尧图网络科技YAOTU DIGITAL 获取报价
获取报价
首页 / 资讯中心 / 文章详情

Leveraging Large Language Models for Predictive Analysis of Human Misery

发布时间:2026/11/19 1:05:15

资讯中心
01
ARTICLE

Leveraging Large Language Models for Predictive Analysis of Human Misery

Leveraging Large Language Models for Predictive Analysis of Human Misery
文章总结与翻译一、文章主要内容该研究聚焦于利用大型语言模型(LLMs)从现实场景的自然语言描述中预测人类感知的痛苦评分,将此任务构建为回归问题,即模型为每个输入语句分配0-100的标量值。1. 数据基础使用含516条现实或虚构场景文本描述的数据集,每条数据标注0-100分的痛苦评分,数据源自公开博客和用户整理资源,涵盖家庭关系问题、事故、医疗紧急情况等多类情感场景,且评分呈近似对称分布,多数场景对应中高程度感知痛苦。2. 实验设计与评估提示策略对比:评估零样本提示(无标注示例)、少样本提示(含固定/随机/基于BERT嵌入检索的标注示例)、两阶段思维链(CoT)提示三种策略,发现少样本提示(尤其基于语义相似示例的检索增强提示)显著优于零样本和CoT提示,如少样本提示(k=2)MAE降至12.49,而零样本MAE为23.48。评估指标:采用平均绝对误差(MAE)、均方根误差(RMSE)、皮尔逊相关系数、斯皮尔曼等级相关系数和决定系数(R²),以MAE为主要指标,因其在现实场景中可解释性强。游戏化评估框架:设计“痛苦游戏秀”(Misery Game Show),含四个回合(序数推理、二元比较、标量预测、区间校准),分静态(无反馈)和自适应(有反馈)模式。结果显示,反馈能提升模型在二元比较和区间校准任务的性能,且GPT-4o在所有模型中表现最优,总体准确率达61.79%。
02
RELATED NEWS

相关资讯

更多网站建设与数字化升级内容

03
WHY YAOTU

想打造同款高转化官网?

懂行业、懂生意,从建站到增长一站式陪跑

◈

场景化定制

不做模板站,围绕你的业务场景量身设计,小众不撞款。

◐

营销型架构

以转化目标组织内容与路径,让官网真正带来询盘。

▲

全周期服务

设计、开发、运营、运维一体,上线只是开始。

免费获取你的建站方案

留下需求,专属顾问 24 小时内为你输出方案建议。