研究者のアリャディ・アリャディ(Aryadi Aryadi)、ハリス・ガディ・プラトモ(Harris Gadih Pratomo)、カノクサック・ワッタナチョート(Kanoksak Wattanachote)らは、修復歯科の診察で患者の感情を自動認識する2026年のFrontiers in Oral Health研究を発表した。研究チームは、歯科医と患者のやり取りで感情的なコミュニケーションが重要である一方、歯科診察に特化した自動感情認識向けのリソースが限られているとして、感情ラベル付きの歯科相談コーパスを構築した。

研究者らは、修復歯科の診察12件の音声録音を文字起こしし、患者の発話単位に分割した。最終データセットは2,160件の発話で構成され、訓練を受けた3人の注釈者が、標準化された枠組みに沿ってNeutral、Fear、Sad、Happy、Angry、Disgustの6種類の感情カテゴリを独立に付与した。注釈の一致度はCohen's kappa（偶然を超えた一致度）で測定され、コーパスはκ = 0.89という高い信頼性に達した。

Neutralが23.15%で最も多く、Fearが19.44%、Disgustが18.98%で続いた。Fearはコーパス内で頻出する感情の1つだったが、分類が最も難しいカテゴリでもあった。研究チームはBidirectional Long Short-Term Memory、すなわちBiLSTM分類器を訓練し、BERTやRoBERTaを含むTransformerベースのベースラインモデル（テキストに対してアテンションを使うモデル）と比較した。

ベースラインのBiLSTMモデルはmacro-F1 0.87を記録し、BERTは0.89、RoBERTaは0.91に達した。ハイブリッド型の枠組みでは、BiLSTMが低い信頼度で予測した発話に対し、LLMベースの信頼度再ランキングを適用し、オープンソースLLMとしてLlama 3.1、DeepSeek-R1、Qwen 2.5の3種類を評価した。BiLSTM + Qwen 2.5は最高のmacro-F1 0.92を出したが、性能改善は統計的に有意ではなく、すべてp > 0.05だった。著者らは、感情的に曖昧な患者発話に選択的なLLMベース再ランキングを使うための予備的証拠だと位置づけた。

研究者のアリャディ・アリャディ(Aryadi Aryadi)、ハリス・ガディ・プラトモ(Harris Gadih Pratomo)、カノクサック・ワッタナチョート(Kanoksak Wattanachote)らは、修復歯科の診察で患者の感情を自動認識する2026年のFrontiers in Oral Health研究を発表した。研究チームは、歯科医と患者のやり取りで感情的なコミュニケーションが重要である一方、歯科診察に特化した自動感情認識向けのリソースが限られているとして、感情ラベル付きの歯科相談コーパスを構築した。

研究者らは、修復歯科の診察12件の音声録音を文字起こしし、患者の発話単位に分割した。最終データセットは2,160件の発話で構成され、訓練を受けた3人の注釈者が、標準化された枠組みに沿ってNeutral、Fear、Sad、Happy、Angry、Disgustの6種類の感情カテゴリを独立に付与した。注釈の一致度はCohen's kappa（偶然を超えた一致度）で測定され、コーパスはκ = 0.89という高い信頼性に達した。

Neutralが23.15%で最も多く、Fearが19.44%、Disgustが18.98%で続いた。Fearはコーパス内で頻出する感情の1つだったが、分類が最も難しいカテゴリでもあった。研究チームはBidirectional Long Short-Term Memory、すなわちBiLSTM分類器を訓練し、BERTやRoBERTaを含むTransformerベースのベースラインモデル（テキストに対してアテンションを使うモデル）と比較した。

ベースラインのBiLSTMモデルはmacro-F1 0.87を記録し、BERTは0.89、RoBERTaは0.91に達した。ハイブリッド型の枠組みでは、BiLSTMが低い信頼度で予測した発話に対し、LLMベースの信頼度再ランキングを適用し、オープンソースLLMとしてLlama 3.1、DeepSeek-R1、Qwen 2.5の3種類を評価した。BiLSTM + Qwen 2.5は最高のmacro-F1 0.92を出したが、性能改善は統計的に有意ではなく、すべてp > 0.05だった。著者らは、感情的に曖昧な患者発話に選択的なLLMベース再ランキングを使うための予備的証拠だと位置づけた。