arXiv cs.CL· SeungHyun Yi, Seungjun Yi, Sriram Sattiraju, Haeun Park, Joakim Nguyen, Terence Lim, Joseph Skrovan, Mehak Beri, Hitakshi Modi, Eloy Carrion, Andrew Well, Carlos M. Mery, Alexander Rasgon, Mia K Markey, Ying Ding·· 2 天前AI 评分20
社交媒体压力与情绪预测中提示词演化的有效策略识别
Identifying Effective Strategies in Prompt Evolution for Stress and Emotion Prediction
AI 导读
研究对比六种提示词演化方法在社交媒体压力与情绪数据上、两种模型规模下的表现，发现 GEPA 及其结合两个提示词指令的扩展版 GEPA+merge 在多个设置中优于初始提示词。研究还识别出五种与性能提升相关的提示策略，包括引导关注情绪证据、区分当前与过往痛苦、示例间接线索、要求情绪背景和引导标签选择。二元压力预测较早改善，而多标签情绪预测初期下降后部分恢复。
正文 · AI 翻译
作者：SeungHyun Yi、Seungjun Yi、Sriram Sattiraju、Haeun Park、Joakim Nguyen、Terence Lim、Joseph Skrovan、Mehak Beri、Hitakshi Modi、Eloy Carrion、Andrew Well、Carlos M. Mery、Alexander Rasgon、Mia K Markey、Ying Ding
摘要：早期压力检测与风险预测对于及时的心理健康评估和支持至关重要。尽管大语言模型近期在社交媒体压力预测方面展现出前景，但依赖准确率可能掩盖假阳性。此外，提示词修改在不同模型和任务上带来的收益并不一致，且与策略组合和指令变化的关系尚不明确。通过比较六种方法在两种模型规模下的社交媒体压力与情绪数据，我们发现 GEPA 及其结合两个提示词指令的扩展方法（GEPA+merge）在多种设置下相较初始提示词提升了预测效果。我们还识别出五种与性能提升相关的提示策略。这些策略包括：引导关注情绪证据、区分当前与过往痛苦、示例说明间接线索、要求提供情绪背景，以及指导标签选择。此外，我们记录了跨任务和评估设置的四项观察结果。在另一组搜索中，二分类压力预测早期即得到改善，而多标签情绪预测最初下降，随后部分恢复。其余三项分别涉及错误或冲突的指令、在小规模对比样本上取得的收益在完整开发数据上未能保持，以及所选提示词在开发集与报告测试集排名上的变化。这些发现明确了有效的提示词演化方法、与收益相关的策略组合，以及任务和评估的局限，为将提示词演化方法应用于社交媒体压力检测提供了指导。
| 注释： | 4 幅图，2 张表。投稿至 2027 IEEE 国际医疗信息学会议（ICHI 2027） |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.21407 [cs.CL] |
| （或 arXiv:2610.21407v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21407 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Seungjun Yi [查看电子邮件]
[v1]
2026年10月15日星期四 07:24:24 UTC（676 KB）
来源：arXiv cs.CL · arxiv.org