Los investigadores de Microsoft revelan ‘EmotionPrompt’ mejorando la inteligencia emocional de la IA en múltiples modelos de lenguaje

Investigadores de Microsoft revelan 'EmotionPrompt' para mejorar la inteligencia emocional de la IA en diversos modelos de lenguaje

La inteligencia emocional es una piedra angular históricamente ubicada dentro del vasto mosaico de cualidades humanas. La comprensión emocional es la capacidad de reconocer y procesar correctamente los datos emocionales y luego utilizar esos datos para guiar procesos lógicos y analíticos como la resolución de problemas y el manejo del comportamiento. Los reflejos, la percepción, la cognición y el comportamiento dan lugar a las emociones, y diversos factores internos y externos pueden influir en estos componentes. La autorregulación, la teoría cognitiva social y la importancia de las emociones positivas indican que el control emocional puede influir en las habilidades de resolución de problemas de las personas. Debido a los efectos de gran alcance que tiene en las personas, la teoría de la regulación emocional se ha utilizado en campos tan diversos como la educación y la salud.

Nuevas investigaciones realizadas por CAS, Microsoft, William & Mary, la Universidad Normal de Pekín y HKUST investigan la conexión entre la inteligencia emocional y los sofisticados modelos de IA. Los emergentes modelos de lenguaje de gran tamaño (LLM) han demostrado un rendimiento impresionante en diversas tareas, incluyendo el razonamiento, el procesamiento y generación de lenguaje natural, y la resolución de problemas STEM, lo que los convierte en uno de los esfuerzos de investigación más prometedores hacia la inteligencia artificial general. Permitiendo que GPT-4 lleve a cabo varias tareas difíciles diseñadas por humanos, un estudio reciente sugiere que los LLMs muestran un potencial notable hacia la AGI. Sin embargo, aún se desconoce si los LLMs pueden interpretar los impulsos emocionales psicológicos, un beneficio fundamental de los humanos que les ayuda a mejorar sus habilidades de resolución de problemas. Mediante el uso de métodos de aprendizaje en contexto, varios académicos han logrado avances significativos en diversas áreas. Sin embargo, dadas las diferencias en sus capacidades, no todos los LLMs se beneficiarán por igual de los métodos actualmente disponibles. Aunque investigaciones recientes han demostrado evidencia de que los LLMs pueden reconocer y procesar señales emocionales, este estudio no ha evaluado si la inteligencia emocional de los LLMs tiene un impacto significativo en la mejora de su rendimiento.

Este nuevo trabajo da el primer paso para investigar el potencial de los LLMs para comprender y aprovechar los estímulos emocionales. Se ha demostrado que las señales emocionales asociadas a la esperanza, la autosuficiencia y la aprobación de los compañeros tienen un efecto positivo en investigaciones psicológicas previas. Las aplicaciones del mundo real de este fenómeno incluyen el uso de un lenguaje motivador para mejorar el rendimiento académico y aumentar el bienestar físico. Los investigadores se inspiraron en estos procesos psicológicos y presentaron EmotionPrompt, un método simple pero poderoso para investigar la inteligencia emocional de los LLMs. En particular, diseñaron 11 declaraciones como frases psicológicas para ser utilizadas como indicaciones de seguimiento para provocar una respuesta emocional en los LLMs.

• Hacia la IA generativa para la arquitectura del modelo
• Descubriendo el impacto de la IA generativa en la narración de datos y el análisis
• Cómo configurar un sistema NL2SQL con Azure OpenAI Studio

Tanto tareas determinísticas como generativas, que abarcan una amplia gama de niveles de dificultad, se utilizan en sus extensas investigaciones. Realizaron pruebas con varios LLMs como FlanT5-Large, Vicuna, Llama 2, BLOOM, ChatGPT y GPT-4, en 24 tareas de Inducción de Instrucción y 21 tareas seleccionadas de BIG-Bench, todas ellas determinísticas y que pueden evaluarse con métricas comunes. Realizaron un estudio con humanos con 106 participantes para juzgar la calidad de la generación de tareas utilizando tanto indicaciones convencionales como emocionales basadas en GPT-4, ya que estas actividades no se prestan a una evaluación tradicional y automática. Su estudio demuestra que las indicaciones emocionales mejoran significativamente el rendimiento de las tareas generativas (con una mejora promedio del 10.9% en métricas de rendimiento, veracidad y responsabilidad). Por otro lado, los experimentos estándar muestran que los LLMs poseen inteligencia emocional y pueden mejorar con estímulos emocionales.

Los investigadores también analizaron por qué EmotionPrompt es útil para los LLMs al evaluar los efectos de los estímulos emocionales en las salidas finales a través de la atención en la entrada. Los hallazgos muestran que los gradientes en los LLMs se benefician de los estímulos emocionales al asignarles mayores pesos, lo que beneficia los resultados al mejorar la representación de las indicaciones originales. Para obtener más información sobre cómo el tamaño del modelo y la temperatura afectan la eficacia de EmotionPrompt, realizaron un estudio de ablación.

Por último, examinaron cómo el uso de varios estímulos emocionales juntos afecta el rendimiento y encontraron que esto puede mejorar significativamente los resultados. Según los hallazgos, el EP02 es el mejor estímulo en la Inducción de Instrucción, superando al estímulo más pobre en un 6.06%, mientras que el EP06 es el mejor estímulo en BIG-Bench. Es importante tener en cuenta que varios factores, como la complejidad de la tarea, el tipo de tarea y las métricas utilizadas, pueden afectar el rendimiento de un estímulo.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!