Persona-E$^2$：一个以人为本的数据集，用于对文本事件进行个性化的情感反应

大多数情感计算研究将情感视为文本的静态属性，关注作者的情感，而忽视读者的观点。这种方法忽略了个体性格如何导致对同一事件的不同情感评价。虽然角色扮演 大语言模型 (LLM) 试图模拟这种微妙的反应，但它们经常遭受“人格错觉”——依赖于表面的刻板印象而不是真实的认知逻辑。一个关键的瓶颈是缺乏 真值 人类数据来将人格特征与情绪变化联系起来。为了弥补这一差距，我们引入了 Persona-E$^2$ (Persona-Event2Emotion)，基于带注释的 MBTI 和大五特征的大型数据集，用于捕捉新闻、社交媒体和生活叙事中基于读者的情感变化。大量实验表明，最先进的 LLM 难以捕捉精确的评价变化，尤其是在社交媒体领域。至关重要的是，我们发现人格信息可以显着提高理解力，而大五特征可以减轻“人格错觉”。