emotional intelligence
PulseAugur coverage of emotional intelligence — every cluster mentioning emotional intelligence across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
债券收益率与经济增长：教科书式分析
该集群关注关于债券收益率及其对经济增长和股票估值影响的经济评论。讨论引用了关于高实际收益率通常如何抑制经济活动的教科书理论。背景似乎是关于金融市场和经济指标的更广泛对话。
-
新的贝叶斯优化技术应对复杂的科学和工程问题 · 跟踪4个来源
近期研究论文探讨了用于复杂问题的贝叶斯优化（BO）技术的进展。一项研究介绍了“脱离循环”（Out-Of-The-Loop）MF-BO，它结合了历史高保真数据，在最高保真度直接访问成本过高时改进优化。另一篇论文提出了一种双层BO方法，该方法利用具有黑盒和白盒变量的问题中的可分离性，在基准测试中表现优于标准方法。此外，还提出了一个名为“Tempered Posteriors”的框架，通过调整高斯过程代理来增强BO的鲁棒性，在局部采样下表现…
-
新框架PTEI利用个性特征增强LLM情商 · 跟踪2个来源
研究人员开发了一个名为PTEI的新框架，该框架将个性特征整合到大型语言模型（LLM）中，以提高它们的情商。该框架利用从情感场景中提取的MBTI和OCEAN等个性模型，指导LLM推断情感及其原因。实验表明，PTEI增强了各种LLM的情感理解能力，其中GPT模型的提升尤为显著。进一步将PTEI与思维链推理相结合，准确率又提高了4%。
-
新的SpeechEQ基准测试评估语音模型中的AI情商
研究人员推出SpeechEQ，一个旨在评估语音语言模型（SLM）情商的新框架。该框架包含一个包含2,265个对话的数据集和一个多轮评估协议，用于衡量口语情商（SEQ），其灵感来源于人类情商评估。使用SpeechEQ进行的实验揭示，当前的模态多样的模型在语用线索方面存在困难，表现出模态捷径、安全陷阱和上下文遗忘等问题，表明在实现真正具有情感意识的AI方面存在重大障碍。
-
大型语言模型（LLM）的个性和情商被发现是碎片化且依赖于上下文的
新研究探讨了大型语言模型（LLM）如何表达个性和情商，揭示了这些能力并非铁板一块。研究表明，个性表达受显式特征规范、对话角色和表达风格的组合影响，而非仅依赖于直接提示。此外，LLM中的情商在感知、认知和交互中是碎片化的，目前的对齐方法可能过度优化了肤浅的模仿，而非真正的情感推理。这些发现强调了需要更细致的方法来控制LLM的行为并开发具有社会意识的代理。