本研究旨在探讨如何在对话系统中建立情感支持，并构建了基于 “Helping Skills Theory” 的 “Emotional Support Conversation（ESC）” 任务和 ESC 框架。同时设计了一个注释丰富的情感支持对话数据集（ESConv），并对该数据集进行了质量控制及训练，最后通过与最新的对话模型进行评估，证明了支持策略对于提供有效情感支持的重要性以及 ESConv 在训练更多情感支持系统方面的实用性。

Jun, 2021

本研究提出了一种新的情感支持对话范式 —— 正向情感引导，通过基于专家的混合增强学习模型，精细的情感调节以及对话连贯性的奖励设计，达到实现情感支持和维护对话连贯性的双重目标。实验结果证明了该模型在提高积极情感引导能力方面的优越性，同时也保持了对话的连贯性。

Jul, 2023

本文提出了一个使用多轮模式的情感支持会话系统 MultiESC，通过使用前瞻性启发式策略规划和用户状态建模来解决长期对话目标和用户情感的动态模态问题，实证结果表明 MultiESC 在对话生成和策略规划方面均明显优于竞争基线。

Oct, 2022

通过动态演示检索、认知理解等手段提高情感支持对话系统的质量，该系统在多项指标上取得了显著的改进并提供支持。

Apr, 2024

人类情感支持对话（ESC）是一个重要应用，旨在减轻人类压力，提供情感指导，最终增强人类的心理和身体健康。本研究提出了一个 ESC 评估框架（ESC-Eval），利用角色扮演代理与 ESC 模型交互，并通过手动评估交互对话，对基于大型语言模型（LLMs）的 ESC 模型进行评估。实验结果表明，面向 ESC 的 LLMs 相较于通用 AI 助手 LLMs 表现出更具优越的 ESC 能力，但仍存在与人类表现之间的差距。

Jun, 2024

通过知识增强的记忆模型来解决情感支持对话中的情感变化、响应可行性和策略建模等挑战，并在广泛使用的大规模数据集上进行了实验证明模型的优越性。

Oct, 2023

通过情绪支持对话来减少寻求者的情绪困扰，本研究提出了一种新的框架 CauESC，该框架通过识别困扰的情绪原因和由原因引发的情绪效果，独立并巧妙地整合每个言语修饰的策略，从而解决了现有方法中忽略情绪原因和仅关注寻求者自身心理状态问题的限制。基准数据集上的实验结果证明了我们方法的有效性，并展示了从原因到效果的情绪理解和独立整合策略建模的优势。

Jan, 2024

本文提出了一种新的任务：使用情感支持生成具有积极情感诱导的共情式对话，以促进用户情感的积极化。为了研究这一任务，我们收集了一个大规模的情感对话数据集 (PosEmoDial)，并建立了一个基准结果，同时我们将发布这个数据集和相关源代码以促进未来的研究。

Apr, 2022

情感支持对话（ESC）是通过日常对话来缓解个人情感困扰的任务。本研究分析了大型语言模型（LLMs）在 ESConv 上的结果，揭示了挑选正确策略的挑战和对特定策略的显著偏好。通过对 LLMs 内在偏好对情感支持的影响进行探索，发现对特定策略的高偏好阻碍了有效的情感支持，导致其在预测适当策略方面的鲁棒性进一步加剧。此外，我们进行了一项方法论研究，为 LLMs 成为优秀情感支持者提供了见解。研究结果强调了（1）对特定策略的低偏好阻碍了情感支持的进展，（2）外部辅助有助于减少偏好偏差，以及（3）单靠 LLMs 无法成为优秀情感支持者。这些发现为增强 LLMs 的情感智能提供了有前景的研究方向。

Feb, 2024

在线心理咨询需要大量专业知识，本研究提出了 K-ESConv 方法，一种基于提示学习的知识注入方法，通过转移论坛知识到响应生成，从而实现情感支持对话系统。实验结果表明，该方法在自动评估和人工评估上优于现有基准方法，在回应的相关性和多样性方面显著改善，并为求助者提供更多的舒适和更好的建议。

Dec, 2023