Is Sarcasm Detection A Step-by-Step Reasoning Process in Large Language Models?

详细阐述中间推理步骤显著提高了大型语言模型（LLMs）解决复杂问题的能力，因为这些步骤会引发LLMs进行连续思考。然而，人类理解讽刺常被认为是一种直观和整体的认知过程，在这个过程中，各种语言、语境和情感线索被整合起来形成对说话者真实意图的全面理解，这被认为不限于一步一步的推理过程。为了验证这个论点，我们引入了一个名为SarcasmCue的新提示框架，其中包含四种提示策略，即矛盾链（CoC）、线索图（GoC）、线索包（BoC）和线索张量（ToC），这些策略通过考虑连续和非连续提示方法来引导LLMs检测人类讽刺。通过对四个基准数据集的全面实证比较，我们表明所提出的四种提示方法明显优于标准IO提示、CoT和ToT，并且非连续提示通常优于连续提示。

论文旨在解决人工智能模型理解人类讽刺的问题，验证人类理解讽刺是否仅限于逐步推理的过程。

论文提出了一种新的提示框架SarcasmCue，其中包含四种提示策略，可以引导大型语言模型通过顺序和非顺序提示方法来检测人类讽刺。

实验结果表明，所提出的四种提示方法的性能优于标准IO提示，而非顺序提示通常优于顺序提示。论文使用四个基准数据集进行了全面的实证比较。

最近的相关研究包括：1. 'A Review of Sarcasm Detection Techniques'；2. 'Sarcasm Detection using Neural Networks'；3. 'Sarcasm Detection in Social Media using Deep Learning'。