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。

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

本研究探索大型语言模型 (LLMs) 在对话中识别人类情感方面的能力，重点关注开放领域闲聊对话和任务导向对话，并通过评估和比较 LLMs 在情感识别方面的性能，利用 IEMOCAP、EmoWOZ 和 DAIC-WOZ 三个不同数据集进行研究，从非零样本和少样本学习以及任务特定微调的角度探索 LLMs 的模型容量，并考虑了自动语音识别 (ASR) 错误对 LLM 预测的潜在影响。通过本研究，我们旨在阐明 LLMs 在对话中能够模拟人类情感识别能力的程度。

Sep, 2023

通过图像的标题生成以及使用大型语言模型（LLMs）进行推理的方法，该论文探讨了LLMs是否可以支持上下文情感估计任务，并表明GPT-3.5模型在情感预测方面具有潜力。

Sep, 2023

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

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

利用大型语言模型的表达能力，为输入文本合成额外的上下文，以增加其与带有注释的情感标签的关联性。通过提出文本上下文的形式化定义，并使用提示策略增强这种上下文信息，我们通过人工评估和实证评估证明了我们的方法改善了输入和人工注释标签之间的关联性。

Nov, 2023

基于指令数据微调各种LLMs的EmoLLMs系列兼具情感分类和回归任务的综合情感分析模型，在各类任务中超越了现有的LLMs、ChatGPT和GPT-4，具有与ChatGPT和GPT-4相当的情感分析自动化标注工具的广泛应用能力。

Jan, 2024

我们的研究通过设计实验和提出度量方法，明确量化了LLMs在情绪识别中的先验一致性以及其对后验的影响。结果显示，LLMs在情绪识别中存在强烈但不一致的先验，导致预测表现固化。同时，研究还发现模型越大，这种影响越强。因此，在情感为中心的任务中，尤其是在超出预训练范围以及解释ICL结果时，需要谨慎使用较大规模的LLMs。

Mar, 2024

大语言模型对于分类注释的自动化主要用于处理标注语料库的瓶颈问题，但对于连续标签分配的自动化注释尚无相关研究。本研究通过对情感强度进行自动化预测，并比较直接使用评分标注、两两比较和最佳-最差比例三种方法，发现最后一种方法具有最高的可靠性。在这些数据上微调的Transformer回归器表现几乎与原始手动标注模型相当。

Mar, 2024