¿Sienten los LLM? Enseñanza del Reconocimiento de Emociones mediante Indicaciones, Recuperación y Aprendizaje Curricular

Do LLMs Feel? Teaching Emotion Recognition with Prompts, Retrieval, and Curriculum Learning

November 10, 2025

Autores: Xinran Li, Xiujuan Xu, Jiaqi Qiao, Yu Liu

cs.AI

Resumen

El Reconocimiento de Emociones en Conversaciones (ERC) es una tarea crucial para comprender las emociones humanas y posibilitar una interacción hombre-máquina natural. Aunque los Modelos de Lenguaje a Gran Escala (LLMs) han demostrado recientemente un gran potencial en este campo, su capacidad para capturar las conexiones intrínsecas entre emociones explícitas e implícitas sigue siendo limitada. Proponemos un novedoso marco de entrenamiento para ERC, PRC-Emo, que integra la ingeniería de prompts, la recuperación de demostraciones y el aprendizaje curricular, con el objetivo de explorar si los LLMs pueden percibir efectivamente las emociones en contextos conversacionales. Específicamente, diseñamos plantillas de prompts sensibles a las emociones basadas en indicios emocionales explícitos e implícitos para guiar mejor al modelo en la comprensión de los estados psicológicos del hablante. Construimos el primer repositorio de recuperación de demostraciones dedicado a ERC, que incluye muestras de entrenamiento de conjuntos de datos ampliamente utilizados, así como ejemplos de diálogo de alta calidad generados por LLMs y verificados manualmente. Además, introducimos una estrategia de aprendizaje curricular en el proceso de ajuste fino LoRA, incorporando cambios emocionales ponderados entre enunciados del mismo hablante y de diferentes hablantes para asignar niveles de dificultad a las muestras de diálogo, que luego se organizan en una secuencia de entrenamiento de fácil a difícil. Los resultados experimentales en dos conjuntos de datos de referencia —IEMOCAP y MELD— muestran que nuestro método logra un nuevo rendimiento de vanguardia (SOTA), demostrando la efectividad y generalizabilidad de nuestro enfoque para mejorar la comprensión emocional basada en LLMs.

English

Emotion Recognition in Conversation (ERC) is a crucial task for understanding human emotions and enabling natural human-computer interaction. Although Large Language Models (LLMs) have recently shown great potential in this field, their ability to capture the intrinsic connections between explicit and implicit emotions remains limited. We propose a novel ERC training framework, PRC-Emo, which integrates Prompt engineering, demonstration Retrieval, and Curriculum learning, with the goal of exploring whether LLMs can effectively perceive emotions in conversational contexts. Specifically, we design emotion-sensitive prompt templates based on both explicit and implicit emotional cues to better guide the model in understanding the speaker's psychological states. We construct the first dedicated demonstration retrieval repository for ERC, which includes training samples from widely used datasets, as well as high-quality dialogue examples generated by LLMs and manually verified. Moreover, we introduce a curriculum learning strategy into the LoRA fine-tuning process, incorporating weighted emotional shifts between same-speaker and different-speaker utterances to assign difficulty levels to dialogue samples, which are then organized in an easy-to-hard training sequence. Experimental results on two benchmark datasets-- IEMOCAP and MELD --show that our method achieves new state-of-the-art (SOTA) performance, demonstrating the effectiveness and generalizability of our approach in improving LLM-based emotional understanding.