Persona-E$^2$: 텍스트 이벤트에 대한 성격 기반 감정 반응을 위한 인간 중심 데이터셋

Persona-E$^2$: A Human-Grounded Dataset for Personality-Shaped Emotional Responses to Textual Events

대부분의 감정 컴퓨팅 연구는 감정을 텍스트의 고정적인 속성으로 취급하며, 작성자의 감정에 초점을 맞추고 독자의 관점을 간과합니다. 이러한 접근 방식은 개별적인 성격이 동일한 사건에 대해 다양한 감정적 평가를 유발한다는 점을 간과합니다. 역할극을 수행하는 대규모 언어 모델(LLM)이 그러한 미묘한 반응을 시뮬레이션하려고 시도하지만, 종종 '성격 환상'이라는 문제를 겪으며, 이는 표면적인 고정관념에 의존하는 것이 아니라 진정한 인지적 논리에 기반하지 않습니다. 중요한 문제는 성격 특성과 감정 변화를 연결하는 신뢰할 수 있는 인간 데이터의 부족입니다. 이러한 격차를 해소하기 위해, 우리는 MBTI 및 Big Five 특성에 대한 주석이 달려 있어 뉴스, 소셜 미디어 및 실생활 이야기 전반에 걸쳐 독자 중심의 감정 변화를 포착하는 대규모 데이터셋인 Persona-E$^2$ (Persona-Event2Emotion)을 소개합니다. 광범위한 실험 결과, 최첨단 LLM이 정확한 감정 변화를 포착하는 데 어려움을 겪으며, 특히 소셜 미디어 영역에서 그러한 어려움이 두드러집니다. 중요한 점은, 성격 정보가 이해도를 크게 향상시키며, Big Five 특성은 '성격 환상'을 완화하는 데 도움이 된다는 것입니다.

Most affective computing research treats emotion as a static property of text, focusing on the writer's sentiment while overlooking the reader's perspective. This approach ignores how individual personalities lead to diverse emotional appraisals of the same event. Although role-playing Large Language Models (LLMs) attempt to simulate such nuanced reactions, they often suffer from "personality illusion'' -- relying on surface-level stereotypes rather than authentic cognitive logic. A critical bottleneck is the absence of ground-truth human data to link personality traits to emotional shifts. To bridge the gap, we introduce Persona-E$^2$ (Persona-Event2Emotion), a large-scale dataset grounded in annotated MBTI and Big Five traits to capture reader-based emotional variations across news, social media, and life narratives. Extensive experiments reveal that state-of-the-art LLMs struggle to capture precise appraisal shifts, particularly in social media domains. Crucially, we find that personality information significantly improves comprehension, with the Big Five traits alleviating "personality illusion.'