論文「Dual Perspectives in Emotion Attribution: A Generator-Interpreter Framework for Cross-Cultural Analysis of Emotion in LLMs」の技術的サマリー

本論文は、大規模言語モデル（LLM）における感情の帰属（emotion attribution）が、単なるテキストの解釈だけでなく、「感情を発信する側（Generator）」と「感情を解釈する側（Interpreter）」の両方の文化的背景に依存することを示し、この双方向の視点を統合した新しい評価フレームワークを提案した研究です。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細をまとめます。

1. 問題定義と背景

従来の感情分析研究や LLM のバイアス研究の多くは、「解釈者（Interpreter）」の視点にのみ焦点を当てていました。つまり、モデルがテキストからどの感情を抽出するかを評価する際、そのテキストを生み出した「発信者（Generator）」の文化的背景を無視し、感情認識が普遍的なプロセスであると仮定する傾向がありました。

しかし、心理学の理論（表示ルールや帰属理論）によれば、感情の表現（生成）と解釈は、社会文化的規範によって強く形作られます。

• 問題点: 発信者と解釈者の文化的背景が異なる場合（例：中国のユーザーが生成したテキストを、アメリカの AI が解釈する）、文化的なミスマッチにより、感情の誤認識やバイアスが生じるリスクがあります。
• 現状の限界: 既存の LLM は西洋中心のデータで学習されており、非西洋文化の感情表現を正しく理解・解釈できない可能性があります。また、発信者と解釈者の組み合わせ（Generator x Interpreter）を体系的に評価した研究は存在しませんでした。

2. 手法と実験設計

本研究は、**「Generator-Interpreter Framework」**を提案し、15 か国のデータを用いて 6 つの主要 LLM を評価しました。

データセット

• ISEAR データセット: 1990 年代に収集された、15 か国（オーストリア、ブラジル、中国、インドなど）の学生から収集された 5,250 の感情イベント（7 種類の感情：喜び、恐怖、怒り、悲しみ、嫌悪、恥、罪悪感）を使用。
• 特徴: 各イベントには発信者の国籍（Generator）がメタデータとして付与されており、言語は英語に翻訳されていますが、文化的文脈は保持されています。

評価タスクと設定

• タスク: 特定の感情イベント（Generator 側）に対して、特定の国籍のペルソナ（Interpreter 側）が「どの感情を感じるか」を予測させるゼロショットタスク。
• モデル: 6 つの LLM（GPT-4o, Gemini, Claude, Mistral, Qwen2, DeepSeek）を評価。
• ペルソナ設定: 15 か国の国籍ペルソナ（例：「あなたはザンビア人です。このイベントで感じる感情は？」）を割り当て、全組み合わせ（15 発信国 × 15 解釈国 × 6 モデル = 472,500 件の推論）を実行。
• 評価指標: 精度（Accuracy）、適合率、再現率、F1 スコア。特に「発信国と解釈国が一致する場合（同調）」と「不一致する場合」の比較を行いました。

3. 主要な貢献

1. Generator-Interpreter 評価フレームワークの提案:
   感情帰属を「表現（生成）」と「判断（解釈）」の双方向プロセスとして捉え、両者の文化的背景を明示的にモデル化する評価手法を初めて導入しました。
2. 体系的なクロスカルチャー評価:
   15 か国、6 モデル、5,250 イベントを用いた大規模な評価により、感情タイプや文化的文脈による性能変動を解明しました。
3. バイアスと非対称性の実証:
   特定の感情（恥、罪悪感、嫌悪）が文化的に誤分類されやすいこと、および発信国の国籍が解釈の難易度に与える影響が、解釈者の国籍よりも強いことを示しました。

4. 実験結果と知見

4.1 感情タイプによる性能の偏り

• 高い性能: 「喜び（Joy）」と「恐怖（Fear）」は、すべてのモデルとペルソナで高い精度（F1 > 0.93 など）で認識されました。
• 低い性能: 「恥（Shame）」、「罪悪感（Guilt）」、「嫌悪（Disgust）」は認識が困難でした。
  • 特に「恥」と「罪悪感」は頻繁に混同されました（集団主義文化では恥が重視され、個人主義文化では罪悪感が重視される文化的差異が反映）。
  • 「怒り」や「嫌悪」が「悲しみ」に誤分類される傾向（Sadness への収束）が多くのモデルで観察されました。

4.2 発信者 - 解釈者の一致（Alignment）効果

• 一致時の効果: 発信国と解釈国のペルソナが一致する場合、性能が向上するケース（例：GPT-4o におけるオーストリア、中国、マラウイ）もありましたが、すべてのケースで通用するわけではありませんでした。
• 発信国の影響: 重要な発見として、「発信者の国籍」が解釈の難易度を決定する要因として、解釈者の国籍よりも強い影響を持つことが示されました。
  • 例：中国やザンビアから発信されたイベントは、どの解釈者（ペルソナ）によっても一貫して誤分類されやすく、精度が低下しました（GPT-4o で平均 0.62、Mistral で 0.46 など）。
  • 一方、オーストリアやブラジルなどのイベントは、どの解釈者によっても比較的正確に解釈されました。

4.3 文化的ミスマッチの具体例

• 中国発のイベントにおいて、「試験に落ちた（恥）」という文脈が、西洋的なペルソナによって「個人の道徳的失敗（罪悪感）」として解釈されるなど、集団的・社会的な評価（恥）から個人的責任（罪悪感）へのシフトが観察されました。
• 「韓国が中国より多くの金メダルを獲得した」という怒りの文脈が、すべてのペルソナで「喜び」と誤認識された事例もあり、競争的な関係性の文脈が失われていることが示されました。

5. 意義と将来展望

本研究は、LLM ベースの感情理解システムを構築する際、単に「テキストを分析する」だけでなく、**「誰が（どの文化的背景で）そのテキストを生成したか」**を考慮する必要性を強く示唆しています。

• 実用的な示唆:
  • 多文化対応システム（メンタルヘルス支援、教育、カスタマーサポートなど）では、ユーザーの文化的背景（位置情報、言語、スタイルなど）を推測し、解釈プロセスに組み込むべきです。
  • モデルの評価には、解釈者単独のベンチマークではなく、Generator × Interpreter の組み合わせによる評価が不可欠です。
• 今後の課題:
  • 多言語プロンプトや、より多様な人口統計（性別、宗教など）を含むデータセットの必要性。
  • 翻訳によるニュアンスの損失を補うための研究。

結論として、LLM による感情理解の公平性とロバスト性を高めるためには、**「生成（表現）」と「解釈（判断）」の両側面における文化的文脈を設計段階から意識する（Culture-aware by design）**アプローチが必須であると提言されています。