TraDE 框架：如何建模人机对话中的自我披露轨迹
研究者提出 Trajectory-based Disclosure Evaluation（TraDE）评估框架，基于社会渗透理论，通过预定义披露轨迹评估先前披露历史如何影响模型在当前披露深度相同下的回复行为。实验表明多个模型对披露的回应取决于此前轨迹，尤其体现在是否接受或挑战用户框架，且差异随深度披露的累积暴露产生并持续数轮。相比人类支持者（ESConv 语料），模型最明显偏离发生在用户减少披露而非袒露心声时。
#情感陪伴
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分4848
arXiv · cs.CLAI 评分3737 共情并非事实性与可靠性下降的替罪羊
该 arXiv 论文重新审视“温暖语气降低语言模型可靠性”的结论，指出既有研究多在共情对话数据上做 SFT，难以区分语气效应与分布偏移。作者用提示词、SFT 与 RL 诱导温暖行为，基于 11 个数据集的 benchmark 套件和 EMOFACT 评估，发现温暖效应因任务和模型而异，任务对齐的自适应语气可兼顾共情与可靠性，并推出经人工验证的共情评估器。
arXiv · cs.CLAI 评分5050 RELATE：衡量大语言模型关系取向的评估框架
研究者提出 RELATE，一个以人设条件化测量 LLM 关系取向的评估框架，区分将 AI 定位为持续支持来源的内向型（IF）语言与鼓励现实人际连结的外向支架型（OS）语言。框架将 76 个求助情境与 3 种模拟用户风格组合成 228 个评估刺激，对 7 个 LLM 各进行 6 轮助手对话，共产生 1,596 段对话和 69,194 句助手句子，用基于量表的 LLM 评判加二次评判评估。结果显示第 6 轮的 IF 句子比例高于第 1 轮，且犹豫、间接的用户得到的 OS 语言明显更少。
arXiv · cs.AIAI 评分3030 低成本视频-时间先验：熟悉视频 EEG-fNIRS 情绪回归的强基线
一项 arXiv 研究提出，在熟悉视频的连续情绪回归中，基于视频身份与视频内时间信息的低成本先验可作为强基线。五折被试留出评估显示，该先验在内部和外部评估中分别与融合方法相差 0.05 和 0.32 MAE；消融实验表明视频身份与视频内时间贡献了大部分性能提升，EEG-fNIRS 的增益较小且因人和视频而异，可视为可选的残差信号。