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

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

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

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

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

本文提出了一种利用大规模预训练语言模型进行数据增强的方法，构建了一个比原始数据集更大且主题更广泛的机器增强数据集，有助于提高情感支持对话模型应对各种话题和提供更为有效的情感支持。

Feb, 2022

利用心理学中的情感评估理论，我们提出了一种评估大型语言模型（LLMs）的同理心能力的方法，通过在具体情境中观察其感受变化。我们收集了超过 400 个情境，根据 8 种情绪将其分成 36 个因素，并进行了包含超过 1200 名全球参与者的人工评价实验。研究结果显示，尽管存在一些偏差，LLMs 总体能够适当地对特定情况做出反应，但仍然无法与人类的情绪行为建立联系。我们公开了情境数据集、人工评估结果以及我们的测试框架 EmotionBench 的代码，旨在提高 LLMs 在与人类情绪行为的对齐方面的应用价值和实用性。

Aug, 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

FAC$^2$E 是一个针对大型语言模型 (LLMs) 的能力评估框架，通过提取 LLMs 的中间推理，将特定能力应用过程分解为三个子步骤，并评估每个细分能力的各个子步骤，从而全面区分 LLMs 的语言相关能力和认知相关能力。利用 FAC$^2$E，我们发现模型中知识利用方面存在常见不足，并提出了一种简单、知识增强的方法来缓解这个问题。我们的研究不仅展示了有希望的性能改进，还为未来 LLMs 的发展方向提供了启示。

Feb, 2024