摘要

本文提出了一种利用大型语言模型（LLM）生成的解释来促进对话中社会意义检测的通用分类方法。通过设计多方面的提示，提取连接可见线索和潜在社会意义的推理文本解释，这些解释作为对话文本的扩充，有助于对话理解和迁移。实验结果表明，添加这些解释在 2340 个实验设置中对两个不同的社会意义检测任务（每个任务跨越两个不同的语料库）都有显著的积极影响。

原理

该方法的工作原理是利用大型语言模型生成的解释来促进对话中社会意义的检测。具体来说，通过设计多方面的提示，从大型语言模型中提取连接可见线索和潜在社会意义的推理文本解释，这些解释作为对话文本的扩充，有助于对话理解和迁移。

流程

1. 设计多方面的提示，包括任务描述、生成解释的指令、输出模板和示例。
2. 将提示输入到大型语言模型中，生成解释。
3. 将生成的解释与对话文本结合，用于对话理解和迁移。

应用

该方法可以应用于各种对话场景，如客户服务、社交媒体、在线教育等，帮助人们更好地理解对话中的社会意义，提高对话的质量和效率。