I LLM Provano Emozioni? Insegnare il Riconoscimento delle Emozioni con Prompt, Retrieval e Apprendimento a Curriculum

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

November 10, 2025

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

cs.AI

Abstract

Il Riconoscimento delle Emozioni nella Conversazione (ERC) è un compito cruciale per comprendere le emozioni umane e abilitare un'interazione uomo-computer naturale. Sebbene i Large Language Model (LLM) abbiano recentemente mostrato un grande potenziale in questo campo, la loro capacità di cogliere le connessioni intrinseche tra emozioni esplicite e implicite rimane limitata. Proponiamo un nuovo framework di addestramento ERC, PRC-Emo, che integra Prompt engineering, Retrieval di dimostrazioni e Curriculum learning, con l'obiettivo di esplorare se i LLM possano percepire efficacemente le emozioni in contesti conversazionali. Nello specifico, progettiamo template di prompt sensibili alle emozioni basati su segnali emotivi sia espliciti che impliciti per guidare meglio il modello nella comprensione degli stati psicologici del parlante. Costruiamo il primo repository dedicato al retrieval di dimostrazioni per l'ERC, che include campioni di addestramento da dataset ampiamente utilizzati, oltre a esempi di dialogo di alta qualità generati da LLM e verificati manualmente. Inoltre, introduciamo una strategia di curriculum learning nel processo di fine-tuning LoRA, incorporando transizioni emotive ponderate tra enunciati dello stesso parlante e di parlanti diversi per assegnare livelli di difficoltà ai campioni di dialogo, che vengono poi organizzati in una sequenza di addestramento che procede dal facile al difficile. I risultati sperimentali su due dataset di riferimento - IEMOCAP e MELD - mostrano che il nostro metodo raggiunge nuove prestazioni state-of-the-art (SOTA), dimostrando l'efficacia e la generalizzabilità del nostro approccio nel migliorare la comprensione emotiva basata su 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.