提纲
1 简介
2 Emotional Prompt
3 实验结论
4 讨论
参考文献
1 简介
人类对于情绪线索的理解跟回应能力为解决问题带来了明显优势（人类的高情商有帮助解决问题），那么大模型是否具备类似的能力呢？ **研究人员通过实验发现，在使用大模型过程中，利用心理学跟社会学的理论加入相关的情绪线索，即EmotionPrompt，大模型是具有一定的情商，能正确理解这些情绪线索并做出回应，在诸多下游任务下都有一定提升。** 换言之，只要好好pua大模型，还能进一步提升大模型性能。
2 Emotioal Prompt
**EmotionPrompt的做法非常直截了当，就是在原有prompt的基础上插入对应的情绪线索** （或许叫做心理暗示更容易理解），可以理解为一个prompt补充插件，在原有prompt后插入新的prompt补充内容，详情可见下面样例。是不是有点很熟悉的味道，这不就是另一个版本的“let’s think step by step”嘛。
图1: EmontionPrompt示例
研究人员根据心理学和社学会等学科理论设计了11个的情绪线索（后续实验围绕着着11个prompt展开），总共可以分为3种不同类型，详情如下。
图2：文中3种不同类型的EmotionPrompt
3 实验结论
为了验证EmotionalPrompt的有效性，研究人员在多个语言模型，多个任务上比较了使不使用EmotionalPrompt的差异，以及使用不同EmotionPrompt的区别。
a) EmotionalPrompt在所有语言模型的多个任务的zero shot场景下都得到了一致的提升，并且跟few shot learning相结合有潜力获得更强的性能，不需要复杂的prompt engineering，EmotionalPrompt在大多数情况下表现超过类似CoT, APE等方案。
图3: EmotionPrompt实验对比
b) **研究人员对于EmotionalPrompt的原因做了进一步探索。发现这些心理暗示可以增强原始prompt的表征，同时让更积极的词起到更重要的作用。另外，不同的EmotionalPrompt会有不同的效果，联合使用会有更多收益。**
图4: EmotionPrompt对于句子表中不同词的重要度影响
4 讨论
EmotionPrompt，其实就是另一个版本的let's think step by step，只是隐藏中间的推理过程，使用方式也如出一辙，即插即用，无需额外的数据跟模型训练。论文中关于EmotionPrompt对大模型影响的原理也进行了探索，但是看起来很多结论并不是很坚挺，所以在前面也不加提及，有兴趣的朋友还是可以选择自行研读论文。
参考文献
1 Large Language Models Understand and Can Be Enhanced by Emotional Stimuli