本研究提出了一种基于Q学习的框架straQ*，旨在提升情感支持对话（ESC）的长期满意度。该框架利用大型语言模型进行策略规划，显著改善了ESC效果，展现出重要的应用潜力。

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。

该文综述情感支持对话研究，涵盖基于助人技能理论构建的ESC任务与ESConv数据集，以及正向情感引导、知识增强记忆、CACD因果推断、MuTEC情感原因预测、MultiESC多轮系统、混合主动性框架和数据增强等方法，旨在提升情感支持与对话连贯性。

该文综述大语言模型在心理咨询与情感支持对话中的研究，指出GPT-4在情绪、共情和对话质量上表现突出，但专用模型未必更优；涉及ChatCounselor、OpenAssistant、个性化对话数据集与共情回应生成，并提出语义上下文学习等改进方法，同时关注伦理问题。

该文综述情感支持对话系统的多项研究：提出统一端到端架构，同时编码帖子语义与情感以生成智能回复；利用MITI编码识别在线心理支持对话中的一致与不一致类型，并通过数据增强和提示构建重述器；提出联合识别情感与生成响应的多任务BERT框架；强调AI情绪调节需谨慎；构建积极情感诱导数据集PosEmoDial；提出MISC模型推断细粒度情感并采用混合策略；介绍EmotionPush系统及Hailey人机协作方案，并讨论自动化反馈的伦理框架。