本文通过设计一种 AI 辅助工作流程，根据用户的情感状态和文本关键词，使得在在线心理健康社区中进行情感支持成为可能，并提出了相应的设计建议。

Feb, 2022

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

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

本研究旨在通过提出一个新的情感重写任务和使用一种深度加强学习代理来提高在线心理健康支持平台上的情感表达，该代理利用了从 GPT-2 改编的 transformer 语言模型来完成生成具有情感内容的备选句子和在适当位置添加这些句子的任务，并通过一系列自动化和人工评价证明了其成功地生成了更具有共情性、特定性和多样性的响应，从而为促进网络平台上的共情会话提供了直接的启示。

Jan, 2021

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

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

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

探索预测谈判中两个重要的主观目标 - 结果满意度和合作方感知的情感属性，分析情感属性在预测中的作用，并研究了三个情感维度：表情符号、词汇和语境，以设计适应性的谈判代理人。

Jul, 2021

本文介绍一项研究，通过一个包含 85,007 张公开图片、526,749 个情感反应和自由文本解释的大规模数据集，探讨使用自然语言表达对给定视觉刺激的情感反应所引起的情绪反应。研究提出了三个问题来解决这个新任务，并介绍了一些方法和开源数据集。

Oct, 2022