Human-like Affective Cognition in Foundation Models

理解情感对于人类的交互和体验至关重要。人类可以轻易地从情境或面部表情中推断出情感，从情感中推断出情境，并进行各种情感认知。现代人工智能在这些推断方面的能力如何？我们介绍了一个评估框架，用于测试基础模型中的情感认知。从心理学理论出发，我们生成了1,280个不同的情境，探讨了评价、情感、表情和结果之间的关系。我们在精心选择的条件下评估了基础模型（GPT-4、Claude-3、Gemini-1.5-Pro）和人类（N = 567）的能力。我们的结果显示，基础模型往往与人类直觉相符，匹配或超过参与者间的一致性。在某些条件下，模型是“超人类”的-它们比平均人类更好地预测模态人类的判断。所有模型都受益于思维链推理。这表明，基础模型已经获得了类似于人类的情感理解，以及情感对信念和行为的影响。

本文旨在评估现代AI在情感认知方面的能力。作者提出了一个评估框架，通过生成1280个不同情境的案例测试了三个基础模型（GPT-4、Claude-3、Gemini-1.5-Pro）和567名人类的情感认知能力。

本文通过实验结果表明，基础模型在情感认知方面已经具备了类人的理解能力，有些情况下甚至表现出超越人类的水平。

本文的实验设计精心，使用了1280个不同情境的案例，作者还开源了数据集和代码。实验结果表明，基础模型在情感认知方面表现良好，有望在情感计算领域有更广泛的应用。

最近的相关研究包括《Affective Computing: From Laughter to IEEE Transactions》、《Emotion Recognition using Facial Landmarks, Python, DLib and OpenCV》等。