大型语言模型能成为良好的情感支持者吗？在情感支持对话中缓解偏好偏差
内容提要
该综述回顾情感支持对话（ESC）研究：构建基于助人技能理论的ESC任务与ESConv数据集，验证支持策略的重要性；后续研究利用大语言模型增强数据，提出正向情感引导范式、SRA策略度量、CauESC因果框架、MultiESC多轮系统及知识增强混合主动性框架，推动情感支持系统发展。
延伸解读
从理论到数据：ESC任务与ESConv的奠基作用
文章指出，情感支持对话（ESC）任务基于助人技能理论构建，并配套发布了ESConv数据集。该数据集经过质量控制与训练，评估结果证明了支持策略对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。这为后续研究提供了任务定义与数据基础，也说明策略标注是提升系统支持能力的关键。
大语言模型如何推动情感支持系统演进
文章梳理了多项后续研究：利用大语言模型进行数据增强以扩大主题覆盖；提出正向情感引导范式，兼顾情感支持与对话连贯；引入SRA策略度量，发现其与模型持续遵循策略的能力显著相关，并可通过SRA-informed prompts引导更可靠的策略展现。这些工作显示，大语言模型不仅用于生成，还用于评估与引导策略执行。
应对复杂情感支持场景的专门框架
针对现有方法忽略情绪原因、仅关注寻求者心理状态等限制，文章介绍了CauESC框架，通过识别困扰的情绪原因及其引发的情绪效果，独立整合每个言语修饰的策略。同时，MultiESC采用多轮模式，结合前瞻性启发式策略规划和用户状态建模，以解决长期对话目标和用户情感动态变化问题。这些框架表明，情感支持系统正从单轮响应转向对原因与长期状态的建模。
知识增强与混合主动性：提升支持深度
文章提到，基于知识增强的混合主动性框架从大规模心理健康知识图谱中检索实际案例知识，优于传统方案。此外，EmotionPrompt被用于提升大语言模型的情绪智能，情感识别研究也发现大语言模型在语言情感识别任务中具有强大的迁移性和可行性。这些方向说明，外部知识与提示工程可帮助模型在情感支持中提供更深入、更可靠的回应。
Q&A
情感支持对话（ESC）任务和ESConv数据集是基于什么理论构建的？
基于“Helping Skills Theory”构建了ESC任务和ESC框架，并设计了注释丰富的ESConv数据集。
ESConv数据集在情感支持系统训练中有什么作用？
通过质量控制及训练，并与最新对话模型评估，证明了支持策略对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。
有哪些方法利用大语言模型增强情感支持对话的数据？
2022年2月提出利用大规模预训练语言模型进行数据增强，构建了比原始数据集更大且主题更广泛的机器增强数据集；2023年8月结合人工智能和人类洞察力，通过递归生成方法创建详尽的情感支持对话数据集。
正向情感引导范式是如何实现情感支持和对话连贯性双重目标的？
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。
SRA度量在情感支持对话中有什么作用？
SRA（策略相关的关注度）度量分析大型语言模型在情感支持对话中如何坚持应用策略，结果表明SRA与模型持续遵循策略的能力显著相关，通过SRA-informed prompts可以引导更可靠地展现所需情感支持策略。
CauESC框架如何解决现有方法中忽略情绪原因的问题？
CauESC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。
MultiESC系统如何解决长期对话目标和用户情感的动态模态问题？
MultiESC使用多轮模式，通过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，在对话生成和策略规划方面均明显优于竞争基线。
知识增强的混合主动性框架在情感支持交流中有什么优势？
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。
