Sechs neue Beiträge veröffentlicht
Christopher Bagdon, Carina Silberer and Roman Klinger
Emotion experience, expression, and perception: Emotion analysis on multimodal social media posts. In The 2026 Conference on Empirical Methods in Natural Language Processing, 2026.
Wir fanden in dieser Untersuchung heraus, dass Menschen Gefühle in Social-Media-Beiträgen nur dann richtig verstehen, wenn sie auch den Hintergrund der geschilderten Situation kennen. Fehlen wichtige Informationen oder wird der Ablauf der Ereignisse bis zum Beitrag falsch verstanden, wird auch die ausgedrückte Emotion häufig falsch gedeutet. Der Kontext eines Beitrags ist also entscheidend dafür, wie wir die Gefühle anderer online wahrnehmen.
-
Jiahui Li, Yarik Menchaca Resendiz, Sean Papay and Roman Klinger
iPOE: Interpretable prompt optimization via explanations. In The 2026 Conference on Empirical Methods in Natural Language Processing, 2026.
Es wurde eine neue Methode entwickelt, mit der sich Prompts gezielt und nachvollziehbar verbessern lassen. Klare Richtlinien helfen dem Sprachmodell dabei, bessere Entscheidungen zu treffen, und machen den Optimierungsprozess transparent. Dadurch können auch Menschen ohne Vorkenntnisse gute Prompts erstellen, während gleichzeitig deutlich bessere Ergebnisse erzielt werden als mit bisherigen Methoden.
-
Albina Sarymsakova and Roman Klinger
Are more emotion theories better? Joint prompting improves emotion categorization robustness. In The 11th Workshop on Natural User-generated Text, 2026.
Die neue Studie untersucht, wie zuverlässig große Sprachmodelle Emotionen in Texten erkennen. Die Ergebnisse zeigen: Werden die Modelle angewiesen, mehrere psychologische Emotionstheorien miteinander zu kombinieren, liefern sie auch bei verzerrten oder fehlerhaften Texten zuverlässigere Vorhersagen. Dieser Ansatz kann dazu beitragen, robustere Systeme zur automatischen Emotionserkennung zu entwickeln.
-
Sabine Weber, Angelina Wang, Ankush Gupta, Arjun Subramonian, Dennis Ulmer, Eshaan Tanwar, Geetanjali Aich, Hannah Devinney, Jacob Hobbs, Jennifer Mickel, Joshua Tint, Mae Sosto, Ray Groshan, Simone Astarita, Vagrant Gautam, Verena Blaschke, William Agnew, Wilson Y Lee, Yanan Long
Queer NLP: A Critical Survey on Literature Gaps, Biases and Trends. In: Transactions of the Association for Computational Linguistics, 2026.
Die neue Übersichtsstudie untersucht Forschungsarbeiten zu LGBTQIA+-Gemeinschaften und Sprachtechnologien. Obwohl die Zahl der Beiträge zu „Queer NLP“ wächst, zeigen diese bislang häufiger bestehende Vorurteile und Probleme auf, als konkrete Lösungen zu entwickeln. Besonders viel Forschungsbedarf besteht bei der Einbindung betroffener Gruppen, der Berücksichtigung verschiedener Formen von Diskriminierung, der Zusammenarbeit unterschiedlicher Fachrichtungen und der Untersuchung anderer Sprachen als Englisch.
-
Itisha Yadav, Roman Klinger and Diana Peters
Where, how, and what to ground: Evaluating ontology-guided llm-based knowledge graph construction. In 5th International Workshop on Natural Language Processing for Knowledge Graph Construction (NLP4KGC 2026), co-located with ISWC 2026, 2026.
In dieser Studie wurde untersucht, wie große Sprachmodelle Informationen aus Dokumenten mithilfe von Ontologien – also strukturierten Begriffssystemen – in Wissensgraphen übertragen können. Experimente mit Sicherheitsdatenblättern zeigen, dass die Ergebnisse besser ausfallen, wenn die Ontologie bereits während der Informationsextraktion einbezogen wird, statt die Daten erst nachträglich zuzuordnen. Besonders präzise und detaillierte Darstellungen entstehen durch Ontologien, die speziell auf das jeweilige Fachgebiet zugeschnitten sind. Die Erkenntnisse helfen dabei, auch große und komplexe industrielle Ontologien künftig zuverlässiger in KI-gestützten Systemen einzusetzen.
-
Aswathy Velutharambath, Kai Sassenberg and Roman Klinger
What if deception cannot be detected? A cross-linguistic study on the limits of deception detection from text.Computational Linguistic, pages 1--72, 07 2026.
Die Studie untersucht, ob sich Täuschung allein anhand geschriebener Texte erkennen lässt. Dafür führt sie einen Ansatz ein, der Täuschung als Widerspruch zwischen einer Aussage und der tatsächlichen Überzeugung der schreibenden Person versteht, und erstellt drei Datensätze namens DeFaBel. Die untersuchten sprachlichen Merkmale zeigen darin keinen statistisch bedeutsamen Zusammenhang mit Täuschung; auch automatische Erkennungsmodelle schneiden kaum besser ab als der Zufall. Frühere Erfolge könnten daher auf Besonderheiten der jeweiligen Datensätze beruhen und lassen sich nicht verlässlich übertragen.