该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

Dec, 2023

本文介绍了一种基于计算方法的框架来理解在线心理健康平台上的情感表达，通过收集和共享大量语料来训练 RoBERTa-based bi-encoder 模型，成功识别出含有改善情感的会话，揭示用户无法通过自我学习获得改善情感能力，为情感培训和反馈提供机会。

Sep, 2020

我们系统地收集并筛选了 10 个著名数据库中的 801 篇论文，并对选中的 54 篇论文进行了分析。我们将这些论文根据共情检测系统的输入模态（文本、视听、音频和生理信号）进行分组，并对模态特定的预处理和网络架构设计协议、常用数据集描述和可用性细节以及评估协议进行了研究。我们进一步讨论了基于情感计算的共情领域的潜在应用、部署挑战和研究空白，这可以促进新的研究方向。我们相信我们的工作是发展一个包含隐私保护和无偏见、具有文化、多样性和多语言性的共情系统的垫脚石，可以在实践中提高人类生活的整体福祉。

Oct, 2023

本研究建立了感同身受情感对话数据集，收集了受访者的特征、新闻文章引发的自我报告的同理心反应、对谈伙伴的他人报告，以及对话中表达的自我披露、情感和同理心等信息，旨在探讨不同形式的同理心与其他情感现象及人口统计学因素之间的关系，提供了预测这些特征的基线模型。

May, 2022

利用深度学习方法针对高级监督学习自动创建移情词汇评分，研究比较了几种不同的学习方法得出 Mixed-Level Feed Forward Network (MLFFN) 模型最佳，使用 MLFFN 模型创建了史无前例的移情词典，并使用 Signed Spectral Clustering 获得其结果的深入洞察。

Dec, 2019

本研究使用多输入、多任务框架，对情感评分、情感和共情分类的 WASSA 2021 共享任务进行了解决方案，并将文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性纳入考虑范畴，进而在困难的文本数据中预测了这些情绪的强度。

Mar, 2021

本研究旨在通过深度学习和转移学习来提高情感计算中文段落情感识别精度。我们使用改进后的循环神经网络模型，并提出 Sent2affect 模型进行迁移学习。实验结果表明，我们的模型在 6 个基准数据集上表现出色，相对于传统机器学习方法有了显著提升。这些发现对情感计算的应用具有重要的启示意义。

Mar, 2018

深入调查自然语言处理对同理心的影响，发现缺乏明确的同理心定义与过度强调情感同理心导致构建有效性与可重复性不足，提出需要以认知同理心为核心的定义来指导同理心在 NLP 研究领域的应用，并探寻该领域的被忽视的机遇。

Oct, 2022

本文旨在引发对于计算共情评估方法的讨论。我们探讨了人类共情的评估方法，并提出了在人工交互系统中评估共情的更好的度量标准。我们承认在庞大的交互系统中达成单一解决方案的困难，并提出了一系列系统化方法。

Aug, 2019

本文提出了一个新的共情对话生成指标和一个基于具有情感情境的 25k 个会话的新数据集 EmpatheticDialogues，实验表明使用我们的数据集的对话模型被人类评估员认为比仅在大规模互联网对话数据上训练的模型更具有移情能力，同时还通过实验比较了对情感回应进行的对话模型调整，利用现有模型或数据集而无需重新训练完整模型

Nov, 2018