Les LLM ressentent-ils ? Enseignement de la reconnaissance des émotions par prompts, recherche d'information et apprentissage curriculaire

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

November 10, 2025

papers.authors: Xinran Li, Xiujuan Xu, Jiaqi Qiao, Yu Liu

cs.AI

papers.abstract

La reconnaissance des émotions dans les conversations (ERC) est une tâche cruciale pour comprendre les émotions humaines et permettre une interaction naturelle entre l'homme et la machine. Bien que les grands modèles de langage (LLM) aient récemment montré un grand potentiel dans ce domaine, leur capacité à saisir les liens intrinsèques entre émotions explicites et implicites reste limitée. Nous proposons un nouveau cadre d'apprentissage pour l'ERC, PRC-Emo, qui intègre l'ingénierie des prompts, la récupération de démonstrations et l'apprentissage curriculaire, dans le but d'explorer si les LLM peuvent percevoir efficacement les émotions dans des contextes conversationnels. Plus précisément, nous concevons des modèles de prompts sensibles aux émotions basés sur des indices émotionnels explicites et implicites pour mieux guider le modèle dans la compréhension des états psychologiques du locuteur. Nous construisons le premier référentiel dédié de récupération de démonstrations pour l'ERC, qui inclut des échantillons d'entraînement provenant de jeux de données largement utilisés, ainsi que des exemples de dialogues de haute qualité générés par des LLM et vérifiés manuellement. De plus, nous introduisons une stratégie d'apprentissage curriculaire dans le processus de réglage fin LoRA, incorporant des transitions émotionnelles pondérées entre les énoncés du même locuteur et de locuteurs différents pour attribuer des niveaux de difficulté aux échantillons de dialogue, qui sont ensuite organisés selon une séquence d'entraînement allant du facile au difficile. Les résultats expérimentaux sur deux jeux de données de référence – IEMOCAP et MELD – montrent que notre méthode atteint de nouvelles performances optimales (state-of-the-art), démontrant l'efficacité et la généralisabilité de notre approche pour améliorer la compréhension émotionnelle basée sur les LLM.

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.