감정 이론 기반 맥락 내 학습을 이용한 언어 모델에서의 감정 분류 최적화

국문 초록 (Abstract)

거대 언어 모델은 과제 별 미세 조정 없이 맥락 내 학습만으로도 강력한 일반화 능력을 보여주며 다양한 과제에 널리 사용되고 있다. 반면, 다중 클래스, 다중 레이블 감정 분류 과제의 경우 감정 간 의미 중첩, 저빈도 감정 탐지 등의 문제점으로 인해 미세 조정 모델에 비해 현저히 떨어지는 성능을 보인다. 그러나 미세 조정 모델의 경우, 추가적인 시간과 연산 자원이 필요한 문제점이 존재한다. 이러한 한계점들을 해결하기 위해, 본 연구는 Plutchik의 감정 이론에 기반하여 미세 조정 없이 맥락 내 학습만을 이용한 모듈식 에이전트 기반 프레임워크를 제안한다. 제안된 프레임워크는 텍스트에 대한 감정 분류 문제를 여덟 가지의 독립적인 이진 분류 문제로 재구성되며, 각각은 퓨샷 프롬프트를 이용한 맥락 내 학습을 통해 언어 모델에 의해 처리된다. 이러한 설계는 감정 별 특화된 인식을 통한 분류를 가능하게 하고, 미세 조정 없이도 감정 간의 간섭을 줄인다. 실험 결과, 본 연구에서 제안된 프레임워크가 강력한 거대 언어 모델의 분류 성능보다 우수함을 보였으며, 심지어 훨씬 적은 파라미터를 가지는 모델에서도 제안된 프레임워크의 성능이 기준선 모델에 비해 좋은 성능을 나타내었다.

다국어 초록 (Multilingual Abstract)

Large language models demonstrate strong generalization capabilities using only in-context learning alone without task specific fine-tuning, and are widely used across various tasks. However, LLMs perform significantly worse for multi-class and multi-label emotion classification tasks compared to fine-tuned models, due to challenges such as semantic overlap among emotions and difficulty in detecting low-frequency emotions. However, fine-tuning model requires additional time and computational resources. To address these limitations, we propose a modular agent-based framework grounded in Plutchik's theory of emotions, utilizing only in-context learning without fine-tuning. The proposed framework reformulates the emotion classification problem for text into eight independent binary classification problems, each handled by a language model through few-shot in-context learning. This design enables emotion-specific specialized recognition and classification while reducing inter-emotion interference without fine-tuning. Experimental results demonstrate that the proposed framework outperforms the classification performance of powerful large language models. Furthermore, even when applied to models with significantly fewer parameters, the proposed framework still achieved better performance than the baseline models.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 관련 연구 5
• 2.1. 감정 분류 5
• 2.2. 심리학적 감정 이론 6
• 2.3. 맥락 내 학습 9
• 2.4. 다중 에이전트 시스템 및 과제 분해 10
• 제3장 감정 분류 프레임워크 12
• 3.1. 개요 12
• 3.2. 감정 레이블 분해 13
• 3.3. 감정 에이전트 기반 이진 분류 14
• 제4장 실험 15
• 4.1. 프롬프트 설계 15
• 4.2. 사용 모델 17
• 4.3. 데이터셋 18
• 4.4. 평가 지표 22
• 4.5. 실험 설정 23
• 제5장 결과 및 분석 24
• 5.1. 모델 별 성능 비교 24
• 5.2. 감정 카테고리 별 성능 비교 27
• 5.3. 프롬프트에 따른 성능 비교 31
• 5.4. 사례 연구 33
• 제6장 결론 37
• 참고 문헌 40
• Abstract 49