利用语言模型进行教育中的情感和行为分析
本研究评估了大型语言模型(LLMs)GPT-4和GPT-3.5在教育反馈调查中提供洞察力的潜力,并应用自然语言处理的方法,通过多标签分类、提取、主题分析和情感分析等任务来实现教育中常见的目标,从而展示了LLMs在洞察力提取方面的巨大潜力。
Sep, 2023
大型语言模型的兴起改变了自然语言处理领域从单任务导向到全面的端到端多任务学习范式,其中基于大型语言模型的提示方法引起了广泛关注,尤其是由于提示工程的技术优势以及不同提示方法揭示的自然语言处理原理。本研究旨在通过建立通信理论框架来评述现有的提示工程方法,深入了解其中在四个典型任务中的发展趋势,并为未来的提示工程方法指明有前途的研究方向。
Oct, 2023
本文探索大型语言模型在心理学应用中的前沿。大型语言模型如ChatGPT正在改变心理学研究的方式,并在认知与行为心理学、临床与咨询心理学、教育与发展心理学以及社会与文化心理学等多个领域发挥着影响,强调了它们模拟人类认知和行为的潜力。该论文还讨论了这些模型在心理学方面的能力,提供了创新工具用于文献综述、假设生成、实验设计、实验对象选择、数据分析、学术写作和同行评审。然而,尽管大型语言模型对推进心理学研究方法至关重要,但该论文也注意到了其技术和伦理挑战,如数据隐私、在心理学研究中使用大型语言模型的伦理影响以及对这些模型局限性的更深入了解的需要。研究人员应该负责任地在心理学研究中使用大型语言模型,遵守伦理标准,并考虑在敏感领域部署这些技术的潜在后果。总之,这篇文章全面概述了大型语言模型在心理学中的现状,探讨了潜在的好处和挑战。它号召研究人员在充分利用这些模型的优势的同时,负责任地解决相关风险。
Jan, 2024
大型语言模型的自动启动图形范例( Auto-Prompt Graphical Paradigm,APGP)可以通过结合刺激和框架启动来提高LLM在多个领域中的问题解决能力,进而实现问题抽象、多样化解决方案生成、全面优化以及提供答案后的自我验证,从而提高LLM在问题解决方面的效率和准确性,并为LLM的新应用开辟了新的道路。
Apr, 2024
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
本文探讨了大型语言模型在心理咨询中的应用,通过专用提示信息来提高其在提供共情、相关和支持性回应方面的性能,研究结果表明我们的训练模型优于几个基线模型,凸显其作为可扩展且易于获取的心理健康支持工具的潜力。
Jun, 2024
本文研究了如何利用具有断言的大型语言模型(LLMs)来缓解教育数据集中的不平衡问题,结果显示,与传统的机器学习(ML)模型相比,具有断言的LLMs在认知参与水平上明显优于传统模型,并且针对特定子集的敏感性研究表明,将断言加入到LLM中可提高其性能约11.94%。
Apr, 2024
大型语言模型在教育环境中得到越来越广泛的应用,以为学生和教师提供个性化支持。然而,这些模型的整合引起了有关算法偏见的担忧,可能加剧教育不公平问题。本综述从传统机器学习生命周期的角度出发,提供了大型语言模型从初始开发到在教育应用中定制预训练模型的全面生命周期图。文章讨论了在教育背景下可能出现的偏见来源,并解释了为什么传统机器学习中的偏见度量无法迁移到教育中由大型语言模型生成的内容,因为文本是高维的,可能存在多个正确的回答,而定制回答可能是教学上合理而非不公平的。这篇综述旨在阐明大型语言模型应用中的复杂偏见现象,并为其评估提供实际指导,以促进教育公平。
Jun, 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