iNews：用于建模个人化情感反应新闻的多模态数据集

理解个体如何感知和反应信息是推动社会和行为科学以及开发以人类为中心的人工智能系统的关键。当前方法往往缺乏所需的细粒度数据来建模这些个人化反应，依赖于掩盖由个人差异驱动的丰富变异性的聚合标签。我们引入iNews，一个新型大型数据集，专为促进个人化情感反应建模而设计。该数据集包括来自291名来自英国的多样化人口的标注，覆盖2,899个来自主要英国媒体机构的多模态Facebook新闻帖子，平均每个样本有5.18位标注者。对于每篇帖子，标注者提供多维标签，包括价值、唤醒、支配力、离散情感、内容相关性判断、分享可能性和模态重要性评级。关键的是，我们收集了关于标注者人格信息的全面信息，涵盖人口统计信息、性格、媒体可信度和消费模式，这些信息解释了15.2%的标注方差——显著高于现有NLP数据集。将其纳入模型可实现零样本预测中7%的准确率提升，即使在32-shot情境学习中也同样 beneficial。iNews为LLM个人化、主观性、情感计算和人类行为模拟研究开辟了新的可能性。