训练大语言模型识别自发性叙事中的模糊限制语

模糊限制语使说话者能够将话语标记为临时性的，无论是用于表示非典型性或"模糊性"，表示对某话语缺乏承诺，将陈述的责任归因于他人，邀请对方输入，还是为满足面子管理需求而缓和批评性反馈。在这里，我们聚焦于一个实验参数化语料库中自发性叙事里的模糊限制语，该语料库包含63个Roadrunner卡通叙事，由21位演讲者从记忆中自发产生，面向在场的听话者，并转录为文本（Galati and Brennan, 2010）。我们创建了由人工标注者标注的模糊限制语金标准（Roadrunner-Hedge语料库），并比较了三种基于LLM的模糊限制语检测方法：微调BERT，以及使用GPT-4o和LLaMA-3进行零样本和少样本提示。表现最佳的方法是微调BERT模型，其次是少样本GPT-4o。在对表现最佳的方法进行错误分析后，我们采用LLM-in-the-Loop方法改进了金标准标注，同时也突出了模糊限制语在语言上有趣地存在歧义的案例，这些案例将指导未来研究。这是我们研究计划的第一步，旨在训练大语言模型在对话中恰当且有意义地解释和生成辅助信号。