論文の概要: Evaluating Prompt Engineering Strategies for Sentiment Control in AI-Generated Texts

• arxiv url: http://arxiv.org/abs/2602.06692v1
• Date: Fri, 06 Feb 2026 13:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.406878
• Title: Evaluating Prompt Engineering Strategies for Sentiment Control in AI-Generated Texts
• Title（参考訳）: AI生成テキストの感性制御のためのプロンプトエンジニアリング戦略の評価
• Authors: Kerstin Sahler, Sophie Jentzsch,
• Abstract要約: 本研究では,AI生成テキストにおける感情制御のための素早いエンジニアリングの可能性について検討する。 Ekmanの6つの基本的な感情を用いて、ゼロショットやチェーン・オブ・サート・プロンプトなど様々なプロンプト技術を検討する。 結果は、AI生成テキストの感情を効果的に操り、ファインチューニングに代わる実用的で費用対効果の高い代替手段を提供することを示唆している。
• 参考スコア（独自算出の注目度）: 0.05371337604556311
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The groundbreaking capabilities of Large Language Models (LLMs) offer new opportunities for enhancing human-computer interaction through emotion-adaptive Artificial Intelligence (AI). However, deliberately controlling the sentiment in these systems remains challenging. The present study investigates the potential of prompt engineering for controlling sentiment in LLM-generated text, providing a resource-sensitive and accessible alternative to existing methods. Using Ekman's six basic emotions (e.g., joy, disgust), we examine various prompting techniques, including Zero-Shot and Chain-of-Thought prompting using gpt-3.5-turbo, and compare it to fine-tuning. Our results indicate that prompt engineering effectively steers emotions in AI-generated texts, offering a practical and cost-effective alternative to fine-tuning, especially in data-constrained settings. In this regard, Few-Shot prompting with human-written examples was the most effective among other techniques, likely due to the additional task-specific guidance. The findings contribute valuable insights towards developing emotion-adaptive AI systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)の画期的な能力は、感情適応型人工知能(AI)を通じて人間とコンピュータの相互作用を強化する新たな機会を提供する。 しかし、これらのシステムにおける感情を意図的に制御することは依然として困難である。 本研究は, LLM生成テキストにおける感情制御のための迅速なエンジニアリングの可能性について検討し, 既存の方法に代わる資源に敏感でアクセシブルな代替手段を提供する。 エクマンの6つの基本的な感情(例えば、喜び、嫌悪感)を用いて、gpt-3.5-turboを用いてZero-ShotやChain-of-Thoughtといった様々なプロンプト技術を調べ、それを微調整と比較する。 以上の結果から,AI生成テキストにおいて,迅速なエンジニアリングが感情を効果的に操り,特にデータ制約のある環境での微調整に代わる実用的でコスト効率のよい代替手段を提供することが示唆された。 この点において、Few-Shotは人手による手書きの例を推し進めるのが最も効果的であり、これはおそらくタスク固有のガイダンスが加えられたためである。 この発見は、感情適応型AIシステムの開発に関する貴重な洞察に寄与する。

関連論文リスト

• Unraveling Emotions with Pre-Trained Models [40.463050040722855]
  この研究は、3つのシナリオにおける感情検出における微調整と迅速なエンジニアリングの有効性を比較する。 実験では、感情認識のための微調整済みモデルで70%以上の測定値が得られる。 これらの進歩は、感情分析、人間とコンピュータの相互作用、および様々な領域にわたるユーザー行動の理解を改善する。
  論文  参考訳（メタデータ） (2025-10-22T15:13:52Z)
• AIVA: An AI-based Virtual Companion for Emotion-aware Interaction [10.811567597962453]
  私たちのAIベースの仮想コンパニオンは、マルチモーダルな感情の手がかりをキャプチャします。 私たちの組織は、ロボット工学、社会医療、メンタルヘルス、人間中心のAIに応用された感情認識エージェントのためのフレームワークを提供します。
  論文  参考訳（メタデータ） (2025-09-03T11:00:46Z)
• UDDETTS: Unifying Discrete and Dimensional Emotions for Controllable Emotional Text-to-Speech [61.989360995528905]
  制御可能な感情的TTSのための離散的感情と次元的感情を統一する普遍的なフレームワークであるUDDETTSを提案する。 このモデルは、次元的感情記述のための解釈可能なArousal-Dominance-Valence(ADV)空間を導入し、離散的な感情ラベルまたは非線形に定量化されたADV値によって駆動される感情制御をサポートする。 実験の結果, UDDETTSは3次元の線形感情制御を実現し, エンドツーエンドの感情音声合成能力に優れていた。
  論文  参考訳（メタデータ） (2025-05-15T12:57:19Z)
• "Only ChatGPT gets me": An Empirical Analysis of GPT versus other Large Language Models for Emotion Detection in Text [2.6012482282204004]
  本研究では,大規模言語モデル(LLM)のテキストによる人間の感情の検出と理解能力について検討する。 GoEmotionsデータセットの最先端モデルとの比較を含む方法論を用いて,感情分析システムとしてのLLMの有効性を評価することを目的とする。
  論文  参考訳（メタデータ） (2025-03-05T09:47:49Z)
• PROEMO: Prompt-Driven Text-to-Speech Synthesis Based on Emotion and Intensity Control [20.873353104077857]
  本稿では,素早い感情制御を中心にしたアプローチを提案する。 提案アーキテクチャは,複数話者間での感情と強度制御を取り入れたアーキテクチャである。 我々は,大言語モデル(LLM)を用いて,言語コンテンツを保存しながら音声韻律を操作する。
  論文  参考訳（メタデータ） (2025-01-10T12:10:30Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• The Good, The Bad, and Why: Unveiling Emotions in Generative AI [73.94035652867618]
  EmotionPromptはAIモデルの性能を向上し、EmotionAttackはそれを妨げうることを示す。 EmotionDecodeによると、AIモデルは人間の脳内のドーパミンのメカニズムに似た感情的な刺激を理解することができる。
  論文  参考訳（メタデータ） (2023-12-18T11:19:45Z)
• Do Stochastic Parrots have Feelings Too? Improving Neural Detection of Synthetic Text via Emotion Recognition [16.31088877974614]
  生成AIは、高性能な合成テキスト生成技術に注目を集めている。 生成AIの最近の進歩は、高性能な合成テキスト生成技術に注目を向けている。 心理学的な研究からインスピレーションを得て、人々は感情によって駆動され、構成するテキストに感情をエンコードすることができることを示唆する。
  論文  参考訳（メタデータ） (2023-10-24T15:07:35Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。