利用上下文学习实现道德框架的少样本识别
计算与语言
2023-02-07 v1
摘要
数据稀缺是自然语言处理（NLP）中的一个常见问题，尤其当标注涉及需要专门知识的微妙社会语言学概念时。因此，对这些概念进行少样本识别是可取的。近年来，利用预训练大语言模型（LLM）进行的少样本上下文学习已成功应用于许多 NLP 任务。本文中，我们研究利用 LLM 对一个心理语言学概念——道德框架（Roy et al., 2021）进行少样本识别。道德框架是一种表示框架，它提供了对文本中表达的道德情感的全局视角，识别相关的道德基础（Haidt and Graham, 2007），并在更细粒度上识别对文本中提及的实体所表达的道德情感。以往的研究依赖昂贵的人工标注来识别文本中的道德框架。本文中，我们提出了基于提示的方法，利用预训练大语言模型仅依赖少量样本范例来识别道德框架。我们将模型性能与少样本 RoBERTa 进行了比较，并取得了有前景的结果。
引用
@article{arxiv.2302.02029,
title = {Towards Few-Shot Identification of Morality Frames using In-Context Learning},
author = {Shamik Roy and Nishanth Sridhar Nakshatri and Dan Goldwasser},
journal= {arXiv preprint arXiv:2302.02029},
year = {2023}
}
备注
Accepted to the 5th Workshop on NLP and CSS at EMNLP 2022