Enhancing Collective Intelligence in Large Language Models Through Emotional Integration

📄 arXiv: 2503.04849v1 📥 PDF

作者: Likith Kadiyala, Ramteja Sajja, Yusuf Sermet, Ibrahim Demir

分类: cs.CL, cs.AI, cs.CY, cs.HC, cs.MA

发布日期: 2025-03-05

备注: 23 pages, 8 figures

💡 一句话要点

通过情感集成增强大语言模型的集体智能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 情感集成 集体智能 低秩适应 情感多样性

📋 核心要点

  1. 现有大语言模型在模拟人类决策时缺乏情感多样性，限制了其集体智能的潜力。
  2. 该研究通过微调LLM，使其能够模拟不同情感状态下的响应，从而实现情感集成。
  3. 实验表明，情感集成能够影响LLM的决策模式，并在一定程度上保持预测精度。

📝 摘要（中文）

本研究探讨了将情感多样性融入大型语言模型（LLM）以增强集体智能的方法。受到人类群体智慧现象的启发，即群体决策通常优于个体判断，我们使用谷歌的GoEmotions数据集和低秩适应（LoRA）对DarkIdol-Llama-3.1-8B模型进行了微调，以模拟情感多样化的响应。通过在Fargo, ND和Seattle, WA之间的距离估计任务中，对15,064个独特的角色配置进行评估，我们分析了情感状态和社会属性如何影响决策。研究结果表明，情感集成在保持可接受的预测精度的同时，塑造了响应模式，揭示了其增强人工智能集体智能的潜力。本研究为情感多样性与LLM决策之间的相互作用提供了有价值的见解，为创建在情感深度和分析精度之间取得平衡的情感感知AI系统提供了途径。

🔬 方法详解

问题定义：现有的大语言模型在进行决策时，往往缺乏人类决策中重要的情感因素。这导致模型在模拟群体决策时，无法体现不同情感状态对决策的影响，从而限制了其集体智能的发挥。现有方法难以有效地将情感多样性融入到LLM中，使其能够模拟真实世界中复杂的情感交互。

核心思路：本研究的核心思路是借鉴人类的“群体智慧”现象，即群体决策通常优于个体决策。通过为LLM注入情感多样性，使其能够模拟不同情感状态下的个体，从而在群体决策中更好地体现集体智慧。具体来说，通过微调LLM，使其能够根据不同的情感提示生成不同的响应，从而模拟情感多样性。

技术框架：该研究的技术框架主要包括以下几个步骤：1) 选择预训练的LLM模型（DarkIdol-Llama-3.1-8B）。2) 使用GoEmotions数据集对模型进行微调，使其能够识别和生成不同的情感。3) 使用低秩适应（LoRA）技术，以减少微调过程中的计算成本。4) 设计距离估计任务，用于评估情感集成对LLM决策的影响。5) 通过分析不同情感状态下的响应模式，评估情感集成对集体智能的增强效果。

关键创新：该研究的关键创新在于将情感多样性融入到LLM中，并探索其对集体智能的影响。与现有方法相比，该研究更加关注情感因素在LLM决策中的作用，并提出了一种有效的情感集成方法。此外，该研究还设计了一种新的评估方法，用于评估情感集成对LLM集体智能的增强效果。

关键设计：在模型微调过程中，使用了GoEmotions数据集，该数据集包含了27种不同的情感标签。使用LoRA技术进行微调，可以有效地减少计算成本，并避免过拟合。在距离估计任务中，使用了15,064个独特的角色配置，以模拟真实世界中复杂的情感交互。通过分析不同情感状态下的响应模式，评估情感集成对LLM决策的影响。

📊 实验亮点

实验结果表明，情感集成能够显著影响LLM的决策模式。在距离估计任务中，不同情感状态下的LLM给出的估计值存在差异，表明情感能够影响LLM的判断。同时，情感集成在保持可接受的预测精度的前提下，提高了LLM的集体智能。该研究为情感人工智能的发展提供了重要的实验依据。

🎯 应用场景

该研究成果可应用于多个领域，例如：情感客服机器人，能够根据用户的情感状态提供个性化的服务；智能决策系统，能够考虑情感因素，做出更符合人类价值观的决策；社交媒体分析，能够识别和理解用户的情感，从而更好地进行舆情分析。未来，该研究有望推动情感人工智能的发展，使AI系统更加智能、人性化。

📄 摘要（原文）

This research investigates the integration of emotional diversity into Large Language Models (LLMs) to enhance collective intelligence. Inspired by the human wisdom of crowds phenomenon, where group decisions often outperform individual judgments, we fine-tuned the DarkIdol-Llama-3.1-8B model using Google's GoEmotions dataset and Low-Rank Adaptation (LoRA) to simulate emotionally diverse responses. Evaluating the model on a distance estimation task between Fargo, ND, and Seattle, WA, across 15,064 unique persona configurations, we analyzed how emotional states and social attributes influence decision-making. Our findings demonstrate that emotional integration shapes response patterns while maintaining acceptable prediction accuracy, revealing its potential to enhance artificial collective intelligence. This study provides valuable insights into the interplay of emotional diversity and decision-making in LLMs, suggesting pathways for creating emotionally aware AI systems that balance emotional depth with analytical precision.