[論文レビュー] Personalized Emphasis Framing for Persuasive Message Generation

Tao Ding, Shimei Pan|arXiv (Cornell University)|Jul 29, 2016

Media Influence and Health参考文献 34被引用数 5

ひとこと要約

本論文は、性格や価値観といった心理的動機付けに基づくドメインに依存しない特徴を用いて、内容を選択するパーソナライズド強調フレーミングモデルを提案する。回帰ベースの特徴値から重要度へのマッピングとインタラクションルール、および段階的ランク付けモデルを統合することで、人的判断との一致率がトップ1で62%、トップ3で87%に達し、アスペクトの価値のみを用いたベースラインよりも顕著に優れた性能を発揮した。

ABSTRACT

In this paper, we present a study on personalized emphasis framing which can be used to tailor the content of a message to enhance its appeal to different individuals. With this framework, we directly model content selection decisions based on a set of psychologically-motivated domain-independent personal traits including personality (e.g., extraversion and conscientiousness) and basic human values (e.g., self-transcendence and hedonism). We also demonstrate how the analysis results can be used in automated personalized content selection for persuasive message generation.

研究の動機と目的

• 個々の心理的特徴に基づいてパーソナライズされた説得的メッセージを生成する自動モデルの開発。
• ドメイン固有のユーザーの好みにとどまらず、性格や基本的人間的価値観といったドメインに依存しない個人特徴を用いることによる移行性の向上。
• 心理的知見を段階的コンテンツ選択モデルに統合し、効果的な自動的説得的メッセージ生成を実現すること。
• 自動生成されたアスペクト選択の性能を、自動車広告における人的判断と比較して評価すること。

提案手法

• 本モデルは、外向性や自己超越性といったユーザー特徴に基づいて、メッセージのアスペクトの認識される重要度を予測する回帰モデルを用いる。
• 特定の特徴値の閾値を超えた場合にアスペクトの順位を調整するインタラクションルール（例：Safety-1, Quality-1）を適用する。
• 回帰予測とルールベースの調整を組み合わせた段階的コンテンツ選択パイプラインを用い、最終出力を精緻化する。
• 本モデルは、10台の車について38名のAMT参加者による380件の人的ラベル付きアスペクト選択データセットを用いて学習および評価された。
• 再ランク付けの際にインタラクションルールを適用するかどうかを決定するためのデルタベースのしきい値機構（δ₁=0, δ₂=0.5）を用いる。
• 評価では、モデル出力と人的選択との間のトップ-n一致率を比較し、有意性は対応t検定を用いて検証した。

実験結果

リサーチクエスチョン

• RQ1 個々の性格的特徴と基本的人間的価値観は、メッセージのアスペクトの認識される重要度にどのように影響を与えるか？
• RQ2 ドメインに依存しない心理的特徴を用いて、計算モデルがパーソナライズドアスペクト重要度を効果的に予測できるか？
• RQ3 特徴に基づく予測とインタラクションルールを統合した段階的コンテンツ選択モデルは、人的アスペクト選択行動とどの程度一致するか？
• RQ4 提案されたモデルは、アスペクトの価値にのみ依存するベースラインよりもどの程度優れているか？

主な発見

• 提案された段階的コンテンツ選択モデルは、人的選択とのトップ1一致率が62%に達し、ベースラインの54%よりも顕著に優れていた（p ≤ 0.05）。
• トップ3アスペクト選択においては、モデルの一致率が87%に達したのに対し、ベースラインは46%であった（p ≤ 0.05）。
• δ₁=0かつδ₂=0.5の設定でモデルの性能が最も高かったことから、インタラクションルール適用の最適なしきい値が得られた。
• 回帰モデルは、特徴に基づく重要度のパターンを効果的に捉えており、性格と価値観がアスペクト順位に顕著な影響を与えていた。
• Safety-1 や Quality-1 といったインタラクションルールは、ユーザーの特徴が閾値を超えた場合に順位を適切に調整し、パーソナライズ化を向上させた。
• 性格や価値観といったドメインに依存しない特徴の使用により、ドメイン固有の好みに依存するシステムとは異なり、広範なドメインにわたる一般化性能が確保された。