CSIRO-LT 在 SemEval-2025 任务 11 中：适应多语言情感识别的大型语言模型.pdfVIP

CSIRO-LT在SemEval-2025任务11中：适应多语言情感识别的大型语

言模型

JiyuChen,NecvaBölücü,SarvnazKarimi,DiegoMollá,CécileParis

澳大利亚联邦科学与工业研究组织数据61研究所澳大利亚麦考瑞大学

邮箱地址：firstname.lastname@csiro.au迪亚哥.molla-aliod@.au

表示共同第一作者。

摘要目标是在用32种不同语言编写的文本片段中

检测集体感知的情绪。集体感知的情感是指第

检测不同语言中的情感是一项挑战，因为

三方观察者可以归因于作者生成的文本片段的

本情感表达方式因文化差异而复杂多样。Se-基本情感状态，例如愤怒、快乐和厌恶。与旨

译meval2025任务11：弥合基于文本的情感在识别作者实际情绪状态或个别读者(Moham-

中差距共享任务旨在研究跨语言的情感识别

问题。该任务的目标是实现一个能够根据mad,2022,2023)引发的情绪状态的任务不同，

1作者的书面文本片段识别一般第三方观察此任务强调普通读者对情感的共同感知。这一

v

1者归因的基本情感状态以及这些情感强度区别至关重要，因为感知到的情感可能与意图

6的情感识别器。我们报告了针对LLM在情

1传达的情感和个人体验的情感有显著差异。

1感识别中各种任务适应策略的研究。结果

0共享任务包含三个赛道：(A)多标签情感

.显示，对于这项任务最有效的方法是对预

8训练的多语言LLM分别使用LoRA设置进检测，目标是预测给定文本片段中表达的感知

0

5行微调。情感状态，包括快乐、悲伤、恐惧、愤怒、惊

2

:讶和厌恶；(B)情绪强度，目标是预测给定文

v1介绍

i本片段中每个感知情感状态的强度等级。每种

x

r基于文本的情绪识别在与心理健情感状态均按四分制分类评分：0（无情感），1

a

康(GolderandMacy,2011)、情绪智力(Turcan（低强度），2（中等强度），3（高强度）；以及

etal.,2021)和人机交互(Lietal.,2022)相关的(C)跨语言情感检测，目标是在与模型训练所

研究中起着关键作用。然而，识别文本中的情用语言不同的语言编写的文本片段上预测感知

绪仍然是一个重大挑战，尤其是在不同语言之情绪，例如在基于英语数据的训练后，在爪哇

间(Mohammadetal.,2018)。语言变化、情感表语编写的数据上进行情感识别。

达的文化差异以及低资源语言标注数据的稀缺我们的团队