本文主要评估了ChatGPT在文本分类中的能力，尤其针对情感计算问题，实验结果显示，虽然ChatGPT表现良好，但相对于RoBERTa来说还有一个较大的提升空间。

Mar, 2023

通过组件角度研究了GPT系列大型语言模型的情感推理能力。研究首先探讨了该模型对自传记忆的推理方式，其次系统地改变情境的各个方面以影响情感强度和应对倾向。研究结果表明，即使没有使用提示工程，GPT的预测结果与人提供的评估和情感标签相一致。然而，GPT在预测情感强度和应对反应方面面临困难。尽管在进行微小提示工程后表现出优越的结果，GPT-4在第二项研究中表现不佳。这一评估引发了如何有效利用这些模型的优点和解决其弱点的问题，尤其是在响应变异性方面。这些研究突显了从组件角度评估模型的价值。

Jul, 2023

综合研究了大语言模型在情感识别中的性能，包括上下文学习、少样本学习、准确性、泛化能力和解释性，并提供了一些见解和潜在挑战，以促进情感识别在新的先进和广义大模型时代的发展。

Aug, 2023

基于ChatGPT模型的广泛研究评估了GPT-4和GPT-3.5在13个影响计算问题上的性能，发现它们在涉及情感、情绪和毒性等问题上表现出色，但在涉及隐性信号的问题上表现较差，如参与度测量和主观性检测。

Aug, 2023

本文研究了大型语言模型（尤其是生成预训练变压器）在各种语言相关任务上显示出的令人印象深刻的结果。我们探索了ChatGPT仅通过提示就能够执行情感计算任务的零点能力。我们显示ChatGPT a）能够在价值、唤起和支配维度上执行有意义的情绪分析，b）在情绪类别和这些情感维度方面具有有意义的情感表示，以及c）可以根据基于提示的OCC评估模型的计算实现，对情况进行基本的评估引发情绪的操作。这些发现具有很高的相关性：首先，它们表明解决复杂的情感处理任务的能力源于对广泛数据集进行基于语言的标记预测的训练。其次，它们显示了大型语言模型模拟、处理和分析人类情绪的潜力，这对于诸如情感分析、社交互动代理和社交机器人等各种应用具有重要意义。

Sep, 2023

GPT-4可以进行情感预测和情感强度的操纵，以及通过反向评估进行目标、信念和情感的预测。然而，它不能完全取代试图建模情感相关过程的作品，尽管语言模型在情感建模中有重要作用。

Oct, 2023

GPT-4V quantitatively evaluates its capabilities in multimodal emotion understanding, showcasing impressive results and establishing a zero-shot benchmark for future research.

Dec, 2023

该研究比较了两个大型语言模型GPT-4和Chat-GPT在回应18个心理提示方面的表现，以评估它们在心理健康护理环境中的潜在适用性。结果显示GPT-4在生成临床相关和富有同理心的回应方面更有效，提供更好的支持和指导。这项研究为大型语言模型在心理健康护理领域的适用性提供了贡献，强调了在该领域持续研究和开发的重要性。需要进一步研究了解造成两个模型性能差异的具体因素，并探索其在不同人群和心理健康状况中的普适性。

May, 2024

该研究解决了情感计算（AC）在大语言模型（LLMs）应用中的局限性，特别是在情感理解和生成任务中的不足。通过对LLMs技术的综述，包括指令调优和提示工程，文章提供了创新的见解，展示了LLMs在情感计算领域的潜力及其对生成多样化和情感丰富回应的影响。

Jul, 2024

本研究解决了情感识别模型训练依赖人类标注数据的多样性、质量和成本挑战的问题。通过比较GPT-4与监督模型及人类标注者在情感标注的一致性、与人类感知的对齐以及对模型训练的影响，我们发现GPT-4的标注在多项数据集和评估者中受到一致青睐，表明其在情感标注任务中具有巨大潜力，并强调了改进评估方法的必要性。

Aug, 2024