NeuroPrompt：基于大语言模型的 EEG 条件化情绪感知对话生成

基于摘要分析。研究针对情绪适应性对话依赖显式情绪提示或人工标签、且缺少 EEG—对话配对语料的问题，提出分阶段框架 NeuroPrompt：学习跨被试 EEG 情绪表征，将其映射至 LLM 嵌入空间，再以投影后的表征引导回复生成。其主要研究对象是 EEG 条件化的情绪感知对话，而非单独的情绪分类。 机制上，该框架将 EEG 作为隐式情绪线索接入语言生成。摘要未披露 EEG 表征学习目标、投影模块结构、LLM 训练或冻结策略，以及 EEG—对话样本的配对方式；因此尚不能判断各阶段如何衔接、需要何种监督及配对数据规模。 作者报告，在跨被试协议下，对 1,598 个配对对话样本进行 GPT-5.4 盲评，EEG-Conditioned LLM 的胜率为 31.93%、平均排名为 2.23；Text-Only Baseline 分别为 22.44% 和 2.45，Unconditioned LLM 为 11.67% 和 3.17，Gold-Label Oracle 为 33.96% 和 2.14。按摘要中的评价方向，EEG 条件化模型优于前两项对照，并接近情绪标签参照模型；这些数字是对话评价结果，不能解释为 EEG 情绪识别 Accuracy。作者另报告，500 样本的人类问卷评估呈现相同趋势。 在线研究中，参与者在实时交互时将自身 EEG 输入模型，评估者对匿名回复与参与者当前情绪状态的匹配程度评分。作者报告，EEG-Conditioned LLM 在所比较模型中获得最佳人工评分和平均排名，但摘要未给出在线被试数、具体分数及比较模型清单，不能直接将离线对照关系套用于在线结果。 结果支持作者关于 EEG 可用于回复情绪适应的结论，但其适用范围仍取决于情绪参照的确定方式、跨被试划分、文本与 EEG 信息贡献的区分，以及在线采集和推理条件。数据集、采集通道、预处理、统计不确定性、消融及复现资源均尚未验证；尚不能据摘要判断其对自然交互情绪变化的泛化能力。