利用大型语言模型进行人类痛苦预测分析
计算与语言
2025-08-19 v1 计算机与社会
摘要
本研究探讨了如何利用大型语言模型（LLM）从自然语言描述的真实情景中预测人类感知的痛苦得分。该任务被建模为一个回归问题，模型为每个输入语句分配一个来自 0 到 100 的标量值。我们评估了多种提示策略，包括零样本、固定上下文的few-shot以及使用BERT句子嵌入的检索式提示。few-shot方法持续优于零样本基线，凸显了情感预测中利用上下文示例的价值。为超越静态评估，我们引入了“痛苦游戏秀”（Misery Game Show）——一种灵感来源于电视节目格式的新型游戏化框架。它通过结构化的轮次测试LLM，包括序数比较、二进制分类、标量估计以及反馈驱动的推理。这种设置使我们能够评估不仅预测准确性，还能评估模型在纠正性反馈下的适应能力。游戏化评估凸显了LLM在标准回归之外，处理动态情感推理任务的更广泛潜力。代码与数据链接：https://github.com/abhi1nandy2/Misery_Data_Exps_GitHub
引用
@article{arxiv.2508.12669,
title = {Leveraging Large Language Models for Predictive Analysis of Human Misery},
author = {Bishanka Seal and Rahul Seetharaman and Aman Bansal and Abhilash Nandy},
journal= {arXiv preprint arXiv:2508.12669},
year = {2025}
}
备注
14 pages, 4 tables