當AI學習共情：心理學視角下共情計算的主題、場景與優化

摘" 要" 共情計算是指使用人工智能和大數據技術來預測、識別、模擬和生成人類的共情， 是傳統心理學共情研究與計算機科學交叉的新興研究領域。本研究構建了一個數據層、模型層與任務層的普適性研究框架， 總結了一個包括個體共情測評、共情內容分類、共情回應系統和共情對話生成的4個新主題分析框架， 建立了面向心理健康、教育學習、商業服務和公共管理等心理應用的場景創新。未來研究有必要建構高整合的共情計算理論模型、建設高可信的共情心理行為特征數據集， 并通過以人為中心的評價體系驗證并改進共情計算的研究效度。共情計算有益于將當前人際共情研究擴展到智能社會新型人?AI關系研究中。心理學家在該領域承擔引領、評估和改進等角色， 并與計算機科學家緊密合作， 共同推動共情計算理論基礎更堅實， 效果檢驗更可靠， 應用創新更貼近實際需求。

關鍵詞" 共情， 共情計算， 計算心理學， 人工智能， 人機交互

分類號" B849

共情（empathy）是指感受和理解他人情緒， 并做出合理回應的心理和行為過程， 也指個體完成這一過程的能力或特質（Bo?njakovi? amp; Radionov， 2018; Hall amp; Schwartz， 2019; Preston amp; de Waal， 2002）。共情在個體的社會生活中扮演重要角色， 與親社會行為（de Waal， 2008）、良好的人際關系（Morelli et al.， 2017）及幸福感（Grühn et al.， 2008）密切相關。作為心理學的一個重要研究主題， 共情在人格與社會心理學、發展心理學、咨詢心理學等領域都積累了許多的研究成果（Hall amp; Schwartz， 2019）。

2022年末， ChatGPT （OpenAI et al.， 2023）的推出標志著人工智能（artificial intelligence， AI）開始進入普通人的日常生活。與過去冷冰冰的機器形象不同， 最新研究表明， 基于大語言模型的AI已經表現出一定的共情能力（capability）1， 可以在情緒識別任務中達到普通人的平均水平（Kosinski， 2023; Wang et al.， 2023）。共情計算（empathy computing）是在AI技術飛速發展背景下興起的心理學與計算機科學交叉研究領域， 旨在運用計算的方法自動化分析和模擬共情。計算機科學的進步使得大規模收集和自動化分析心理和行為數據更加高效和便捷， 從而為共情計算研究提供了條件。研究者通過機器學習等方法， 分析過去通過人工編碼無法處理的大量文本和音頻等數據， 在更大尺度上驗證和改進傳統的共情研究（Xiao， Imel， Georgiou， et al.， 2015）。另一方面， 人工智能技術的應用正在擴展到科研、醫療、教育、服務和社會治理等領域（Zhu et al.， 2023）， 使得人與AI的互動更為普遍; 表現出共情能力的人機交互系統提升人對機器的信任、投入感、減少互動中的挫敗感并提升互動的時長（Pelau et al.， 2021; Yal??n amp; DiPaola， 2020）， 可見對AI共情能力的需求也催生了共情計算的研究。

近年來， 共情計算越來越受到關注。2023年初《自然?機器智能》發表了一項由計算機和心理學領域的研究者共同完成的共情計算研究（Sharma et al.， 2023）。研究者開發了一個共情計算系統， 該系統評估助人者回復的共情程度， 并提供改寫建議， 協助朋輩助人者提供更有“人情味”的回復（圖1）。結果表明， 與助人者獨立完成的對話相比， AI和人配合的回復表現出更高的共情水平。盡管已經有一些心理學研究者開始參與共情計算研究， 目前多數研究仍來自于計算機領域。通過本文的介紹， 希望引起更多心理學研究者對共情計算的興趣和關注， 并促進共情計算的基礎研究和應用。

1" 共情計算的理論背景

1.1" 傳統共情研究

共情計算是一個新興領域， 其發展建立在傳統共情研究的基礎之上。傳統研究在共情的概念、測量、神經基礎、個體差異以及在心理咨詢等領域的應用等方面有豐富成果。研究者普遍接受共情包含了情感和認知成分， 也有一部分研究者認為行為成分也包含在內（Cuff et al.， 2014; Stosic et al.， 2022）。情感成分是指直接感受和分享他人情緒的過程， 認知成分是指個體間接地想象和設身處地理解他人情緒的過程， 行為成分是指互動時讓對方感到溫暖、被理解和支持的行為（Stosic et al.， 2022）。多數研究采用自我報告法， 從情感和認知兩方面測量共情（Hall amp; Schwartz， 2019）。以經典的人際反應指針量表（Interpersonal Reactivity Index， IRI; Davis， 1983）為例， 它包括4個分量表：共情關注（empathic concern）和個人苦惱（personal distress）維度分別測量個體的情感共情能力， 而想象（fantasy）和觀點采擇（perspective taking）兩個分量表用來測量認知共情能力。近年新開發的測量工具， 基本共情量表（Basic Empathy Scale， BES; Jolliffe amp; Farrington， 2006）， 認知和情感共情量表（Questionnaire of Cognitive and Affective Empathy， QCAE; Reniers et al.， 2011）， 珀斯共情量表（Perth Empathy Scale， PES; Brett et al.， 2023）等也是在這一基礎上改進而成的。神經科學研究表明， 情感共情主要與鏡像神經系統有關， 包括額下回、頂下小葉、后頂葉皮質和顳上溝等腦區， 而認知共情則與心理理論神經系統有關， 如內側前額葉、顳上溝、顳頂聯合區和顳極等（岳童， 黃希庭， 2016）。情感共情和認知共情并非完全獨立， 兩者間存在一個共同激活過程（Schurz et al.， 2021）。人的整體共情能力和特質共情存在個體差異（Mooradian et al.， 2011）; 共情被廣泛應用于心理咨詢， 對咨詢效果有中等強度的正向預測作用（Elliott et al.， 2011）。

這些傳統研究成果為共情計算的發展奠定基礎并提供啟示。共情概念和成分的研究為共情計算提供了理論框架， 明確研究范疇。傳統自評量表作為校標， 可以評估共情計算的準確性和可靠性。人類共情的神經機制研究可能為設計腦機交互提供啟發（Roshdy et al.， 2021）。以往的應用研究也為共情計算潛在應用場景指明方向。

1.2" 共情計算的概念

共情計算尚未形成統一的定義。本文結合作者的自身認知以及現有文獻中的描述， 將共情計算定義為：使用計算系統收集并處理文字、聲音、圖像、生理信號等多模態數據， 用以預測、識別、模擬和生成人與人、人與機器間共情心理和行為的研究領域（Preston amp; de Waal， 2002; Xiao et al.， 2016; Yal??n amp; DiPaola， 2020）。其中計算系統包括計算機、傳感器等硬件設備以及支持其完成自動化運算的軟件。共情計算研究不僅僅指運用計算方法分析各種生理、心理、行為信號來測量共情， 也包括通過模擬這些信號使人工智能或機器人表現出共情能力。由于側重點不同， 研究者對于該領域有一些不同稱呼， 如共情性計算（empathetic computing; Cai， 2006）， 計算共情（computational empathy; Yal??n amp; DiPaola， 2020）或人工共情（artificial empathy; Asada， 2015; Cao et al.， 2021）等。鑒于研究手段以及目標的相似性， 我們認為這些都是共情計算相關的研究領域。

1.3" 共情計算的研究框架

為了展現共情計算領域的全貌， 本文建構了共情計算的研究框架， 如圖2所示。心理學研究為共情計算收集和標注數據、建構模型提供理論依據， 并貢獻研究主題。計算機科學方面則支持共情計算收集多模態的數據、設計算法以及編寫所需的程序。共情計算又反過來促進心理學和計算機科學的研究。

共情計算主要由數據、模型和任務三個層面組成。在數據層， 通過各種數據源頭收集與共情有關的生理、心理和行為多模態數據， 如語言、面部表情、語音語調等。這些數據來自問卷調查、臨床或實驗等傳統心理學研究方法， 如心理咨詢的視頻錄像; 也可能來自智能手機、智能手表、虛擬現實（Virtual Reality， VR）眼鏡等數字設備的使用過程， 如社交媒體中表達出對新聞當事人共情的留言。在模型層， 研究者建立共情的計算模型， 使計算機可以通過算法“學習”共情。一般做法是基于共情的心理學理論（例如Sharma et al.， 2020）或采用數據驅動的方式（例如Rashkin et al.， 2019）抽取數據中有關共情的特征（如表達共情的詞匯、緩和的語調等）， 隨后用這些特征訓練計算模型， 訓練后的模型可用于預測新數據或生成新內容。深度學習是近幾年共情計算研究中常用的方法， 屬于機器學習的一種， 是指通過神經網絡模擬大腦中的神經元， 從而進行模式識別和特征提取， 對復雜數據的學習和處理。常用的深度學習模型有遞歸神經網絡（Recurrent Neural Networks， RNN）、卷積神經網絡（Convolution Neural Networks， CNN）、長短時記憶（Long Short Term Memory， LSTM）和Transformers （Vaswani et al.， 2017）等。在任務層， 現有的研究主要分為4個主題：個體共情測量、文本共情內容分類、共情回應系統和共情對話生成。

2" 共情計算的研究主題

作為一個新興領域， 共情計算的研究內容在不斷發展變化中。當前主要研究， 可以根據目的和手段不同分為4個主題。一方面， 共情計算的首要任務是計算機分析和理解共情， 分為（1）個體共情測量和（2）共情內容分類， 前者側重于分析個體的共情特質， 后者聚焦于分析文本中的共情特征， 而非真實的人。另一方面， 這一研究領域致力于使計算機模擬和表現共情， 包括（3）設計共情性回應系統和（4）開發生成式共情對話系統， 前者設計有限的回應方式并根據規則給用戶反饋以表現共情， 后者則利用AI自動生成共情性的對話。這些主題相對獨立但互補， 隨著研究的深入， 也會產生新的主題。

2.1" 個體共情測評

個體共情測評是共情計算較早發展的領域， 起初是為了評估心理咨詢師， 如通過文字和語音評價心理咨詢師的共情能力（Xiao， Imel， Georgiou， et al.， 2015）， 隨后擴展到其他情景， 如通過社交媒體信息識別可能損害用戶健康的致病性共情（pathogenic empathy） （Abdul-Mageed et al.， 2017）。這類研究的做法是研究者基于理論， 或者通過數據驅動的方法提取可能與共情有關的行為特征（如具有代表性的詞語、語調、或表情等）， 通過機器學習等方法建立行為特征與自我報告或專家評分之間的關系模型， 隨后再使用建立好的模型對新的數據集進行評分（Xiao et al.， 2016）。目前的研究已經探索了對話文本（Chakravarthula et al.， 2015; Gibson et al.， 2016; Gibson et al.， 2015; Litvak et al.， 2016）、語調（Imel et al.， 2014; Xiao et al.， 2014）、語速（Xiao， Imel， Atkins， et al.， 2015）、面部表情（Kumano et al.， 2011; Mathur et al.， 2021）、目光（Ishii et al.， 2018）等多種行為特征與共情的關系。如Litvak等（2016）研究發現社交媒體上的語言風格和特質共情有關， 代詞的使用數量和IRI量表中的觀點采擇子維度有較高的相關性。Xiao等（2014）發現高音調與心理咨詢師的低共情有關。

通過計算的方法測量個體的共情特質， 為自動化、大規模評估和研究共情提供了有效的工具。共情計算的方法已經對個體的共情水平做出較準確的測量， 與專家評分達到了較高的相關（r = 0.65） （Xiao， Imel， Georgiou， et al.， 2015）。此外， 這些研究也為設計能夠展現共情能力的AI或機器人提供參考， 如訓練機器人在對話、語調、語速等方面表現得更接近高共情特質的人。不過， 某項行為特征在預測共情時是否具有跨語言、文化、情景適用性還需要更多研究。在美國樣本中預測共情的語調同步性在法語咨詢中并未得到驗證（Gaume et al.， 2019）。此外， 人類評估者傾向于整合言語和非言語的行為對個體的共情能力做出整體判斷（Xiao et al.， 2012）， 未來研究需要探索怎樣整合文本、音頻、視頻等多模態數據（Ma et al.， 2022）， 以更自然地評估共情水平與共情內容。

2.2" 共情內容分類

共情計算的另一個重要主題是識別文本中表現出共情的關鍵詞或句子， 或依據所表現出的共情強度將文本分類。由于絕大多數網絡本文數據無法追溯內容發布者以獲取心理測量數據， 這類研究以文本本身作為研究對象， 而非測量文本所反映的個體共情特質。研究者開發了面向具體場景中共情信息的識別模型， 如識別線上癌癥社區中的共情留言（Khanpour et al.， 2017）， 評估在線朋輩寫作互評中的共情程度（Wambsganss et al.， 2022）， 和評估讀者所寫的新聞讀后感中所表現出的共情程度（Buechel et al.， 2018; Zhou et al.， 2021）等。這類研究首先建立標注過的共情內容數據集， 隨后用標注過的數據集訓練模型， 最后得到識別文本中共情信息的位置， 或者為內容的共情程度評分的共情計算模型（Sharma et al.， 2020）。

聚焦于文本內容的共情計算研究不依賴個體心理測量數據， 便于更大范圍收集數據， 補充并擴展了前文中個體共情特質的計算， 為分析社交網絡對話中的共情提供工具， 也為生成共情對話提供參考。共情內容識別和評估已達到較高準確率， 如在判定一段留言是否共情時Khanpour等（2017）報告了78.61%的準確率， 并具備一定程度的跨場景遷移能力， 如基于新聞評論開發的模型也可以用于評估論壇跟帖和電影腳本的共情（Zhou et al.， 2021）， 因此有廣泛的應用前景。然而， 當前研究局限在于從第三人視角評估文本內容， 未能真實反應內容作者和讀者的個人體驗。為了彌補這一局限， 研究者正致力于收集真實對話情境中發言者和聽眾的第一人視角的共情體驗數據， 以更全面地分析文本中的共情內容（Barriere et al.， 2022; Omitaomu et al.， 2022）。未來研究需要整合不同視角的數據， 繼續提高算法準確性， 并進一步驗證和拓展模型的跨場景適用性。

2.3" 共情回應系統

在人工智能技術尚未成熟的階段， 為實現更加人性化的人機交互， 使計算機不僅能執行人類交給的任務， 而且能回應人類的情緒， 研究者早期采用基于規則的方法， 設計了根據不同情緒做出相應回應的計算系統。這類系統通過計算方法將用戶的情緒歸類， 然后提供預先設計好的共情性反饋。如Terzis等（2012）根據計算機自動面部識別和人工識別相結合的方法， 識別了學生的6種基本情緒（開心、生氣、傷心、驚訝、害怕、厭惡）， 并根據情緒給出相應的鼓勵或安撫， 是這一領域最早的嘗試。也有些研究并不識別用戶的情緒， 而是根據用戶在任務中的表現推測用戶可能需要的反饋。Leite等（2013）的研究中， 棋手走位接近計算機判斷的最優解， 系統會予以鼓勵， 如果走位不好則鼓勵其思考更優方案。也有研究同時結合情緒識別和任務表現提供相應的共情性反饋（D'mello amp; Graesser， 2013）。

基于規則的共情系統設計在早期推動了共情計算領域的發展， 也在實際應用中取得了較好的效果， 如提升答題正確率（Guo amp; Goh， 2016）， 緩沖消極情緒對于創造力的影響（Groh et al.， 2022）等。這類研究技術門檻相對較低， 反饋邏輯清晰， 便于理解， 因而至今仍被研究者采用。然而， 其預先設計的回應內容， 難以應對復雜和細微的情緒的變化， 使得它們更適用于任務邊界清晰的場景， 而在可遷移性方面存在一定局限。此外， 當前許多研究缺乏共情性回應的定義和標準。以Guo和Goh （2016）的研究為例， 研究中所設計的共情回應是學生作答錯誤時展現鼓勵性的微笑， 并提示“不要氣餒， 仔細閱讀一遍問題”。然而根據心理咨詢中的情感反映（reflection）技術（Hill， 2009）， 回應 “這道題答錯了， 可能會有一些氣餒”， 相較于研究中的“不要氣餒”， 或許更能體現共情。未來研究需要結合心理學理論， 制定更明確、合理的共情回應標準， 并通過實證研究檢驗回應的有效性。

2.4" 共情對話生成

共情對話生成是利用計算機自動生成讓人感到自己的情緒被理解和支持的對話。隨著生成式AI的突破性發展作為技術保障， 這類研究主題正迅速成為熱點， 研究者正探索不同策略以實現計算機自動生成共情對話的目標。一種策略是先識別溝通對象的情緒， 再根據上下文生成對于溝通對象意圖、需要、影響、和愿望的常識判斷， 整合后生成完整的共情性對話內容（Lin et al.， 2019; Majumder et al.， 2020; Sabour et al.， 2022）。這樣的做法符合共情包含情緒和認知雙重過程的理論。另一類策略則無需事先分辨溝通對象的情緒類型， 而是直接生成共情對話。這類模型往往是在預訓練大語言模型基礎上， 用共情對話數據進行微調（fine-tune）后得到（Rashkin et al.， 2019; Sharma et al.， 2021）。如Rashkin等（2019）建立了一個包含約25000對共情對話的數據集（EmpatheticDialogues）， 并利用這個數據集微調預先用17億條論壇日常對話訓練的模型， 結果表明微調模型生成的對話比預訓練模型更具共情性。這個數據集成為此后眾多研究的基準。此外， 也有研究結合多種策略以得到更好的共情回復， 如Qian等（2023）認為首先生成一個語意高相關的回復， 再用改寫技術增加語句的共情性， 能得到更佳的效果。

共情對話生成研究正在蓬勃發展， 這些研究為人機交互提供更加人性化的體驗， 也為其他應用場景奠定了基礎， 如改寫網絡回復內容以增加共情等。以ChatGPT為代表的大語言模型的突破性進展， 使得生成共情內容越來越簡單， 進一步加速了該領域的發展。盡管如此， 當前研究主要集中于單輪或較短的對話， 這與現實任務中所需的復雜多輪對話相比， 仍存在明顯差距。未來的研究應關注將共情對話有機融入各種對話場景， 以滿足實際任務需求。例如， 如何在共情和任務目標之間靈活切換并維持平衡， 確保在支持用戶情感表達的同時， 避免偏離對話的主要目標。此外， 如何將共情對話與聲音、表情、動作生成結合， 建立人形對話代理（embodied conversational agent）也是未來的研究方向（Loveys et al.， 2022）。

上述不同主題的共情計算研究相互借鑒、彼此促進， 共同推動著這個領域的發展。如Sharma等在開發共情內容生成的系統時（Sharma et al.， 2021）， 使用了之前開發的文本共情分類系統（Sharma et al.， 2020）來評估新生成的內容， 經過多輪生成?評估的強化學習過程， 篩選出最適合的共情文本。此外， 一些新興的研究也正在涌現， 如通過混合現實（Mixed Reality， MR）促進人與人之間的共情（Jing et al.， 2022）， 以及腦機接口提升計算機共情表現（Roshdy et al.， 2021）等方面的初步探索。盡管尚未形成體系， 這些研究為共情計算的發展開辟了新的可能性。綜上， 共情計算的研究前景廣闊， 也伴隨諸多挑戰， 未來需要繼續提升準確性和跨場景適用性。

3" 應用場景

盡管尚處于起步階段， 但現有研究已經展現出共情計算具有廣泛的應用前景， 特別是在心理健康、教育學習、商業服務和公共管理等領域積累了較多相關研究。這些領域涉及大量人際互動， 在人工智能日益普及的背景下， 也將成為人機交互最頻繁的領域， 因而是共情計算的主要應用場景。由于都涉及通過共情計算， 提升人與人、人與機器互動過程中對情感的理解和回應能力， 這些領域并非完全獨立， 而是相互關聯卻各有側重的。隨著技術的進步， 未來還可能出現新的應用場景， 如將共情計算應用于游戲提升娛樂體驗等。

3.1" 心理健康

目前， 對于共情計算在心理咨詢場景中的研究最為充分。高共情水平的咨詢師與來訪者有更好的治療關系， 也能降低他們的脫落率（Moyers amp; Miller， 2013）。然而， 過去的測評依賴于自我報告或者視頻編碼， 不客觀也不容易大規模推廣。共情計算的方法通過文本、聲音、視頻等自動化評估咨詢師的共情。這樣可應用于在更大范圍內研究咨詢過程與效果的關系， 也可應用于選拔咨詢師， 或者在培養咨詢師過程中反饋并提升其共情能力（Xiao， Imel， Georgiou， et al.， 2015）。

另一方面， 共情計算也可以輔助線上心理健康服務。例如， 朋輩心理互助平臺借助共情計算所生成的內容輔助心理支持的工作（Sharma et al.， 2023）。Liu等（2021）也嘗試將共情對話系統與心理咨詢中的助人技術結合， 設計更有效幫助人們應對壓力和挑戰的對話系統。研究者認為， 增加數字干預系統表現出的共情水平， 有助于促進形成數字治療聯盟（digital therapeutic alliance）， 進而提升干預效果（Tong et al.， 2022）。不過當前研究只是初步驗證了用計算機自動生成共情性對話的可行性， 鑒于心理咨詢中可能涉及自殺自傷等風險因素， 目前的研究距離完成整個心理咨詢過程并產生治療效果仍存在差距。

3.2" 教育學習

隨著計算機和手機等智能終端的普及， 越來越多的人開始關注通過數字游戲、機器人等方法輔助教學。在教育領域中， 共情計算幫助我們設計出能夠更好地理解和應對學生情緒和需求的教育機器人。學習不僅僅是認知過程， 情緒在其中同樣扮演重要角色（Camacho-Morles et al.， 2021）。教師的共情與學生的學習動機、投入程度、滿意度和學業表現均呈現正向關系（Cornelius-White， 2007; Roorda et al.， 2011）。于是很早就有研究表明計算機的共情反饋提升學習效果， 不過限于當時的技術條件， 還需要由學生自主報告情緒（Chen et al.， 2012）。共情計算使得自動化識別情緒變為可能。研究表明， 具有一定共情能力的計算系統緩沖憤怒情緒給學習者帶來的不利影響， 提升學生的認知能力和創造性（Groh et al.， 2022）。當學生從數字助教那里感受到更多的共情反饋時， 其在數學問題上的正確率更高（Oker et al.， 2020）。不過還需要更多研究探索這些影響的條件、內部機制等。比如在實驗情景中， 共情機器人促進小組學習和討論， 但是在真實教育環境的長期研究并未發現明顯的效果（Alves-Oliveira et al.， 2019）。系統性綜述的研究也表明， 情感代理能夠有效提升學習者的積極情緒和內部動機， 但對學習效果的促進作用不如情緒提升的效果明顯（王燕青 等， 2022）。除了直接幫助學習者， 共情計算也可以通過實時反饋等方式， 為老師或家長提供輔助， 幫助他們在面對學生、子女教育時表現得更共情（Ge et al.， 2021; Meyers et al.， 2019）。總之， 共情計算在教育領域展現了應用潛力， 不過仍需要更多研究驗證其在真實場景中的效果。

3.3" 商業服務

人工智能客服和服務機器人正在越來越多被用于商業領域， 共情計算在服務過程中發揮了輔助效果。傳統人工智能客服主要關注為客戶提供信息支持， 但研究發現， 在一個社交媒體平臺上40%的用戶提問并不是尋求具體信息， 而是需要情感支持， 例如抱怨（Xu et al.， 2017）。盡管設計者盡力提升人工智能服務的準確性， 在現有技術條件下， 計算機在服務中還是不可避免地會出現失誤。這會引發客戶的挫折感和不信任， 從而降低客戶對人工智能服務的接受程度。共情計算的應用一定程度上緩解這種問題。研究發現， 當AI服務失敗時， 共情性回應增加繼續使用AI服務的意向（Lv et al.， 2022）。另一項針對服務機器人的研究表明， 當服務機器人無法完全滿足客戶需求時， 表現出共情能力的機器人被認為更有幫助， 用戶體驗也更好（Tojib et al.， 2023）。未來還會有越來越多的機器人出現在工業或商業領域。人們面對這樣的情景可能會產生挫敗和敵意。共情計算的應用會讓人類覺得機器人更像人類、更友好， 以緩解對機器人的抵觸。

3.4" 公共管理

共情計算也可以應用于公共管理領域， 如網絡空間的治理。網絡已成為人們生活密不可分的部分， 線上生活影響著線下的健康（Zhang amp; Centola， 2019）。然而網上的攻擊性言論、網絡暴力等也成為了需要治理的問題。一項干預研究表明， 共情性反駁信息減少仇恨言論（Hangartner et al.， 2021）。通過共情計算系統自動識別不良言論并生成共情性反駁信息， 可能有效減少來自網絡空間的暴力。此外， 共情也是把雙刃劍。有些個體會由于過度共情社交媒體上的負面信息， 而給自己帶來不適。共情計算監控有這種致病性共情風險的人并給與提示或干預， 有利于健康的社會心態（Abdul-Mageed et al.， 2017）。最后， 共情計算也用于評估和修改公共管理部門的政務回復信息， 或在社交媒體上公布的信息， 提升共情程度， 幫助公共部門與民眾增進信任， 減少負面輿論。公共管理事務有廣泛的責任范圍和顯著的社會影響， 因此不能完全依賴計算機自動完成， 不過共情計算作為其中一個環節， 可以輔助提升管理效率和質量。

以上4個場景展現出共情計算的廣泛應用潛力。然而， 如同自動駕駛技術一樣， 由于牽涉安全性和倫理等問題， 目前并不能完全依賴計算機執行共情任務， 而需要人機緊密協作。因此， 除了完善技術外， 未來應更加注重以人為中心， 面向特定應用場景， 探索如何更有效實現共情計算。

4nbsp; 研究不足

盡管共情計算已經有許多有益的研究進展， 但作為一個新興研究領域仍存在許多不足。未來研究通過引入心理學理論和研究方法予以改善。

4.1" 整體性的共情概念模型

當前共情計算研究主要由計算機領域研究者推動， 這些研究有些缺乏對共情的明確定義， 有些則基于算法準確性考慮， 僅選取一個具體的行為特征來代表整體的共情。這樣的做法導致不同研究之間難以進行有效比較和整合， 阻礙了研究者對共情計算整體性的理解和應用。心理與行為科學、神經科學等在共情的基礎概念研究方面積累了豐富成果， 對共情的層次和類別有詳細分析， 例如從神經心理過程分為認知過程、情感過程以及認知情感共同激活的中間過程（Schurz et al.， 2021）， 從情緒對象角度分為對消極情緒的共情和對積極情緒的共情等（Brett et al.， 2023）。未來的研究應重視利用這些研究成果， 更準確地操作性定義共情， 并在此基礎上， 逐漸發展出更整合的共情計算模型。Yal??n和DiPaola （2020）初步提出了一個整合的模型， 指出計算機需要從溝通能力、情緒調控和認知機制三個層級模擬共情。不過該模型還只是一個概念模型， 仍需足夠的實證研究支持。此外， 新時代產生了許多新的共情現象， 比如在線聊天時用表情包表達共情等。整體性的共情計算模型也應重視將這些新形式的共情納入考慮。

4.2" 高質量的共情數據集

共情計算需要大量數據的支持， 數據集的質量對模型精度至關重要。但目前公開的用于共情研究的數據集比較缺乏， 而且標注質量也有待提高。如最常被引用的共情對話數據集Empathetic Dialogues并非基于真實場景中的對話， 而是要求參與者根據研究者事先提供情緒標簽， 想象感受到這種情緒的場景， 并完成對話（Rashkin et al.， 2019）。這樣收集的數據生態效度較差。在中文研究領域， 更是缺乏相關數據集。已有的心理數據集PsyQA （Sun et al.， 2021）和《心理咨詢問答語料庫》（Wang et al.， 2020）缺乏共情相關的標注。由于缺少中文數據集， 中文領域共情計算的研究數量也相對較少， 這讓現有研究很難涉及到文化差異有關問題。因此， 未來的研究應借鑒心理學研究方法， 通過問卷調查、半結構化訪談、情景模擬、臨床數據轉錄等方法收集多維度、多層次的數據（做法可參考Omitaomu et al.， 2022）。數據標注方面， 計算機領域研究多使用眾包方法（彭凱平 等， 2018）。這種方法的參與者往往僅經過簡單的培訓， 并不具備相關領域的專業知識。專業的心理學研究人員對數據進行篩選、加工和標注將提升數據集可信度。

4.3" 以人為中心的評價標準

現有的共情計算研究的評價更多是圍繞任務表現展開， 預測數據集標注的準確率或者生成的共情對話是否比基線模型更好。如Sabour等（2022）的研究中， 僅招募3人比較了100組不同系統生成的共情對話內容， 以此對比哪個系統更好。這種評價方式很難保證結果的穩定性和解決實際問題中的有效性。未來研究需要在任務表現評價基礎上， 提升至以人為中心的評價標準。以心理與行為科學為指導， 通過訪談、問卷、實驗等研究方法考察共情計算系統對于使用者的有效性（effectiveness）、高效性（efficiency）與效能性（efficacy）， 并提出改進建議。Sharma等（2023）的最新研究中開始使用隨機對照實驗對比人類和人類+人工智能兩種系統回復中的共情。不過作者也承認， 該研究中所使用的評價標準仍只是第三方視角下對話內容所展現出的共情， 而非尋求幫助者本人真實感受到的共情。這反映出共情計算研究發展到現階段開始重視改進評價標準， 正亟需心理學提供支持。

5" 展望和討論

5.1" 共情計算為心理學帶來新的洞見

共情計算不僅為心理學研究提供新工具， 更在理論層面深化和拓展對共情的理解。通過計算機自動分析和模擬共情互動的數據， 研究者可以在更大的數據尺度上驗證和迭代先前通過傳統方法（觀察、問卷和實驗等）獲得的研究成果， 也可以識別尚未發現的模式， 如有研究使用共情計算來發掘對話中的潛在共情意圖（Chen et al.， 2022）。這有助于加深對共情影響因素和內在機制的理解。

另一方面， 共情計算也拓展共情研究的理論視角。先前的研究表明， 共情普遍存在于人類甚至動物中（de Waal， 2012）， 是從親密關系到大規模合作等一切社會互動基礎（Zaki， 2014）。然而， 在未來的智能社會中， 人們的面對面互動正逐漸演化為面向網絡和人工智能的新型互動， 以至于人們有時不能直接看到對方的表情和肢體動作， 不能直觀地感受溝通對象的情緒。在這樣的情景下， 共情是否仍有普遍性， 會發生哪些演變， 以及如何促進人機交互中的共情等， 都是亟待深入研究的問題（如圖3所示）。共情計算將為我們理解智能社會互動過程中的共情現象提供基礎， 為建立包括人?人關系、人?機關系等在內的整體性、普適性的共情理論提供啟示。

在這些理論創新的基礎上， 比照以往研究中促進人類共情的方式， 開發模擬人類共情和社交互動的虛擬代理（virtual agent）和社交機器人也為心理學應用提供新的方向。通過開發具備共情能力的虛擬代理和社交機器人， 可以為心理健康和教育等領域提供更智能、個性化的支持， 推動心理學理論和應用的雙向促進發展。

5.2" 心理學家在共情計算研究中的角色

心理學家在共情計算領域發揮不可或缺的作用。編程等技術門檻曾是許多心理學研究者參與這一領域的阻礙， 不過越來越多介紹計算方法的文章（蘇悅 等， 2022）正在消除這一障礙。大語言模型進一步降低了研究過程對編程技術的依賴， 使得研究者可以通過AI輔助編程、提示詞工程等方法開展研究。這種背景下， 心理學家在共情領域積累的豐富理論和研究方法的重要性正在上升。心理學家的首要任務是提出問題。早期個體共情測量研究起源于改善咨詢師共情水平的需求， 未來心理學家需要持續關注共情計算的創新研究問題。其次， 心理學家為設計和提升共情計算提供理論支撐， 如心理治療理論已被用于共情內容改寫算法的開發（Lin et al.， 2023）， 未來心理學理論也可用于優化提示詞工程（Li et al.， 2023）， 提升大語言模型在共情任務中的表現。最后， 隨著AI的行為和心理表現越來越接近人類， 研究者開始依據心理測量原理， 制定科學有效的評估方法， 以測量機器的共情水平（Kosinski， 2023; Wang et al.， 2023）。總之， 心理學家在共情計算研究和應用過程中承擔引領、評估和改進等角色， 將與計算機科學家一起， 使共情計算的理論基礎更堅實， 效果檢驗更可靠， 應用創新更貼近實際需求。

5.3" 共情計算系統的接納度及其倫理風險

共情計算研究和應用所涉及的法律和倫理風險也應被充分討論， 并盡量通過政策機制在系統層面加以避免。AI的飛速發展一方面為生活帶來了便利， 另一方面也引發了與AI相關的信任問題和道德困境（Awad et al.， 2018）。研究表明， 人們感受到的機器人的共情作為中介變量增加對AI的信任（Pelau et al.， 2021）。鑒于此， 共情計算的研究進步可能也成為雙刃劍。一方面提升AI系統的共情能力， 能夠提升用戶信任和體驗; 另一方面， 這種信任也可能被濫用， 例如在營銷和廣告中使用共情計算技術來影響人們的決策。此外， 人類如何對待具備共情能力的人工智能系統？是否要像對待其他人類一樣考慮AI的感受和幸福（Lomas， 2023）？這些議題都是在今后的研究中需要探討的。

以ChatGPT等大語言模型為代表的超級人工智能技術的發展為共情研究帶來了新機遇和新挑戰。共情計算的交叉研究不僅是用一種新技術（如機器學習或自然語言處理）測量一個心理概念（Li et al.， 2019）， 而是持續為人類探索未知生產了新知識、新方法和新應用。這一廣闊前景的交叉領域， 不僅拓展和加深對于共情心理機制的理解， 也可以將研究成果運用于智能社會的發展， 提升個人和社會幸福， 值得心理學研究者關注并做出獨特的貢獻。

參考文獻

彭凱平， 劉世群， 倪士光. （2018）. 移動互聯網時代的社會科學研究工具： 眾包的爭議與發展. 西北師大學報 （社會科學版）， 55（3）， 113?123. https：//doi.org/10.16783/j. cnki.nwnus.2018.03.015

蘇悅， 劉明明， 趙楠， 劉曉倩， 朱廷劭. （2022）. 基于社交媒體數據的心理指標識別建模： 機器學習的方法. 心理科學進展， 29（4）， 571?585. https：//doi.org/10.3724/sp. J.1042.2021.00571

王燕青， 龔少英， 姜甜甜， 吳亞男. （2022）. 情感代理能否提高多媒體學習的效果？ 心理科學進展， 30（7）， 1524? 1535. https：//doi.org/10.3724/SP.J.1042.2022.01524

岳童， 黃希庭. （2016）. 共情特質的神經生物學基礎. 心理科學進展， 24（9）， 1368?1376. https：//doi.org/10.3724/SP. J.1042.2016.01368

Abdul-Mageed， M.， Buffone， A.， Peng， H.， Giorgi， S.， Eichstaedt， J.， amp; Ungar， L. （2017）. Recognizing pathogenic empathy in social media. Proceedings of the International AAAI Conference on Web and Social Media， 11（1）， 448?451. https：//doi.org/10.1609/icwsm.v11i1.14942

Alves-Oliveira， P.， Sequeira， P.， Melo， F. S.， Castellano， G.， amp; Paiva， A. （2019）. Empathic robot for group learning. ACM Transactions on Interactive Intelligent Systems， 8（1）， 1?34. https：//doi.org/10.1145/3300188

Asada， M. （2015）. Towards artificial empathy. International Journal of Social Robotics， 7（1）， 19?33. https：//doi.org/ 10.1007/s12369-014-0253-z

Awad， E.， Dsouza， S.， Kim， R.， Schulz， J.， Henrich， J.， Shariff， A.， Bonnefon， J.-F.， amp; Rahwan， I. （2018）. The moral machine experiment. Nature， 563（7729）， 59?64. https：//doi.org/10.1038/s41586-018-0637-6

Barriere， V.， Tafreshi， S.， Sedoc， J.， amp; Alqahtani， S. （2022）. WASSA 2022 shared task： Predicting empathy， emotion and personality in reaction to news stories. In Proceedings of the 12th Workshop on Computational Approaches to Subjectivity， Sentiment amp; Social Media Analysis （pp. 214?227）. Association for Computational Linguistics.

Bo?njakovi?， J.， amp; Radionov， T. （2018）. Empathy： Concepts， theories and neuroscientific basis. Alcoholism and Psychiatry Research， 54（2）， 123?150. https：//doi.org/10. 20471/dec.2018.54.02.04

Brett， J. D.， Becerra， R.， Maybery， M. T.， amp; Preece， D. A. （2023）. The psychometric assessment of empathy： Development and validation of the Perth Empathy Scale. Assessment， 30（4）， 1140?1156. https：//doi.org/10.1177/ 10731911221086987

Buechel， S.， Buffone， A.， Slaff， B.， Ungar， L.， amp; Sedoc， J. （2018）. Modeling empathy and distress in reaction to news stories. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing （pp. 4758?4765）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/D18-1507

Cai， Y. （2006）. Empathic computing. In Y. Cai， amp; J. Abascal （Eds.）， Ambient intelligence in everyday life （pp. 67?85）. Springer Berlin Heidelberg. https：//doi.org/10.1007/ 11825890_3

Camacho-Morles， J.， Slemp， G. R.， Pekrun， R.， Loderer， K.， Hou， H.， amp; Oades， L. G. （2021）. Activity achievement emotions and academic performance： A meta-analysis. Educational Psychology Review， 33（3）， 1051?1095. https：//doi.org/10.1007/s10648-020-09585-3

Cao， S.， Fu， D.， Yang， X.， Wermter， S.， Liu， X.， amp; Wu， H. （2021）. Can AI detect pain and express pain empathy？ A review from emotion recognition and a human-centered AI perspective. arXiv. https：//doi.org/10.48550/arXiv.2110.04249

Chakravarthula， S. N.， Xiao， B.， Imel， Z. E.， Atkins， D. C.， amp; Georgiou， P. （2015）. Assessing empathy using static and dynamic behavior models based on therapist’s language in addiction counseling. In Interspeech-2015 （pp. 668?672）. https：//doi.org/10.21437/Interspeech.2015-237

Chen， G.-D.， Lee， J.-H.， Wang， C.-Y.， Chao， P.-Y.， Li， L.-Y.， amp; Li， T.-Y. （2012）. An empathic avatar in a computer- aided learning program to encourage and persuade learners. Journal of Educational Technology amp; Society， 15（2）， 62?72. http：//www.jstor.org/stable/jeductechsoci.15. 2.62

Chen， M. Y.， Li， S.， amp; Yang， Y. （2022）. EmpHi： Generating empathetic responses with human-like intents. In Proceedings of the 2022 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies （pp. 1063? 1074）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/2022.naacl-main.78

Cornelius-White， J. （2007）. Learner-centered teacher-student relationships are effective： A meta-analysis. Review of Educational Research， 77（1）， 113?143. https：//doi.org/ 10.3102/003465430298563

Cuff， B. M. P.， Brown， S. J.， Taylor， L.， amp; Howat， D. J. （2014）. Empathy： A Review of the concept. Emotion Review， 8（2）， 144?153. https：//doi.org/10.1177/1754073914558466

Davis， M. H. （1983）. Measuring individual differences in empathy： Evidence for a multidimensional approach. Journal of Personality and Social Psychology， 44（1）， 113?126. https：//doi.org/10.1037/0022-3514.44.1.113

de Waal， F. B. （2008）. Putting the altruism back into altruism： The evolution of empathy. Annual Review of Psychology， 59， 279?300. https：//doi.org/10.1146/annurev.psych.59. 103006.093625

de Waal， F. B. M. （2012）. The antiquity of empathy. Science， 336（6083）， 874?876. https：//doi.org/10.1126/science.1220999

D'mello， S.， amp; Graesser， A. （2013）. AutoTutor and affective autotutor： Learning by talking with cognitively and emotionally intelligent computers that talk back. ACM Transactions on Interactive Intelligent Systems， 2（4）， Article 23. https：//doi.org/10.1145/2395123.2395128

Elliott， R.， Bohart， A. C.， Watson， J. C.， amp; Greenberg， L. S. （2011）. Empathy. Psychotherapy， 48（1）， 43?49. https：//doi. org/10.1037/a0022187

Gaume， J.， Hallgren， K. A.， Clair， C.， Schmid Mast， M.， Carrard， V.， amp; Atkins， D. C. （2019）. Modeling empathy as synchrony in clinician and patient vocally encoded emotional arousal： A failure to replicate. Journal of Counseling Psychology， 66（3）， 341?350. https：//doi.org/ 10.1037/cou0000322

Ge， Y.， Li， W.， Chen， F.， Kayani， S.， amp; Qin， G. （2021）. The theories of the development of students： A factor to shape teacher empathy from the perspective of motivation. Frontiers in Psychology， 12， Article 736656. https：// doi.org/10.3389/fpsyg.2021.736656

Gibson， J.， Can， D.， Xiao， B.， Imel， Z. E.， Atkins， D. C.， Georgiou， P.， amp; Narayanan， S. （2016）. A deep learning approach to modeling empathy in addiction counseling. In Interspeech-2016 （pp. 1447?1451）. https：//doi.org/10. 21437/Interspeech.2016-554

Gibson， J.， Malandrakis， N.， Romero， F.， Atkins， D. C.， amp; Narayanan， S. S. （2015）. Predicting therapist empathy in motivational interviews using language features inspired by psycholinguistic norms. In Interspeech-2015 （pp. 1947?1951）. https：//doi.org/10.21437/interspeech.2016-554

Groh， M.， Ferguson， C.， Lewis， R.， amp; Picard， R. W. （2022）. Computational empathy counteracts the negative effects of anger on creative problem solving. In 2022 10th International Conference on Affective Computing and Intelligent Interaction （ACII） （pp. 1?8）. IEEE. https：// doi.org/10.1109/ACII55700.2022.9953869

Grühn， D.， Rebucal， K.， Diehl， M.， Lumley， M.， amp; Labouvie- Vief， G. （2008）. Empathy across the adult lifespan： Longitudinal and experience-sampling findings. Emotion， 8（6）， 753?765. https：//doi.org/10.1037/a0014123

Guo， Y. R.， amp; Goh， D. H.-L. （2016）. Evaluation of affective embodied agents in an information literacy game. Computers amp; Education， 103， 59?75. https：//doi.org/10. 1016/j.compedu.2016.09.013

Hall， J. A.， amp; Schwartz， R. （2019）. Empathy present and future. The Journal of Social Psychology， 159（3）， 225?243. https：//doi.org/10.1080/00224545.2018.1477442

Hangartner， D.， Gennaro， G.， Alasiri， S.， Bahrich， N.， Bornhoft， A.， Boucher， J.， ... Donnay， K. （2021）. Empathy-based counterspeech can reduce racist hate speech in a social media field experiment. Proceedings of the National Academy of Sciences， 118（50）， Article e2116310118. https：//doi.org/10.1073/pnas.2116310118

Hill， C. E. （2009）. Helping skills： Facilitating， exploration， insight， and action. American Psychological Association.

Imel， Z. E.， Barco， J. S.， Brown， H. J.， Baucom， B. R.， Baer， J. S.， Kircher， J. C.， amp; Atkins， D. C. （2014）. The association of therapist empathy and synchrony in vocally encoded arousal. Journal of Counseling Psychology， 61（1）， 146?153. https：//doi.org/10.1037/a0034943

Ishii， R.， Otsuka， K.， Kumano， S.， Higashinaka， R.， amp; Tomita， J. （2018）. Analyzing gaze behavior and dialogue act during turn-taking for estimating empathy skill level. In Proceedings of the 20th ACM International Conference on Multimodal Interaction （pp. 31?39）. Association for Computing Machinery. https：//doi.org/10.1145/3242969. 3242978

Jing， A.， Gupta， K.， McDade， J.， Lee， G. A.， amp; Billinghurst， M. （2022）. Comparing gaze-supported modalities with empathic mixed reality interfaces in remote collaboration. In 2022 IEEE International Symposium on Mixed and Augmented Reality （ISMAR） （pp. 837?846）. IEEE. https：//doi.org/10.1109/ismar55827.2022.00102

Jolliffe， D.， amp; Farrington， D. P. （2006）. Development and validation of the Basic Empathy Scale. Journal of Adolescence， 29（4）， 589?611. https：//doi.org/10.1016/j. adolescence.2005.08.010

Khanpour， H.， Caragea， C.， amp; Biyani， P. （2017）. Identifying empathetic messages in online health communities. In Proceedings of the Eighth International Joint Conference on Natural Language Processing （Volume 2： Short Papers） （pp. 246?251）. Asian Federation of Natural Language Processing. https：//aclanthology.org/I17-2042

Kosinski， M. （2023）. Theory of mind may have spontaneously emerged in large language models. arXiv. https：//doi.org/10.48550/arXiv.2302.02083

Kumano， S.， Otsuka， K.， Mikami， D.， amp; Yamato， J. （2011）. Analyzing empathetic interactions based on the probabilistic modeling of the co-occurrence patterns of facial expressions in group meetings. In 2011 IEEE International Conference on Automatic Face amp; Gesture Recognition （FG） （pp. 43?50）. IEEE. https：//doi.org/10. 1109/FG.2011.5771440

Leite， I.， Pereira， A.， Mascarenhas， S.， Martinho， C.， Prada， R.， amp; Paiva， A. （2013）. The influence of empathy in human?robot relations. International Journal of Human- Computer Studies， 71（3）， 250?260. https：//doi.org/10. 1016/j.ijhcs.2012.09.005

Li， C.， Wang， J.， Zhang， Y.， Zhu， K.， Hou， W.， Lian， J.， Luo， F.， Yang， Q.， amp; Xie， X. （2023）. Large language models understand and can be enhanced by emotional stimuli. arXiv. https：//doi.org/10.48550/arXiv.2307.11760

Li， S.， Lu， S.， Ni， S.， amp; Peng， K. （2019）. Identifying psychological resilience in Chinese migrant youth through multidisciplinary language pattern decoding. Children and Youth Services Review， 107， Article 104506. https：//doi.org/10.1016/j.childyouth.2019.104506

Lin， S.， Lin， L.， Hou， C.， Chen， B.， Li， J.， amp; Ni， S. （2023）. Empathy-based communication framework for chatbots： A mental health chatbot application and evaluation. 11th International Conference on Human-Agent Interaction， Gothenburg， Sweden.

Lin， Z.， Madotto， A.， Shin， J.， Xu， P.， amp; Fung， P. （2019）. MoEL： Mixture of empathetic listeners. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing （EMNLP- IJCNLP） （pp. 121?132）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/D19-1012

Litvak， M.， Otterbacher， J.， Ang， C. S.， amp; Atkins， D. （2016）. Social and linguistic behavior and its correlation to trait empathy. In Proceedings of the Workshop on Computational Modeling of People’s Opinions， Personality， and Emotions in Social Media （PEOPLES） （pp. 128?137）. The COLING 2016 Organizing Committee. https：//aclanthology.org/W16-4314

Liu， S.， Zheng， C.， Demasi， O.， Sabour， S.， Li， Y.， Yu， Z.， Jiang， Y.， amp; Huang， M. （2021）. Towards emotional support dialog systems. In Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing （pp. 3469?3483）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/ 2021.acl-long.269

Lomas， T. （2023）. Stranger than we can imagine： The possibility and potential significance of non-human forms of consciousness and wellbeing. The Journal of Positive Psychology， 18（6）， 807?826. https：//doi.org/10.1080/ 17439760.2022.2131608

Loveys， K.， Sagar， M.， Billinghurst， M.， Saffaryazdi， N.， amp; Broadbent， E. （2022）. Exploring empathy with digital humans. In 2022 IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and Workshops （VRW） （pp. 233?237）. IEEE. https：//doi.org/10.1109/VRW55335.2022. 00055

Lv， X.， Yang， Y.， Qin， D.， Cao， X.， amp; Xu， H. （2022）. Artificial intelligence service recovery： The role of empathic response in hospitality customers’ continuous usage intention. Computers in Human Behavior， 126. https：//doi.org/10.1016/j.chb.2021.106993

Ma， F.， Li， Y.， Ni， S.， Huang， S.-L.， amp; Zhang， L. （2022）. Data augmentation for audio-visual emotion recognition with an efficient multimodal conditional GAN. Applied Sciences， 12（1）， Article 527. https：//doi.org/10.3390/ app12010527

Majumder， N.， Hong， P.， Peng， S.， Lu， J.， Ghosal， D.， Gelbukh， A.， Mihalcea， R.， amp; Poria， S. （2020）. MIME： MIMicking emotions for empathetic response generation. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing （EMNLP） （pp. 8968?8979）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/2020.emnlp-main.721

Mathur， L.， Spitale， M.， Xi， H.， Li， J.， amp; Matari?， M. J. （2021）. Modeling user empathy elicited by a robot storyteller. In 2021 9th International Conference on Affective Computing and Intelligent Interaction （ACII） （pp. 1?8）. IEEE. https：//doi.org/10.1109/ACII52823.2021.9597416

Meyers， S.， Rowell， K.， Wells， M.， amp; Smith， B. C. （2019）. Teacher empathy： A model of empathy for teaching for student success. College Teaching， 67（3）， 160?168. https：//doi.org/10.1080/87567555.2019.1579699

Mooradian， T. A.， Davis， M.， amp; Matzler， K. （2011）. Dispositional empathy and the hierarchical structure of personality. The American Journal of Psychology， 124（1）， 99?109. https：//doi.org/10.5406/amerjpsyc.124.1.0099

Morelli， S. A.， Ong， D. C.， Makati， R.， Jackson， M. O.， amp; Zaki， J. （2017）. Empathy and well-being correlate with centrality in different social networks. Proceedings of the National Academy of Sciences， 114（37）， 9843?9847. https：//doi.org/10.1073/pnas.1702155114

Moyers， T. B.， amp; Miller， W. R. （2013）. Is low therapist empathy toxic？ Psychology of Addictive Behaviors， 27（3）， 878?884. https：//doi.org/10.1037/a0030274

Oker， A.， Pecune， F.， amp; Declercq， C. （2020）. Virtual tutor and pupil interaction： A study of empathic feedback as extrinsic motivation for learning. Education and Information Technologies， 25（5）， 3643?3658. https：//doi. org/10.1007/s10639-020-10123-5

Omitaomu， D.， Tafreshi， S.， Liu， T.， Buechel， S.， Callison-Burch， C.， Eichstaedt， J.， Ungar， L.， amp; Sedoc， J. （2022）. Empathic conversations： A multi-level dataset of contextualized conversations. arXiv. https：//doi.org/10. 48550/arXiv.2205.12698

OpenAI， J. A.， Steven， A.， Sandhini， A.， Lama， A.， Ilge， A.， Florencia， L. A.， ... Barret， Z. （2023）. GPT-4 technical report. Retrieved March 01， 2023， from https：//ui. adsabs.harvard.edu/abs/2023arXiv230308774O

Pelau， C.， Dabija， D.-C.， amp; Ene， I. （2021）. What makes an AI device human-like？ The role of interaction quality， empathy and perceived psychological anthropomorphic characteristics in the acceptance of artificial intelligence in the service industry. Computers in Human Behavior， 122， Article 106855. https：//doi.org/10.1016/j.chb.2021. 106855

Preston， S. D.， amp; de Waal， F. B. M. （2002）. Empathy： Its ultimate and proximate bases. Behavioral and Brain Sciences， 25（1）， 1?20. https：//doi.org/10.1017/S0140525X02000018

Qian， Y.， Wang， B.， Ma， S.， Bin， W.， Zhang， S.， Zhao， D.， Huang， K.， amp; Hou， Y. （2023）. Think twice： A human-like two-stage conversational agent for emotional response generation. arXiv. https：//doi.org/10.48550/arXiv.2301.04907

Rashkin， H.， Smith， E. M.， Li， M.， amp; Boureau， Y.-L. （2019）. Towards empathetic open-domain conversation models： A new benchmark and dataset. In Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics （pp. 5370?5381）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/P19-1534

Reniers， R. L. E. P.， Corcoran， R.， Drake， R.， Shryane， N. M.， amp; V?llm， B. A. （2011）. The QCAE： A questionnaire of cognitive and affective empathy. Journal of Personality Assessment， 93（1）， 84?95. https：//doi.org/10.1080/00223891. 2010.528484

Roorda， D. L.， Koomen， H. M. Y.， Spilt， J. L.， amp; Oort， F. J. （2011）. The influence of affective teacher?student relationships on students’ school engagement and achievement： A meta-analytic approach. Review of Educational Research， 81（4）， 493?529. https：//doi.org/10. 3102/0034654311421793

Roshdy， A.， Kork， S. A.， Karar， A.， Sabi， A. A.， Barakeh， Z. A.， ElSayed， F.， Beyrouthy， T.， amp; NAIT-ALI， A. （2021）. Machine empathy： Digitizing human emotions. In 2021 International Symposium on Electrical， Electronics and Information Engineering （pp. 307?311）. Association for Computing Machinery. https：//doi.org/10.1145/3459104. 3459154

Sabour， S.， Zheng， C.， amp; Huang， M. （2022）. CEM： Commonsense-aware empathetic response generation. Proceedings of the AAAI Conference on Artificial Intelligence， 36（10）， 11229?11237. https：//doi.org/10. 1609/aaai.v36i10.21373

Schurz， M.， Radua， J.， Tholen， M. G.， Maliske， L.， Margulies， D. S.， Mars， R. B.， Sallet， J.， amp; Kanske， P. （2021）. Toward a hierarchical model of social cognition： A neuroimaging meta-analysis and integrative review of empathy and theory of mind. Psychological Bulletin， 147（3）， 293?327. https：//doi.org/10.1037/bul0000303

Sharma， A.， Lin， I. W.， Miner， A. S.， Atkins， D. C.， amp; Althoff， T. （2021）. Towards facilitating empathic conversations in online mental health support： A reinforcement learning approach. In Proceedings of the Web Conference 2021 （pp. 194?205）. Association for Computing Machinery. https：//doi.org/10.1145/3442381.3450097

Sharma， A.， Lin， I. W.， Miner， A. S.， Atkins， D. C.， amp; Althoff， T. （2023）. Human?AI collaboration enables more empathic conversations in text-based peer-to-peer mental health support. Nature Machine Intelligence， 5（1）， 46?57. https：//doi.org/10.1038/s42256-022-00593-2

Sharma， A.， Miner， A. S.， Atkins， D. C.， amp; Althoff， T. （2020）. A computational approach to understanding empathy expressed in text-based mental health support. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing （EMNLP） （pp. 5263?5276）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/2020.emnlp-main.425

Stosic， M. D.， Fultz， A. A.， Brown， J. A.， amp; Bernieri， F. J. （2022）. What is your empathy scale not measuring？ The convergent， discriminant， and predictive validity of five empathy scales. The Journal of Social Psychology， 162（1）， 7?25. https：//doi.org/10.1080/00224545.2021.1985417

Sun， H.， Lin， Z.， Zheng， C.， Liu， S.， amp; Huang， M. （2021）. PsyQA： A Chinese dataset for generating long counseling text for mental health support. In Findings of the Association for Computational Linguistics： ACL-IJCNLP 2021 （pp. 1489?1503）. Association for Computational Linguistics. https：//doi.org/10.18653/v1/2021.findings-acl.130

Terzis， V.， Moridis， C. N.， amp; Economides， A. A. （2012）. The effect of emotional feedback on behavioral intention to use computer based assessment. Computers amp; Education， 59（2）， 710?721. https：//doi.org/10.1016/j.compedu.2012.03. 003

Tojib， D.， Abdi， E.， Tian， L.， Rigby， L.， Meads， J.， amp; Prasad， T. （2023）. What’s best for customers： Empathetic versus solution-oriented service robots. International Journal of Social Robotics， 15， 731?741. https：//doi.org/10.1007/ s12369-023-00970-w

Tong， F.， Lederman， R.， D'Alfonso， S.， Berry， K.， amp; Bucci， S. （2022）. Digital therapeutic alliance with fully automated mental health smartphone apps： A narrative review. Frontiers in Psychiatry， 13， Article 819623. https：//doi. org/10.3389/fpsyt.2022.819623

Vaswani， A.， Shazeer， N.， Parmar， N.， Uszkoreit， J.， Jones， L.， Gomez， A. N.， Kaiser， ?.， amp; Polosukhin， I. （2017）. Attention is all you need. In Proceedings of the 31st International Conference on Neural Information Processing Systems （pp. 6000?6010）. Curran Associates Inc. https：// dl.acm.org/doi/10.5555/3295222.3295349

Wambsganss， T.， Soellner， M.， Koedinger， K. R.， amp; Leimeister， J. M. （2022）. Adaptive empathy learning support in peer review scenarios. In Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems （pp. 1?17）. https：//doi.org/10.1145/3491102. 3517740

Wang， H. L.， Wu， Z. Z.， amp; Lang， J. Y. （2020）. Emotional first aid dataset [Data set]. https：//github.com/chatopera/efaqa- corpus-zh

Wang， X.， Li， X.， Yin， Z.， Wu， Y.， amp; Liu Jia. （2023）. Emotional intelligence of large language models. arXiv. https：//doi.org/10.48550/arXiv.2307.09042

Xiao， B.， Bone， D.， Van Segbroeck， M.， Imel， Z. E.， Atkins， D. C.， Georgiou， P. G.， amp; Narayanan， S. S. （2014）. Modeling therapist empathy through prosody in drug addiction counseling. In Interspeech-2014 （pp. 213?217）. https：//doi.org/10.21437/Interspeech.2014-55

Xiao， B.， Can， D.， Georgiou， P. G.， Atkins， D.， amp; Narayanan， S. S. （2012）. Analyzing the language of therapist empathy in motivational interview based psychotherapy. In Proceedings of The 2012 Asia Pacific Signal and Information Processing Association Annual Summit and Conference （pp. 1?4）. IEEE.

Xiao， B.， Imel， Z. E.， Atkins， D. C.， Georgiou， P. G.， amp; Narayanan， S. S. （2015）. Analyzing speech rate entrainment and its relation to therapist empathy in drug addiction counseling. In Interspeech-2015 （pp. 2489? 2493）. https：//doi.org/10.21437/Interspeech.2015-537

Xiao， B.， Imel， Z. E.， Georgiou， P.， Atkins， D. C.， amp; Narayanan， S. S. （2016）. Computational analysis and simulation of empathic behaviors： A survey of empathy modeling with behavioral signal processing framework. Current Psychiatry Reports， 18（5）， 1?11. https：//doi.org/ 10.1007/s11920-016-0682-5

Xiao， B.， Imel， Z. E.， Georgiou， P. G.， Atkins， D. C.， amp; Narayanan， S. S. （2015）. \"Rate my therapist\"： Automated detection of empathy in drug and alcohol counseling via speech and language processing. PLoS One， 10（12）， Article e0143055. https：//doi.org/10.1371/journal.pone.0143055

Xu， A.， Liu， Z.， Guo， Y.， Sinha， V.， amp; Akkiraju， R. （2017）. A new chatbot for customer service on social media. In Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems （pp. 3506?3510）. Association for Computing Machinery. https：//doi.org/ 10.1145/3025453.3025496

Yal??n， ?. N.， amp; DiPaola， S. （2020）. Modeling empathy： Building a link between affective and cognitive processes. Artificial Intelligence Review， 53（4）， 2983?3006. https：// doi.org/10.1007/s10462-019-09753-0

Zaki， J. （2014）. Empathy： A motivated account. Psychological Bulletin， 140（6）， 1608?1647. https：//doi.org/10.1037/a0037679

Zhang， J.， amp; Centola， D. （2019）. Social networks and health： New developments in diffusion， online and offline. Annual Review of Sociology， 45（1）， 91?109. https：//doi.org/10. 1146/annurev-soc-073117-041421

Zhou， K.， Aiello， L. M.， Scepanovic， S.， Quercia， D.， amp; Konrath， S. （2021）. The language of situational empathy. Proceedings of the ACM on Human-Computer Interaction， 5（CSCW1）， 1?19. https：//doi.org/10.1145/3449087

Zhu， S.， Yu， T.， Xu， T.， Chen， H.， Dustdar， S.， Gigan， S.， ... Pan， Y. （2023）. Intelligent computing： The latest advances， challenges， and future. Intelligent Computing， 2， Article 0006. https：//doi.org/10.34133/icomputing.0006

When AI learns to empathize： Topics， scenarios， and optimization of

empathy computing from a psychological perspective

HOU Hanchao， NI Shiguang， LIN Shuya， WANG Pusheng

（Shenzhen International Graduate School， Tsinghua University， Shenzhen 518055， China）

Abstract： Empathy computing is an emerging interdisciplinary research field that leverages artificial intelligence （AI） and big data technology to predict， identify， simulate， and generate human empathy. It is an emerging research field that intersects traditional empathy studies in psychology with computer science. This study constructed a ubiquitous research framework that comprises data， model and task layers， and summarized an analytical framework of four new topics including individual empathy assessment， empathetic content classification， empathic response system， and empathetic dialogue generation. Scenario innovations in applied psychology were discussed， such as mental health， education and learning， business services， and public management. Future research should focus on developing integrated theoretical models of empathy computing， establishing reliable psychological and behavioral datasets of empathy-related characteristics， and validating and refining empathy computing research through a human-centered evaluation system. Empathy computing extends current research on empathy in interpersonal relationships to its novel forms in human-AI relationships in an intelligent society. Psychologists play crucial roles in leading， evaluating， and optimizing research and practice in this field. They collaborate closely with computer scientists to advance the theoretical foundations， enhance human-centered evaluation， and drive practical innovations in empathy computing.

Keywords： empathy， empathy computing， computational psychology， artificial intelligence， human-computer interaction

收稿日期：2023-03-29

* 全國教育科學“十四五”規劃2021年度課題（BBA210042）。

通信作者：倪士光， E-mail： ni.shiguang@sz.tsinghua.edu.cn