Os LLMs Sentem? Ensino de Reconhecimento de Emoções com Prompts, Recuperação e Aprendizagem por Currículo

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

Resumo

A Reconhecimento de Emoções em Conversas (ERC) é uma tarefa crucial para a compreensão das emoções humanas e para permitir uma interação homem-computador natural. Embora os Grandes Modelos de Linguagem (LLMs) tenham demonstrado recentemente grande potencial nesta área, a sua capacidade de capturar as conexões intrínsecas entre emoções explícitas e implícitas permanece limitada. Propomos um novo framework de treino para ERC, o PRC-Emo, que integra *Prompt engineering*, Recuperação de demonstrações e Aprendizagem por currículo, com o objetivo de explorar se os LLMs podem perceber eficazmente as emoções em contextos conversacionais. Especificamente, concebemos modelos de *prompt* sensíveis à emoção, baseados em pistas emocionais explícitas e implícitas, para melhor orientar o modelo na compreensão dos estados psicológicos do interlocutor. Construímos o primeiro repositório dedicado de recuperação de demonstrações para ERC, que inclui amostras de treino de conjuntos de dados amplamente utilizados, bem como exemplos de diálogo de alta qualidade gerados por LLMs e verificados manualmente. Além disso, introduzimos uma estratégia de aprendizagem por currículo no processo de afinação LoRA, incorporando transições emocionais ponderadas entre enunciados do mesmo interlocutor e de interlocutores diferentes para atribuir níveis de dificuldade às amostras de diálogo, que são depois organizadas numa sequência de treino do fácil para o difícil. Os resultados experimentais em dois conjuntos de dados de referência – IEMOCAP e MELD – mostram que o nosso método atinge um novo desempenho state-of-the-art (SOTA), demonstrando a eficácia e a generalizabilidade da nossa abordagem na melhoria da compreensão emocional baseada em 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.