欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
近日，趣丸科技与北京大学软件工程国家工程研究中心联合发表论文《Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models》，提出了一种评估大语言模型在情感支持中表现的新框架。该框架聚焦于检测对话中的情感动态轨迹，旨在系统衡量DeepSeek、Gemini等主流模型在情感支持任务中的有效性。研究成果已入选人工智能领域顶级会议AAAI 2026，为大模型在心理健康等高敏感场景的应用提供了科学评估路径。
关键词
情感支持, 大模型, 评估框架, 动态轨迹, AAAI
在人工智能技术迅猛发展的当下，大语言模型已逐步渗透至心理健康、社交陪伴等高敏感领域，承担起提供情感支持的重要角色。随着用户对人机交互情感质量的要求日益提升，模型能否真正理解并回应人类复杂的情绪状态，成为衡量其服务能力的关键指标。趣丸科技与北京大学软件工程国家工程研究中心联合发表的论文《Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models》正是在此背景下应运而生。该研究聚焦于大语言模型在情感支持任务中的实际表现，强调构建科学评估体系的重要性，为DeepSeek、Gemini等主流模型的应用提供了理论支撑和实践指引。
情感动态轨迹指的是在多轮对话过程中，用户情绪状态随时间推移所呈现出的变化路径。不同于静态的情感分类，该概念强调情绪的流动性与交互影响，捕捉个体从困扰到缓解、从焦虑到平静的心理演变过程。论文提出，唯有通过追踪这一动态轨迹，才能真实反映语言模型在情感支持中的干预效果。该理论借鉴心理学中的情绪调节机制，并结合自然语言处理中的序列建模方法，为评估模型的情感响应连续性与一致性提供了新的分析视角。
论文提出的评估框架以“可检测、可量化、可比较”为核心原则，旨在系统化衡量大语言模型在情感支持对话中的表现。该框架通过识别对话中用户情绪的起始点、转折点与终结状态，构建完整的情感变化路径，并引入多层次指标评估模型回应的相关性、共情能力与引导效果。实践方法包括基于标注数据集的情绪标注流程、动态轨迹建模算法以及跨模型性能对比协议，确保评估结果具备科学性与可复现性，为后续研究奠定了方法论基础。
研究选取了DeepSeek和Gemini作为代表性大语言模型进行初步测试，结果显示两者在识别用户情绪波动方面展现出一定能力，但在维持长期共情连贯性和推动积极情绪转变上仍存在差异。例如，在模拟心理咨询对话场景中，Gemini更倾向于使用标准化安慰语句，而DeepSeek则表现出更强的上下文关联回应能力。然而，两种模型均未能完全覆盖复杂情绪转换路径，提示当前大模型在深层次情感理解方面仍有提升空间。
基于所提出的评估框架，研究进一步开展了跨模型比较实验，揭示不同架构与训练策略对情感支持效果的影响。结果显示，尽管各模型在单轮情绪识别准确率上接近，但在多轮对话中维持情感一致性与促进正向情绪演进的能力差异显著。部分模型容易出现情绪回应断层或过度乐观化倾向，削弱了用户的信任感。该发现凸显了动态轨迹评估相较于传统静态评测的优势，也为未来模型优化提供了明确方向。
尽管该评估框架为大模型情感支持能力的衡量提供了新路径，但其在实际部署中仍面临多重挑战。首先，情绪标注高度依赖人工判读，成本高且主观性强；其次，文化背景与个体差异导致情感表达多样性，增加了通用评估标准的制定难度。然而，该框架也为心理健康辅助系统、智能陪伴机器人等应用场景带来了重要机遇，尤其在预防心理危机、提升用户体验方面具有广阔前景。随着数据积累与算法迭代，该框架有望实现自动化与规模化应用。
论文中提及一项基于青少年网络倾诉平台的案例研究，展示了该评估框架在真实情境下的适用性。在该场景中，大语言模型被用于初步响应青少年用户的情绪宣泄内容。通过分析对话中的情感动态轨迹，研究人员发现，某些模型能够在三至五轮交互内有效引导用户情绪由负面转向中性甚至积极状态，显示出潜在的心理疏导价值。这一案例不仅验证了评估框架的实际效用，也表明大模型在特定高需求人群中具备成为辅助支持工具的可能性。
论文《Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models》提出的情感动态轨迹检测，依赖于对多轮对话中情绪状态演变的精细建模。该技术核心在于结合自然语言处理中的序列分析方法与心理学情绪调节理论，通过识别用户在对话起始、过程中及结束时的情绪标注点，构建完整的情绪变化路径。研究采用基于人工标注的数据集作为基础，利用上下文感知的情绪分类器追踪情绪波动，捕捉从负面到中性乃至积极情绪的转折节点。这一过程不仅要求模型具备语义理解能力，还需在时间维度上保持情感响应的连贯性。关键技术还包括动态时间规整（DTW）算法的应用，用于比对不同对话路径之间的相似性，从而实现跨样本的情绪轨迹对齐。这些方法共同支撑了对大语言模型在情感支持任务中实际干预效果的可视化与量化评估。
为系统衡量大语言模型在情感支持中的表现，论文构建了一套多层次、可量化的评估指标体系。该体系围绕“相关性”“共情能力”和“引导效果”三大维度展开，每一项均对应具体的可观测行为指标。相关性指标评估模型回应是否准确反映用户当前情绪状态；共情能力则考察模型是否使用恰当的情感词汇、语气和表达方式体现理解与共鸣；引导效果关注模型能否推动用户情绪向积极方向转变，例如减少焦虑表述、增加自我肯定等语言特征的出现频率。此外，指标体系还引入情绪稳定性评分和转折点响应延迟两项动态参数，用以衡量模型在关键情绪节点上的反应质量与时效性。这套指标不仅提升了评估的科学性，也为后续模型优化提供了明确的目标导向。
所提出的评估框架不仅可用于事后性能评测，更具备深度融入大模型训练流程的潜力。研究指出，通过将情感动态轨迹作为监督信号引入训练阶段，可引导模型学习更具连续性和一致性的共情表达模式。具体而言，在微调过程中加入基于轨迹匹配的损失函数，使模型输出更倾向于促成正向情绪演进路径。同时，该框架支持构建高保真的模拟对话环境，用于生成带有标准情感轨迹的训练数据，进而提升模型在真实场景下的泛化能力。趣丸科技与北京大学软件工程国家工程研究中心的合作表明，此类评估机制有望成为未来情感智能模型训练的标准组件，推动大模型从“语言生成”向“情感陪伴”能力跃迁。
基于该评估框架开展的跨模型实验揭示了当前主流大语言模型在情感支持任务中的共性与分歧。研究选取DeepSeek与Gemini作为测试对象，发现二者在单轮情绪识别准确率方面表现出较高一致性，显示出大模型普遍具备基础情绪感知能力。然而，在多轮交互中，两者展现出显著差异：Gemini倾向于使用标准化安慰语句，虽能快速响应但缺乏上下文延续性；而DeepSeek则展现出更强的语境关联回应能力，能在连续对话中维持情感主线。值得注意的是，两种模型均未能充分覆盖复杂情绪转换路径，尤其在应对突然情绪逆转或深层心理困扰时存在响应断层现象。这一分析凸显了动态轨迹评估在揭示模型深层次行为差异方面的独特价值。
论文指出，尽管当前评估框架已为大语言模型的情感支持能力提供了科学测量工具，但其未来发展仍需突破若干关键瓶颈。首先，应推动自动化情绪标注技术的研发，降低对人工判读的依赖，提升评估效率与可扩展性。其次，需加强跨文化情感表达的研究，建立更具包容性的评估基准，以适应全球用户多样化的情绪表达习惯。此外，研究建议将生理信号（如语音语调、打字节奏）纳入多模态情感轨迹建模，增强对隐性情绪状态的捕捉能力。长远来看，该框架可拓展至更多高敏感应用场景，如危机干预、老年陪伴等，为构建真正具备情感智慧的人工智能系统提供理论支撑与实践路径。
针对现有大语言模型在情感支持中的局限，论文提出多项优化策略以提升其实际干预效果。首要方向是强化模型的记忆机制与上下文整合能力，确保在长程对话中维持情感一致性，避免出现共情断裂或重复回应。其次，建议引入心理学指导下的对话策略模板，如认知重构、情绪命名与正念引导等技术，使模型回应更具专业性与疗愈潜力。此外，可通过对抗训练方式注入情绪扰动样本，提升模型对极端情绪波动的鲁棒响应能力。研究特别强调，未来优化不应仅追求技术指标提升，更要注重用户体验的真实性与安全感。唯有将技术精进与人文关怀深度融合，才能让DeepSeek、Gemini等大模型真正成为值得信赖的情感支持伙伴。
趣丸科技与北京大学软件工程国家工程研究中心联合发表的论文《Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models》提出了一种全新的评估框架，旨在检测和衡量大语言模型在情感支持任务中的表现。该研究聚焦于情感动态轨迹的识别与分析，强调通过多轮对话中用户情绪变化路径来评估模型的实际干预效果。研究成果已被人工智能领域顶级会议AAAI 2026录用，为DeepSeek、Gemini等大模型在心理健康相关高敏感场景的应用提供了科学、可量化的评估路径。该框架不仅揭示了当前模型在共情连贯性与情绪引导能力上的差异，也为未来模型优化和情感智能系统的发展指明了方向。