Artikel ver?ffentlicht auf der LREC 2026
Die BamNLP Gruppe der Uni Bamberg tr?gt 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 ?berzeugungskraft systematisch beeinflussen: Positive Emotionen und Bewertungen (z. B. Angenehmheit, Vertrautheit, positive Konsequenzen) erh?hen die ?berzeugungskraft, w?hrend 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 gro?e Sprachmodelle als In-Context-RL-Agenten nutzt, indem Zust?nde, Aktionen und Belohnungen im Prompt kodiert werden. In wissensbasierten Aufgaben (z.B. Blackjack) kann sie mit g?ngigen 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 Emotionsrepr?sentationen die Vorhersage der ?berzeugungskraft von Argumenten st?rker erkl?ren und verbessern als kategoriale Emotionslabels, obwohl die gemeinsame Vorhersage gegenüber Pipeline-Ans?tzen schlechter abschneidet.
Egil R?nningstad, Roman Klinger, Lilja ?vrelid, Erik Velldal:
Sentence Relevance Detection for Entity-Level Sentiment Analysis.
Wir zeigen, dass das Extrahieren entit?tsrelevanter Textspannen durch das Fine-Tuning von Modellen mit paarweisen Vergleichen bessere Ergebnisse für die Sentimentanalyse auf Entit?tsebene liefert als ein reines Fine-Tuning für die Klassifikationsaufgabe.
Johannes Sch?fer 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-?bereinstimmung bei der Emotionsklassifikation nicht, sondern kann sie sogar verschlechtern. Zero-Shot-Prompting-Experimente mit LLMs ?hneln 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/)