Schätzen Sie Emotionswahrscheinlichkeitsvektoren mithilfe von LLMs: Schlussfolgerungen

Linktabelle

• Zusammenfassung und Einleitung
• Befragung des LLM mit einem Emotionen hervorrufenden Tail Prompt
• PCA-Analyse der Emotionen von Amazon-Rezensionen
• Zukünftige Arbeit
• Schlussfolgerungen
• Danksagungen und Referenzen

5. Schlussfolgerungen

LLMs sind von Natur aus so konzipiert, dass sie Textzeichenfolgen als Antwort auf eine Testaufforderung bereitstellen. Dies ist nicht immer das nützlichste Format für die Rückgabe von Informationen. Intern innerhalb des LLM gibt es Wahrscheinlichkeitsverteilungen über Token. Das Dokument präsentiert ein Beispiel dafür, wie ein Teil eines emotionsbasierten synthetischen Bewusstseins aufgebaut werden kann, indem der Vektor der Wahrscheinlichkeiten von Emotionsdeskriptoren über ein Wörterbuch emotionaler Begriffe abgeleitet wird. Mit diesem Emotionswahrscheinlichkeitsvektor kann eine Reihe von Dingen getan werden, darunter eine detaillierte Bewertungsanalyse, die Vorhersage einer Reaktion auf Marketingbotschaften, die Erkennung von Straftaten usw. Es ist möglich, dass der Emotionswahrscheinlichkeitsvektor ein Schritt auf dem Weg zum synthetischen Bewusstsein ist und ein Mittel bietet, Roboter empathischer zu machen, indem er ihnen ermöglicht, vorherzusagen, wie sich etwas, das sie sagen, beim Empfänger fühlen wird.

Wenn von einem LLM vernünftige Antworten erwartet werden, wäre es vielleicht eine gute Strategie, den LLM nicht im Hinblick auf das wütende Geschrei zu schulen, das in den asozialen Medien allgegenwärtig ist. Und analog dazu wäre es vielleicht eine gute Idee, junge Köpfe nicht in ähnlicher Weise zu schulen.