Artikel veröffentlicht auf der LREC 2026
Die BamNLP Gruppe der Uni Bamberg trägt die folgenden Papiere und Workshops zu der 15th Language Resources and Evaluation Conference in Palma de Mallorca in May 2026 bei (https://lrec2026.info/).
Lynn Greschner, Sabine Weber, Roman Klinger:
Trust Me, I Can Convince You: The Contextualized Argument Appraisal Framework and the ContArgA Corpus.
Diese Arbeit stellt das „Contextualized Argument Appraisal Framework“ sowie das „ContArgA“-Korpus vor und zeigt, dass die emotionalen Bewertungen von Argumenten die wahrgenommene Überzeugungskraft systematisch beeinflussen: Positive Emotionen und Bewertungen (z. B. Angenehmheit, Vertrautheit, positive Konsequenzen) erhöhen die Überzeugungskraft, während negative sie verringern.
Yarik Menchaca Resendiz, Roman Klinger:
PARL: Prompt-based Agents for Reinforcement Learning.
Wir stellen PARL vor, eine promptbasierte Reinforcement-Learning-Methode, die eingefrorene große Sprachmodelle als In-Context-RL-Agenten nutzt, indem Zustände, Aktionen und Belohnungen im Prompt kodiert werden. In wissensbasierten Aufgaben (z.B. Blackjack) kann sie mit gängigen RL-Algorithmen mithalten oder diese sogar übertreffen.
Lynn Greschner, Meike Bauer, Sabine Weber, Roman Klinger:
Categorical Emotions or Appraisals – Which Emotion Model Explains Argument Convincingness Better?
Zero-Shot-Experimente mit LLMs auf dem ContArgA-Korpus zeigen, dass bewertungsbasierte Emotionsrepräsentationen die Vorhersage der Überzeugungskraft von Argumenten stärker erklären und verbessern als kategoriale Emotionslabels, obwohl die gemeinsame Vorhersage gegenüber Pipeline-Ansätzen schlechter abschneidet.
Egil Rønningstad, Roman Klinger, Lilja Øvrelid, Erik Velldal:
Sentence Relevance Detection for Entity-Level Sentiment Analysis.
Wir zeigen, dass das Extrahieren entitätsrelevanter Textspannen durch das Fine-Tuning von Modellen mit paarweisen Vergleichen bessere Ergebnisse für die Sentimentanalyse auf Entitätsebene liefert als ein reines Fine-Tuning für die Klassifikationsaufgabe.
Johannes Schäfer and Roman Klinger:
Disambiguation of Emotion Annotations by Contextualizing Events in Plausible Narratives.
Wir stellen den Datensatz „Emotional BackStories“ (EBS) sowie ein auf Story-Planung basierendes Generierungsframework vor und zeigen, dass automatisch erzeugte kontextuelle Hintergrundgeschichten ansonsten mehrdeutige Ereignisse systematisch disambiguieren.
Sabine Weber, Lynn Greschner, and Roman Klinger.
Less is More? The Role of Demographic Author Information in Emotion Classification of Ambiguous Text
Die Anzeige von Autor:inneninformationen neben emotional mehrdeutigem Text verbessert die Inter-Annotator-Übereinstimmung bei der Emotionsklassifikation nicht, sondern kann sie sogar verschlechtern. Zero-Shot-Prompting-Experimente mit LLMs ähneln dabei den Ergebnissen der menschlichen Annotationsexperimente.
Darüber hinaus ist BamNLP an der Organisation von zwei Workshops beteiligt:
- Christopher Bagdon und Roman Klinger organisieren gemeinsam mit Krishnapriya Vishnubhotla, Kristen A. Lindquist, Lyle Ungar und Saif M. Mohammad den Computational Affective Science Workshop. (https://casworkshop.github.io/)
- Roman Klinger und Sabine Weber organisieren gemeinsam mit Aswathy Velutharambath, Sofie Labat, Neele Falk, Flor Miriam Plaza del Arco, Véronique Hoste, Marco Antonio Stranisci, Soda Marem Lo, Rossana Damiano, Simona Frenda, Viviana Patti, Maarten Sap und Seid Muhie Yimam den Workshop on Social Context (SoCon) und Integrating NLP and Psychology to Study Social Interactions (NLPSI). (https://socon-nlpsi.github.io/)