本研究提出了一种利用大型语言模型（LLMs）进行数据注释的新方法，旨在解决大规模数据集注释的高成本和低质量问题。通过少量学习，生成的数据质量超过第三方供应商，同时有效降低成本。

研究发现，ChatGPT在社会计算任务中注释数据的潜力很高。研究人员提出了GPT-Rater工具，用于预测ChatGPT在注释任务中的性能。该研究为社会计算研究提供了新的途径，并降低了参与研究的障碍。

本文探讨了 ChatGPT 在情感识别方面的能力，可以作为交互式聊天机器人、数据注释和心理健康分析等应用的基础。实验证明 ChatGPT 在情感识别方面具有合理的可重复性，但性能会随不同的情感标签和数据集而异。数据集和标签选择对 ChatGPT 的情感识别性能具有显著影响，通过微调可以提高其性能。