OpenAI 理解文本情感的方法是，在包含人类交流示例的各种数据集上训练大型语言模型 (LLM)。 这些模型（如 GPT-3.5 或 GPT-4）分析文本中的模式，以根据词语选择、上下文和语言结构推断情感状态。 在训练期间，该模型会处理大量文本数据（书籍、文章、社交媒体帖子），并学习特定短语与情感意图之间的关联。 例如，诸如“兴奋”或“沮丧”之类的词语会映射到正面或负面的情绪，而句子结构（例如，感叹号、反问句）会提供其他线索。 该模型不会“感受”情感，而是统计预测哪些情感标签或反应与输入文本对齐。
为了检测诸如讽刺或复杂情绪之类的细微差别，该模型使用上下文和比较分析。 例如，短语“多么完美的一天！” 可能表达真正的快乐，也可能表达讽刺的沮丧，具体取决于周围的文本。 该模型会评估相邻的句子、语气指示器和常用模式来消除歧义。 诸如注意力机制之类的技术可帮助模型更着重于句子中的特定词语（例如，“失望”）。 此外，使用标记数据集（人类注释员用诸如“愤怒”或“快乐”之类的情感标记文本）进行微调，可以提高模型对细微表达进行分类的能力。 对于开发人员来说，这意味着该系统作为分类器运行，该分类器将预先训练的语言知识与特定于任务的调整相结合。
但是，情感理解仍然不完善。 文化差异、俚语或高度个人化的表达可能会导致误解。 例如，“我很好”在某些情况下可能表示悲伤，但在其他情况下可能表示真正的满足。 OpenAI 通过迭代反馈循环来解决这些限制。 人类纠正模型输出（例如，在聊天机器人中澄清意图）的用户交互用于改进未来的响应。 开发人员还可以集成自定义分类器或阈值，以优先考虑特定应用程序的某些情感解释，例如过滤有害内容或定制客户服务回复。 虽然该系统擅长模式识别，但其“理解”最终是概率性的，而不是直观的，需要仔细验证才能用于情感敏感的用例。