CSIRO-LT at SemEval-2026 Task 2: In-the-Wild Valence and Arousal Forecasting on Ecological Text Time Series
Rattachement africain : au. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Predicting emotional valence and arousal in text is challenging due to the continuous, dynamic, and context-dependent nature of emotions.The SemEval 2026 Task 2: Predicting Variation in Emotional Valence and Arousal over Time from Ecological Essays shared task investigates longitudinal affect prediction from real-world personal essays, including forecasting short-term state and longer-term dispositional changes.We compare Pre-trained Language Models (PLMs) and Large Language Models (LLMs) for these subtasks, examining different input representations and feature formulations.We show that sentiment-aware PLMs are most effective for continuous valence and arousal prediction, and LLMs are effective for short-term state forecasting.Modelling dispositional changes remains challenging, and none of our neural approaches surpasses a simple historical baseline approach in this setting.1
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- CSIRO-LT at SemEval-2026 Task 2: In-the-Wild Valence and Arousal Forecasting on Ecological Text Time Series
- Date Crossref
- 01/01/2026
- Éditeur
- Association for Computational Linguistics
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.