这位候选人是[MASK]。基于提示的情感提取与推荐信

我提出了一种相对简单的方法来部署预训练的大语言模型，以从文本数据中提取情感和其他有用特征。这种方法，我称之为基于提示的情感提取，相比于经济学和金融学中使用的其他方法具有多重优势。特别是，它接受原始文本输入（无需预处理），并生成具有概率解释的情感得分。与其他基于大语言模型的方法不同，它不需要任何微调或标注数据。我将我的基于提示的策略应用于一个手工收集的机密推荐信语料库。我展示了推荐信的情感内容清晰地反映在求职市场结果中。无论选择何种成功衡量标准，推荐信中平均情感得分较高的候选人都表现得更出色。此外，我展示了推荐信作者之间的情感分散度对求职市场候选人的表现有负面影响。我将我的情感提取方法与其他常用的情感分析方法进行了比较：词袋方法、微调语言模型和查询高级聊天机器人。没有其他方法能够完全复现基于提示的情感提取所获得的结果。最后，我对方法稍作修改，以获得“性别化”的情感得分。我展示了为女性候选人撰写的推荐信强调“勤奋”人格特质，而男性候选人的信件则强调“出众”特质。这些性别差异对女性在求职市场中的结果产生了负面影响。