EmotionPrompt 论文精读

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

核心观点:

提出 emotionprompt 作为一种利用情绪刺激来增强大语言模型性能的方式。该方法通过在原始提示中添加情绪刺激,例如“这对我的事业非常重要”,来引导 LLM 的行为,从而提高其在各种任务上的表现。论文中的实验结果表明,EmotionPrompt 在 ChatGPT、Vicuna-13b、Bloom 和 Flan-T5-large 等不同模型上的 8 个任务中,均取得了显著的提升,并且在零样本和少样本设置下均优于原始提示和 Zero-shot-CoT。

背景:

背景主要介绍了一些心理学的情绪研究,包括情绪智力、情绪对决策的影响、情绪调节以及相关理论(社会认同理论、社会认知理论、认知情绪调节理论)。同时,作者也回顾 LLM 的发展和应用,并指出当前 LLM 提升方法主要集中在模型侧,较少关注交互侧。

EmotionPrompt

emotionprompt 是受人类情绪刺激影响行为的启发,心理学中的三种理论(社会认同理论,社会认知理论,认知情绪调节理论)中获取灵感,设计了针对语言模型的情感刺激提示词,并将情感刺激分为两类:

  1. 社会影响: 利用群体认同、他人意见等社会因素来调节情绪。
  2. 自尊和动机: 关注个体的自尊、自信和目标。

每种情感刺激都包含了一些心理学上的词汇和短语,例如“相信你的能力”、“目标”、“成功”等。这些词汇和短语能够激发 LLM 的内在动力,使其更加努力地完成任务。

实验

在 8 个指令学习任务上评估 EmotionPrompt 的效果,包括:

  • 情感分析
  • 句子相似度
  • 原因选择
  • 求和
  • 词语上下文
  • 以…开头
  • 更大的动物
  • 首字母

使用 4 个 LLM 进行实验,包括:

  • ChatGPT
  • Vicuna-13b
  • Bloom
  • T5-Large

将 EmotionPrompt 与以下基线进行比较:

  • 原始提示: Instruction Induction 论文中设计的提示。
  • Zero-shot-CoT: Kojima 等人提出的简单而有效的零样本提示工程方法。

使用 Instruction Induction 论文中的 8 个任务进行评估,每个任务包含 100 个测试样本(除了原因选择任务,包含 50 个样本)。实验结果表明,EmotionPrompt 在所有任务和模型上都取得了显著的提升,并且准确性在超过一半的任务上提高了 10% 以上;在 TruthfulQA 数据集上评估了 EmotionPrompt 对真实性和信息量的影响。结果表明,EmotionPrompt 能够显著提高 LLM 的真实性和信息量。

分析

  1. EmotionPrompt 为什么有效:情感刺激能够增强原始提示的表示,并提高 LLM 对任务的关注程度。
  2. 积极词汇的贡献:一些积极词汇在情感刺激中扮演了更重要的角色,例如“自信”、“确定”、“成功”和“成就”。这些词汇能够激发 LLM 的内在动力,使其更加努力地完成任务。
  3. 人类研究:人类研究评估了 LLM 输出的其他指标,例如清晰度、相关性、深度、结构、组织、支持证据和参与度。结果表明,EmotionPrompt 能够显著提高 LLM 输出的清晰度、深度、结构、组织、支持证据和参与度。

总结

  1. 局限性:实验范围有限,只测试了4个LLM;情感刺激的泛化性并不清楚,可能不适用于所有任务,研究人员可能需要为特定任务设计更合适的情感刺激。
  2. 未来工作:在更多 LLM 和任务上进行实验,以验证 EmotionPrompt 的有效性;研究如何设计更有效的情感刺激,以提升 LLM 的性能; 探索情感刺激影响 LLM 的内在机制,以更好地理解其工作原理;研究情感刺激在 LLM 中的应用可能带来的伦理问题,并制定相应的解决方案。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/22236.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

[每日一练]患某种疾病的患者,正则表达式的匹配

该题目来源于力扣: 1527. 患某种疾病的患者 - 力扣(LeetCode) 题目要求: 患者信息表: Patients ----------------------- | Column Name | Type | ----------------------- | patient_id | int | | pati…

ZED-Mini提示“no GPU detected“错误解决

用ZEDm提示no GPU detected roslaunch zed_wapper zedm.launch的时候会提示no GPU detected 应该是nvidia GPU的问题,于是nvidia-smi检查是否正确安装,结果报错 Failed to initialize NVML: Driver/library version mismatch查了一些博客 解决Failed …

年中企业业绩管理新篇章:用友BIP收入云助力高效管理!

随着市场竞争的加剧,年中时刻对于企业而言,不仅是评估上半年业绩的节点,更是调整策略、确保全年目标达成的关键时期。高效的业绩管理不仅需要明确的目标设定和计划制定,更需要借助先进的信息技术工具来提升管理效率和决策质量。在…

Java项目:98 springboot在线教育系统

作者主页:舒克日记 简介:Java领域优质创作者、Java项目、学习资料、技术互助 文中获取源码 项目介绍 本系统共有管理员、用户等角色 本在线教育系统管理员功能有个人中心,用户管理,讲师管理,普通管理员管理&#xff…

Qt开发技术:Q3D图表开发笔记(四):Q3DSurface三维曲面图颜色样式详解、Demo以及代码详解

若该文为原创文章,转载请注明原文出处 本文章博客地址:https://hpzwl.blog.csdn.net/article/details/139424086 各位读者,知识无穷而人力有穷,要么改需求,要么找专业人士,要么自己研究 红胖子网络科技博…

334.递增的三元子序列

给你一个整数数组 nums &#xff0c;判断这个数组中是否存在长度为 3 的递增子序列。 如果存在这样的三元组下标 (i, j, k) 且满足 i < j < k &#xff0c;使得 nums[i] < nums[j] < nums[k]&#xff0c;返回 true &#xff1b;否则&#xff0c;返回 false 。 示例…

Linux云计算架构师涨薪班课程内容包含哪些?

第一阶段&#xff1a;Linux云计算运维初级工程师 目标 云计算工程师&#xff0c;Linux运维工程师都必须掌握Linux的基本功&#xff0c;这是一切的根本&#xff0c;必须全部掌握&#xff0c;非常重要&#xff0c;有了这些基础&#xff0c;学习上层业务和云计算等都非常快&#x…

java异常习题

1.有关下述Java代码描述正确的选项是 public class TestClass {private static void testMethod(){System.out.println("testMethod");}public static void main(String[] args) {((TestClass)null).testMethod();}} A.编译不通过 B.编译通过&#xff0c;运行异常…

深入解析Java多线程:源码级别的分析与实践

Java的多线程机制是其并发编程的核心&#xff0c;对于高性能和高并发应用的开发至关重要。 一、Java多线程的基础 1.1 创建线程的几种方式 在Java中&#xff0c;有几种创建线程的方式&#xff1a; 继承Thread类&#xff1a; class MyThread extends Thread {public void run…

LangChain框架介绍

LangChain 的核心组件 模型 I/O 封装 LLMs&#xff1a;大语言模型Chat Models&#xff1a;一般基于 LLMs&#xff0c;但按对话结构重新封装PromptTemple&#xff1a;提示词模板OutputParser&#xff1a;解析输出 数据连接封装 Document Loaders&#xff1a;各种格式文件的加载…

指纹考勤系统

目录 1.课题研究目的和内容 1.1 课题研究目的 1.2 课题研究内容 2.系统总体方案设计及功能模块介绍 2.1总体方案设计 2.2 ATK-301模块介绍 2.3 TFTLCD显示功能模块介绍 2.4 蜂鸣器报警功能模块介绍 2.5 时钟模块介绍 3.系统硬件设计与实现 3.1 系统硬件电…

控制应优先

先从大体上的去找规律&#xff0c;然后才是数字归纳&#xff08;更为详细的&#xff09;&#xff0c;同时控制关系应该优先&#xff08;这里是天数和位置&#xff09;。是否涉及所有对象不是广泛&#xff0c;如果是具体的数值就不是广泛。

指针的认识(传值调用和传地址调用)

学习指针的目的是使用指针解决问题&#xff0c;那什么问题&#xff0c;非指针不可呢&#xff1f; 当要求写个函数来交换两个变量的值时&#xff0c;我们稍加思索&#xff0c;可以写成如下函数&#xff1a; void Swap1(int x, int y) {int tmp x;x y;y tmp; } 那么我们来进…

Linux学习笔记8

介绍man命令 在Linux中&#xff0c;man命令用于查看系统手册页&#xff08;manual pages&#xff09;。系统手册页是关于各种Linux命令、函数库以及系统调用的详尽文档&#xff0c;能够提供关于命令的使用方法、参数说明、示例以及其他相关信息 可以利用man xxx的命令去查找某…

QT之动态加载树节点(QTreeWidget)

之前写过一篇动态加载ComboBox&#xff0c;可参见下面这篇文章 QT之动态加载下拉框&#xff08;QComboBox&#xff09; 同理QTreeWidget也可以实现动态加载&#xff0c;在一些异步加载数据&#xff0c;并且数据加载比较耗时&#xff0c;非常实用。 效果 原理分析 要实现此类效…

docker镜像转移,mac Linux

起因是镜像在互联网&#xff0c;而公司内网没有网络&#xff0c;需要跨平台转移&#xff0c;且系统不一样&#xff0c;一个Arm,一个linux。正常进行后&#xff0c;报错系统编译问题&#xff0c;特将处理过程总结一下 在 mac在pull镜像的时候需要设置参数&#xff0c;确保下载的…

数字展示具有广阔发展空间 市场规模保持增长态势

数字展示具有广阔发展空间 市场规模保持增长态势 数字展示是指以数字图像为核心&#xff0c;将触摸屏、红外线感应器、三维数字图像等相结合的高层次展示行业。与传统展示方式相比&#xff0c;数字展示能够突破时间、空间及形态的局限&#xff0c;将文字、图像等各种信息转化为…

Qwen 微调LoRA之后合并模型,使用 webui 测试

Qwen 微调LoRA之后合并模型 qwen_lora_merge.py &#xff1a; import os from peft import AutoPeftModelForCausalLM from transformers import AutoTokenizerdef save_model_and_tokenizer(path_to_adapter, new_model_directory):"""加载模型&#xff0c;合…

vue 封装水球图

1、 安装 echarts 与 echarts-liquidfill pnpm i echarts pnpm i echarts-liquidfill 2、组件中引入 import * as echarts from echarts import echarts-liquidfill 3、封装通用组件 <div class"waterball-chart"><div ref"chartContainer" s…

天线对信号传输的效率影响

天线设计和选择的标准主要包括带宽、极化、方向性、物理空间和增益等方面。这些标准直接影响信号传输的效率和质量。 带宽是指特定信号的频率范围&#xff0c;它决定了天线能够覆盖的频率范围&#xff0c;从而影响信号的传输效率。极化是指天线辐射的电场方向&#xff0c;不同的…