Dual Perspectives in Emotion Attribution: A Generator-Interpreter Framework for Cross-Cultural Analysis of Emotion in LLMs
KAIST（韩国科学技术院）
本文提出生成-解释框架，从表达与解读双重视角分析情绪归因，评估六种LLM在15国数据上的表现，揭示文化背景对情绪类型和模型性能的影响，呼吁在LLM中实现文化敏感的情绪建模。
2026-03-30 cs.CL
Emotion Identification for French in Written Texts: Considering their Modes of Expression as a Step Towards Text Complexity Analysis
Univ. Paris-Nanterre（巴黎第十大学）；CNRS（法国国家科学研究中心）；Orange（法国电信橙公司）
本文提出一个模型和数据集，用于预测法语书面文本中句子的情感表达与否、方式、基本/复杂类别及情感类别，并考虑直接与间接表达方式，实验结果显示优于无微调的大型语言模型。
2024-05-23 cs.AI cs.CL
Recent Advancement of Emotion Cognition in Large Language Models
Fudan University（复旦大学）；School of Computer Science, Fudan University（复旦大学计算机科学学院）
本文综述了LLMs在情感认知领域的最新进展，涵盖情感分类、回复生成与心智理论评估，并基于认知阶段梳理研究方法与资源，提出未来方向。
2024-09-20 cs.AI cs.CL
Scaling behavior of large language models in emotional safety classification across sizes and tasks
Leibniz Institute for Resilience Research（莱比锡韧性研究所）；University Medical Center Halle（哈雷医学院）；German Center for Mental Health (DZPG)（德国心理健康中心（DZPG））；University Medical Center of the Johannes Gutenberg-University Mainz（美因茨约瑟夫·冯·拉贝大学医学院）
该研究构建超1.5万样本的情感安全数据集，评估不同规模LLaMA模型在两类情感安全分类任务中的缩放行为，发现轻量微调的小模型可实现媲美大模型的性能，为隐私友好的端侧敏感应用提供可行方案。
2025-09-02 cs.CL cs.LG
Emotion Recognition based on Psychological Components in Guided Narratives for Emotion Regulation
Univ. Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；ENS Paris-Saclay（巴黎萨克雷高等师范学院）；Institut Universitaire de France（法国大学研究院）；CentraleSupélec（中央理工-高等电力学院）
本文引入法语情绪叙事语料库，基于 Component Process Model 理论框架，利用机器学习与预训练语言模型研究心理成分对情绪分类的影响，发现联合所有成分可取得最佳预测效果。
2023-05-15 cs.AI cs.CL
SEER: The Span-based Emotion Evidence Retrieval Benchmark
Computer Science & Engineering University of Michigan（计算机科学与工程大学麦克马斯特大学）；Data Science & AI Procter & Gamble（数据科学与人工智能普罗cter与甘贝尔）
本研究提出SEER基于跨度的情感证据检索基准，含单句与五句短篇章两项情感证据检测任务及1200句标注数据，评估14个开源LLM发现长文本下准确率下降，揭示了过度依赖关键词等失效模式。
2025-10-28 cs.AI cs.CL
Every 28 Days the AI Dreams of Soft Skin and Burning Stars: Scaffolding AI Agents with Hormones and Emotions
Indiana University（印第安纳大学）；NPC Worldwide（NPC全球）
本文提出将模拟月经与昼夜激素周期嵌入大语言模型系统提示，发现情绪风格和基准表现随生物节律变化，为语境化AI提供新思路并揭示模型中的性别与生物学偏见。
2025-08-15 cs.AI cs.CL cs.MA
Building a Dialogue Corpus Annotated with Expressed and Experienced Emotions
Waseda University（早稻田大学）
在交流中，人类会识别对话者的情绪，并以适当的情绪做出回应，例如同情和安慰。为了开发一个具有类似人类能力的对话系统，我们提出了一种构建带有两种情感标注的对话语料库的方法。我们从Twitter上收集对话，并用说话者放入话语中的情感（表达的情感）和听者在听完话语后感受到的情感（体验的情感）来注释每个话语。我们用这种方法建立了一个日语对话语料库，并对其进行了统计分析，揭示了表达和体验情感之间的差异。我们进行了两种情绪的识别实验。实验结果表明，被试对已体验情绪的识别存在困难，对两种情绪的多任务学习效果较好。我们希望所构建的语料库能够为对话中的情感识别和情感感知的对话应答生成研究提供帮助。
2022-05-24 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
Emotion Conditioned Creative Dialog Generation
University of Helsinki（赫尔辛基大学）
我们提出了一个基于DialGPT的模型，用于生成基于以下情绪之一的创造性对话反应：愤怒，厌恶，恐惧，幸福，痛苦，悲伤和惊喜。我们的模型是能够产生一个上下文适当的反应给定的输入句子和所需的情感标签。我们的模型能够以0.6的精度表达所需的情感。表现最好的情绪是中性的，恐惧和厌恶。当测量表达的情绪的强度时，我们发现愤怒、恐惧和厌恶被模型以最强烈的方式表达。
2022-12-06 cs.CL
Automatic Emotion Experiencer Recognition
University of Stuttgart（斯图加特大学）
本文针对情绪体验者（emoter）的自动识别任务，提供了基线实验，并评估了其对下游情绪分类和评估检测的影响，结果表明该任务具有挑战性，推动了未来的联合建模研究。
2023-07-27 cs.CL
The phonetic bases of vocal expressed emotion: natural versus acted
Carnegie Mellon University（卡内基梅隆大学）
声音的情感可以被模仿吗？这个问题一直是言语界反复关注的问题，也一直在积极调查。它与行为情感数据库的有效性问题的联系进一步推动了这一研究。大部分的语音和声音的情感研究依赖于行为的情感数据库作为研究自然情感的有效代理。为了创建能够推广到自然环境的模型，使用有效的原型是至关重要的--这些原型可以被假设为可靠地代表自然情感。更具体地说，重要的是要研究模拟情绪对自然情绪的生理和心理伴随。在本文中，我们提出了一个规模的系统研究之间的差异，自然和表演声乐情感。我们使用一个基于自我注意力的情感分类模型，通过发现每一类情感的最“关注”的音素来理解情感的语音基础。然后，我们比较这些参加音素的重要性和分布在行动和自然类。我们的测试显示显着差异的方式和音素的选择，在采取行动和自然的语音，结论中度至低的有效性和价值，在使用采取行动的语音数据库的情感分类任务。
2020-07-25 cs.CL cs.LG cs.SD
Multi-Task Learning and Adapted Knowledge Models for Emotion-Cause Extraction
Columbia University（哥伦比亚大学）；Amazon AI（亚马逊人工智能部门）
检测文本中表达的情感是自然语言处理中的一个研究得很好的问题。然而，对更细粒度的情感分析的研究，如什么导致了情感，仍处于起步阶段。我们提出了解决方案，以联合方式处理情感识别和情感原因检测。考虑到常识知识在理解隐含表达的情绪和这些情绪的原因方面起着重要作用，我们提出了新的方法，通过自适应知识模型将常识知识与多任务学习相结合，以执行联合情绪分类和情绪原因标记。我们在这两个任务上表现出性能的提高，包括常识推理和多任务框架。我们提供全面的分析，以深入了解模型性能。
2021-06-17 cs.AI cs.CL
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
Utterance Emotion Dynamics in Children's Poems: Emotional Changes Across Age
University of Alberta（阿尔伯塔大学）；National Research Council Canada（加拿大国家研究委员会）
本研究结合词典与机器学习方法分析不同年龄儿童诗歌中的情感动态，发现多种情绪强度、变异性、反应性和调节能力随年龄增长而增强，而效价下降。
2023-06-08 cs.CL
Multi-Task Learning Framework for Extracting Emotion Cause Span and Entailment in Conversations
Indian Institute of Technology Kanpur (IIT-K)（印度理工学院坎普尔分校（IIT-K））
预测文本中表达的情感是NLP社区中研究得很好的问题。近年来，在提取文本中表达的情感的原因方面进行了积极的研究。以往的工作大多是在文档中进行因果情感蕴涵。在这项工作中，我们提出了神经模型来提取情感的原因跨度和蕴涵在对话中。为了学习这样的模型，我们使用RECCON数据集，该数据集在话语级别上用原因跨度进行了注释。特别是，我们提出了MuTEC，一个端到端的多任务学习框架，用于提取情感，情感原因和会话中的蕴涵。这与现有的基线模型相反，现有的基线模型使用地面真实情绪来提取原因。对于数据集中提供的大多数数据折叠，MuTEC的表现优于基线。
2022-11-07 cs.AI cs.CL cs.LG
Detecting gender differences in perception of emotion in crowdsourced data
Carnegie Mellon University（卡内基梅隆大学）；Software Engineering Institute（软件工程研究所）
男人和女人对情绪的感知不同吗？普遍的信念认为女性比男性更容易感知情感。然而，实证研究结果仍然没有定论。大多数先前的研究集中在视觉模态。此外，几乎所有的研究都局限于受控环境中的实验。这些研究的普遍性和可扩展性尚未充分确立。在本文中，我们研究了性别之间的情感感知的差异，从语音数据在野外，通过众包注释。虽然我们将自己限制在一个单一的模态（即语音），我们的框架是适用于所有这些松散的注释数据的情绪感知的研究一般。我们的论文解决了与从众包数据中得出统计上可行的结论相关的多个严重挑战。总的来说，本文的贡献是两方面的：一个可靠的新框架，从众包数据的感知研究;和性别之间的基于语音的情感感知的统计学显着差异的示范。
2019-11-04 cs.CL cs.DB cs.HC
Climate and Weather: Inspecting Depression Detection via Emotion Recognition
Shanghai Jiao Tong University（上海交通大学）
自动抑郁检测已经吸引了越来越多的关注，但仍然是一个具有挑战性的任务。心理学研究表明，抑郁情绪与情绪的表达和感知密切相关，这激发了人们对情绪识别知识是否可以转移到抑郁检测中的研究。本文将情感识别模型中提取的预训练特征用于抑郁检测，并进一步将情感模态与音频、文本融合，形成多模态抑郁检测。所提出的情感转移提高了DAIC-WOZ的抑郁检测性能，并增加了训练稳定性。分析抑郁个体表达的情绪如何被进一步感知，为进一步理解抑郁与情绪的关系提供了线索。
2022-05-05 cs.CL
User Guide for KOTE: Korean Online Comments Emotions Dataset
Seoul National University（首尔国立大学）
情感分析将数据分为积极或消极的，已被主要用于识别文本的情感方面，尽管缺乏彻底的情感意义的检查。最近，语料库的标记不仅仅是价建立超过这一限制。然而，大多数韩国情感语料库的实例数量很少，涵盖的情感范围有限。我们介绍了KOTE数据集。KOTE包含5万条（25万例）韩语在线评论，每条评论通过众包（Ps = 3，048）手动标记为43个情感标签或一个特殊标签（无情感）。通过对韩国语情感概念在词嵌入空间上的聚类分析，系统地建立了43种情感的情感分类。在解释了KOTE是如何开发的之后，我们还讨论了语料库中社会歧视的微调和分析结果。
2022-05-11 cs.CL
COSMIC: COmmonSense knowledge for eMotion Identification in Conversations
University of Michigan（密歇根大学）；Singapore University of Technology and Design（新加坡科技设计大学）；CIC, Instituto Politécnico Nacional（墨西哥国立理工学院计算研究中心）
在本文中，我们解决的任务，话语水平的情感识别会话中使用常识知识。我们提出了COSMIC，一个新的框架，它结合了不同的常识元素，如心理状态，事件和因果关系，并建立在它们的基础上，以学习参与对话的对话者之间的互动。目前最先进的方法往往遇到困难，在上下文传播，情感转移检测，并区分相关的情感类。通过学习不同的常识表示，COSMIC解决了这些挑战，并在四个不同的基准会话数据集上实现了情感识别的最新结果。我们的代码可在https://github.com/declare-lab/conv-emotion上获得。
2020-10-06 cs.CL
Emotion Detection From Tweets Using a BERT and SVM Ensemble Model
The Military Technical Academy “Ferdinand I” of Bucharest（布加勒斯特“斐迪南一世”军事技术学院）
自动识别Twitter数据中表达的情绪具有广泛的应用。我们通过向由四种情绪组成的基准数据集添加一个中性类来创建一个平衡良好的数据集：恐惧，悲伤，喜悦和愤怒。在这个扩展的数据集上，我们研究了使用支持向量机（SVM）和双向编码器表示从Transformers（BERT）的情感识别。我们提出了一种新的集成模型相结合的BERT和SVM模型。实验结果表明，该模型对推文中的情感识别达到了0.91的最高准确率。
2022-08-09 cs.CL
GoEmotions: A Dataset of Fine-Grained Emotions
Stanford Linguistics（斯坦福大学语言学系）；Google Research（谷歌研究院）；Amazon Alexa（亚马逊Alexa）
理解语言表达的情感有着广泛的应用，从构建移情聊天机器人到检测有害的在线行为。可以使用具有细粒度类型的大规模数据集来改进这一领域的进步，以适应多个下游任务。我们介绍了GoEmotions，这是最大的手动注释数据集，包含58k英文Reddit评论，标记为27个情感类别或中性。我们证明了高质量的注释，通过主保留成分分析。我们使用现有的情感基准进行迁移学习实验，以表明我们的数据集可以很好地推广到其他领域和不同的情感分类。我们基于BERT的模型在我们提出的分类中达到了.46的平均F1分数，留下了很大的改进空间。
2020-06-03 cs.CL
Multilingual Language Models are not Multicultural: A Case Study in Emotion
University of Pennsylvania（宾夕法尼亚大学）
本研究通过情感案例发现2023年主流多语言语言模型存在盎格鲁中心与西方规范偏差，未能学习文化适宜的情感差异，并提出未来纠正方向。
2023-07-09 cs.CL
Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction
Huazhong University of Science and Technology（华中科技大学）；Beijing Institute of Technology（北京理工大学）；Northeastern University（东北大学）；Singapore Management University（新加坡管理大学）
对给定帖子的响应在语义级和情感级的一致性对于对话系统提供类人交互是必不可少的。然而，这一挑战在文献中没有得到很好的解决，因为大多数方法在生成响应时忽略了帖子所传达的情感信息。本文通过提出一种统一的端到端神经架构来解决这个问题，该架构能够同时编码帖子中的语义和情感，以生成具有适当表达的情感的更智能的响应。在真实数据上的大量实验表明，该方法在内容一致性和情感适当性方面都优于现有的方法。
2021-06-06 cs.AI cs.CL
An Analysis of Emotion Communication Channels in Fan Fiction: Towards Emotional Storytelling
Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）；University of Stuttgart（斯图加特大学）
人类讲述的故事以情感为中心，这一点得到了文学和心理学众多研究的支持。近年来，自动讲故事的研究转向了情感讲故事，其中人物的情感在情节发展中起着重要作用。然而，这些研究主要是利用情感来生成命题陈述，如“A对B有感情”或“A面对B”。与此同时，情感行为并不能归结为这样的命题描述，因为人类在沟通情感时表现出复杂且高度可变的模式，无论是口头还是非口头。在本文中，我们分析了情感是如何表达的非语言在一个语料库的风扇小说短篇小说。我们的分析表明，人类写的故事通过各种非语言渠道传达角色情感。我们发现，一些非语言渠道，如面部表情和声音特征的字符，更强烈地与喜悦，而手势和身体姿势更容易发生与信任。基于我们的分析，我们认为，自动讲故事系统应该考虑到情感的变化时，产生的字符的情感描述。
2019-06-06 cs.CL
Automatically augmenting an emotion dataset improves classification using audio
University of Hamburg（汉堡大学）；Department of Informatics, Knowledge Technology Group（信息学系知识技术组）
在这项工作中，我们解决了语音情感分类的问题。情感计算领域的一个问题是，注释数据的数量非常有限。另一方面，由于说话者之间的差异，同样的情感可以用语言表达的方式是巨大的。这是限制性能和泛化的因素之一。我们提出了一个简单的方法，提取音频样本的电影使用文本情感分析。因此，可以自动构建具有积极，消极情绪和中性语音的音频样本的更大数据集。我们表明，在这样的数据集上预训练递归神经网络在具有挑战性的Advertising语料库上会产生更好的结果。该实验显示了将文本情感分析与声音信息相结合的潜在益处。
2018-03-30 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
VocalAffectBench: Evaluating Vocal Emotion Recognition in AI Audio Models
Besimple AI（贝简单人工智能公司）
本研究推出仅用于测试的公开基准VocalAffectBench，评估AI音频模型的语音情感识别能力，发现现有基线模型仅能提取部分情感信号，离散情感识别仍较脆弱。
2026-09-02 cs.CL cs.SD
A Transformer-based joint-encoding for Emotion Recognition and Sentiment Analysis
Information, Signal and Artificial Intelligence Lab（信息、信号与人工智能实验室）；University of Mons（蒙斯大学）
理解所表达的情感和情绪是人类多模态语言的两个关键因素。本文描述了一种基于转换器的联合编码（TBJE）的任务，情感识别和情感分析。除了使用Transformer架构之外，我们的方法还依赖于模块化的共同关注和一瞥层来联合编码一个或多个模态。提出的解决方案也已提交给ACL 20：第二次多模态语言大挑战，将在CMU-MOSEI数据集上进行评估。复制所呈现实验的代码是开源的：https://github.com/jbdel/MOSEI_UMONS。
2020-06-29 cs.CL cs.HC cs.LG
