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
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
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
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
研究了情感支持交流中混合主动性对话的问题,提出了一种基于知识增强的混合主动性框架,该框架从大规模的心理健康知识图谱中检索实际案例知识,优于传统方案。
May, 2023
本文提出了一个基于个人化的情感支持框架,结合了情感对话模型和基于策略的可控生成方法,可根据寻求者的个人信息提供个性化的情感支持,该框架实验结果表明 PAL 模型胜过其他基准模型。
Dec, 2022
利用大型语言模型的能力,本研究结合人工智能和人类洞察力创建了一个详尽的情感支持对话数据集,通过递归生成方法,优化了情感支持机器人,为情感支持领域的进一步研究和实施铺平了道路。
Aug, 2023
本文提出了一种基于先前知识增强的情感支持模型,利用记忆模式将编码的知识纳入解码器,并利用潜在变量来建模策略的一对多关系,并展示了其在自动评估和人类评估方面的优越性。
Oct, 2022
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