An Application of Large Language Models to Coding Negotiation Transcripts
作者: Ray Friedman, Jaewoo Cho, Jeanne Brett, Xuhui Zhan, Ningyu Han, Sriram Kannan, Yingxiang Ma, Jesse Spencer-Smith, Elisabeth Jäckel, Alfred Zerres, Madison Hooper, Katie Babbit, Manish Acharya, Wendi Adair, Soroush Aslani, Tayfun Aykaç, Chris Bauman, Rebecca Bennett, Garrett Brady, Peggy Briggs, Cheryl Dowie, Chase Eck, Igmar Geiger, Frank Jacob, Molly Kern, Sujin Lee, Leigh Anne Liu, Wu Liu, Jeffrey Loewenstein, Anne Lytle, Li Ma, Michel Mann, Alexandra Mislin, Tyree Mitchell, Hannah Martensen née Nagler, Amit Nandkeolyar, Mara Olekalns, Elena Paliakova, Jennifer Parlamis, Jason Pierce, Nancy Pierce, Robin Pinkley, Nathalie Prime, Jimena Ramirez-Marin, Kevin Rockmann, William Ross, Zhaleh Semnani-Azad, Juliana Schroeder, Philip Smith, Elena Stimmer, Roderick Swaab, Leigh Thompson, Cathy Tinsley, Ece Tuncel, Laurie Weingart, Robert Wilken, JingJing Yao, Zhi-Xue Zhang
分类: cs.CL, cs.AI
发布日期: 2024-07-18
💡 一句话要点
利用大型语言模型分析谈判记录，探索LLM在现实场景中的应用潜力。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大型语言模型 自然语言处理 谈判分析 文本编码 零样本学习
📋 核心要点
- 现有谈判分析方法耗时且主观，缺乏自动化和可扩展性。
- 利用LLM的自然语言处理能力，自动分析谈判记录，提取关键信息。
- 通过多种策略探索LLM在谈判分析中的应用，并提供可复用的模型。
📝 摘要（中文）
本文探讨了范德堡大学AI谈判实验室如何应用大型语言模型（LLM）进行谈判记录分析。研究始于2022年9月，采用了多种策略，包括零样本学习、模型微调和上下文学习。论文详细介绍了最终采用的策略，并提供了模型的使用方法。本研究旨在揭示LLM在实际应用中的机遇与挑战，并为其他领域应用LLM进行编码提供参考模型。
🔬 方法详解
问题定义：论文旨在解决谈判记录分析中人工编码效率低、主观性强的问题。现有方法依赖人工阅读和标注谈判记录，耗时费力，且不同编码者之间可能存在偏差，难以保证分析结果的一致性和客观性。
核心思路：论文的核心思路是利用大型语言模型（LLM）强大的自然语言理解和生成能力，自动提取谈判记录中的关键信息，并进行编码。通过训练或提示LLM，使其能够理解谈判语境，识别谈判策略、立场和情感等要素，从而实现谈判分析的自动化和智能化。
技术框架：研究团队从2022年9月开始，探索了多种基于LLM的谈判记录分析策略，包括：1) 零样本学习：直接使用预训练的LLM进行分析，无需额外训练数据；2) 模型微调：使用谈判记录数据集对LLM进行微调，使其更适应特定任务；3) 上下文学习：通过在输入中提供少量示例，引导LLM进行分析。最终，论文详细介绍了他们所开发的最终策略，但具体架构细节未知。
关键创新：论文的关键创新在于将LLM应用于谈判记录分析这一特定领域，并探索了多种不同的LLM应用策略。虽然具体的技术细节未知，但其核心价值在于验证了LLM在复杂社会互动分析中的潜力，并为其他领域提供了借鉴。
关键设计：论文中关于关键设计的具体细节描述较少，例如，模型微调所使用的数据集规模、训练参数，以及上下文学习中示例的选择策略等。这些细节对于复现和进一步研究至关重要，但目前未知。
🖼️ 关键图片
📊 实验亮点
由于论文摘要中没有提供具体的实验结果和性能数据，因此无法总结实验亮点。论文强调了LLM在谈判记录分析中的应用潜力，并提供了一个可供参考的模型，但缺乏量化评估。
🎯 应用场景
该研究成果可应用于商业谈判、外交谈判、劳资谈判等领域，帮助谈判者更好地理解谈判过程、评估谈判策略、预测谈判结果。此外，该方法还可以推广到其他类型的社会互动分析，例如客户服务对话分析、在线社区讨论分析等，具有广泛的应用前景。
📄 摘要（原文）
In recent years, Large Language Models (LLM) have demonstrated impressive capabilities in the field of natural language processing (NLP). This paper explores the application of LLMs in negotiation transcript analysis by the Vanderbilt AI Negotiation Lab. Starting in September 2022, we applied multiple strategies using LLMs from zero shot learning to fine tuning models to in-context learning). The final strategy we developed is explained, along with how to access and use the model. This study provides a sense of both the opportunities and roadblocks for the implementation of LLMs in real life applications and offers a model for how LLMs can be applied to coding in other fields.