Core Concepts
LLMを活用したテキスト拡張によるパーソナリティ検出モデルの向上
Abstract
パーソナリティ検出は、ソーシャルメディア投稿に潜むパーソナリティ特性を検出することを目指す。
既存の方法では、限られたパーソナリティラベルの監督下で事後特徴を学習し、パフォーマンスに影響を及ぼしている。
LLMを使用して、セマンティック、感情、言語などの側面からポスト分析(拡張)を生成し、パーソナリティ検出に貢献。
ラベル情報も豊かにすることで検出性能向上。
実験結果は、提案モデルがパーソナリティ検出で最先端手法を上回ることを示している。
Stats
大規模言語モデル(LLMs)はゼロショットまたはフューショットシナリオで自然言語処理タスクで顕著な能力を示す。
LLMsはパーソナリティ検出タスクで不十分な性能を示す。
提案されたTAEモデルは平均Macro-F1スコアで全ての基準値を上回る。
Quotes
LLMsがこのタスクで失敗する一例:「ISFJ」という結果が提供されましたが、実際の正解は「ENFP」です。