LLM-MC-Affect：基于 LLM 的蒙特卡洛情感轨迹建模与潜在歧义用于人际互动洞察
计算与语言
2026-05-20 v2 计算机与社会
摘要
情感协调是人类互动的核心属性，塑造了关系性意义在实时如何构建。尽管基于文本的情感推断变得越来越可行，但先前的方法常常将情感视为单个说话者的确定性点估计，无法捕捉在相互交换中所见的内在主观性、潜在歧义和顺序耦合。我们提出 LLM-MC-Affect，一种概率框架，将情感 characterize 为定义在情感空间上的连续潜在概率分布。通过利用随机 LLM 解码和蒙特卡洛估计，该方法逼近这些分布以得出高保真情感轨迹，显式量化中央情感倾向和感知歧义。这些轨迹通过顺序交叉相关和斜率基指标 enable 对人际耦合进行结构化分析，识别 interlocutors 之间的领先或滞后影响。为验证该方法的解释能力，我们利用教师-学生指令对话作为代表性案例研究，其中我们的定量指标成功提炼出高层次的互动洞察，如有效的支架。该工作为理解人际互动提供了可扩展且可部署的路径，提供一种超越教育的更广泛社交和行为研究的通用可 generalization 解决方案。
关键词
引用
@article{arxiv.2601.03645,
title = {LLM-MC-Affect: LLM-Based Monte Carlo Modeling of Affective Trajectories and Latent Ambiguity for Interpersonal Dynamic Insight},
author = {Yu-Zheng Lin and Bono Po-Jen Shih and John Paul Martin Encinas and Elizabeth Victoria Abraham Achom and Karan Himanshu Patel and Jesus Horacio Pacheco and Sicong Shao and Jyotikrishna Dass and Soheil Salehi and Pratik Satam},
journal= {arXiv preprint arXiv:2601.03645},
year = {2026}
}
备注
Accepted to the 64th Annual Meeting of the Association for Computational Linguistics (ACL 2026)