Emotion2Skill: Utilizzo dei Segnali Emotivi Interni degli LLM per la Selezione Adattiva delle Competenze

Un nuovo framework, Emotion2Skill, propone di sfruttare le rappresentazioni emotive interne dei grandi modelli linguistici (LLM) per migliorare la selezione e l'evoluzione delle competenze negli agenti basati su competenze. Il framework, descritto nell'articolo arXiv 2608.09248, estrae uno stato emotivo a 27 dimensioni dal flusso residuo del modello ad ogni passo decisionale e inietta un riepilogo filtrato per confidenza nel prompt di routing. Questo approccio contrasta con i metodi tradizionali che si basano esclusivamente su segnali a livello testuale come descrizioni di compiti e riflessioni verbali. Gli autori sostengono che, sebbene gli LLM mantengano rappresentazioni emotive lineari che influenzano causalmente il comportamento, queste sono state utilizzate solo per analisi post-hoc o per il controllo diretto dell'output, non per il processo decisionale a livello di agente. Emotion2Skill mira a colmare questa lacuna incorporando questi segnali interni sia nel processo di selezione delle competenze che in quello di evoluzione delle competenze. L'articolo è stato annunciato come nuova sottomissione su arXiv.