Evaluating Prompt Engineering Strategies for Sentiment Control in AI-Generated Texts

📄 arXiv: 2602.06692v1 📥 PDF

作者: Kerstin Sahler, Sophie Jentzsch

分类: cs.CL

发布日期: 2026-02-06

备注: The definitive, peer-reviewed and edited version of this article is published in HHAI 2025 - Proceedings of the Fourth International Conference on Hybrid Human-Artificial Intelligence, Frontiers in Artificial Intelligence and Applications, Volume 408, ISBN 978-1-64368-611-0, pages 423 - 438, 2025

DOI: 10.3233/FAIA250659

💡 一句话要点

提出基于Prompt工程的情感控制方法，提升AI生成文本的情感表达能力

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

关键词: Prompt工程 情感控制 大型语言模型 文本生成 情感自适应AI

📋 核心要点

  1. 现有方法在控制AI生成文本的情感方面存在挑战，尤其是在资源和数据受限的情况下。
  2. 论文提出利用Prompt工程，通过设计不同的Prompt策略来有效控制LLM生成文本的情感倾向。
  3. 实验表明，Prompt工程在情感控制方面效果显著，尤其是在数据受限场景下，Few-Shot prompting表现最佳。

📝 摘要（中文）

大型语言模型(LLMs)的突破性能力为通过情感自适应人工智能(AI)增强人机交互提供了新的机会。然而，有意控制这些系统中的情感仍然具有挑战性。本研究探讨了prompt工程在控制LLM生成文本中的情感方面的潜力，提供了一种资源敏感且易于访问的替代现有方法。我们使用Ekman的六种基本情感(例如，喜悦、厌恶)检验了各种prompt技术，包括使用gpt-3.5-turbo的Zero-Shot和Chain-of-Thought prompting，并将其与微调进行比较。我们的结果表明，prompt工程可以有效地引导AI生成文本中的情感，为微调提供了一种实用且经济高效的替代方案，尤其是在数据受限的环境中。在这方面，带有人工编写示例的Few-Shot prompting是最有效的方法之一，这可能是由于额外的特定任务指导。这些发现为开发情感自适应AI系统贡献了宝贵的见解。

🔬 方法详解

问题定义：论文旨在解决如何有效控制大型语言模型（LLMs）生成文本的情感倾向问题。现有方法，如微调，通常需要大量的标注数据和计算资源，对于资源受限的场景并不适用。因此，如何以更轻量级的方式实现情感控制是本研究的核心问题。

核心思路：论文的核心思路是利用Prompt工程，通过精心设计的Prompt来引导LLM生成具有特定情感色彩的文本。Prompt工程通过改变输入LLM的指令，从而影响其输出，无需修改模型本身，降低了资源消耗。

技术框架：该研究的技术框架主要包括以下几个阶段：1) 选择目标情感（Ekman的六种基本情感）；2) 设计不同的Prompt策略，包括Zero-Shot、Chain-of-Thought和Few-Shot prompting；3) 使用GPT-3.5-turbo模型生成文本；4) 评估生成文本的情感倾向。

关键创新：本研究的关键创新在于探索了Prompt工程在情感控制方面的潜力，并证明了其在资源受限场景下的有效性。与传统的微调方法相比，Prompt工程无需大量数据和计算资源，即可实现对生成文本情感的有效控制。

关键设计：在Prompt设计方面，论文尝试了多种策略。Zero-Shot prompting直接要求模型生成特定情感的文本；Chain-of-Thought prompting引导模型逐步推理，从而生成更具情感色彩的文本；Few-Shot prompting则提供少量人工编写的示例，以指导模型生成更符合要求的文本。其中，Few-Shot prompting表现最佳，表明提供任务相关的示例能够显著提升情感控制的效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Prompt工程能够有效控制AI生成文本的情感。在各种Prompt策略中，Few-Shot prompting表现最佳，这表明提供少量人工编写的示例能够显著提升情感控制的效果。该方法在数据受限场景下，为情感控制提供了一种实用且经济高效的替代方案。

🎯 应用场景

该研究成果可应用于情感聊天机器人、情感化内容生成、心理健康辅助等领域。通过控制AI生成文本的情感，可以提升用户体验，增强人机交互的自然性和情感共鸣。未来，该技术有望在更广泛的领域得到应用，例如情感营销、教育娱乐等。

📄 摘要（原文）

The groundbreaking capabilities of Large Language Models (LLMs) offer new opportunities for enhancing human-computer interaction through emotion-adaptive Artificial Intelligence (AI). However, deliberately controlling the sentiment in these systems remains challenging. The present study investigates the potential of prompt engineering for controlling sentiment in LLM-generated text, providing a resource-sensitive and accessible alternative to existing methods. Using Ekman's six basic emotions (e.g., joy, disgust), we examine various prompting techniques, including Zero-Shot and Chain-of-Thought prompting using gpt-3.5-turbo, and compare it to fine-tuning. Our results indicate that prompt engineering effectively steers emotions in AI-generated texts, offering a practical and cost-effective alternative to fine-tuning, especially in data-constrained settings. In this regard, Few-Shot prompting with human-written examples was the most effective among other techniques, likely due to the additional task-specific guidance. The findings contribute valuable insights towards developing emotion-adaptive AI systems.