基于心理学驱动的LLM代理用于突发灾难事件中的可解释恐慌预测
人工智能
2025-05-23 v1 计算机与社会
摘要
在突发灾难事件期间，准确预测社交媒体上的公众恐慌情绪对于主动治理和危机管理至关重要。当前 efforts 面临三个主要挑战：缺乏细粒度标注数据限制了情感预测研究，未建模的风险感知导致预测不准确，以及恐慌形成机制的可解释性不足。我们通过提出一种基于情感唤醒理论的 Psychology驱动的生成式代理框架（PsychoAgent）来解决这些问题，以实现可解释的恐慌预测。具体而言，我们首先通过人类大语言模型（LLM）协作构建细粒度的开放式恐慌情感数据集（称为COPE），以缓解语义偏差。然后，我们开发了一种集成基于心理机制的跨域异构数据的框架，用于建模风险感知和情感生成中的认知差异。为增强可解释性，我们设计了一个LLM-based角色扮演代理，通过专门设计的提示语模拟个体的心理链。在我们的标注数据集上的实验结果表明，PsychoAgent相对于基线模型在恐慌情感预测性能上提升了12.6%至21.7%。此外，验证了该方法的可解释性和泛化能力。关键是，这标志着从不透明的数据驱动拟合向透明的基于角色的仿真与机制解释的恐慌情感预测范式的转变。我们的实现已公开于：https://anonymous.4open.science/r/PsychoAgent-19DD。
引用
@article{arxiv.2505.16455,
title = {Psychology-driven LLM Agents for Explainable Panic Prediction on Social Media during Sudden Disaster Events},
author = {Mengzhu Liu and Zhengqiu Zhu and Chuan Ai and Chen Gao and Xinghong Li and Lingnan He and Kaisheng Lai and Yingfeng Chen and Xin Lu and Yong Li and Quanjun Yin},
journal= {arXiv preprint arXiv:2505.16455},
year = {2025}
}