Empath：追踪危机咨询对话中的多层次情绪动态
Empath: Tracing Multi-Level Emotion Dynamics in Crisis Counseling Dialogues
浏览论文内容
中文总结 AI 辅助
本文提出EMPATH框架，通过语句级标签、转移概率和全局原型三个粒度分析危机咨询对话中的情绪动态，揭示持续负面情感、向希望转移及异质恢复轨迹，强调情绪动态分析的价值。
中文摘要 AI 辅助
情绪动态对于理解危机支持对话至关重要，然而大多数计算工作将情绪视为静态的语句级标签。我们引入了EMPATH，一个用于理解心理健康对话中情感动态的框架，涵盖三个粒度：语句级标签、转移概率和全局对话原型。将EMPATH应用于自我认同为黑人的文本发送者讨论悲伤的文本危机对话中，我们发现持续的负面情感、逐渐向希望转移的趋势、不同的发送者与志愿者情绪角色，以及异质的恢复轨迹。这些结果突显了从计算角度理解危机支持和悲伤表达作为对话中动态过程所呈现的信息模式，以及情绪动态分析在分析和比较对话中情感方面的整体价值。
英文摘要
Emotion dynamics are critical for understanding crisis-support conversations, yet most computational work treats emotion as static utterance-level labels. We introduce EMPATH, a framework for understanding affective dynamics in mental health dialogues across three granularities: turn-level labels, transition probabilities, and global conversation archetypes. Applying EMPATH to text-based crisis conversations with self-identified Black texters discussing grief, we find persistent negative affect, gradual hope-ward transitions, distinct texter-volunteer emotional roles, and heterogeneous recovery trajectories. These results highlight the informative patterns that emerge from computationally understanding crisis support and expressions of grief as dynamic processes within conversations, as well as the overall value of emotion-dynamic analysis for analyzing and comparing affect in dialogues.
发表机构
- Columbia University（哥伦比亚大学）
- Barnard College（巴纳德学院）
机构由 AI 辅助整理，请以论文原文为准。
