面向讽刺检测的情境感知实践元认知提示
摘要
尽管近期的神经网络方法取得了进展，讽刺检测在自然语言处理（NLP）领域仍是一个具有挑战性的任务。当前，预训练语言模型（PLMs）和大语言模型（LLMs）是讽刺检测的首选方法。然而，讽刺文本的复杂性，以及不同社区中的语言多样性和文化差异，使得即使是 PLMs 和 LLMs 也难以应对。此外，这些模型在检测需要额外背景信息才能进行分析的词语或标记时也表现不可靠。基于在 LLMs 中用于讽刺检测的一种最新提示方法——实践元认知提示（Pragmatic Metacognitive Prompting, PMP），我们引入了一个感知检索的方法，为每个目标文本 incorporating 检索到的上下文信息。我们的管道探索了两种互补的方式来提供上下文：当模型缺乏必要背景信息时，使用基于网络的检索添加非参数知识，以及发挥模型自身内部知识进行自知识意识策略。我们使用三个数据集对我们的方法进行了评估，如 Twitter Indonesia Sarcastic、SemEval-2018 Task 3 和 MUStARD。非参数检索在 Twitter Indonesia Sarcastic 数据集上相较于原始 PMP 方法实现了显著的 9.87% 的宏平均 F1 分数提升。自知识检索在 SemEval 上将宏平均 F1 提升 3.29%，在 MUStARD 上提升 4.08%。这些发现突显了上下文在增强 LLMs 在讽刺检测任务中的性能方面的重要性，特别是涉及特定文化的俚语、引用或 LLMs 未知的术语。未来的工作将致力于优化相关上下文信息的检索，并检验检索质量如何影响性能。实验代码可在 https://github.com/wllchrst/sarcasm-detection_pmp_knowledge-base 查阅。
引用
@article{arxiv.2511.21066,
title = {Context-Aware Pragmatic Metacognitive Prompting for Sarcasm Detection},
author = {Michael Iskandardinata and William Christian and Derwin Suhartono},
journal= {arXiv preprint arXiv:2511.21066},
year = {2025}
}