情绪刺激：通过心理学为大型语言模型提升增强

Jul, 2023

情绪刺激：通过心理学为大型语言模型提升增强

EmotionPrompt: Leveraging Psychology for Large Language Models Enhancement via Emotional Stimulus

Cheng Li, Jindong Wang, Kaijie Zhu, Yixuan Zhang, Wenxin Hou...

TL;DR大语言模型通过 EmotionPrompt 在情绪智能方面进行性能提升，取得了显著的成果，有助于人类与语言模型的跨学科知识交互。

Abstract

large language models (LLMs) have achieved significant performance in many fields such as reasoning, language understanding, and math problem-solving, and are regarded as a crucial step to artificial general intelligence (AGI). However, the sensitivity of LLMs to prompts remains a majo

large language models emotionprompt performance enhancement emotional intelligence interdisciplinary knowledge

发现论文，激发创造

消极刺激与心理学在大型语言模型增强中的应用

负性提示将消极情绪刺激引入大型语言模型，提供了一种提高性能的机制，通过实验评估和注意力可视化得到了相关结果，为真实世界应用中大型语言模型的改进提供了新的见解。

May, 2024

针对专门的情感识别任务定制通用的大型语言模型

通过使用大型语言模型，在情感识别领域中研究了 LLMs 的性能，发现其在语言情感识别任务中具有强大的迁移性和可行性。

Oct, 2023

在教育和评估应用中探索提示式大型语言模型的能力

利用大语言模型在现代教育领域创新的机会，通过研究提问型大语言模型、语法错误解释和人力资源面试评估，揭示了大语言模型在改变教育实践中的潜力和限制。

May, 2024

面向目标导向的大型语言模型提示：综述

大型语言模型在各种下游任务中表现出显著性能，而引导工程在优化大型语言模型性能中起着关键作用。本文通过回顾 35 项代表性研究，突出设计提示的局限性，同时保持一个期待大型语言模型像人类思考的人类化假设。通过引导大型语言模型按照建立的人类逻辑思维，我们展示目标导向的提示形式显著提高了大型语言模型的性能。此外，我们引入了一个新的分类法，将目标导向的提示方法分为五个相互关联的阶段，并通过总结十个可适用任务来展示我们框架的广泛适用性。我们提出了四个未来方向，希望进一步强调和推动目标导向的提示工程。

Jan, 2024

利用自然语言提示控制语音合成中的情感

我们提出了一种通过由情感丰富的文本衍生出的嵌入来作为提示信息的系统，通过在基于 Transformer 的架构内多次集成发言者和提示信息的联合表示。我们的方法在合并情感语音和文本数据集上进行训练，并在每次训练迭代中变化提示信息，以增加模型的泛化能力。客观和主观评估结果表明，该条件合成系统能够准确地将提示中的情感转移到语音中。同时，保持了发言者身份的精确可追踪性以及整体的高话语质量和可理解性。

Jun, 2024

聊天 GPT 与情感增强提示在心理健康分析中的评估

本文详细评估了 ChatGPT 在 11 个数据集上的心理健康分析和情感推理能力，分析了不同提示策略对其分析能力和可解释性的影响，并发现情感提示可以有效提高其性能，但需要正确的情感注入方式。

Apr, 2023

在 LLMs 时代构建情感支持聊天机器人

利用大型语言模型的能力，本研究结合人工智能和人类洞察力创建了一个详尽的情感支持对话数据集，通过递归生成方法，优化了情感支持机器人，为情感支持领域的进一步研究和实施铺平了道路。

Aug, 2023

运用大型语言模型强化聊天机器人以搜集用户自报数据

本研究旨在探讨如何设计自然语言提示以使聊天机器人能够自然地进行对话，从而可靠地收集用户自报数据。通过在线研究（N = 48），我们通过不同的自然语言提示设计和对话主题对聊天机器人进行了评估，并发现提示设计和主题显着影响了对话流程和数据收集表现。

Jan, 2023

大型语言模型平衡情感的多目标进化优化

我们提出了一种特定于提示优化的进化多目标方法（EMO-Prompts），以情感分析为案例研究，结果表明 EMO-Prompts 可以有效生成能够引导大型语言模型同时表达两种相互冲突情感的提示。

Jan, 2024

通过提示工程增强情绪操纵在人工智能大型语言模型中的虚假信息生成

OpenAI 大型语言模型通过提示工程生成合成的虚假信息，本研究探讨了它们对情感提示的响应，并设计了实验来评估它们产生虚假信息的成功程度，研究发现 OpenAI 的所有语言模型都能成功产生虚假信息，并且它们有效地对情感提示作出回应，表明它们在文本生成中对情感暗示有细致的理解。当礼貌地发出提示时，所有检查的语言模型都会以高频率生成虚假信息，相反地，当不礼貌地发出提示时，虚假信息的产生频率减少，模型通常拒绝产生虚假信息，而是提醒用户该工具不用于此类目的。这项研究对于关于负责任的 AI 技术开发和应用的持续讨论具有重要意义，尤其是在减少虚假信息传播和促进 AI 生成内容的透明度方面。

Mar, 2024