PREFAB：面向低预算自我标注的基于偏好的情感建模方法
人工智能
2026-04-16 v2 人机交互
摘要
自我标注是情感计算中收集情感状态标签的黄金标准。现有方法通常依赖全标注，要求用户在整个会话期间持续标记情感状态。虽然这一过程能产生细粒度数据，但耗时、认知负担重，且容易导致疲劳和错误。为解决这些问题，我们提出 PREFAB，一种低预算回顾式自我标注方法，该方法针对情感拐点区域而非进行全标注。基于峰终定律和情感的有序表示，PREFAB 采用偏好学习模型检测相对情感变化，引导标注者仅标记选定片段，同时插值生成刺激的其余部分。我们进一步引入预览机制，提供简短的上下文线索以辅助标注。我们通过一项技术性能研究和一项包含 25 名参与者的用户研究对 PREFAB 进行评估。结果表明，PREFAB 在建模情感拐点方面优于基线方法，同时减轻了工作负荷（并有条件地减轻了时间负担）。重要的是，PREFAB 在不降低标注质量的前提下提高了标注者的信心。
引用
@article{arxiv.2601.13904,
title = {PREFAB: PREFerence-based Affective Modeling for Low-Budget Self-Annotation},
author = {Jaeyoung Moon and Youjin Choi and Yucheon Park and David Melhart and Georgios N. Yannakakis and Kyung-Joong Kim},
journal= {arXiv preprint arXiv:2601.13904},
year = {2026}
}
备注
CHI '26 Accepted paper