Jak zvýšit výkonnost velkých jazykových modelů pomocí emočních podnětů?
Koncept označovaný jako „Emotion Prompt“. Zkoumá vliv emoční inteligence na LLM a ukazuje, jak přidání emočních podnětů k podnětům výrazně zlepšuje výkon LLM v různých úlohách.
Metoda EmotionPrompt kombinuje standardní podněty s emočními stimuly. Tento přístup využívá emocionální reakce podobné lidským reakcím ke zlepšení schopnosti LLM uvažovat a řešit problémy.
Následující obrázek ukazuje přehled procesu od generování po vyhodnocení EmotionPrompt.
Následující obrázek z práce ilustruje skutečnost, že jsme na základě psychologických teorií vyvinuli různé sady emočních podnětů.
Výsledky ukazují výrazné zlepšení výkonu LLM s EmotionPrompt, s relativním zlepšením výkonu o 8,00 % v Induction a 115 % v úlohách BIG-Bench.
Studie na lidech, které se zúčastnilo 106 účastníků, hodnotila kvalitu generativních úloh s použitím vanilkových i emočních podnětů. Tato studie ukázala průměrné zlepšení ukazatelů výkonnosti, pravdivosti a zodpovědnosti o 10,9 % při použití EmotionPrompt.
Příklad použití:
Představte si vzdělávací aplikaci, ve které jazykový model pomáhá studentům při výuce nového tématu.
Za normálních okolností by výzva mohla model jednoduše požádat o vysvětlení pojmu.
V případě aplikace EmotionPrompt by však dotaz mohl obsahovat tvrzení typu „Pro mou nadcházející zkoušku je klíčové porozumět tomuto tématu„.
Tento emocionální doplněk motivuje modul LLM k vytváření promyšlenějších, komplexnějších a poutavějších vysvětlení, což může zlepšit studentovo porozumění a zapamatování látky.
Zdroj:
Li a kol. z CAS, Microsoftu, William&Mary, Beijing Normal University a HKUST.
