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.

• 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/)

Vollständige Informationen und Bewerbungsanweisungen hier.

Papiere:

• Moiz Rauf, Sean Papay, Georg Brosinsky, Ira Stoll: Medical Summarization in Practice: Design, Deployment, and Analysis of a Clinical Summarization System for a German Hospital (Industry Track).
• Yanran Chen, Lynn Greschner, Roman Klinger, Michael Klenk, Steffen Eger: Emotionally Charged, Logically Blurred: AI-driven Emotional Framing Impairs Human Fallacy Detection (Main Conference).
• Johannes Schäfer, Janne Wagner, Roman Klinger. Appraisal trajectories in narratives reveal distinct patterns of emotion evocation. (WASSA Workshop)

• Sabine Weber, Lynn Greschner, Roman Klinger. Says who? argument convincingess and reader stance are correlated with perceived author personality. (WASSA Workshop)

   

Darüber hinaus ist BamNLP an der Organisation der Konferenz beteiligt:

• Roman Klinger organisiert gemeinsam mit Jeremy Barnes, Valentin Barriere, Orphée De Clercq, Debora Nozza, Célia Nouri und Pranaydeep Singh den 15. Workshop zu Computational Approaches to Subjectivity, Sentiment & Social Media Analysis.
• Sabine Weber ist eine der Vorsitzenden für Vielfalt und Inklusion.
• Lynn Greschner und Roman Klinger schlagen eine „Birds-of-a-Feather”-Sitzung zum Thema Emotionsanalyse und -generierung vor.

Große Sprachmodelle sind anfällig – kleine Änderungen an einer Eingabeaufforderung können die Ausgabe vollständig verändern. Dies wird allgemein als großes Problem bei Modellen angesehen, aber auch Menschen sind „anfällig“: Je nachdem, wie eine Frage gestellt wird, ändert sich auch ihre Antwort. In diesem Artikel untersuchen wir, wie sich die Änderungen der Antworten von Menschen mit denen von LLMs vergleichen lassen – was passiert, wenn die Antwortoptionen Tippfehler enthalten oder ihre Reihenfolge geändert wird? Wir stellen fest, dass Menschen zwar ebenfalls anfällig sind, jedoch in geringerem Maße als LLMs und nicht für dieselbe Art von Änderungen.

Yarik Menchaca Resendiz, Martin Kerwer, Anita Chasiotis, Marlene Bodemer, Kai Sassenberg, Roman Klinger: Supporting Plain Language Summarization of Psychological Meta-Analyses with Large Language Models.

In diesem Demo-Papier stellen wir ein System vor, das wir gemeinsam mit dem Leibniz-Institut für Psychologie im Rahmen des Projekts KlARPsy entwickeln. Das KlARPsy-Team erstellt Meta-Reviews zu psychologischen Themen, die auch für Laien leichter verständlich sind. Unser System unterstützt die „Übersetzung” in eine einfachere Sprache und die Extraktion der wichtigsten Fakten mit einem promptbasierten System.

Im Artikel werden die Kommentare von Roman Klinger genutzt, um zu erläutern, warum solche erfundenen Wörter emotional wirken – trotz oder gerade wegen ihrer Mehrdeutigkeit.

Diese Kommentare bauen auf unserer Arbeit zu nicht-existierenden Wörtern und ihrer emotionalen Konnotation auf.

• Unser Beitrag: Johannes Schäfer, Sabine Weber, and Roman Klinger. 2025. Localization of English Affective Narrative Generation to German. In Proceedings of the 21st Conference on Natural Language Processing (KONVENS 2025): Long and Short Papers, pages 241–256, Hannover, Germany. HsH Applied Academics.
• Weitere Informationen, Zugang zu Code und Daten

Johannes Schäfer ist wissenschaftlicher Mitarbeiter im Projekt CEAT. Ziel dieses Projekts ist es, zu verstehen, wie Emotionen in Texten ausgedrückt werden und wie wir sie bei der Modellierung von Ereignisbeschreibungen computergestützt analysieren können. Mit der oben genannten Arbeit befassen wir uns mit dem wesentlichen Aspekt von Kontexten und deren Einfluss auf die Emotionsinterpretation.

Johannes Schäfer, Aidan Combs, Christopher Bagdon, Jiahui Li, Nadine Probol, Lynn Greschner, Sean Papay, Yarik Menchaca Resendiz, Aswathy Velutharambath, Amelie Wührl, Sabine Weber, and Roman Klinger. 
Which demographics do LLMs default to during annotation?
ACL Main Conference

Christopher Bagdon, Aidan Combs, Carina Silberer, and Roman Klinger. 
Donate or create? comparing data collection strategies for emotion-labeled multimodal social media posts.
ACL Main Conference

Lynn Greschner, Amelie Wührl, and Roman Klinger. 
QoLAS: a Reddit corpus of health-related quality of life aspects of mental disorders. 
Workshop on Biomedical Language Processing (BioNLP)

Sean Papay, Roman Klinger, and Sebastian Pado. 
Regular-pattern-sensitive CRFs for distant label interactions.
Joint Workshop on Large Language Models and Structure Modeling (XLLM)

Jan Hofmann, Cornelia Sindermann, and Roman Klinger.
Prompt-based personality profiling: Reinforcement learning for relevance filtering. 
Proceedings of the First Workshop for Research on Agent Language Models (REALM)

Large Language Models können Texte auf sprachlicher Ebene zusammenfassen. Nun wird untersucht, ob sie auch wissenschaftlich komplexe Texte so zusammenfassen können, dass sie für Laien verständlich sind.

Wissenschaftler*innen des Lehrstuhls für Grundlagen der Sprachverarbeitung der Uni Bamberg (“BamNLP”) und des Webangebots KLARpsy am Leibniz-Institut für Psychologie (ZPID) gehen dieser Frage in einem Kooperationsprojekt gemeinsam nach.

Unter klarpsy.de bietet das ZPID allgemeinverständliche Zusammenfassungen aktueller psychologischer Übersichtsarbeiten. Das frei verfügbare Angebot hat das Ziel, Menschen ohne psychologisches Vorwissen zu befähigen, Forschungsergebnisse aus der Psychologie zu verstehen und einzuordnen. Die Zusammenfassungen werden entsprechend einer Richtlinie verfasst, die 37 aus der Forschung abgeleitete Kriterien enthält und einen hohen qualitativen Standard sicherstellen soll.

Ausgehend von diesen Kriterien entwickeln die Projektpartner mit Hilfe von Large Language Models ein Werkzeug, das die KLARpsy-Autor*innen beim Schreiben der Zusammenfassungen unterstützt und damit in Zukunft eine größere Zahl von Zusammenfassungen und damit ein breiteres Themenspektrum von KLARpsy ermöglicht. Um die Korrektheit sicherzustellen, werden weiterhin alle Artikel von KLARpsy-Autor*innen überprüft und bei Bedarf überarbeitet.

Das Kooperationsprojekt wird durch das Ministerium für Wissenschaft und Gesundheit des Landes Rheinland-Pfalz ermöglicht.