SENSE-7：衡量持续人机对话中用户共情感知的分类体系与数据集
人机交互
2025-09-23 v1 人工智能
摘要
共情越来越被认为是人机交流的关键因素，然而传统的“数字共情”方法通常侧重于模拟内在的、类似人类的情感状态，却忽视了用户所感知到的共情本质上具有的主观性、情境性和关系性层面。在这项工作中，我们提出了一种以人为中心的分类体系，强调可观察的共情行为，并引入了一个新的数据集 Sense-7，包含信息工作者与大型语言模型（LLM）之间的真实对话。该数据集包含直接来自用户的逐轮共情标注，以及用户特征和情境细节，为共情提供了更立足于用户的表示。对来自 109 名参与者的 695 次对话的分析表明，共情判断高度个体化、对情境敏感，并且在对话连续性失败或用户期望未得到满足时容易受到破坏。为促进进一步研究，我们提供了一组 672 次匿名对话的子集，并进行了探索性分类分析，表明基于 LLM 的分类器能够识别 5 个共情等级，在该数据集上取得了令人鼓舞的平均 Spearman =0.369 和 Accuracy=0.487。总体而言，我们的研究结果强调，AI 设计需要动态调整共情行为以适应用户的情境和目标，为未来社会协调、以人为中心的人工智能体的研究与实践发展提供了路线图。
引用
@article{arxiv.2509.16437,
title = {SENSE-7: Taxonomy and Dataset for Measuring User Perceptions of Empathy in Sustained Human-AI Conversations},
author = {Jina Suh and Lindy Le and Erfan Shayegani and Gonzalo Ramos and Judith Amores and Desmond C. Ong and Mary Czerwinski and Javier Hernandez},
journal= {arXiv preprint arXiv:2509.16437},
year = {2025}
}