情绪化提示是否重要？情感框架对大语言模型的影响
人工智能
2026-04-03 v1
摘要
情感语调在人类交流中普遍存在，但其对大型语言模型（LLM）行为的影响尚不明确。本文考察了用户端查询中第一人称情感框架如何影响LLM在六大基准领域中的表现，包括数学推理、医学问答、阅读理解、常识推理和社交推断。在模型和任务之间，静态情感前缀通常仅产生微小的准确度变化，表明情感化措辞通常是轻微扰动，而非可靠的通用干预。这种稳定性并非在所有情境下都均一：在社交导向任务中，效果更为不确定，其中情感背景更可能与人际推断相互作用。额外分析显示，更强的情感措辞仅引起适度的额外变化，人类编写的前缀与LLM生成的前缀复现相同的定性模式。随后，我们引入EmotionRL，这是一个自适应情感提示框架，用于为每个查询选择情感框架。尽管没有单一情绪始终有益，自适应选择仍比固定情感提示更可靠地获得提升。总体而言，这些发现表明，情感语调既非主导性驱动LLM表现的因素，也非无关噪声，而是一种弱且取决于输入的信号，可通过自适应控制加以利用。
引用
@article{arxiv.2604.02236,
title = {Do Emotions in Prompts Matter? Effects of Emotional Framing on Large Language Models},
author = {Minda Zhao and Yutong Yang and Chufei Peng and Rachel Gonsalves and Weiyue Li and Ruyi Yang and Zhixi Liu and Mengyu Wang},
journal= {arXiv preprint arXiv:2604.02236},
year = {2026}
}