💬 NLP

UKP_Psycontrol at SemEval-2026 Task 2: Modeling Valence and Arousal Dynamics from Text

이 논문은 SemEval-2026 태스크 2 에서 LLM 프롬프팅, 최대 엔트로피 모델, 경량 신경 회귀 모델을 결합하여 텍스트 기반 정서 변화와 사용자 임베딩을 효과적으로 모델링함으로써 두 하위 태스크 모두에서 1 위를 차지한 UKP_Psycontrol 팀의 시스템을 소개합니다.

원저자: Darya Hryhoryeva, Amaia Zurinaga, Hamidreza Jamalabadi, Iryna Gurevych

게시일 2026-04-24

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Darya Hryhoryeva, Amaia Zurinaga, Hamidreza Jamalabadi, Iryna Gurevych

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

감정의 파도를 읽는 AI: "UKP_Psycontrol"의 이야기

이 논문은 2026 년 세미이발 (SemEval) 대회에서 열린 한 미션에 대한 이야기입니다. 미션의 이름은 조금 어렵지만, 쉽게 말해 **"사람들이 쓴 일기나 짧은 글을 보고, 그 사람의 '기분 (Valence)'과 '흥분도 (Arousal)'가 어떻게 변하는지 예측하는 것"**입니다.

우리 팀 (UKP_Lab) 은 이 대회에서 1 위를 차지했습니다. 어떻게 그런 일이 가능했을까요? 마치 세 가지 다른 도구를 가지고 감정의 파도를 잡으려 했던 여정처럼 설명해 드릴게요.

1. 미션의 배경: 감정의 지도를 그리다

우리는 사람의 감정을 지도에 그리려고 합니다. 지도에는 두 가지 축이 있어요.

기분 (Valence): "행복한가, 슬픈가?" (왼쪽은 슬픔, 오른쪽은 행복)
흥분도 (Arousal): "조용한가, 들뜬가?" (아래는 차분함, 위는 흥분)

사람들은 매일 "오늘 기분 어때?"라고 물으면 답을 합니다. 하지만 그 답은 매일매일 달라요. 우리는 이 시간이 지남에 따라 변하는 감정의 흐름을 텍스트 (글) 에서 찾아내야 했습니다.

2. 우리가 쓴 세 가지 도구 (접근법)

우리는 이 문제를 풀기 위해 세 가지 완전히 다른 방법을 시도했습니다. 마치 탐험가들이 다른 지도를 들고 길을 찾는 것처럼요.

① 거인 (LLM) 의 눈: "너의 이야기를 들어줄게"

우리는 거대한 인공지능 (LLM, 예: GPT-5) 을 불렀습니다. 이 거인은 수백만 권의 책을 읽어서 인간의 감정을 잘 이해합니다.

방법: "이 사람이 지난번에 이렇게 썼는데, 이번엔 어떻게 느낄까?"라고 거인에게 물어봤습니다.
특징: 거인은 글 자체의 뉘앙스를 아주 잘 파악합니다. "오늘 날씨가 좋네"라고 쓰면, 거인은 그 글에서 느껴지는 기분을 바로 알아챕니다.
결과: 현재의 기분을 예측하는 데는 이 거인이 가장 잘했습니다. 특히 그 사람의 과거 글을 보여줬을 때 (User-aware), 그 사람의 고유한 말투까지 이해해서 더 정확한 예측을 했습니다.

② 물리 법칙의 마법사 (MaxEnt 모델): "에너지의 흐름"

두 번째 도구는 물리학의 원리를 빌려온 모델입니다. 감정을 마치 언덕과 골짜기가 있는 에너지 지도처럼 보았습니다.

방법: "슬픔과 흥분이 동시에 오면 어떤 에너지 상태가 될까?"라고 계산했습니다. 단어와 감정이 어떻게 짝을 이루는지 확률로 계산하는 방식입니다.
특징: 이 모델은 논리적이고 구조적입니다. 하지만 거인 (LLM) 에 비해 글의 미세한 뉘앙스를 읽는 데는 조금 부족했습니다.
결과: 거인보다는 점수가 낮았지만, 감정의 변화를 수학적으로 설명하는 데 유용한 접근법임을 보여주었습니다.

③ 숫자의 흐름을 읽는 예언자 (Neural Regression): "최근의 패턴이 미래를 만든다"

세 번째 도구는 숫자에 집중했습니다. "글의 내용"보다는 "최근 기분이 어떻게 변해왔는지"를 숫자로 추적했습니다.

방법: "어제 기분이 3 이었고, 오늘 4 였다면, 내일은 아마 4.5 일 거야"라고 **최근의 숫자 흐름 (트렌드)**을 보고 미래를 예측했습니다.
특징: 이 방법은 단기적인 변화를 예측하는 데 놀라울 정도로 강력했습니다. 특히 "흥분도 (Arousal)" 같은 감정은 글의 내용보다, "최근에 얼마나 들떠 있었는지"라는 숫자 패턴이 더 중요하다는 것을 발견했습니다.
결과: 미래의 기분 변화를 예측하는 미션 (Subtask 2A) 에서 이 방법이 가장 큰 승리를 거두었습니다.

3. 우리가 발견한 놀라운 사실 (결론)

이 대회를 통해 우리는 두 가지 중요한 사실을 깨달았습니다.

"지금의 기분"을 알 때는 거인 (LLM) 이 최고다:
사람이 쓴 글 (일기나 단어 목록) 을 보고 "지금 이 사람은 기분이 어때?"라고 묻는다면, 거대한 AI 가 글의 뉘앙스를 읽어서 가장 잘 맞춥니다. 마치 친구의 표정을 보고 기분을 읽는 것처럼요.
"기분이 어떻게 변할지"를 알 때는 숫자의 흐름이 최고다:
"다음엔 기분이 어떻게 변할까?"라고 묻는다면, 글의 내용보다는 **"최근에 기분이 어떻게 변해왔는지"**라는 숫자 패턴이 더 중요합니다.
- 비유: 오늘 날씨가 흐리다고 해서 내일 비가 올지 알기 어렵지만, "지난 3 일 연속 비가 왔다면" 내일도 비가 올 확률이 높다는 것과 같습니다. 감정도 마찬가지입니다.

4. 최종 승리

우리는 이 세 가지 도구를 섞어서 사용했습니다.

현재의 기분을 예측할 때는 **거인 (LLM)**의 힘을 빌렸고,
미래의 변화를 예측할 때는 **숫자의 흐름 (Neural Regression)**을 믿었습니다.

이 전략 덕분에 우리는 1 위를 차지할 수 있었습니다!

5. 한 가지 아쉬움 (한계)

하지만 이 연구에는 약간의 의문이 남습니다.
우리가 분석한 데이터는 대부분 2 주 동안의 짧은 기간이었습니다. 사람의 감정은 보통 천천히 변합니다 (예: 몇 달에 걸쳐 우울해지거나). 2 주짜리 데이터로 배운 규칙이, 몇 년을 spanning 하는 긴 시간의 감정을 예측할 때도 잘 통할지는 아직 확실하지 않습니다.

또한, 우리는 비공개된 거대 AI 를 사용했기 때문에, 이 결과가 다른 사람이 똑같이 재현하기는 어렵습니다. 앞으로는 더 투명하고 안전한 방법으로 감정을 분석하는 연구가 필요할 것입니다.

한 줄 요약:

"글을 읽어서 현재 기분을 파악하는 건 AI 거인의 일이고, 기분이 어떻게 변할지 예측하는 건 최근 숫자 흐름을 보는 예언자의 일이다. 우리는 이 두 명을 팀으로 꾸려 감정의 파도를 가장 잘 예측했다!"

SemEval-2026 태스크 2: 텍스트 기반 정서 (Valence, Arousal) 동역학 모델링 (UKP_Psycontrol) 기술 요약

이 논문은 SemEval-2026 태스크 2 에 참여하여, 시간 순서대로 배열된 사용자 생성 텍스트 (ESSAY 및 감정 단어 목록) 에서 **현재의 정서 (Valence, Arousal)**와 단기적인 정서 변화를 예측하는 시스템을 제안합니다. UKP_Lab 과 Marburg 대학의 연구팀이 공동 개발한 이 시스템은 공식 평가 지표에 따라 두 하위 태스크 (Subtask) 모두에서 1 위를 차지했습니다.

1. 문제 정의 (Problem)

목표: 생태학적 에세이 (Ecological Essays) 및 감정 단어 목록을 통해 시간 경과에 따른 사용자의 주관적 정서 (Valence: 쾌불쾌, Arousal: 각성도) 를 모델링하고 미래의 정서 변화를 예측하는 것.
데이터 특징:
- 미국 서비스 산업 종사자들의 7 개 2 주 기간에 걸친 종단적 (Longitudinal) 데이터.
- 총 2,764 개의 항목, 137 명의 사용자.
- 텍스트는 자유형 에세이 (52%) 와 감정 단어 목록 (48%) 으로 구성됨.
- 각 항목에는 사용자가 직접 평가한 Valence(0-4) 와 Arousal(0-2) 점수가 존재.
하위 태스크:
- Subtask 1 (종단적 정서 평가): 주어진 텍스트에 대한 현재 Valence 와 Arousal 점수 예측.
- Subtask 2A (미래 정서 변화 예측): 이전 텍스트와 정서 상태를 기반으로 다음 단계의 정서 변화량 ( $\Delta$ ) 예측.

2. 방법론 (Methodology)

연구팀은 세 가지 상보적인 접근 방식을 결합하여 문제를 해결했습니다.

2.1 대규모 언어 모델 (LLM) 기반 프롬프팅

모델: GPT-OSS 120B (실험용) 및 GPT-5 (최종 제출용).
전략:
- 사용자 인식 (User-aware): 특정 사용자의 시간순 과거 데이터를 프롬프트에 포함하여 개인별 표현 패턴을 학습시킴.
- 사용자 무관 (User-agnostic): 다른 사용자의 라벨 균형 잡힌 예시를 무작위로 포함.
- 출력 형식: 텍스트 감정 라벨 생성 후 수치 매핑 vs. 직접 수치 예측. 실험 결과, 텍스트 감정 라벨을 생성한 후 매핑하는 방식이 더 안정적이고 성능이 우수함.
- 동적 업데이트: 슬라이딩 윈도우 (최대 15 개) 를 사용하여 최근 예측값을 프롬프트에 반영하는 방식도 시도했으나, 고정된 예시 (Fixed-shot) 방식보다 오차 누적로 인해 성능이 저하됨.

2.2 Ising 스타일의 최대 엔트로피 (MaxEnt) 모델

개념: 정서 상태가 에너지 지형 (Energy Landscape) 위에서 진화한다는 가정 하에, 확률적 그래픽 모델로 접근.
구조:
- 이진 상태 벡터 (Valence, Arousal, 의미적 특징 등) 에 대한 확률 분포 $P(x) = \frac{1}{Z} \exp(-E(x))$ 정의.
- Ising 상호작용: 변수 간의 쌍별 상호작용 (Pairwise interactions) 을 통해 정서 상태와 의미적 특징 간의 의존성을 포착.
- 의미적 압축: LLM 을 통해 추출한 감정 클러스터 (Binary vectors) 를 오토인코더로 압축하여 이진화한 후 상태 벡터에 추가.
역할: Subtask 1 (상태 예측) 과 Subtask 2A (전이 예측) 모두에 적용.

2.3 경량 신경 회귀 모델 (Neural Regression)

목표: Subtask 2A 의 정서 변화 ( $\Delta$ ) 예측에 특화.
입력 특징:
- 최근 텍스트 임베딩 (RoBERTa-base).
- 현재 및 이전 정서 상태 (Valence, Arousal).
- 이전 상태 변화량.
- 학습 가능한 사용자 임베딩 (Trainable User Embeddings): 개인별 동역학 포착.
발견: 텍스트 임베딩이나 의미적 클러스터보다 수치적 정서 궤적 (Numeric Trajectories) 과 사용자 임베딩만으로 구성된 모델이 예측 성능이 가장 뛰어남.

3. 주요 결과 (Results)

Subtask 1: 종단적 정서 평가

성적: 전체 25 개 팀 중 1 위.
- Arousal: 1 위 (r=0.554, Test set)
- Valence: 6 위 (r=0.667, Test set)
분석:
- LLM 기반 사용자 인식 프롬프팅이 가장 우수한 성능을 보임.
- MaxEnt 모델은 LLM 보다 성능이 낮았으나, 해석 가능한 확률적 대안으로 의미 있음.
- 핵심 통찰: LLM 은 텍스트에서 정적 (Static) 인 정서 신호를 포착하는 데 매우 효과적임.

Subtask 2A: 정서 변화 예측

성적: 전체 14 개 팀 중 1 위.
- Arousal: 1 위 (r=0.683)
- Valence: 2 위 (r=0.675)
분석:
- 수치적 궤적의 우위: 텍스트 의미 분석보다는 최근의 수치적 정서 상태 변화 추이가 단기적 정서 변동을 설명하는 데 더 강력함.
- 신경 회귀 모델이 LLM 프롬프팅보다 변화량 예측에 더 효과적이었음.
- Arousal 은 단일 작업 학습에서, Valence 는 공동 학습 (Joint training) 에서 더 좋은 성능을 보임.

4. 주요 기여 및 결론 (Key Contributions & Significance)

SOTA 성능 달성: 두 하위 태스크 모두에서 공식 리더보드 1 위를 기록하며, 종단적 정서 분석 분야에서 새로운 기준을 제시함.
정적 vs 동적 모델링의 이질성 규명:
- 정적 정서 (현재 상태): 텍스트의 의미적 내용과 LLM 의 언어적 추론 능력이 핵심.
- 동적 정서 (변화): 텍스트의 의미보다는 **수치적 상태의 시간적 궤적 (Numeric Trajectories)**과 개인별 패턴이 더 중요한 예측 인자임.
하이브리드 접근법의 유효성: LLM 의 강력한 언어 이해 능력과 MaxEnt/신경망의 구조화된 확률적/회귀적 모델링을 결합한 접근이 복잡한 정서 역학을 모델링하는 데 효과적임을 입증.
한계 및 시사점:
- 데이터의 92% 가 2 주 기간으로 제한되어 있어, 장기적인 정서 동역학 (주 단위 이상) 에 대한 일반화 가능성은 불확실함.
- LLM 의 온도에 따른 성능 변동성과 폐쇄형 모델 (Proprietary LLM) 사용에 따른 재현성/개인정보 보호 문제가 향후 과제로 남음.

이 연구는 자연어 처리 (NLP) 를 통한 정서 분석이 단순한 텍스트 분류를 넘어, 사용자의 시간적 정서 흐름을 이해하고 예측하는 데 있어 텍스트 의미와 수치적 궤적의 통합적 모델링이 필수적임을 보여줍니다.