许多科学家同意，大型语言模型(LLM)不能理解或模拟人类的情感。然而，中国科学院软件研究所、微软和其他机构最近的一项研究表明，LLM可以通过“情感提示”得到增强。

他们的提示工程技术名为“情感提示”，可能无法最终证明LLM对人类情感的理解。但是它提供了一个实用的工具来优化LLM在日常使用中的性能。

什么是情感提示？

研究人员将情商定义为“熟练解释和管理注入情感的信息的能力，随后利用它来指导认知任务，从解决问题到行为规范。”

心理学研究表明，情绪刺激，尤其是那些与期望、信心和社会影响力相关的情绪刺激，能够以多种方式对个人产生积极影响。

研究人员旨在探索LLM是否能够理解情绪刺激并对其做出反应，他们将这一特征描述为“人类增强解决问题能力的一个重要优势。”

他们提出了情感提示，一种他们描述为“探索LLM情商的直接而有效的方法”的技术。

情感提示技术包括使用11个句子作为情绪刺激。这些提示旨在添加到初始提示中，从而影响LLM的响应。提示的范围从直接询问LLM对其答案的信心到更情绪化的陈述，如“这对我的职业生涯非常重要”。你最好确定。”

其他提示鼓励LLM。例如，一个提示写道，“将挑战视为成长的机遇。你克服的每一个障碍都让你离成功更近一步。”另一个说，“保持专注，致力于你的目标。你一贯的努力将会带来卓越的成就。”

这些情绪刺激是在三种类型的心理现象之后设计的：自我监控、社会认知理论和认知情绪调节理论。

自我监控提示要求LLM评估其在社会环境中的表现。这种方法基于这样一种观点，即社会环境会影响个人的行为和反应。

社会认知理论方面包括通过社会说服将自我效能应用到学习管理中。研究人员认为，这样的刺激可以产生积极的影响，比如“建立信心，强调目标。”

认知情绪调节理论通过重新评估等技术被纳入，这“可以帮助个人更积极或客观地看待挑战。”通过使用这些提示，研究人员旨在引导LLM以更积极或客观的眼光看待挑战，潜在地提高他们解决问题的能力。

测试情绪提示

研究人员使用多种LLM对情绪提示技术进行了测试，包括Vicuna，Llama 2，BLOOM, ChatGPT，和GPT-4。他们使用大工作台和指令归纳基准来评估确定性任务。人类审查员评估生成任务。

结果很有希望。情感提示展示了在指令归纳方面8%的相对性能提高，在BIG-Bench方面惊人地提高了115%。此外，人类研究显示，“情绪提示显著提高了生成性任务的绩效，”在绩效、真实性和责任指标上平均提高了10.9%。

研究人员还发现，这种改进适用于各种任务和模型。这种简单性使得EmotionPrompt成为一种可访问的工具，无需复杂的设计或复杂的提示工程就可以增强LLM的性能。

有趣的是，研究人员发现，当与少数镜头学习结合使用时，情感提示的性能提升甚至更明显，在少数镜头学习中，用户在提示中向LLM提供一些已解决任务的例子。

研究人员进行了一系列测试来了解为什么情感提示有效。他们发现，情绪刺激可以增强原始提示的再现，积极的话语对结果有很大的贡献。他们还提出，更大的模型可能从情绪提示技术中获得更大的好处。

LLM懂情绪吗？

许多研究表明，LLM不像人类那样“理解”语言。此外，与人类不同，深度学习模型不具备情感或复杂的认知技能。一些科学家认为，人工智能系统代表了一种不同于人类智能的智能形式，因此，我们不应该期望它们像人类一样行事。

许多研究表明，LLM不像人类那样“理解”语言。此外，与人类不同，深度学习模型不具备情感或复杂的认知技能。一些科学家认为，人工智能系统代表了一种不同于人类智能的智能形式，因此，我们不应该期望它们像人类一样行事。

在他们的论文中，研究人员断言，“我们的标准实验表明，LLM拥有情商，可以通过情绪刺激来增强。”然而，他们也认识到“在法学硕士和心理学的交叉点上，存在着许多未解决的问题和机会。”

例如，研究人员建议在LLM的预训练或微调过程中包括情绪刺激。他们也承认人类和LLM之间的显著差异。在人类中，情绪刺激可以影响行为或态度，但不能影响推理或认知能力。然而，他们的发现表明，LLM“可以理解情商，并通过情商得到提高。”

如何在应用程序中使用情感提示？

在他们的论文中，研究人员提供了关于哪些提示对特定任务最有效的指导方针。例如，对于类似于指导归纳数据集中的任务，情感提示“这对我的职业生涯非常重要”被证明是最有效的。对于大基准数据集，更长的提示6产生最好的结果。

你也可以通过试验不同的情绪激励组合，根据经验结果制定自己的策略。鉴于它们的直觉性质，使用情感提示很简单。你所需要做的就是将选择的情感刺激添加到你的提示中。

LlamaIndex甚至创建了一个方便的模板，用于将情感提示与检索增强生成(RAG)结合使用。

Context information is below. 

---------------------

{context_str}

---------------------

Given the context information and not prior knowledge, \

answer the query.

{emotion_str}

Query: {query_str}

Answer: \