Identifying Effective Strategies in Prompt Evolution for Stress and Emotion Prediction
作者: SeungHyun Yi, Seungjun Yi, Sriram Sattiraju, Haeun Park, Joakim Nguyen, Terence Lim, Joseph Skrovan, Mehak Beri, Hitakshi Modi, Eloy Carrion, Andrew Well, Carlos M. Mery, Alexander Rasgon, Mia K Markey, Ying Ding
分类: cs.CL
发布日期: 2026-10-15
备注: 4 figures, 2 tables. Submitted to the 2027 IEEE International Conference on Healthcare Informatics (ICHI 2027)
💡 一句话要点
提出有效的提示演变策略以改善压力与情绪预测
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 压力预测 情绪分析 提示策略 社交媒体 心理健康 语言模型 数据驱动
📋 核心要点
- 现有方法在社交媒体压力预测中存在假阳性问题，且提示修订效果不一致，缺乏明确的策略指导。
- 论文提出通过GEPA及其扩展方法，结合不同提示的指令，来优化压力和情绪预测的效果。
- 实验结果显示，GEPA和GEPA+merge在多个设置中显著提升了预测性能，同时识别出有效的提示策略。
📝 摘要（中文）
早期压力检测和风险预测对于及时的心理健康评估和支持至关重要。尽管大型语言模型在社交媒体压力预测中显示出潜力，但仅依赖准确性可能会掩盖假阳性。此外，提示修订在不同模型和任务中产生的不一致收益，使得策略组合和指令变化之间的联系不明确。通过比较六种方法在社交媒体压力和情绪数据上的表现，我们发现GEPA及其扩展（GEPA+merge）在多个设置中改善了预测效果。我们还识别出五种与发展收益相关的提示策略，包括关注情感证据、区分当前与过去的痛苦、说明间接线索、要求情感背景和指导标签选择。此外，我们记录了四个跨任务和评估设置的观察结果。这些发现为社交媒体压力检测的提示演变方法提供了指导。
🔬 方法详解
问题定义：本论文旨在解决社交媒体上压力和情绪预测中的假阳性问题，以及提示修订带来的不一致性。现有方法在不同模型和任务中的表现差异较大，缺乏有效的策略指导。
核心思路：论文的核心思路是通过GEPA及其扩展（GEPA+merge）来优化提示的演变，结合不同的指令以提高预测的准确性和一致性。这样的设计旨在通过系统化的策略组合来提升模型的表现。
技术框架：整体架构包括数据收集、提示设计、模型训练和评估四个主要阶段。首先收集社交媒体数据，然后设计多种提示策略，接着使用不同大小的语言模型进行训练，最后通过多种评估指标进行效果验证。
关键创新：最重要的技术创新点在于识别出五种有效的提示策略，并通过GEPA和GEPA+merge方法显著提升了预测性能。这与现有方法的本质区别在于系统化的策略组合和指令优化。
关键设计：在模型训练中，采用了不同的损失函数和参数设置，以适应不同的任务需求。此外，提示的选择和组合方式也经过精心设计，以确保在多种情境下都能发挥最佳效果。
🖼️ 关键图片
📊 实验亮点
实验结果表明，GEPA和GEPA+merge在多个设置中显著提升了预测性能，尤其在早期压力预测中表现优异。此外，识别出的五种提示策略为模型优化提供了实用指导，推动了社交媒体情绪分析的研究进展。
🎯 应用场景
该研究的潜在应用领域包括社交媒体监测、心理健康评估和情绪分析等。通过有效的压力和情绪预测，可以为心理健康干预提供及时支持，具有重要的社会价值和实际意义。未来，该方法可能扩展到其他领域，如教育、客户服务等，帮助识别潜在的情绪问题。
📄 摘要（原文）
Early stress detection and risk prediction are crucial for timely mental health assessment and support. While large language models have recently shown promise for social media stress prediction, relying on accuracy can obscure false positives. Also, prompt revisions yield inconsistent gains across models and tasks, with unclear links to strategy combinations and instruction changes. By comparing six methods on social media stress and emotion data across two model sizes, we found that GEPA and its extension combining instructions from two prompts (GEPA+merge) improved prediction over initial prompts in several settings. We also identified five prompting strategies associated with development gains. These strategies included directing attention to emotional evidence, distinguishing current from past distress, illustrating indirect cues, requiring emotional context, and guiding label selection. Moreover, we documented four observations across tasks and evaluation settings. In a separate set of searches, binary stress prediction improved early, whereas multilabel emotion prediction initially declined and partly recovered. The other three concerned incorrect or conflicting instructions, gains on small comparison samples that did not hold on full development data, and changes in selected prompts' development and reported test rankings. These findings identify effective prompt evolution methods, strategy combinations associated with gains, and task and evaluation limits, providing guidance for applying prompt evolution methods to social media stress detection.