近日，17吃瓜 吴诗玉教授与其指导的博士生王亦赟合作的研究论文《“零样本语言学习”：大语言模型能“像人一样”习得语境中的情感吗？》发表在国内心理学顶级期刊《心理学报》。研究围绕一个既前沿又接地气的问题展开：当我们和 ChatGPT 这类大语言模型聊天时，它究竟只是“会说话”，还是已经能像人一样，从阅读中“学会”语言背后的情感？
读几篇小短文，机器也会“带情绪”地学词
人类在阅读时，并不是只记住字面意思。比如，一个从来没见过的新词，如果它总是出现在“温暖、愉快”的语境中，我们很快就会觉得这个词本身也是“偏积极”的；反过来，如果它总跟“灾难、崩溃、失败”一起出现，我们也会把它当成“带点晦气”的词。
吴诗玉团队把这一人类“情感学习”机制，搬到了人机对比实验中：
• 让 4 种主流大语言模型（文心一言、GPT-4、Gemini、LLaMA）
• 和 3 组人类学习者（英语母语者、汉语母语者、英语二语学习者）
在完全一样的材料上做同一件事：
阅读大量嵌入“虚构单词”的小短文，这些新词有的总出现在积极语境，有的总出现在中性或消极语境，且有时是反复读同一篇，有时是读多篇不同但情感相同的语篇。
随后，研究团队通过多项测试，考察它们是否：
• “读懂”了语境情感 —— 会不会觉得某个虚构词“更开心”或“更悲伤”？
• 记住了词形和词义 —— 能否拼对、认对、甚至自己“解释出来”？
• 在语言产出中保持情感一致 —— 造句时，是不是会自发用“更开心”或“更阴郁”的语气来使用这些词？
所有的大语言模型都在 “零样本”条件 下完成任务：没有任何专门训练，也没有示例，只允许阅读和回答——相当于直接“把机器丢进一堆小故事里，看它能靠自己读出多少门道”。
结果一：机器真的“会感染情绪”，模式几乎和人一样
研究发现，无论是人类还是大语言模型，都出现了高度一致的模式：
• 在积极语境中学到的词，被打分为更“愉快”；在消极语境中学到的词，被认为更“负面”
• 当模型用这些词造句时，句子的整体情感走向，也会跟它当初接触到的语境相匹配
• 这种现象在人类心理学中叫做 “情感传染”，在语料语言学中叫 “语义韵迁移”
换句话说：即便这些词本身完全是虚构的，人和机器都能在短时间内，把语境的情绪“吸附”到词上，并在之后的语言使用中保持这种情感色彩。
对于没有身体、没有情绪体验的模型来说，这一结果尤其令人惊讶——说明 仅凭“读大量文本”这一件事，机器就能在功能上表现出类似于人类的情感学习能力。
结果二：积极情感和“多篇阅读”对人和机器都更“友好”
更有意思的是，研究发现：在人和机器身上，同样的两个学习规律在发挥作用：
• “积极情感优势”
不论是人类学习者还是大语言模型，
如果觉得某个新词“更积极”，就更容易记住它的含义，
在词义识别、词义生成等任务中表现更好。
• “语境变异优势”（多篇 > 多遍）
同一个新词如果出现在多篇不同但情感相同的语篇中，
比只在一篇文章里反复出现，更有利于形成稳定而深入的词义表征。
这一点在人类与大模型身上表现高度一致，
且在需要“自己组织语言解释含义”的高难度任务中尤为明显。
可以简单理解为：“积极 + 多篇” 是人和机器都喜欢的“黄金组合”，更能让词汇在记忆中“扎根扎牢”。
对教育来说，这一结果也具有直观启示：如果我们希望学习者（无论是学生还是“AI 学生”）更好地习得词汇，就应当重视积极情感氛围和多样化语境的结合。
结果三：大语言模型在部分指标上“超越人类”，暴露出机制差异
在词形记忆、词义匹配、定义生成等测试中，4 种大语言模型的准确率整体 显著高于 人类学习者，表现出一个“理想化统计学习者”的特征：
• 不会疲劳、不会走神、不会因为心情不好而“读走神”
• 能在上下文窗口内，几乎毫无损耗地利用每一条统计线索
吴诗玉团队指出，这并不意味着“机器比人聪明”，而是凸显了二者在学习机制上的根本不同：
人类的学习受限于注意力、记忆和情绪波动；大模型则是以“统计共现 + 向量优化”为核心的计算系统，把某些学习规律“演绎到了极致”。
理论创新：提出“人机情感学习的双重机制框架”
在对比大量行为模式之后，研究提出了一个具有概括力的理论视角：
“双重机制框架”（Dual-Mechanism Framework）
• 对人类而言，情感学习是根植于身体和社会互动的过程：
依赖感官体验、情绪共鸣和人与人之间的“脑对脑耦合”
通过阅读与生活经验的交织，不断更新我们对词语和世界的情感理解
• 对大语言模型而言，情感学习则是一个纯计算过程：
在高维向量空间中，通过大量语料的共同出现
把新词“推”向更积极或更消极的语义区域
在生成时再把这种统计偏好“翻译”成语言输出中的情感倾向
两者在表面行为上高度相似——都能从语境中“学会”情感，但在底层机制上截然不同。
这一框架一方面帮助我们更清晰地理解 人类情感学习的独特性，另一方面也为用大模型做“人类学习机制的计算模拟”提供了新工具。
超越学术：情感计算、教育和 AI 伦理的交汇点
本研究不仅是一次学术上的创新尝试，也具有重要的现实意义：
• 为情感计算和智能教育提供新思路：
如何利用大模型的类人情感学习能力，设计更有情感温度的阅读材料和智能辅学系统？
• 为人工智能伦理与风险评估提供依据
当模型能“学会”情感，它也会同时继承并放大语料中的偏见与倾向，如何在技术设计和应用场景中进行价值引导和风险防控，成为亟需面对的新议题。
这项工作延续了吴诗玉教授团队围绕“情感的学习与传播”展开的系列研究，包括提出情感学习的“双枣树效应”等原创理论，在语言学、心理学与人工智能交叉领域持续输出具有影响力的成果。
【作者介绍】
吴诗玉，17吃瓜 教授、博士生导师，“数据科学与二语研究”学会会长，国际期刊Journal of Second Language Studies执行主编。主要从事基于实验、语料与计算模型的交叉学科研究，结合心理学、认知科学及计算语言学等多学科视角，探究二语学习与使用的认知机制。在《心理学报》《外语教学与研究》《现代外语》以及Second Language Research、Journal of Pragmatics等国内外CSSCI和SSCI期刊上发表论文60余篇。其代表作的被引与下载频次已超千次。
王亦赟，17吃瓜 直博生。其研究成果先后入选Maryland2025国际会议及EUROSLA 34国际大会分会场报告（当届大会唯一的本科生报告人），报告内容获得了国际权威学者Jean-Marc Dewaele的高度好评，并获得17吃瓜 官网的专题报道。她学习期间表现优异，曾荣获“17吃瓜 优秀毕业生”、“三好学生”称号，并获颁荣昶奖学金及本科生优秀奖学金等荣誉。