Główne pojęcia
감정 분석은 리뷰가 감정을 유발하는지(인과 가설 C1) 아니면 감정이 리뷰를 유발하는지(인과 가설 C2)를 구분하는 두 가지 과제로 구성된다.
Streszczenie
이 논문은 감정 분석(SA)을 두 가지 과제로 구성합니다: (1) 리뷰가 감정을 "유발"하는지(인과 가설 C1) 아니면 감정이 리뷰를 "유발"하는지(인과 가설 C2)를 구분하는 인과 발견 과제, (2) 리뷰를 입력으로 하여 감정을 모델링하는 전통적인 예측 과제.
인과 발견 과제에서는 심리학의 peak-end 규칙을 활용하여, 리뷰의 전체 감정 점수가 문장 수준 감정의 평균과 유사하면 C1, 최고점과 끝점의 평균과 유사하면 C2로 분류합니다.
예측 과제에서는 발견된 인과 메커니즘을 활용하여 대형 언어 모델(LLM)의 성능을 향상시킵니다. 실험 결과, LLM은 C2 데이터에서 더 나은 성능을 보이며, 인과 프롬프트를 사용하면 최대 32.13 F1 점 향상을 달성할 수 있습니다.
Statystyki
리뷰의 평균 감정 점수가 전체 문장 감정의 평균과 유사하면 C1, 최고점과 끝점의 평균과 유사하면 C2로 분류할 수 있다.
LLM은 C2 데이터에서 더 나은 성능을 보인다.
인과 프롬프트를 사용하면 최대 32.13 F1 점 향상을 달성할 수 있다.
Cytaty
"감정 분석(SA)은 리뷰가 감정을 "유발"하는지(인과 가설 C1) 아니면 감정이 리뷰를 "유발"하는지(인과 가설 C2)를 구분하는 두 가지 과제로 구성된다."
"발견된 인과 메커니즘을 활용하여 대형 언어 모델(LLM)의 성능을 향상시킬 수 있다."
"실험 결과, LLM은 C2 데이터에서 더 나은 성능을 보이며, 인과 프롬프트를 사용하면 최대 32.13 F1 점 향상을 달성할 수 있다."