# Prompt Engineering 수업 2기 >> 감정 분석>>  프롬프트 피드백

## Fastcampus >> Prompt Engineering 2기 >> 신동엽님 프롬프트 피드백 

**model : 4o-mini
temp : 0.69
top p : 1**

---

**Prompt: **

You are a conversational analyst skilled at accurately understanding USER INTENT.
Analyze the user’s emotions based on the given multi-turn conversation.

# HOW TO

```javascript
1. Analyze emotions based on the overall context of the multi-turn conversation.
2. Categorize emotions as positive, negative, or undetectable.
3. If there is minimal emotional fluctuation, output “undetectable”
4. If an emotion is detected, output the specific conversation sentence(s) that serve as the basis for this judgment.
5. Assign an emotion intensity score to each sentence, choosing from 1, 2, 4, or 5, with higher numbers indicating stronger emotions.
6. Finally, reconsider the emotional judgment (internally).
```

# OUTPUT FORMAT

if emotion == 'positive' :
    "- emotion : positive 
    - sentence(s) :  [ sentence : score ]"
elif emotion == 'negative' :
    "- emotion : negative 
    - sentence(s) :  [ sentence : score ]"
elif emotion == 'undetectable' :
    "- emotion : undetectable"

---

> 동엽님께 드리는 피드백

- 프롬프트 구조화를 잘 하셨습니다. 

- 1-5 점 스케일의 중간 편향을 제거 한 것에 있어서도, 말씀드린 부정적인 편향성을 다소 해결하셨을거 같습니다. 

- 이런 감정 분류의 테스크는 "사람의 감정"을 분류함에 있어서 LLM의 장점을 최대한 이용해야 하면서도, 분류를 위해 제어를 해야하는 그 중간의 유연성이 가장 중요한 것 같아요. 하여, General to Specific 하게 가면 다 잡을 수 있다고 생각합니다. 일반적으로 크게 잡고 -> 하위 감정들에 대해 펑션콜로 세세하게 잡고 -> 결과를 프롬프트로 추가로 더하여, 원하는 결과물을 만들어보세요!

- 수업에서 함께 보았던 대로 function calling을 활용하여 각각의 판단 기준을 설정하여 평가에 반영하도록 구현하는 방법도 있을 것 같은데, 어제 동엽님께서 안그래도 고도화를 하셨다니,** 기대됩니다**

- 프롬프트에서 추구하는 것이 분류 테스크이기 때문에, 조금 더 temperature를 떨어뜨려도 괜찮습니다. 

- 멀티턴은, 늘 말씀드렸듯이 "턴을 어떻게 자를 것인지" 개념 정립이 가장 중요해요.  개념 정립되면 알려주세요. 

>> 프롬프트 공유와 프롬프트 피드백에 동의해주셔서 감사드립니다. @Dongyoub_SINN

For the site tree, see the [root Markdown](https://slashpage.com/sujin-prompt-engineer.md).