Mapping Facial Expressions Based on Text for Virtual Counseling Chatbot Using IndoBERT Model
Notice bibliographique
Résumé
Early marriage in Lombok remains a serious issue, with a prevalence rate of 16.59% in 2021, the second highest in Indonesia. Limited access to counseling services, especially in rural areas, poses a significant prevention challenge. This study developed a virtual counseling chatbot system capable of mapping text-based emotions to facial expressions to improve the effectiveness of counseling for early marriage prevention. The methodology involved training an IndoBERT model on a synthetic dataset to analyze conversation texts. The model was designed to classify user input into five functional emotion categories: Enthusiasm, Gentleness, Analytical, Inspirational, and Cautionary. Performance evaluation revealed that the IndoBERT model achieved an outstanding accuracy of 94% in its final phase. This result significantly surpassed other models evaluated, such as CNN (71.6%) and KNN (79%), confirming the superiority of the chosen approach The study concludes that the high-accuracy IndoBERT model is a robust foundation for empathetic virtual agents. This research provides a significant contribution to the fields of Affective Computing and Human-Computer Interaction by demonstrating an effective framework for mapping nuanced, functional emotions from Indonesian text to facial expressions. The proposed system not only offers a scalable technological solution for mental health challenges like early marriage prevention but also highlights the impact of advanced, context-aware NLP models in creating more human-like and empathetic user interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».