ESConv
PulseAugur coverage of ESConv — every cluster mentioning ESConv across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究表明肯定在AI辅助咨询质量方面起关键作用
一项发表在arXiv上的新研究将“肯定”引入为高质量文本咨询的关键行为标记，其重要性可能超越“反思”。研究人员分析了KokoroChat数据集，该数据集包含专业咨询师和培训师的对话，发现肯定与咨询质量的关联更为一致。在ESConv数据集上的跨数据集实验进一步支持了这一发现，表明其具有更广泛的适用性。该研究为改进咨询师培训和设计更有效的心理支持系统提供了实证见解。
-
新方法改进开放式对话中的LLM评判
研究人员开发了用于评估开放式对话场景中大型语言模型（LLM）的新方法。这些方法统称为多专家一致性风险控制（CRC），旨在通过汇总多位专家的输出来提高LLM判断的准确性和可靠性。提出的技术包括分数平均法和决策投票法，它们可以提高同质专家小组的表现。对于具有不同评分标准的异质专家小组，引入了一种称为边际校准一致性共识（MC3）的新方法，该方法能有效适应这些差异。
-
新研究范式CSED在情感对话系统中优先考虑长期用户福祉
提出了一种名为能力维持的情感对话（CSED）的新研究范式，以推进情感对话系统。当前研究通常侧重于即时缓解，而非用户的长期福祉和自主性。提出的CSED框架强调在重复互动中维持用户的情绪调节、应对和决策能力。文献审计显示，大多数现有系统优先考虑即时缓解，很少评估纵向结果或依赖性等潜在风险。
-
新型DESG模型改进了AI治疗师评估，超越了LLM评判
研究人员开发了一种新的模型无关评估器，称为动态情感签名图（DESG），用于评估AI在心理健康对话中生成的响应的质量。该方法超越了简单的文本相似性和直接的LLM判断，而这些方法常常与治疗目标不一致。DESG使用解耦的临床状态来表示对话窗口，并使用不对称的临床几何学对其进行评分，在基准测试集上达到了0.9353的宏观F1分数。