示方法，它是从一个带有情感标记语料库的卷积神经网络模型中学习的，该语料库是使用主题标签构建的。其次，我们扩展到学习具有巨大文本语料库的文本级表示，并执行识别表情符号的伪任务。我们的研究结果表明，通过从数百万条带有弱监督标签（如hashtags和emoji）的推文中训练的表示，我们可以更有效地解决情感/情绪分析任务。最后，作为现有方法表示模型偏见的例子，我们探讨了一个具体的问题，滥用语言的自动检测。我们通过实验来测量和减少表示中的性别偏见，以建立更强大的分类模型，从而解决各种神经网络模型中的性别偏见问题。
2018-08-22 cs.CL
Transition to Adulthood for Young People with Intellectual or Developmental Disabilities: Emotion Detection and Topic Modeling
Carleton University（卡尔顿大学）；The University of British Columbia（不列颠哥伦比亚大学）
过渡到成年是许多家庭的一个重要生活阶段。以往的研究表明，智力或发展障碍（IDD）的年轻人比同龄人面临更多的挑战。本研究旨在探讨如何利用自然语言处理（NLP）方法，特别是无监督机器学习，协助心理学家分析IDD青少年及其家庭的情绪和情感，并利用主题模型识别IDD青少年及其家庭面临的共同问题和挑战。此外，还将其结果与未患IDD的成年人的结果进行了比较。研究结果表明，NLP方法对于心理学家分析情绪，进行跨案例分析以及从会话数据中总结关键主题非常有用。我们的Python代码可以在https://github.com/mlaricheva/emotion_topic_modeling上找到。
2022-09-21 cs.CL stat.AP stat.ML
Characterizing the Temporal, Emotional, and Social Patterns of Adolescent Substance Use Discussions on Reddit
研究通过分析2018至2023年Reddit上青少年物质使用讨论，利用时间、情感分类及主题建模等方法，揭示相关讨论的时间、情感及语义模式，为预防干预策略提供实证依据。
2026-07-07 cs.CL
How People Respond to the COVID-19 Pandemic on Twitter: A Comparative Analysis of Emotional Expressions from US and India
Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（高性能计算研究所，新加坡科技研究局）；Centre for Artificial Intelligence Research, University of Agder（阿格德大学人工智能研究中心）；Department of Psychology, Northwestern University（西北大学心理学系）
COVID-19大流行已在全球夺去数百万人的生命，并引发了高度的情绪。这项研究检视了美国和印度有关COVID-19的各种情绪表达，这些情绪表现在超过5400万条推文中，涵盖了2020年2月至2021年4月的15个月期间，这一期间包括2021年3月开始肆虐印度的COVID-19病例开始大幅灾难性增加的开始。采用预先训练的情绪分析和主题建模算法，研究了四种不同类型的情绪（恐惧，愤怒，快乐和悲伤）及其与时间和位置相关的变化。结果显示，恐惧、愤怒和幸福的相对比例存在显著的国家差异和时间变化，2020年恐惧下降，愤怒和幸福波动，直到2021年前四个月的新情况扭转了趋势。检测到的差异进行了简要的讨论，揭示了潜在的主题，并通过镜头的评价理论的情绪，并讨论了研究结果的影响。
2023-03-19 cs.CL
Eradicating Social Biases in Sentiment Analysis using Semantic Blinding and Semantic Propagation Graph Neural Networks
Institute of Psychology, Polish Academy of Sciences（波兰科学院心理研究所）；Society for Open Science（开放科学协会）
本研究提出仅靠句法结构与词级情感线索预测情感的SProp GNN，通过语义盲化抵御社会偏见，性能优于词典类方法、准确率接近Transformer模型且偏见更低，兼顾可解释性与效果，填补两类方法的方法学空白。
2025-01-13 cs.CL
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
UniMSE: Towards Unified Multimodal Sentiment Analysis and Emotion Recognition
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
多模态情感分析（MSA）和会话中的情感识别（ERC）是计算机理解人类行为的关键研究课题。从心理学的角度来看，情绪是在短时间内表达情感或感受，而情绪则是在较长时间内形成和保持的。然而，大多数现有的作品分别研究情感和情绪，并没有充分利用两者背后的互补知识。在本文中，我们提出了一个多模态情感知识共享框架（UniMSE），统一MSA和ERC任务的功能，标签和模型。我们在句法和语义层面进行模态融合，并在模态和样本之间引入对比学习，以更好地捕捉情感和情绪之间的差异和一致性。在MOSI、MOSEI、MELD和IEMOCAP四个公共基准数据集上的实验结果表明，该方法与现有方法相比具有一致的性能改进.
2022-11-21 cs.CL
High Risk of Political Bias in Black Box Emotion Inference Models
Institute of Psychology, Polish Academy of Sciences（波兰科学院心理学研究所）；Stowarzyszenie Otwartej Nauki（开放科学协会）；Institute of Philosophy and Sociology, Polish Academy of Sciences（波兰科学院哲学与社会学研究所）
本文通过审计波兰语情感分析模型，揭示政治偏见会从人工标注传播到模型预测中，提出数据清洗可部分缓解偏见，并建议采用基于词典的系统作为更中立的替代方案。
2024-11-21 cs.AI cs.CL
Evaluation of Non-Negative Matrix Factorization and n-stage Latent Dirichlet Allocation for Emotion Analysis in Turkish Tweets
Ege University（埃杰大学）；Yildiz Technical University（耶尔德兹技术大学）；Walmart Global Tech（沃尔玛全球科技）
随着技术的发展，社交媒体的使用已经变得非常普遍。分析社交媒体在媒体和广告等领域的评论在今天发挥着重要作用。为此，使用新的和传统的自然语言处理方法来检测这些共享的情感。在本文中，潜在的Dirichlet分配，即LDA，和非负矩阵分解的主题建模方法被用来确定通过Twitter发布的土耳其推文的情感。此外，还分析了基于LDA的n层方法的精度。数据集由5种情绪组成，即愤怒，恐惧，快乐，悲伤和困惑。NMF是本研究中最成功的主题建模方法。然后，利用主题的词权值和类标签，对随机森林、朴素贝叶斯和支持向量机方法的F1测度进行分析，得到适合Weka的文档。在Weka的结果中，最成功的方法是n阶段LDA，最成功的算法是随机森林。
2021-09-27 cs.CL cs.IR cs.LG
Hotter and Colder: A New Approach to Annotating Sentiment, Emotions, and Bias in Icelandic Blog Comments
University of Iceland（冰岛大学）；The Alexandra Institute（亚历山德拉研究所）
本文构建了Hotter and Colder数据集，利用GPT-4o mini自动标注约80万条冰岛博客评论，经人工修订后得到12,232条高质量标注，为冰岛内容审核和有害行为检测提供资源。
2025-02-24 cs.AI cs.CL
Examining Racial Bias in an Online Abuse Corpus with Structural Topic Modeling
Cornell University（康奈尔大学）
我们使用结构主题建模来检查收集到的数据中的种族偏见，以训练模型来检测社交媒体帖子中的仇恨言论和辱骂性语言。我们通过添加一个额外的功能来增加滥用语言数据集，该功能指示用非洲裔美国人英语撰写的推文的预测概率。然后，我们使用结构主题模型来研究的内容的推文，以及如何流行的不同主题是相关的滥用注释和方言预测。我们发现，某些话题被不成比例地种族化，并被认为是虐待。我们讨论如何主题建模可能是一个有用的方法来识别偏见的注释数据。
2020-05-26 cs.CL cs.SI
Catalysts of Conversation: Examining Interaction Dynamics Between Topic Initiators and Commentors in Alzheimer's Disease Online Communities
Vanderbilt University（范德堡大学）；Vanderbilt University Medical Center（范德堡大学医学中心）
本研究通过倾向得分匹配等方法分析两个ADRD在线社区，发现主题发起者的积极参与和互惠回复能显著提升评论量，且不同话题与评论语言特征对用户互动有不同影响，为增强健康在线社区可持续性提供了策略。
2024-12-18 cs.CL cs.CY cs.LG
COVID-19 Public Opinion and Emotion Monitoring System Based on Time Series Thermal New Word Mining
School of Information and Communication Engineering, Hainan University（海南大学信息与通信工程学院）；School of Computer Science and Cyberspace Security, Hainan University（海南大学计算机与网络空间安全学院）；University of Chinese Academy of Sciences（中国科学院大学）；National University of Defense Technology（国防科技大学）；Department of Mathematics and Computer Science, Northeastern State University（东北州立大学数学与计算机科学系）
随着新型疫情的传播和发展，识别疫情在公众情绪中的变化趋势，具有重要的参考价值。我们设计并实现了基于时间序列热度新词挖掘的新冠疫情舆情监测系统。提出了一种新的基于网络话题时间爆炸的词结构发现方案和一种适用于COVID-19舆情环境的中文情感分析方法。建立“Scrapy-Redis-Bloomfilter”分布式爬虫框架进行数据采集。该系统可以根据评论判断评论者的积极和消极情绪，还可以反映出希望，快乐和沮丧等七种情绪的深度。最后，我们改进了该系统的情感判别模型，并将COVID-19相关评论的情感判别误差与嘉谷深度学习模型进行了比较。结果表明，该模型具有较好的泛化能力和较小的判别误差。我们设计了一个大数据可视化屏幕，可以清晰地显示公众情绪的变化趋势，各种情绪类别的占比，关键词，热门话题等，充分直观地反映民意的发展。
2020-05-23 cs.CL cs.IR cs.SI
Hopes and Fears -- Emotion Distribution in the Topic Landscape of Finnish Parliamentary Speech 2000-2020
University of Turku（图尔库大学）；University of Eastern Finland（东芬兰大学）
本文通过分析芬兰议会2000-2020年演讲中各主题的情感表达，探讨情感在不同主题上的分布特征及积极情感趋势。
2026-01-28 cs.CL
Topic-Driven and Knowledge-Aware Transformer for Dialogue Emotion Detection
University of Warwick（华威大学）；Southeast University（东南大学）
对话中的情感检测具有挑战性，因为它通常需要识别对话背后的主题、相关常识知识以及情感状态之间复杂的过渡模式。在本文中，我们提出了一个主题驱动的知识感知Transformer来处理上述挑战。我们首先设计了一个主题增强的语言模型（LM）与一个额外的层专门用于主题检测。主题增强的LM，然后与常识的语句从一个知识库的基础上的对话上下文信息。最后，一个基于转换器的编码器-解码器架构融合的主题和常识信息，并执行情感标签序列预测。该模型已在四个数据集上进行了实验，在对话情感检测，证明了其优越性经验超过现有的国家的最先进的方法。定量和定性的结果表明，该模型可以发现有助于区分情感类别的主题。
2021-06-02 cs.CL
MuSe 2020 -- The First International Multimodal Sentiment Analysis in Real-life Media Challenge and Workshop
University of Augsburg（奥格斯堡大学）；Imperial College London（帝国理工学院）；Technical University of Munich（慕尼黑工业大学）；Delft University of Technology（代尔夫特理工大学）；Nanyang Technological University（南洋理工大学）；CERTH - ITI（希腊研究与技术创新中心 - 信息技术研究所）
多模态情感分析在现实生活中的媒体（MuSe）2020是一个基于网络的研讨会，专注于情感识别的任务，以及通过更全面地整合视听和语言模态的情感目标参与和可信度检测。MuSe 2020的目的是汇集来自不同学科的社区;主要是视听情感识别社区（基于信号）和情感分析社区（基于符号）。我们提出了三个不同的子挑战：MuSe-Wild，专注于持续的情感（唤醒和效价）预测; MuSe-Topic，参与者将特定领域的主题识别为3类（低，中，高）情感的目标; MuSe-Trust，预测可信度的新方面。在本文中，我们提供了关于MuSe-CaR的详细信息，这是第一个用于挑战的野生数据库，以及最先进的功能和应用的建模方法。对于每个子挑战，为参与者设定了竞争基线;也就是说，在测试中，我们为MuSe-Wild报告了一个组合（效价和唤醒）CCC为.2568，对于MuSe主题a评分（计算为0.34 $\cdot$ UAR + 0.66 $\cdot$ F1），在10类主题上为76.78%，在3类情感预测上为40.64%，而对于MuSe-Trust，CCC为.4359。
2020-07-09 cs.CL cs.CV cs.MM
Measuring Emotions in the COVID-19 Real World Worry Dataset
University College London（伦敦大学学院）
COVID-19疫情对全球社会及经济造成重大影响。随着各种封锁和社交距离措施的实施，大规模了解情绪反应变得非常重要。在本文中，我们提出了对COVID-19情绪反应的第一个地面实况数据集。我们要求参与者表明他们的情绪，并用文字表达出来。这导致了真实世界担忧数据集的5,000个文本（2,500个短文本+2,500个长文本）。我们的分析表明，情绪反应与语言措施。主题模型进一步揭示了英国人对家庭和经济状况的担忧。推特大小的文本起到了呼吁团结的作用，而较长的文本则揭示了担忧和关切。使用预测建模方法，我们能够从文本中近似参与者的情感反应，其实际值在14%以内。我们鼓励其他人使用数据集，并改进我们如何使用自动化方法来了解情绪反应和对紧急问题的担忧。
2020-05-14 cs.CL cs.IR cs.SI
Unraveling Media Perspectives: A Comprehensive Methodology Combining Large Language Models, Topic Modeling, Sentiment Analysis, and Ontology Learning to Analyse Media Bias
Institute of IT Management and Digitization Research (IFID)（信息管理与数字化研究学院）
本文提出结合层次主题建模、情感分析和大语言模型本体学习的可扩展媒体偏见分析方法，通过三个政治新闻案例验证其在多粒度识别事件选择、标签、用词及委托遗漏偏见方面的有效性。
2025-05-03 cs.AI cs.CL cs.IR
Cross-Platform Digital Discourse Analysis of the Israel-Hamas Conflict: Sentiment, Topics, and Event Dynamics
Institute of Computer Science, Foundation for Research and Technology（计算机科学研究所，研究与技术基金会）；Technical University of Crete（克里特技术大学）
本研究通过跨平台分析，揭示了以色列-哈马斯冲突中情感、主题和事件动态的演变，提出多平台数据集及分析流程，探讨平台特性对冲突传播的影响。
2025-11-27 cs.AI cs.CL cs.CY
Women in ISIS Propaganda: A Natural Language Processing Analysis of Topics and Emotions in a Comparison with Mainstream Religious Group
University of Virginia（弗吉尼亚大学）
在线宣传是极端主义团体招募战略的核心，近年来，这些努力越来越多地扩展到妇女。为了调查ISIS在其在线宣传中针对女性的方法并揭示其对反恐的影响，我们依靠文本挖掘和自然语言处理（NLP）。具体而言，我们提取发表在Dabiq和Rumiyah（ISIS的在线英语出版物）上的文章，以确定突出的主题。为了确定这些文本与非暴力宗教团体制作的文本之间的相似性或差异，我们将分析扩展到一个致力于妇女的天主教论坛的文章。我们还对这两种资源进行了情感分析，以更好地理解宣传的情感成分。我们依靠Depechemood（一种基于词汇的情感分析方法）来检测这些材料的读者中最有可能被唤起的情感。调查结果表明，ISIS和天主教材料的情感吸引力是相似的
2019-12-09 cs.CL cs.IR
An Experimental Study of The Effects of Position Bias on Emotion CauseExtraction
VMware（威睿）；Information Sciences Institute（信息科学研究所）；University of Southern California（南加州大学）
情感原因提取（ECE）的目的是在标注情感关键字后，从文档中识别情感原因。已经提出了一些基线来解决这个问题，例如基于规则的方法、基于常识的方法和机器学习方法。然而，我们发现，一个简单的随机选择方法对ECE，不需要观察文本实现类似的性能相比，基线。我们只利用相对于情绪原因的位置信息来实现这一目标。由于位置信息单独没有观察到的文本导致更高的F-措施，因此，我们发现在欧洲经委会单一体裁新浪新闻基准的偏见。进一步的分析表明，情感原因位置的不平衡存在的基准，与大部分的原因子句紧接在中央情感子句。我们从语言学的角度研究了这种偏差，并表明利用位置信息的当前最先进的深度学习模型的高准确率仅在包含这种位置偏差的数据集中是明显的。当引入具有平衡位置分布的数据集时，准确性急剧降低。因此，我们得出结论，正是这个基准测试中的固有偏差导致了ECE中这些深度学习模型的高准确率。我们希望本文中的案例研究既能提供警示性的教训，也能为进一步的研究提供模板，以解释深度学习模型的卓越拟合，而无需检查偏见。
2020-07-16 cs.CL
AugESC: Dialogue Augmentation with Large Language Models for Emotional Support Conversation
Institute for Artificial Intelligence（人工智能研究院）；Tsinghua University（清华大学）
本研究利用大型语言模型将对话增强视为对话补全任务，构建了AugESC数据集，大幅扩展了情感支持对话的规模与话题覆盖，并证明其能提升下游模型向开放域话题的泛化能力。
2023-05-18 cs.CL
How people talk about each other: Modeling Generalized Intergroup Bias and Emotion
Department of Linguistics, The University of Texas at Austin（德克萨斯大学奥斯汀分校语言学系）；Department of Computer Sciences, University of Pittsburgh（匹兹堡大学计算机科学系）；Department of Political Science, Rutgers University（罗格斯大学政治学系）
本文探讨了群体偏见的广义建模，通过细粒度的人际情感预测人际关系，构建了首个标注人际情感的英文推文数据集，展示了神经模型在识别偏见方面的优越性能。
2023-02-14 cs.CL
Dialogue Summarization with Emotion Dynamics Using Topic- and Participant-Centric Decomposition
Delft University of Technology（代尔夫特理工大学）
该研究针对对话摘要问题，提出基于改进分层智能体链方法的框架，从主题和参与者两个视角分解对话，结合自动推断情感生成摘要，并引入情感轨迹指标评估，实验表明其框架能生成含语义和情感内容的摘要，凸显方法有效性。
2026-07-17 cs.AI cs.CL cs.MA
Taking a SEAT: Predicting Value Interpretations from Sentiment, Emotion, Argument, and Topic Annotations
Delft University of Technology（代尔夫特理工大学）
本研究提出利用情感、情绪、论证与主题（SEAT）多维度主观标注作为代理，让语言模型预测个体价值解读，实验证实多维度结合效果更优，为后续相关研究奠定基础。
2025-10-02 cs.CL
Probabilistic emotion and sentiment modelling of patient-reported experiences
The University of Adelaide（阿德莱德大学）；James Cook University（詹姆斯·库克大学）
本研究提出一种基于元数据网络主题建模和朴素贝叶斯分类器的概率性情绪推荐系统，用于从Care Opinion平台分析患者体验，预测多标签情绪与二元情绪，显著优于基线模型，并提供R包和仪表板辅助个性化医疗。
2024-01-09 cs.CL
COVID-19 Twitter Dataset with Latent Topics, Sentiments and Emotions Attributes
本文描述了一个关于人们在Twitter平台上对COVID-19大流行的话语和反应的大型全球数据集。自2020年1月28日至2022年6月1日，我们收集并处理了超过2900万名独立用户使用四个关键词“corona”、“wuhan”、“nCov”和“covid”发布的超过2. 52亿条Twitter帖子。利用概率主题建模和预先训练的基于机器学习的情感识别算法，我们用17个属性标记每条推文，包括a）10个二进制属性，指示推文与前10个检测到的主题的相关性（1）或不相关性（0），b）5个定量情感属性，指示效价或情感的强度程度（从0：极度消极到1：极度积极）和恐惧、愤怒、悲伤和快乐情绪的强度程度（从0：完全没有到1：非常强烈），以及c）指示情绪的两个分类属性（非常消极，消极，中性或混合，积极，非常积极）和主要情绪（恐惧，愤怒，悲伤，快乐，没有具体的情绪）。我们讨论的技术有效性，并报告这些属性的描述性统计，其时间分布和地理代表性。本文最后讨论了数据集在通信，心理学，公共卫生，经济学和流行病学中的使用。
2022-06-25 cs.CL cs.IR
An Empirical Study of Gendered Stereotypes in Emotional Attributes for Bangla in Multilingual Large Language Models
Bangladesh University of Engineering and Technology (BUET)（孟加拉工程技术大学）
本研究首次针对闭源与开源大语言模型，全面调查孟加拉语语境下的性别情感归因偏见，证实该类偏见存在并揭示其随性别角色选择的变化规律，公开相关资源以支持孟加拉语NLP研究。
2024-07-08 cs.CL
Multi-Granularity Semantic Aware Graph Model for Reducing Position Bias in Emotion-Cause Pair Extraction
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
情感-原因对提取（ECPE）任务旨在从文档中提取情感和原因对。我们观察到，在典型的ECPE数据集中，情绪和原因的相对距离分布极不平衡。现有的方法设置了一个固定大小的窗口来捕获相邻子句之间的关系。然而，他们忽略了有效的语义连接之间的距离子句，导致对位置不敏感的数据的泛化能力差。为了缓解这个问题，我们提出了一种新的多粒度语义感知图模型（MGSAG），结合细粒度和粗粒度的语义特征联合，而不考虑距离的限制。特别是，我们首先探讨从文档中提取的条款和关键字之间的语义依赖关系，传达细粒度的语义特征，获得关键字增强的条款表示。此外，还建立了一个子句图来描述子句间的粗粒度语义关系。实验结果表明，MGSAG优于现有的国家的最先进的ECPE模型。特别是在位置不敏感数据的情况下，MGSAG模型的性能明显优于其他模型。
2022-08-18 cs.CL
Mapping the Technological Future: A Topic, Sentiment, and Emotion Analysis in Social Media Discourse
本研究利用BERTopic建模和情感分析处理150万条推文，揭示了关键意见领袖在技术不确定性中通过积极预期话语塑造未来愿景的重要作用。
2024-07-20 cs.AI cs.CL cs.SI
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
Inflating Topic Relevance with Ideology: A Case Study of Political Ideology Bias in Social Topic Detection Models
University of Pittsburgh（匹兹堡大学）
我们调查政治意识形态偏见的影响，在训练数据。通过一组比较研究，我们研究了几种广泛使用的NLP模型中的偏差传播及其对整体检索准确性的影响。我们的工作强调了大型复杂模型对传播人类选择输入的偏差的敏感性，这可能导致检索准确性的恶化，以及控制这些偏差的重要性。最后，作为一种减轻偏见的方法，我们建议学习一个文本表示，是不变的政治意识形态，同时仍然判断主题的相关性。
2020-11-29 cs.CL
Position Bias Mitigation: A Knowledge-Aware Graph Model for Emotion Cause Extraction
University of Warwick（华威大学）
针对现有情感原因抽取任务中模型依赖相对位置特征、受数据集位置偏差影响的问题，提出知识感知图模型，利用常识知识建模情感触发路径，在保持原数据集性能持平的同时提升了对抗鲁棒性。
2023-12-19 cs.AI cs.CL
Gender Bias in Emotion Recognition by Large Language Models
本研究探讨了大语言模型在情绪认知任务中的性别偏见问题，并提出基于训练的干预方法以减少偏见。
2026-03-02 cs.CL cs.CY
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 and Fairness on Multimodal Emotion Detection Algorithms
University of Southern California（南加州大学）
许多研究表明，机器学习算法可以锁定受保护的属性，如种族和性别，并生成系统地歧视一个或多个群体的预测。迄今为止，大多数的偏见和公平性的研究一直是单峰模型。在这项工作中，我们探讨了情感识别系统中存在的偏见与所使用的模态的关系，并研究多模态方法如何影响系统的偏见和公平性。我们考虑音频，文本和视频模态，以及所有可能的多模态组合，并发现文本本身具有最小的偏见，并占大多数模型的性能，提出了怀疑的价值多模态情感识别系统时，偏见和公平的期望模型性能。
2022-05-11 cs.AI cs.CL cs.CV
Divine LLaMAs: Bias, Stereotypes, Stigmatization, and Emotion Representation of Religion in Large Language Models
Bocconi University（博科尼大学）；University of Leeds（利兹大学）
本研究通过情感归因探究大语言模型中的宗教表征，发现欧美宗教表征更细致、东方宗教存刻板印象、犹太教与伊斯兰教遭污名化，归因于文化偏见与相关NLP研究匮乏，凸显纠正偏见的紧迫性。
2024-07-09 cs.CL cs.CY
It is Okay to Not Be Okay: Overcoming Emotional Bias in Affective Image Captioning by Contrastive Data Collection
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST））
捕捉视觉，语言和情感之间联系的数据集是有限的，导致对人类智力的情感方面缺乏了解。作为朝着这个方向迈出的一步，ArtEmis数据集最近被引入作为对图像的情绪反应的大规模数据集，以及对这些选定情绪的语言解释。我们观察到对实例丰富的情感有明显的情感偏见，这使得受过训练的神经扬声器在描述代表性不足的情感时不那么准确。我们发现，以同样的方式收集新的数据，并不能有效地减轻这种情绪偏见。为了解决这个问题，我们提出了一个对比数据汇集的方法来平衡ArtEMIS与一个新的互补数据集，这样一对相似的图像有对比的情绪（一个积极的和一个消极的）。我们使用所提出的方法收集了260，533个实例，将它们与ArtEmis相结合，创建了数据集的第二次迭代。新的组合数据集，被称为ArtEmis v2.0，具有平衡的情感分布，解释揭示了相关绘画中更精细的细节。我们的实验表明，与有偏数据集相比，在新数据集上训练的神经说话者分别将CIDER和METEOR评估指标提高了20%和7%。最后，我们还表明，神经扬声器的每种情感的性能在所有情感类别中都得到了改善，尤其是在代表性不足的情感上。收集的数据集和代码可在https://artemisdataset-v2.org上获得。
2022-04-15 cs.AI cs.CL cs.CV
Variants of BERT, Random Forests and SVM approach for Multimodal Emotion-Target Sub-challenge
Chonnam National University（全南国立大学）
近年来，情感识别已成为计算机视觉的一个主要问题，研究人员为克服这一难题做了大量的工作。在情感计算领域，情感识别有着广泛的应用，例如医疗保健、机器人、人机交互等。由于其对其他任务的实际重要性，许多技术和方法已被研究用于不同的问题和各种数据源。然而，如何将视听和语言两种形式全面融合，并从中获益，仍然是一个亟待解决的问题。在本文中，我们提出并讨论了我们的分类方法MuSe主题子挑战，以及数据和结果。对于主题分类，我们集成了两个语言模型ALBERT和RoBERTa来预测10类主题。此外，对于效价和唤醒的分类，SVM和随机森林与特征选择相结合，以提高性能。
2020-07-28 cs.CL cs.CV cs.LG
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina（南卡罗来纳大学）；City University of New York（纽约市立大学）
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应，有必要探讨民意。传统的调查费用昂贵，耗时，涉及的健康问题有限，获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法，以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感，发现主要主题，探索时间趋势，并使用统计测试来比较负面和非负面推文的主题，并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示，2020年11月至2021年2月期间，有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明，有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明，负面和非负面的推文有不同的主题优先级和重点。这项研究表明，Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Addressing Emotion Bias in Music Emotion Recognition and Generation with Frechet Audio Distance
University of Edinburgh, UK（爱丁堡大学）；University of Toronto, Canada（多伦多大学）；Microsoft Research, US（微软研究院）
针对音乐情感识别与生成中的情感偏差问题，提出使用基于多音频编码器的 Fréchet Audio Distance（FAD）进行客观评估，并引入增强的 EMG 方法提升生成情感的真实感。
2025-04-30 cs.CL cs.MM cs.SD
Quantifying Affective Bias in Low-Resource Media: Large-Scale Emotion Profiling of Bengali Headlines
本研究通过 Gemma 3 4B 零样本推理分析 30 万孟加拉语新闻标题，发现负面情绪标签高频出现，提出偏差敏感新闻界面以帮助读者识别情感框架模式。
2026-08-31 cs.AI cs.CL
Cross-lingual Emotion Intensity Prediction
Expert System；Universitat Pompeu Fabra（庞培法布拉大学）；University of Oslo（奥斯陆大学）
情感强度预测确定作者在文本中表达的情感的程度或强度，扩展了以前的情感检测分类方法。虽然以前关于这个主题的大多数工作都集中在英语文本上，但其他语言也将受益于细粒度的情感分类，最好不必在每种新语言中重新创建英语中可用的注释数据量。因此，我们探索跨语言迁移方法细粒度的情绪检测在西班牙语和加泰罗尼亚语的推文。为此，我们使用最佳-最差缩放来注释西班牙语和加泰罗尼亚语推文的测试集。我们比较了六种跨语言方法，例如，机器翻译和跨语言嵌入，它们对并行数据有不同的要求--从数百万个并行句子到完全无监督。结果表明，在这些数据上，具有低并行数据要求的方法比使用更多并行数据的方法表现得更好，我们通过深入的错误分析解释了这一点。我们在\url{https://github.com/jerbarnes/fine-grained_cross-lingual_emotion}上提供数据集和代码
2020-11-24 cs.CL
Can Induced Emotion Bias LLM Behaviors in Sequential Decision Making?
MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Texas A&M University（德州农工大学）；National University of Singapore（新加坡国立大学）；UCLA（加州大学洛杉矶分校）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Mass General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
研究探讨诱导情绪对大语言模型在序列决策中行为的影响，采用爱荷华赌博任务结合情绪诱导程序，发现诱导情绪平均不显著影响其决策动态，但愤怒有条件地影响决策，揭示了与人类行为的差异，为相关研究提供工具。
2026-07-15 cs.AI cs.CL
Us vs. Them: A Dataset of Populist Attitudes, News Bias and Emotions
Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究所）；Babelscape Srl, Sapienza University of Rome（罗马第一大学Babelscape有限公司）；Department of Psychology, University of Amsterdam（阿姆斯特丹大学心理学系）
政治语篇任务的计算建模已经成为自然语言处理中越来越重要的研究领域。近年来，民粹主义言论在整个政治领域有所上升;然而，由于其复杂性，对其的计算方法一直很稀缺。在本文中，我们提出了新的$\textit{Us vs. Them}$数据集，包括6861条Reddit评论，注释了民粹主义的态度和这种现象的第一个大规模计算模型。我们调查了民粹主义心态和社会群体之间的关系，以及一系列通常与这些相关的情绪。我们设定了一个基线的两个任务相关的民粹主义的态度，并提出了一套多任务的学习模型，利用和展示的重要性，情绪和群体识别作为辅助任务。
2021-02-14 cs.AI cs.CL
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
Explainable Speech Emotion Recognition: Weighted Attribute Fairness to Model Demographic Contributions to Social Bias
Imperial College London（伦敦帝国学院）
本文提出一种新的公平性模型，用于评估语音情绪识别中 demographic 属性与模型偏见之间的相互信息，并验证了其在 HuBERT 和 WavLM 模型上的有效性，揭示了性别偏见的存在。
2026-03-26 cs.AI cs.CL eess.AS
CO-VADA: A Confidence-Oriented Voice Augmentation Debiasing Approach for Fair Speech Emotion Recognition
National Taiwan University（国立台湾大学）；University of Southern California（美国南加州大学）
针对语音情感识别系统因说话人特征与情感标签虚假关联产生的群体偏差问题，提出无需改模型、无需人口标注的CO-VADA去偏方法，通过识别偏差样本做语音转换生成增强样本引导模型关注情感特征，兼容多类模型与工具，可实用可扩展。
2025-11-14 cs.CL eess.AS
Convolutional Attention Networks for Multimodal Emotion Recognition from Speech and Text Data
情感识别已经成为一个热门的研究课题，特别是在人机交互领域。以前的工作涉及单峰分析的情绪，而最近的努力集中在多模态的情绪识别从视觉和语音。在本文中，我们提出了一种新的方法，使用卷积注意力网络来学习语音和文本数据之间的隐藏表示。与采用简单的特征向量拼接的浅层模型相比，所提出的注意力模型在从CMU-MOSEI数据集中包含的语音和文本数据中分类情感方面表现得更好。
2019-03-08 cs.AI cs.CL cs.HC
Blacks is to Anger as Whites is to Joy? Understanding Latent Affective Bias in Large Pre-trained Neural Language Models
University of Calicut（卡利卡特大学）；Queen’s University Belfast（贝尔法斯特女王大学）；Indian Institute of Technology Palakkad（巴拉卡德印度理工学院）
该研究针对大型预训练语言模型中的情感偏见展开探究，从语料分布与模型预测两方面量化验证了情绪与特定性别、种族、宗教存在统计显著的偏向性关联。
2023-01-21 cs.AI cs.CL
Identifying gender bias in blockbuster movies through the lens of machine learning
University of Turku（图尔库大学）
性别偏见问题十分普遍，众所周知。在本文中，我们分析了英语电影中性别角色的刻画，这是一种有效影响社会塑造人们信仰和观点的媒介。首先，我们收集了不同类型的电影剧本，并使用自然语言处理技术获得了情感和情绪。之后，我们将脚本转换为嵌入，即以矢量形式表示文本的方式。通过彻底的调查，我们发现电影中男女角色的性格特征与社会刻板印象一致。此外，我们使用了数学和机器学习技术，发现了一些偏见，其中男性比女性更具支配力和嫉妒心，而女性在电影中扮演的角色更快乐。在我们的工作中，我们介绍了，尽我们所知，一种新颖的技术，将对话转化为一系列的情绪，结合它与普鲁塔克的情绪之轮。我们的研究旨在鼓励对电影领域性别平等的反思，并促进其他研究人员自动分析电影，而不是使用手动方法。
2022-11-21 cs.AI cs.CL
Twitter discussions and emotions about COVID-19 pandemic: a machine learning approach
University of Toronto（多伦多大学）；University of Pittsburgh（匹兹堡大学）；Chinese Academy of Sciences（中国科学院）
这项研究的目的是检查与冠状病毒疾病（COVID-19）相关的讨论，关注和Twitter用户发布的推文中出现的情绪。我们分析了2020年3月1日至4月21日期间与COVID-19疫情相关的400万条Twitter消息，使用了“冠状病毒”、“COVID-19”、“检疫”等25个标签列表。我们使用一种机器学习方法，即潜在狄利克雷分配（LDA），来识别收集的推文中流行的一元组、二元组、突出的主题和主题以及情绪。流行的单字包括“病毒”、“封锁”和“隔离”。流行的双字母组合包括“COVID-19”、“呆在家里”、“冠状病毒”、“社交距离”和“新病例“。“我们确定了13个讨论主题，并将其分为五个不同的主题，例如“减缓COVID-19传播的公共卫生措施”，“与COVID-19相关的社会耻辱”，“冠状病毒新闻病例和死亡”，“COVID-19在美国”和“世界其他地区的冠状病毒病例”。在所有确定的主题中，对冠状病毒传播的主要情绪是预期可以采取的措施，其次是对不同主题的信任，愤怒和恐惧的混合情绪。公众在讨论冠状病毒新病例和死亡人数时，比其他话题表现出明显的恐惧感。该研究表明，Twitter数据和机器学习方法可以通过研究COVID-19期间不断变化的公众讨论和情绪来进行信息学研究。实时监测和评估Twitter上的讨论和关切，对于公共卫生应急反应和规划是有希望的。当COVID-19出现第二波疫情或即将来临的新…
2020-06-19 cs.CL cs.CY cs.SI
Human language reveals a universal positivity bias
University of Vermont（佛蒙特大学）；Massachusetts Institute of Technology（麻省理工学院）
通过对10种语言的24个语料库中的10万个词汇的评估，我们发现：（1）人类自然语言的词汇具有普遍的积极性偏向;（2）翻译中的词汇情感内容在不同语言之间是一致的;（3）这种积极偏向与词汇使用频率无关。除了这些一般的语言，我们描述语言的情感谱，使我们能够排名语料库中的语言间的变化。我们还展示了我们的单词评估如何用于构建类似物理的工具，用于实时和离线测量大规模文本的情感内容。
2014-06-15 cs.CL cs.SI physics.soc-ph
