使用心理指标的转换级别共情预测
内容提要
本文介绍了作者在WASSA 2023共享任务中使用BERT模型和多任务框架的方法，获得了感同身受和痛苦检测子任务的第三名。研究探讨了情感评分和共情分类，利用深度学习和机器学习技术取得了良好成绩。
延伸解读
多任务框架在共情预测中的优势
文章提到使用多输入、多任务框架，将情感评分、情感和共情分类结合，并纳入心理测验得分、人口统计特征等。这种方法能利用任务间的内在相互依赖性，在困难文本数据中预测情绪强度。多任务学习让模型共享表示，可能提升泛化能力，但需注意任务间冲突可能影响性能。
共情能力评估标准的建立
文章指出提出了第一个公开可用的共情能力预测标准，采用单项量表方法可靠捕捉评估。同时，这是第一个区分多种共情形式的计算模型，实验表明CNN模型表现最佳。这为共情计算研究提供了基准，但量表的主观性和模型泛化性仍需进一步验证。
从情感检测到共情预测的技术演进
文章回顾了WASSA系列任务中的方法演变：从ELECTRA和BERT用于情感分类，到基于评价理论识别共情对齐，再到利用多轮对话历史微调大语言模型增强心理辅导共情。这些进展显示共情计算正从单一情感识别转向更复杂的交互建模，但实际应用中的伦理和隐私问题值得关注。
Q&A
作者在WASSA 2023共享任务中取得了什么成绩？
作者在WASSA 2023共享任务中获得了感同身受和痛苦检测子任务的第三名，Pearson相关系数得分为0.346。
使用了哪些技术来进行情感和共情分类？
研究使用了BERT模型和多任务框架，结合深度学习和机器学习技术进行情感和共情分类。
文章中提到的共情能力预测标准是什么？
文章提出了第一个公开可用的用于检测共情能力预测的标准，并采用单项量表的方法进行评估。
如何对对话中的情感进行建模？
通过将对话的发言与上下文输入到预训练的语言模型编码器，并附加回归头进行情感、情绪极性和情绪强度的建模。
研究中使用了哪些数据类型进行情感预测？
研究考虑了文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性。
在WASSA 2021共享任务中，作者的系统表现如何？
作者的系统在CONV-turn任务中排名第1，在CONV-dialog任务中排名第2。
