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

本文提出了一种双重生成模型（Dual-Emp），通过集成前向对话模型、后向对话模型和表示情感共识的离散潜变量来实现情感共识的构建，同时利用来自开放域对话的非成对情感数据，产生了比人类注释更高效且成本更低的伪成对共情样本，进而在自动和人工评估中表现出优异的编织性和共情响应。

Sep, 2021

本研究通过引进新的方法来获得他人情感的原因词，并在对话模型的生成过程中针对性地聚焦于关键词，从而有效提高生成具有针对性的共情性话语的水平。

Sep, 2021

提出一种新模型EmpHi，用于生成与人类一致的移情回应，以解决现有模型中移情倾向分布的偏差问题，实验结果表明在自动和人类评估方面EmpHi在移情、相关性和多样性方面优于最先进的模型，并且案例研究表明我们的模型具有较高的可解释性和卓越的性能。

Apr, 2022

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

本研究通过五个评估维度研究人们在对话系统中尝试引入共情时所存在的关键点和未来机会，发现用户建模和对用户情感的检测和鉴别是需要进一步研究的核心问题；同时，处理多模式输入，显示更细腻的共情行为，以及包括其他对话系统特征也是需要关注的问题。

May, 2022

使用常识认知图和情感概念图构建一个两级策略(CASE)，以对齐粗粒度(上下文认知和情感状态之间)和细粒度(每个特定认知和相应情感反应之间)的认知和情感，从而实现共情回应，实验证明CASE在自动和人工评估中优于现有基线。

Aug, 2022

本篇研究提出一种基于共情共鸣的个人故事相似度计算方法，通过对个人故事中的主要事件、情感轨迹和总体价值等三个特征进行操作来得出共情相似度得分，并使用1500个故事和2000对故事进行了数据集制作与模型的训练，最终证实了基于共情的相似度计算模型不仅在数据检索表现方面媲美基于词汇语义的模型，还能有效地促进人与人之间的情感共鸣与联系。

May, 2023

提出了一个多维度的共情评估框架，该框架可以测量发言者表达意图以及听众感知到的共情，这两个维度之间存在相互关联，而感知到的共情与对话会话的满意程度有很高的相关性。为了自动测量对话中的共情，进行了不同的建模选项，包括使用预置的大型语言模型和基于序列到序列语言模型的分类器。经过广泛实验，表明使用序列到序列语言模型进行指导微调的分类器相对于之前的研究和竞争基准具有最好的性能。最后，对所提出的分类器的性能进行了全面的消融研究，并提出了将其作为自动对话共情评估指标的建议。

Feb, 2024

在这篇研究论文中，我们通过将对话的发言与上下文输入到一个预训练的语言模型编码器，并附加一个回归头进行预测，来对每个发言进行情感、情绪极性和情绪强度的建模。此外，我们还通过将对话中的所有发言和一个标识相应发言者的标记输入进行预测，对各个参与者的对方人的共情进行建模。我们的系统在CONV-turn任务中排名第1，CONV-dialog任务中排名第2。

Jul, 2024