MoPrO-SD：面向立场检测的模块化提示优化

基于摘要分析。该研究针对 LLM 在隐含观点、讽刺及上下文依赖表达中的立场检测困难，提出 MoPrO-SD：将提示词拆分为功能性语义模块，利用 LLM 反馈依次优化，并根据立场类别对应的错误细化标签语义。该方法属于不更新模型参数的自动提示优化，而非 EEG/BCI 信号建模。 研究比较三种优化策略：仅优化指令（I）、指令结合推理（I+R），以及指令结合逐例推理（I+R+E）。其关键设计是围绕立场标签语义与类别特有歧义组织反馈，而不只汇总所有类别的错误。摘要尚未说明模块具体内容、反馈生成与筛选流程、优化停止条件或推理成本。 作者报告，在四个数据集和五个开放权重 LLM 的实验中，MoPrO-SD 在多种设置下优于人工编写的 Base 提示词。在 SemEval-2016 上，按类别组织的反馈在五个骨干模型中的四个上取得了高于汇总反馈的平均 Macro-F1；摘要未提供具体分数、数据划分或统计不确定性。作者报告，I+R 与 I+R+E 均表现较强，但相对效果随模型和数据集变化，且与近期提示优化方法具有竞争力，不能据此认定某种策略普遍最优。 研究同时引入人工标注的疫苗立场检测基准 VaccineStance，其研究对象是疫苗相关文本的立场，不是疫苗生物学效果。作者称代码与数据集已在 GitHub 提供，但所给材料未包含仓库地址。数据规模、标注一致性、优化集与测试集划分、基线配置、消融及统计信息尚未验证。摘要未提供与 EEG/BCI 的具体机制对应，本次不据此提出迁移效果或复现实验建议。