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

링크: 논문 PDF로 바로 열기

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

핵심 연구 목표

본 논문은 대규모 언어 모델(LLMs)이 대화에서 명시적(explicit) 및 암묵적(implicit) 감정을 효과적으로 인식할 수 있는지 탐구하고, 이 분야의 현재 한계점을 극복하는 것을 목표로 합니다. 특히, LLM의 감정 이해 능력을 향상시켜 인간-컴퓨터 상호작용의 자연성과 공감 능력을 증진하고자 합니다.

핵심 방법론

저자들은 PRC-Emo 라는 새로운 프레임워크를 제안하며, 프롬프트 엔지니어링(Prompt engineering) , 데모 검색(Demonstration Retrieval) , 그리고 커리큘럼 학습(Curriculum learning) 을 통합합니다. 감정 이해를 돕기 위해 명시적/암묵적 감정 해석 과 화자 특성 을 추출하는 프롬프트를 설계하고, 이를 위한 최초의 ERC 전용 데모 검색 저장소 를 구축했습니다. 또한, 화자 내/간의 가중된 감정 변화(weighted emotional shifts) 를 고려한 대화 난이도 측정 기준 을 도입하여 LoRA 미세 조정(fine-tuning) 과정에 커리큘럼 학습 전략을 적용했습니다.

주요 결과

PRC-Emo 는 IEMOCAP 및 MELD 두 가지 벤치마크 데이터셋에서 새로운 최첨단(SOTA) 성능 을 달성했습니다. 특히, IEMOCAP 에서 가중 F1 점수 71.95% (기존 대비 0.76% 향상), MELD 에서 가중 F1 점수 70.44% (기존 대비 0.61% 향상)를 기록했습니다. 개별 모듈에 대한 어블레이션 연구에서는 프롬프트 설계, 특히 명시적/암묵적 감정 해석이 성능 향상에 가장 크게 기여했음을 확인했습니다.

AI 실무자를 위한 시사점

본 연구는 LLM 기반 감정 인식 모델의 잠재력 을 높이는 실용적인 접근 방식을 제시합니다. 명시적/암묵적 감정 해석 과 같은 구조화된 외부 지식을 활용한 프롬프트 엔지니어링은 모델의 심층적인 감정 이해를 가능하게 합니다. 또한, 다양한 대화 예시를 포함한 전용 데모 검색 저장소 는 모델의 일반화 능력과 소량 데이터 학습 성능을 크게 향상시킬 수 있으며, 대화 난이도를 고려한 커리큘럼 학습 은 모델의 강건성과 희소 클래스 학습에 효과적입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.