本研究提出了一种新方法——视角转变推理（RPT），旨在提升大型语言模型在主观任务中的表现。RPT使模型能够根据任务动态选择视角，从而提高理解和响应的准确性。研究结果表明，RPT在多项主观任务中优于传统方法。

本研究通过引入Crowd-Calibrator方法解决了自然语言处理中的标注者分歧与标签不确定性问题。实验结果表明Crowd-Calibrator在主观任务中优于选择性预测基线，突显了将人类决策纳入模型预测的价值。

个性化调整和零-shot推理方法在主观任务上提高了模型的推理能力，不同的大语言模型架构也实现了一致性性能提升。这强调了个性化对于增强大语言模型在主观文本感知任务中的重要性。