Искусственный интеллект с эмоциями: исследование эмоциональных выражений в больших языковых моделях.

Исследователи проверили, могут ли большие языковые модели (GPT, Llama, Gemini) генерировать текст с заранее заданной эмоцией. Для этого они использовали психологическую модель Рассела, описывающую эмоции по двум осям: "энергичность" (Arousal) и "приятность" (Valence), и передавали их числовые значения прямо в промпте. Эксперимент показал, что продвинутые модели, такие как GPT-4, успешно справляются с задачей и генерируют текст, эмоциональный окрас которого соответствует заданным параметрам.

Ключевой результат: Доказано, что можно точно управлять эмоциональным стилем ответа LLM, используя в промпте числовые координаты из психологической модели эмоций.

Суть метода заключается в том, чтобы отказаться от расплывчатых словесных описаний эмоций ("грустный", "веселый") в пользу точной двухмерной системы координат, предложенной психологом Джеймсом Расселом. Это позволяет управлять стилем ответа LLM с почти математической точностью.

Методика строится на двух параметрах, которые задаются числами от -1 до 1:

1. Arousal (Энергичность / Уровень возбуждения):

   • +1: Максимальная энергия (взволнованность, восторг, паника, ярость).
   • 0: Нейтральный уровень.
   • -1: Минимальная энергия (сонливость, расслабленность, уныние, спокойствие).

2. Valence (Валентность / Эмоциональная окраска):

   • +1: Максимально приятная, позитивная эмоция (счастье, восторг, удовольствие).
   • 0: Нейтральная окраска.
   • -1: Максимально неприятная, негативная эмоция (грусть, гнев, отвращение).

Для применения метода достаточно вставить в начало своего промпта (в идеале — в поле "System Prompt", если оно доступно) специальную инструкцию, указав в ней желаемые числовые значения.

*Прямая применимость:Пользователь может напрямую скопировать предложенный в исследовании шаблон промпта, чтобы генерировать тексты с нужным настроением. Это идеально подходит для:

* **Маркетологов:** Создание рекламных текстов с точно выверенным эмоциональным посылом (например, "вдохновляющий и энергичный" или "успокаивающий и надежный").
* **Писателей и сценаристов:** Разработка диалогов для персонажей с определенным характером.
* **Разработчиков чат-ботов:** Создание персоны для бота, которая будет стабильно придерживаться одного эмоционального стиля (например, "спокойный и эмпатичный помощник").

• Концептуальная ценность: Исследование дает пользователю мощную ментальную модель: LLM способна понимать и воспроизводить не только слова, но и абстрактные, многомерные концепции, такие как эмоции. Это подталкивает к экспериментам с передачей других сложных инструкций в виде структурированных параметров, а не только сплошного текста. Пользователь начинает понимать, что можно "программировать" поведение модели через промпт.

• Потенциал для адаптации: Даже если не использовать числовые параметры, сама идея декомпозиции эмоций на "энергию" и "окраску" очень полезна. Вместо того чтобы писать "сделай текст дружелюбным", пользователь, понявший этот принцип, может сформулировать запрос точнее: "Напиши текст в спокойном (низкая Arousal) и позитивном (высокая Valence) тоне". Это повышает качество и предсказуемость результата без необходимости запоминать числа.

Представим, что нужно составить текст для email-рассылки о запуске нового фитнес-приложения. Цель — замотивировать, зарядить энергией, но без агрессивного навязывания. Выбираем высокую энергию и высокую позитивную окраску: Arousal: 0.8, Valence: 0.9.

**System Prompt:**
Assume the role of a character who is experiencing an emotional state as described by Russell's Circumplex Model. Produce a response that accurately reflects this emotional state, presenting only the response itself.
State: Arousal (min:-1, max:1) = 0.8, Valence (min: -1, max:1) = 0.9.
Respond in a few sentences.

**User Prompt:**
Напиши короткий рекламный текст для email-рассылки о новом фитнес-приложении "Энергия+". Расскажи, что оно помогает достигать целей с радостью. Целевая аудитория - молодые люди, которые хотят начать заниматься спортом.

Этот промпт работает за счет нескольких точных механик: 1. Задание роли и эмоционального состояния: Системный промпт немедленно переводит модель в режим "актера", который должен играть определенную эмоцию. Это гораздо эффективнее, чем простое описание. 2. Управление энергией (Arousal: 0.8): Этот параметр заставляет модель подбирать слова и конструкции, передающие динамику и энтузиазм: "взрыв энергии", "достигай невероятного", "зарядись мотивацией". Текст становится живым и побуждающим к действию. 3. Управление окраской (Valence: 0.9): Этот параметр гарантирует, что вся энергия будет направлена в позитивное русло. Модель будет использовать слова, связанные с радостью, успехом и удовольствием: "с улыбкой", "легко и с вдохновением", "твой путь к лучшей версии себя". Это исключает появление агрессивных или стрессовых ноток, которые могли бы возникнуть при высокой энергии.

В результате модель генерирует не просто рекламный текст, а текст с точно выверенным вдохновляющим и восторженным настроением.

Представим, что нужно написать ответ службы поддержки клиенту, который очень расстроен из-за задержки доставки его заказа. Цель — успокоить клиента, проявить сочувствие, но оставаться профессиональным. Выбираем низкую энергию (чтобы не нагнетать) и слегка позитивную окраску (чтобы показать готовность помочь). Arousal: -0.7, Valence: 0.4.

**System Prompt:**
Assume the role of a character who is experiencing an emotional state as described by Russell's Circumplex Model. Produce a response that accurately reflects this emotional state, presenting only the response itself.
State: Arousal (min:-1, max:1) = -0.7, Valence (min: -1, max:1) = 0.4.
Respond in a few sentences.

**User Prompt:**
Напиши ответ клиенту по имени Олег, который жалуется, что его заказ №12345 до сих пор не доставлен, хотя должен был прийти вчера. Нужно извиниться, объяснить, что произошел сбой в логистике, и предложить в качестве компенсации промокод на скидку 15% на следующий заказ.

Механизм здесь направлен на деэскалацию конфликта и создание доверительной атмосферы: 1. Управление энергией (Arousal: -0.7): Этот параметр заставляет модель использовать спокойную, размеренную и неторопливую лексику. Он предотвращает появление панических или защищающихся фраз. Вместо "О боже, ужасная ошибка!" модель сгенерирует что-то вроде: "Мы понимаем ваше огорчение и хотим спокойно разобраться в ситуации". Это снижает напряжение. 2. Управление окраской (Valence: 0.4): Слегка позитивная валентность направляет спокойствие в конструктивное русло. Модель будет выражать эмпатию и готовность помочь, а не холодное безразличие. Она будет использовать фразы вроде "искренне сожалеем", "чтобы сгладить ожидание", "ценим ваше терпение". Это показывает клиенту, что его проблема важна и ею занимаются.

спокойный, эмпатичный и надежный. Модель не будет ни паниковать, ни излучать неуместный оптимизм, а выдаст взвешенный и профессиональный ответ.

• A. Релевантность техникам промптинга: Да, исследование предоставляет конкретный и воспроизводимый шаблон системного промпта для управления эмоциональным окрасом ответа (Рис. 1).
• B. Улучшение качества диалоговых ответов: Да, позволяет тонко настраивать тон ответов, что критически важно для создания чат-ботов с определенным характером, для маркетинговых текстов и креативного письма.
• C. Прямая практическая применимость: Да, метод не требует программирования или донастройки модели. Его можно использовать напрямую в чат-интерфейсах, поддерживающих системные промпты (например, OpenAI Playground), или просто вставляя инструкцию в начало обычного промпта.
• D. Концептуальная ценность: Очень высокая. Исследование наглядно показывает, что LLM могут оперировать абстрактными, нелингвистическими концепциями (числовыми координатами эмоций) и транслировать их в соответствующий стиль текста. Это помогает понять, что модель не просто повторяет заученные фразы, а имеет более глубокое "понимание" семантики.
• E. Новая полезная практика: Работа попадает сразу в несколько кластеров:
  • 1. Техники формулирования промптов: Предложен продвинутый метод ролевой игры с числовыми параметрами.
  • 2. Поведенческие закономерности LLM: Демонстрирует, что более новые модели (GPT-4, Llama3-70B) значительно лучше справляются с этой задачей, чем их предшественники (GPT-3.5).
  • 4. Управление генерацией: Предлагает новый, нетривиальный способ управления стилем генерации, который дополняет стандартные параметры вроде temperature.
• Чек-лист практичности: Дает готовые конструкции, объясняет, как структурировать запрос, и раскрывает неочевидные особенности поведения LLM. Это дает +15 баллов к базовой оценке.

Исследование получает высокую оценку, так как предлагает готовую к использованию, инновационную и мощную методику для контроля над одним из самых сложных аспектов генерации текста — эмоциональным тоном. Это прямой ответ на запрос "как сделать, чтобы бот отвечал в нужном стиле".