論文の概要: EmoTrace: An Emotion Trajectory-Centered Framework for Psychological Support Dialogue Generation

• arxiv url: http://arxiv.org/abs/2607.23648v1
• Date: Sun, 26 Jul 2026 13:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.180297
• Title: EmoTrace: An Emotion Trajectory-Centered Framework for Psychological Support Dialogue Generation
• Title（参考訳）: EmoTrace:心理学的支援対話生成のための感情軌道中心フレームワーク
• Abstract要約: EmoTraceは、探索者の感情軌跡をモデル化する多ターン対話コーパス生成フレームワークである。 探索者の認知プロファイルを構築し,感情的スキーマと関連するアクティベーション機構を備えた探索モジュール,カウンセラーモジュール,感情的軌道制御モジュールを導入する。 実験の結果,提案手法は感情の豊かさや共感の質という点で既存手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 10.967647558354725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using large language models (LLMs) to assist psychological counseling is an important task in the field of natural language processing. The construction of high-quality psychological support dialogue corpora serves as a critical foundation for training counseling-oriented conversational models. However, existing data generation approaches generally suffer from several limitations, including emotionally stable seekers, limited variation in emotional dynamics, and a high degree of compliance with counselors' guidance. These issues result in LLM that lack the capability to effectively respond to emotionally unstable scenarios. In addition, counselor responses are typically driven by problem-solving objectives, thereby overlooking the role of emotion-focused interaction, which are essential in psychological counseling. To address these gaps, we propose EmoTrace, a multi-turn dialogue corpus generation framework centered on modeling seekers' emotional trajectories. we construct seekers' cognitive profile and introduce a seeker module with emotional schemas and an associated activation mechanism, a counselor module, and an emotional trajectory control module, thereby enhancing the layering of the seeker's emotional expression and the counselor's targeted empathic expression. Experimental results demonstrate that the proposed method outperforms existing approaches in terms of emotional richness and empathy quality.
• Abstract（参考訳）: 大規模言語モデル(LLM)を用いて心理的カウンセリングを支援することは、自然言語処理の分野で重要な課題である。 高品質な心理的サポート対話コーパスの構築は、カウンセリング指向の会話モデルを訓練するための重要な基盤となっている。 しかし、既存のデータ生成アプローチには、感情的に安定した探究者、感情力学の限られたバリエーション、カウンセラーの指導に対する高いコンプライアンスなど、いくつかの制限がある。 これらの問題により、LLMは感情的に不安定なシナリオに効果的に対応する能力に欠ける。 加えて、カウンセラー反応は通常、問題解決の目的によって引き起こされるため、心理的カウンセリングに不可欠な感情中心の相互作用の役割を見落としている。 これらのギャップに対処するために,探索者の感情軌跡をモデル化する多ターン対話コーパス生成フレームワークであるEmoTraceを提案する。 探索者の認知プロファイルを構築し,感情スキーマと関連するアクティベーション機構,カウンセラーモジュール,感情軌跡制御モジュールを備えた探索モジュールを導入し,探索者の感情表現とカウンセラー対象の共感表現の階層化を強化する。 実験の結果,提案手法は感情の豊かさや共感の質という点で既存手法よりも優れていた。

関連論文リスト

• Breakdowns in Conversational AI: Interactional Failures in Emotionally and Ethically Sensitive Contexts [16.938835302814084]
  本研究では,心理的なペルソナとマルチターン対話や,情緒的なペアリングを行うことのできるペルソナ条件付きユーザシミュレータを開発した。 感情的ミスアライメント、倫理的失敗、共感が責任を負うような多次元的トレードオフなど、いくつかの一般的な失敗パターンを特定します。
  論文  参考訳（メタデータ） (2026-04-03T04:10:46Z)
• EMO-R3: Reflective Reinforcement Learning for Emotional Reasoning in Multimodal Large Language Models [62.3977734456669]
  マルチモーダル大規模言語モデル(MLLM)の感情的推論能力を高めるためのフレームワークとして,情緒的推論のための反射強化学習(EMO-R3)を提案する。 構造化された感情的思考を導入し、構造化された解釈可能な方法で段階的に感情的推論を行い、そのモデルが視覚的テキストの一貫性と感情的コヒーレンスに基づいてその推論を再評価できる反射的感情的回帰を設計する。 EMO-R3はMLLMの解釈可能性と感情的インテリジェンスの両方を大幅に改善し、複数の視覚的感情理解ベンチマークにおいて優れた性能を達成する。
  論文  参考訳（メタデータ） (2026-02-27T08:42:52Z)
• DELTA: Deliberative Multi-Agent Reasoning with Reinforcement Learning for Multimodal Psychological Counseling [13.005090874995645]
  マルチモーダル信号を用いた構造化推論プロセスとしてカウンセリングをモデル化するマルチエージェントフレームワークであるDELTAを紹介する。 DELTAは、モデル間のカウンセリング品質と感情の両方を改善する。
  論文  参考訳（メタデータ） (2026-02-04T00:56:05Z)
• PsychēChat: An Empathic Framework Focused on Emotion Shift Tracking and Safety Risk Analysis in Psychological Counseling [12.348236978084671]
  本稿では,心理的カウンセリングのための感情変化追跡と安全リスク分析を明示的に統合したサイコチャットを提案する。 具体的には、対話型ロールプレイングを用いてカウンセラー対話を合成し、感情管理モジュールとリスクコントロールモジュールの2つのモジュールを統合する。 Agent Modeは、感情管理、リスクコントロール、カウンセラー応答を協調的なマルチエージェントパイプラインに構成する。
  論文  参考訳（メタデータ） (2026-01-18T13:06:13Z)
• A Unified Spoken Language Model with Injected Emotional-Attribution Thinking for Human-like Interaction [50.05919688888947]
  本稿では,感情的インテリジェンスのための統一言語モデルを提案する。 IEATは、ユーザーの感情状態とその根本原因をモデルの内部推論プロセスに組み込んでおり、明示的な監督として扱われるのではなく、感情を意識した推論を内部化することができる。 HumDial(Human-like Spoken Dialogue Systems Challenge)Emotional Intelligenceベンチマークの実験は、提案手法が感情軌道モデリング、感情的推論、共感的応答生成にまたがるトップランクのパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-08T14:07:30Z)
• Detecting Emotional Dynamic Trajectories: An Evaluation Framework for Emotional Support in Language Models [6.810484095299127]
  感情支援は人間とAIの相互作用における中核的な能力であり、心理学的カウンセリング、ロールプレイ、コンパニオンシップなどの応用がある。 大規模言語モデル(LLM)の既存の評価は、しばしば短く静的な対話に依存し、感情的サポートの動的で長期的な性質を捉えない。 本フレームワークは,328の情緒的文脈と1,152の外乱イベントからなる大規模ベンチマークを構築し,進化する対話シナリオ下での現実的な情緒的変化をシミュレートする。
  論文  参考訳（メタデータ） (2025-11-12T05:47:28Z)
• IntentionESC: An Intention-Centered Framework for Enhancing Emotional Support in Dialogue Systems [74.0855067343594]
  感情的支援の会話では、意図の不明確さは、支持者に不適切な戦略を採用させる可能性がある。 Intention-centered Emotional Support Conversation frameworkを提案する。 支援者の意図を定義し、これらの意図を推測するための重要な感情状態の側面を特定し、それらを適切な支援戦略にマッピングする。
  論文  参考訳（メタデータ） (2025-06-06T10:14:49Z)
• CauESC: A Causal Aware Model for Emotional Support Conversation [79.4451588204647]
  既存のアプローチは、苦痛の感情の原因を無視します。 彼らは、話者間の相互作用における感情的ダイナミクスよりも、探究者自身の精神状態に焦点を当てている。 本稿では、まず、苦痛の感情要因と、その原因によって引き起こされる感情効果を認識する新しいフレームワークCauESCを提案する。
  論文  参考訳（メタデータ） (2024-01-31T11:30:24Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
  我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。 また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。 次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
  論文  参考訳（メタデータ） (2023-08-17T10:49:18Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。