MoPrO-SD
面向立场检测任务的模块化提示优化框架，通过将提示拆解为功能性语义模块并进行顺序精炼，结合类别条件化错误分析，提升大语言模型在立场检测任务上的表现
时间轴 (近 90 天)
MoPrO-SD 是一个专门面向立场检测的模块化提示优化框架
MoPrO-SD 的核心做法是把提示拆解成功能性语义模块，然后借助 LLM 自身的反馈对这些模块进行顺序精炼
MoPrO-SD 研究了三种精炼策略：仅指令优化（I）、指令加推理（I+R）、指令加逐例推理（I+R+E）
MoPrO-SD 使用类别条件化错误（class-conditioned errors）针对每个立场类别单独分析错误来精炼立场标签
VaccineStance 数据集与 MoPrO-SD 的代码均已在 GitHub 上开源
研究在四个数据集和五个开源权重 LLM 上进行了实验
MoPrO-SD 在许多设置下都优于人工撰写的基线提示（Base prompt）
在 SemEval-2016 数据集上，类别条件反馈在五个骨干模型中的四个上取得了比汇总反馈更高的平均 Macro-F1 分数
I+R 和 I+R+E 两种基于推理的策略表现强劲，但相对优劣在不同模型和数据集之间会发生变化，没有一种策略能在所有场景下绝对胜出
全部知识事实 (9)
MoPrO-SD 是一个专门面向立场检测的模块化提示优化框架
50%待验证MoPrO-SD 的核心做法是把提示拆解成功能性语义模块，然后借助 LLM 自身的反馈对这些模块进行顺序精炼
50%待验证MoPrO-SD 研究了三种精炼策略：仅指令优化（I）、指令加推理（I+R）、指令加逐例推理（I+R+E）
50%待验证MoPrO-SD 使用类别条件化错误（class-conditioned errors）针对每个立场类别单独分析错误来精炼立场标签
50%待验证I+R 和 I+R+E 两种基于推理的策略表现强劲，但相对优劣在不同模型和数据集之间会发生变化，没有一种策略能在所有场景下绝对胜出
50%待验证研究在四个数据集和五个开源权重 LLM 上进行了实验
50%待验证MoPrO-SD 在许多设置下都优于人工撰写的基线提示（Base prompt）
50%待验证在 SemEval-2016 数据集上，类别条件反馈在五个骨干模型中的四个上取得了比汇总反馈更高的平均 Macro-F1 分数
50%待验证VaccineStance 数据集与 MoPrO-SD 的代码均已在 GitHub 上开源
50%