Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought

要約

大規模言語モデル (LLM) は、さまざまな感情認識タスクで顕著なパフォーマンスを示しており、それにより、感情知能におけるその可能性を探求する研究コミュニティの好奇心を刺激しています。
しかし、人間の好みの調整や感情生成の評価など、感情生成タスクの分野におけるいくつかの問題は未解決のままです。
この論文では、人間の感情知能ガイドラインに沿って、さまざまな感情生成タスクにおける LLM のパフォーマンスを向上させる、プラグアンドプレイのプロンプト手法である感情連鎖思考 (ECoT) を提案します。
ECoT の信頼性を評価するために、Emotional Generation Score (EGS) と呼ばれる自動化されたモデルベースの評価方法を提案します。
EGS は、人間の専門家の合意としてゴールマンの感情知能理論を組み込んでおり、感情生成タスクの評価に新しい視点を提供します。
広範な実験結果により、ECoT と EGS の有効性が実証されています。
さらに、感情的知性の分野における LLM の可能性について議論し、感情生成タスクにおける ECoT を使用した LLM についての重要な洞察を示します。

要約(オリジナル)

Large Language Models (LLMs) have shown remarkable performance in various emotion recognition tasks, thereby piquing the research community’s curiosity for exploring their potential in emotional intelligence. However, several issues in the field of emotional generation tasks remain unresolved, including human preference alignment and emotional generation assessment. In this paper, we propose the Emotional Chain-of-Thought (ECoT), a plug-and-play prompting method that enhances the performance of LLMs on various emotional generation tasks by aligning with human emotional intelligence guidelines. To assess the reliability of ECoT, we propose an automated model-based evaluation method called Emotional Generation Score (EGS). EGS incorporates Goleman’s Emotional Intelligence Theory as a consensus of human experts, providing a new perspective on the evaluation of emotional generation tasks. Extensive experimental results demonstrate the effectiveness of ECoT and EGS. Further, we discuss the promise of LLMs in the field of emotional intelligence and present key insights into the LLMs with the ECoT in emotional generation tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google