WISE：一种用于情绪感知对话系统的可解释词强度框架

《INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT》：WISE: An interpretable word intensity framework for emotion-aware conversational systems

　　

我们开发了一个名为WISE的框架，用于聊天机器人的情绪分类。WISE结合词汇相似度、词嵌入和情绪理论，生成强度加权的词汇评分。我们通过实验和资深医疗专业人员进行的专家评估对WISE进行了验证。专家审查表明，WISE能够为临床使用生成恰当、富有同理心且专业的回复。我们推进了设计科学，并为医疗领域的情绪感知人工智能提供了实用、伦理和政策层面的启示。

1. 引言

对话智能体（CAs），如聊天机器人，在医疗领域的应用日益广泛，用于支持患者沟通、分诊和服务交付，尤其是在临床人员在有限时间内面临日益增长的需求的情况下（Schanke等，2021；Lin等，2025）。通过利用人工智能（AI）技术，包括自然语言处理（NLP），对话智能体提供了可扩展的文本或语音界面，将医疗信息的获取和支持扩展到了传统临床诊疗之外（Mendapara等，2021；Pandey等，2022；Schmitt等，2023）。然而，医疗互动与一般服务场景不同，因为患者往往在压力、不确定性、恐惧或情绪脆弱的状态下进行交流。在这些场景中，富有同理心的沟通被广泛认为是有效患者互动的重要方面，且文献已将其与信任感、参与度和护理质量的认知相关联（Bermeo-Giraldo等，2023）。相当大比例的患者与对话智能体之间的互动带有情绪色彩，有估计表明高达40%的交流涉及显性或隐性的情绪表达（Li等，2019；Seok等，2025）。这些条件产生了一种关键需求：对话系统需要能够识别并恰当地回应细微的情绪线索，而非仅仅依赖表层的情感极性。

当前的情绪检测方法通常分为三大类别：基于情感的方法、基于词典的技术，以及传统的机器学习或基于变换器的深度学习模型（Acheampong等，2021；Al Maruf等，2024；Yu等，2023）。情感分析方法通常将用户输入简化为正面、负面或中性等宽泛的极性标签（Xie等，2022；Du等，2025）。虽然适用于大规模分析，但这种抽象对于短文本医疗对话来说是不够的（Tan等，2023），在短文本医疗对话中，区分恐惧、悲伤或愤怒等具体情绪及其强度对于恰当的回应至关重要。这些局限性在短文本中尤为突出，短文本往往高度抽象且缺乏上下文（Gao等，2023；Wei等，2022）。因此，仅依赖情感分析的对话智能体可能产生被视为冷漠的回复，或与患者需求不匹配（Chandra等，2022；Jain等，2023；Diederich等，2022）。基于词典的方法通过将词汇与预定义的情绪类别关联，提供了透明性和理论基础（Wang & Zhang，2024）；然而，简单的词汇匹配往往忽略上下文、否定和情绪强度，限制了其在敏感互动中的有效性（Chen等，2023；Chou等，2022）。机器学习和基于变换器的模型改进了上下文建模（Chriqui和Yahav，2022；Yu等，2023），但其对不透明表示和大规模训练数据集的依赖，使得它们在受监管的医疗环境中的使用变得复杂。

先前的研究强调了在高风险领域平衡上下文敏感性与可解释性的重要性（Rudin，2019；Wani等，2021；Tarafdar等，2025）。实证研究进一步表明，缺乏情绪条件或泛化的聊天机器人回复会降低用户满意度和感知支持度（Zhang等，2024；Salo等，2020；Chau等，2020）。即使在信息上准确，未能适应用户情绪状态的回复在医疗情境中通常也被认为是不够的（Haque & Rubya，2022）。综合而言，这些发现凸显了需要可解释的、强度感知的机制，以可靠地检测情绪细微差异并支持专业化治理的响应校准。

为了弥补文献中的这一空白，我们考察以下研究问题：

RQ1：如何在受监管的医疗环境中，以可解释且具有心理学基础的建模方式，对短文本对话中的情绪细微差异和强度进行建模？

RQ2：一种强度感知的情绪检测对话框架如何支持医疗导向系统中的情绪对齐和专业适当性？

为回答RQ1，我们开发了一个名为词强度评分引擎（WISE）的情绪分类框架，该框架在显式捕捉情绪细微差异的同时保持可解释性，适用于受监管的、情绪敏感领域，如医疗。WISE基于普拉切克（Plutchik）已建立的心理学情绪模型（Plutchik，1980），与先前的基于词典或混合方法不同，WISE将情绪强度显式地操作化为词元级别的一等构造，而非将其视为模型学习的隐性副产品。WISE将词汇基础与上下文加权相结合，在词元级别分配特定情绪的强度评分，从而实现了对短文本和非正式文本中主导情绪状态的检测。该方法的实现通过基于同义词的词元扩展和词嵌入相似度来完成（Chen等，2023）。

为回答RQ2，我们通过设计科学周期的实例化对WISE进行了评估，结合了定量基准测试和定性专家评估。首先，我们在多个分类器上进行了比较基准分析，包括逻辑回归、SVM、MLP、KAN、BERT、RoBERTa和基于大语言模型的分类器，每个模型在两种条件下进行评估：基线输入特征和WISE生成的特征。这一设计隔离了WISE作为特征表示层的贡献，使我们能够评估强度感知的、可解释的特征是否独立于模型复杂度即可提升分类性能。结果表明，当增强WISE后，传统模型和可解释模型的性能取得了持续且显著的提升。其次，我们通过敏感性分析评估了WISE的鲁棒性，检查了关键参数（包括相似度加权、否定处理和阈值设定）在不同变化下的性能稳定性。最后，我们进行了一项涉及十三位医疗专业人员的专家评估，他们从情绪对齐、专业性和情境适当性等方面评估了系统的回复。综合而言，这些评估表明WISE不仅以可解释的方式建模情绪强度，还生成了增强下游模型性能的特征表示，同时支持情绪对齐且专业化治理的对话行为。其模块化设计进一步支持领域特定适配，使WISE框架能够部署在可解释性、可控性和情绪细微差异响应能力至关重要的医疗场景中。

本文其余部分组织如下。第2节回顾相关文献，随后第3节描述支撑我们设计的核心理论。第4节详细阐述我们的方法论和设计工件。第5节报告了方法评估，第6节讨论了理论洞察、实践意义以及面向情绪感知医疗对话智能体的设计建议。第7节对论文进行总结。

2. 文献综述

对话智能体越来越多地应用于情绪敏感的领域，如医疗、教育和心理健康。在这些场景中，同理心在用户满意度和长期参与中起着核心作用。研究已认识到这一重要性，强调同理心能提升整体互动质量和用户的情绪舒适度（Hibbeln等，2017；Feine等，2019；Toader等，2019）。然而，同理心在聊天机器人设计中的整合仍然有限。现有方法主要依赖情感分析，该方法识别极性（正面、负面或中性），但未能捕捉更丰富的感情状态，如愤怒、喜悦或悲伤（Alharbi等，2022；Chun和Elkins，2023；Du等，2025；Xie等，2022）。这限制了聊天机器人区分可能属于同一情感类别但需要截然不同的同理心回复的情绪的能力。多项研究已承认情感检测的必要性（Zhang等，2024；Chau等，2020），但仍在使用传统的文档级词频方法进行情感分析。这些方法不适合聊天环境，因为输入通常是简短的、情绪细微的，且缺乏文档分析通常利用的词汇重复（Gao等，2023）。

情感计算中另一个常被忽视的问题是训练数据标注方式与模型训练方式之间的脱节（Lebovitz等，2021；Van den Broek等，2021）。通常，人类标注员通过直觉评估词汇的情绪强度和上下文来对输入文本进行分类，而非通过词频计数（Al-Hashedi等，2023；Alfreihat等，2024；Al Maruf等，2024）。然而，当机器学习模型使用基于计数或忽略上下文的方法进行训练时，这种不一致可能导致无法捕捉特定的情绪细微差异和线索（Lemmon等，2023）。由于人工智能旨在模拟类人推理（Chandra等，2022），其训练方法理想情况下应反映人类在标注过程中使用的认知过程（Davazdahemami等，2024；Zhou等，2023）。本研究通过词元级别评分算法显式建模情绪强度来回应这一挑战。

普拉切克的情绪心理进化理论在情感计算和情绪分类研究中被广泛引用，通常作为定义离散情绪类别的概念基础（Plutchik，1980；Plutchik，2001）。在计算场景中，受普拉切克及相关注释模型启发的emo??o分类法经常被用于构建标注方案和监督学习任务（Ekman，1992；Mohammad和Turney，2013）。然而，在许多实现中，该理论主要作为标注框架而非操作性设计机制发挥作用。核心理论模型中所描述的强度梯度、对立结构和组合逻辑并不总是被显式编码到模块化计算架构中（Powell和Roberts，2017；Nembhard等，2023）。相反，情绪检测通常通过端到端表示学习或微调预训练语言模型来完成，其中情感理论与系统行为之间的联系仍然是隐性的（Devlin等，2019；Acheampong等，2020）。

优先考虑端到端架构预测性能的方法存在透明性有限的问题，即推理如何形成（Mabokela等，2024）。即使在报告基准准确率超过70%的研究中，分类模型的内部推理过程往往仍然是不透明的，特别是当采用深度学习架构时（Li等，2019；Kim等，2023；Sun和Zhou，2023；Zhou等，2023）。因此，很难确定信号如何被加权、分类错误如何发生，或在高风险环境中回复如何被系统性地治理。

此外，情绪在聊天机器人设计中的上下文作用在先前研究中仍未得到明确界定（Lin等，2025）。这种未明确界定削弱了概念清晰度和构念效度，而这对于将实证技术与部署环境的现实相一致是必不可少的（Van den Broek等，2021）。因此，许多研究未能明确定义情绪在其系统中的功能作用，或未能提供文本输入与预测输出之间的可追溯性机制（Bermeo-Giraldo等，2023；Chandra等，2022；Lin等，2024）。这种有限的方法论透明度，反过来又在对话智能体被部署到医疗等情绪敏感领域时引入了治理挑战（Bermeo-Giraldo等，2023；Mendapara等，2021；Mishra & Agarwal，2010）。

总体而言，文献揭示了医疗对话智能体中几个尚未解决的设计挑战。首先，尽管同理心被广泛认为在情绪敏感互动中至关重要，但许多系统难以在上下文有限且脆弱性高的短文本交流中解读细微的情感。在医疗等受监管的环境中，情绪不匹配的回复有可能削弱信任，而非减轻，反而会增加沟通负担。其次，尽管情感感知系统日益受到讨论，但大多数实现通过粗糙的情感极性或不透明的端到端架构来操作化情绪。情绪强度很少被作为一等设计构造来对待，尽管它在人类情绪解读中处于核心地位。这一空白引发了对构造效度的担忧，特别是当标注实践强调细微的强度判断，而建模方法却依赖忽略上下文或基于频率的特征时。第三，尽管像普拉切克情绪轮这样的心理学理论经常被引用，但文献对于如何将这类核心理论转化为可解释的、治理兼容的、适合医疗部署的机制提供了有限的指导。WISE通过在透明、理论基础的框架中将情绪强度在词元级别操作化来回应这些空白，从而能够实现对齐医疗专业标准的既富有同理心又可控的对话行为。

3. 核心理论：普拉切克情绪轮

为了奠定我们情绪分类方法的基础，我们采用普拉切克情绪轮（Plutchik，1980）作为核心理论（图1）。该模型定义了八种基本情绪：喜悦、信任、恐惧、惊讶、悲伤、厌恶、愤怒和期待，以对立对的形式组织并在强度上有所变化。这一结构既提供了离散的情绪类别，又为情绪强度提供了有原则的表示。据此，WISE借鉴了五个核心构念：（1）固定的情绪本体论，（2）情绪强度梯度，（3）支持否定感知减弱的对立结构，（4）在定义阈值之上支持共主导情绪状态，以及（5）灵活选择性地激活上下文相关的情绪子集。这些构念直接指导了WISE的设计。

词汇标记被映射到离散的情感类别，而对立关系则支持在否定条件下对情感信号的衰减或反转。虽然WISE并未明确建模混合情感，但它根据可配置的强度阈值识别共同主导的情感状态。此外，将情感集限制在适合上下文的类别中可减少噪声并提高可解释性。这些设计选择共同增强了可解释性和灵活性，使WISE非常适合对上下文敏感的领域，如医疗沟通，在这些领域中捕获情感细微差别至关重要。

下载：下载高分辨率图像（281KB）下载：下载全尺寸图像 图1. 情感轮（改编自Plutchik, 1980）

尽管Plutchik的模型涵盖了更广泛的情感状态，包括强度等级和情感混合，但其操作化依赖于具有足够细致且可靠标注的数据。在缺乏此类标注数据的情况下，扩展情感集会引入歧义并损害构念效度。因此，WISE采用八种基本情感作为稳定且得到充分支持的分类体系。WISE通过标记级强度评分将这一核心理论操作化，将情感理论转化为计算机制。

4. 提出的设计成果：词强度评分引擎（WISE）

在设计科学研究（DSR）方法（Hevner & Chatterjee, 2010；Gregor & Hevner, 2013）的指导下，我们提出了WISE框架，该框架由四个核心组件组成：否定检测器、特征生成器、主导情感分类器和响应生成器（见图2）。用户输入首先通过否定检测器，该检测器识别可能反转或衰减情感表达的语法否定模式。接下来，特征生成器应用一种受Plutchik情感轮启发的新型词强度评分算法，并通过词嵌入实现的同义词集扩展和语义相似度加以增强。该模块生成结构化特征集，包括标记级情感强度和否定标志。这些特征随后被传递到主导情感分类器，该分类器识别输入中表示的主导情感状态。由此产生的情感分类及相关WISE衍生特征随后被响应生成器用于生成最终系统输出。

下载：下载高分辨率图像（279KB）下载：下载全尺寸图像 图2. 词强度评分引擎（WISE）

采用模块化设计，这些核心组件被构建为统一框架中相互独立但又互联的模块。每个组件在情感处理流水线中执行特定功能，允许对单个元素进行修改、替换或扩展，而无需完全重新设计整个系统。这种灵活性使WISE能够适应不同的应用上下文，例如通过集成替代词典、调整特征生成策略或与不同的分类器配对来实现。此外，在该框架内，情感特征生成在逻辑上与下游响应生成分离，使得情感检测和响应行为可以独立调整，同时仍在同一流水线中运行。

此外，该设计通过保持处理每个阶段的可见性来提高可解释性和可审计性。利益相关者可以检查情感信号如何被推导、它们如何影响分类，以及它们如何最终塑造生成响应。这种可追溯性在受监管且情感敏感的领域（如医疗）尤为重要（Kim等, 2023）。这种设计方法与航空和核能等高风险行业的做法一致，在这些行业中，系统由可分离的组件组成，以平衡自动化与人工监督，并确保可追溯性和故障问责（Basharat和Shahid, 2024, Srivastava等, 2025, Kim等, 2023）。以下，我们提供每个组件的详细说明。

4.1. 否定检测器

否定检测器识别用户输入中的显式否定线索，因为诸如"not"、"never"等词语可以改变情感含义。检测器产生一个二元标志Neg ∈ {0,1}，该标志作为WISE算法中强度计算的条件。当存在否定时，WISE使用β衰减检测到的标记级情感强度，并且当存在对立情感时，使用γ将剩余信号的控制部分重新分配到对立情感。这种调整基于Plutchik的对立情感结构，允许否定改变情感分布而不强制进行完全的极性反转。这既保持了理论一致性和可解释性，又确保了被否定的情感表达得到适当调节。

4.2. 特征生成器

特征生成器（FG）通过将标记化的用户输入转化为受Plutchik情感集指导的结构化情感表示来操作化WISE词强度评分算法（图3）。每个标记i与同义词检查器中的条目x进行比较。在本研究中，使用WordNet进行词汇扩展，使用NRC情感词典进行情感标注，该词典包含超过14,000个单词，覆盖与Plutchik框架一致的八种核心情感（Wang & Zhang, 2024）。

下载：下载高分辨率图像（637KB）下载：下载全尺寸图像 图3. 词强度评分引擎

对于每个标记-词典对，WISE计算混合相似度分数：

S_i,m(i,x) = α·J(i,x) + (1-α)·Cosine(Embed(i), Embed(x))

其中J(i,x)表示通过WordNet生成的同义词集之间的Jaccard相似度，C(i,x)表示预训练词嵌入之间的余弦相似度。此公式平衡了词汇重叠和分布语义接近性。权重参数α控制这两个成分的相对贡献。

选择最大化S_i,m(i,x)的词典条目：

x_max = argmax_{x∈X} S_i,m(i,x)

对于每个标记，标记级强度计算如下：

σ_i = ε(max)·S_i,m(i,x)

当存在否定时，强度由阻尼因子β衰减。此外，如果存在对立情感，剩余信号的控制部分将根据Plutchik的对立结构重新分配到该类别。跨情感的聚合强度使用SoftMax进行归一化。

参数α调节同义词重叠和嵌入相似度的贡献，β控制否定衰减，γ控制对立情感间的重新分配，τ定义用于过滤弱匹配的相似度阈值。重要的是，这些参数是可调节且依赖于上下文的；其值可由理论基础或实证验证指导，但不能在所有部署场景中普遍规定。它们的值通过敏感性分析和迭代测试经验性地选定，以在短对话文本中平衡词汇基础、语义相似度、否定处理和受控情感重新分配。敏感性测试的详细信息在评估部分中呈现。

为了考虑多轮对话中的情感连续性，WISE维护一个滚动缓冲区，存储最近的n个情感预测及其对应的强度分数。该缓冲区不影响单个话语的分类，但使跨轮次追踪情感趋势成为可能。通过计算移动平均等简单聚合，系统可以支持下层应用，如升级检测或情感状态监控。这种设计方法在保持WISE的模块化和可解释性的同时，提供了一个实用的纵向情感感知机制，特别是在医疗环境中，清晰度和一致性至关重要。

最后，特征生成器返回标记级情感分数及其相关标签的字典，以及否定标志（Neg ∈ {0,1}）。这些特征构成了下游主导情感分类器的输入，该分类器汇总分数以确定主导情感。

4.3. 主导情感分类器

在我们的实例化中，使用WISE衍生表示评估了多个分类器，包括逻辑回归、SVM、MLP、BERT、RoBERTa、Kolmogorov-Arnold网络（KAN）和LLM。在这些分类器中，KAN在评估数据集上表现出最强的整体性能，因此被选为下游响应调节的模型。除了预测性能外，KAN比许多传统神经架构提供了更高的结构可解释性，因为学习的关系通过显式函数映射表示，而不是完全不透明的潜在表示。

重要的是，分类器在WISE中的作用不是取代可解释的特征生成过程，而是学习WISE衍生情感信号与真实对话数据中观察到的情感标签之间的上下文关系。虽然WISE算法提供基于词汇匹配、语义相似度和否定感知加权的透明标记级强度表示，但这些基于规则的信号本身可能无法完全捕获人类在不同对话上下文中如何解释情感含义。医疗沟通中的情感解释不仅取决于情感信号的存在，还取决于措辞、上下文重点以及多个共存情感之间的相互作用。

因此，下游分类器充当一个上下文学习机制，将WISE生成的情感表示与实证观察到的对话模式对齐。这使得系统能够以更贴近实际情感解释的方式区分主导和共同主导的情感状态。例如，WISE可能在同一话语中为悲伤和愤怒都生成强强度信号，而分类器学习上下文模式，以确定在类似语言条件下哪种情感更可能充当主导情感状态。

这引入了一个重要的可解释性权衡。底层情感信号的推导保持完全透明，因为WISE生成的强度特征可直接检查并追溯到特定的词汇和语义组件。然而，在最终的上下文分类阶段，可解释性有所降低，因为学习的关系影响主导和共同主导情感如何被优先排序。因此，虽然上下文排序过程不一定总是可完全解释的，但指导该决策的情感特征仍保持可解释和理论扎实。这种分层方法平衡了透明度与面向医疗的对话系统对上下文适应的实际需求。

4.4. 响应生成器

响应生成器是WISE框架的最终组件，在主导情感分类器下游运行。它接收由先前模块产生的结构化情感信号，包括WISE生成的特征表示和识别出的主导或共同主导情感状态，具体取决于框架的配置。

WISE的设计允许在使用这些信号时具有灵活性。响应生成器可配置为纳入完整的标记级强度特征集、聚合情感分数和否定指示器，或一个缩减的子集（如仅主导情感）。这种模块化使从业者能够根据应用需求和治理约束来定制响应生成期间应用的情感调节程度。

在我们的实例化中，响应生成使用基于大语言模型（LLM）的对话代理执行。LLM接收WISE衍生的情感信号以及原始用户输入，使其能够根据语义内容和结构化情感上下文调节响应。这种集成支持生成与检测到的情感状态一致的响应，同时保持生成式语言模型的灵活性。重要的是，WISE提供可解释的情感信号来指导响应生成过程，保持情感检测和语言生成之间的清晰分离。这种分离确保了情感推理保持透明和可审计，同时生成组件保持适应性。响应生成器的角色和行为，包括其与WISE衍生特征的交互，在评估部分（第5节）中进行了详细评估。

5. 评估

根据Hevner等（2004）提出的指南，我们通过两种互补的方法来评估WISE。首先，我们通过跨多个分类模型的定量基准测试来评估WISE算法作为特征生成机制的性能。该分析分离了WISE衍生特征对预测性能的贡献。其次，我们通过一项涉及医疗专业人士的专家研究来评估框架的整体效用，其中WISE与大语言模型（LLM）集成以生成对话响应。该评估考察了在医疗环境下WISE启用的输出在情感一致性、适当性和专业性方面的感知。

5.1. 实验分析

实验评估使用GoEmotions数据集，这是一个源自在线对话文本的大规模细粒度情感标注语料库（Demszky等, 2020）。由于该数据集并非针对医疗领域，应用了基于关键词的过滤过程来识别医疗相关的对话实例。过滤使用预定义的医疗相关术语词典执行，包括doctor、physician、nurse、hospital、clinic、patient、healthcare、medical、medicine、medication、prescription、diagnosis、symptom、disease、illness、treatment、therapy、surgery、infection、pain、emergency、vaccine、mental health、anxiety、depression、stress、recovery和appointment。为提高覆盖率，在过滤过程中还纳入了这些术语的词汇变体和常见同义词（如复数形式、缩写和密切相关的医学表达）。包含一个或多个这些关键词或其相应变体的对话实例被保留，形成一个医疗重点子集，包含16,251个短文本样本。每个样本标注单个情感标签。所得数据集是不平衡的，以悲伤为主导类（n = 6790；41.80%），其次是喜悦（n = 3700；22.77%）、恐惧（n = 1951；12.01%）和愤怒（n = 1651；10.16%）。其余类别包括信任（n = 1197；7.37%）、期待（n = 501；3.08%）、厌恶（n = 298；1.83%）和惊讶（n = 163；1.00%）。未观察到缺失值，平均句子长度为23.99个词（SD = 11.83），反映了源数据的简短对话风格。

由于真实医疗互动中的保密和伦理限制，使用公开可用的对话数据是必要的。

虽然这在一定程度上限制了直接的临床真实性，但该数据集捕获了简短、具有情感表达性的文本，与WISE框架所针对的交互风格非常接近。在预处理过程中，Plutchik情感框架中定义的若干情感类别要么缺失，要么代表性不足。具体而言，期待、厌恶和惊喜的代表性不足，而信任则未被观测到。其他类别如惊喜和中性虽然存在，但与占主导地位的类别相比，相对有限。为了评估WISE生成特征的贡献，所有实验均采用分层五折交叉验证进行。分层处理确保了每一折中的类别分布得以保留，从而在情感类别不平衡的情况下提供了具有代表性的评估。在每次迭代中，四折用于训练，一折用于测试，每折恰好作为测试集一次。选择五折设计是因为它为可靠性能估计和大规模数据集的计算效率提供了稳健且广泛采用的平衡，同时大幅降低了与单次训练-测试分割相关的方差。报告的性能指标对应于五折的平均值和标准差。在基线条件下，分类器使用传统的TF-IDF文本表示进行训练，而WISE条件则在TF-IDF表示的基础上增加了WISE生成的结构化情感特征。该设计将WISE作为特征表示层的贡献与保持不变的底层分类算法隔离开来。表1总结了每个基准模型的实施细节、模型架构、预训练检查点和训练超参数，以便于实验评估的可重复性。

表1. 模型配置和超参数设置。

| 模型 | 架构/实施 | 训练配置 |
|------|-----------|----------|
| 逻辑回归 | Scikit-learn 逻辑回归 | 最大迭代次数 = 2000；平衡的类别权重；固定随机种子。 |
| 支持向量机（SVM） | Scikit-learn LinearSVC | 平衡的类别权重；固定随机种子。 |
| 多层感知器（MLP） | Scikit-learn MLP分类器；隐藏层（256, 128）；ReLU | Adam优化器；最大迭代次数 = 50；固定随机种子。 |
| 柯尔莫哥洛夫-阿诺德网络（KAN） | PyKAN；架构[input, 64, output]；grid = 5；样条阶数 = 3 | Adam优化器；学习率 = 0.001；批大小 = 128；20个epoch。 |
| BERT | Hugging Face；bert-base-uncased | AdamW；学习率 = 2 × 10??；批大小 = 16；最大长度 = 128；权重衰减 = 0.01；2个epoch。 |
| RoBERTa | Hugging Face；roberta-base | AdamW；学习率 = 2 × 10??；批大小 = 16；最大长度 = 128；权重衰减 = 0.01；2个epoch。 |
| 大语言模型（LLM） | OpenAI GPT-5.4 Mini (gpt-5.4-mini-2026-03-17) | 零样本提示；结构化JSON输出；无微调；采用分层五折交叉验证评估。 |

我们首先在包含所有八个情感标签的不平衡数据集上测试WISE，以检查其在现实类别分布条件下的行为，其中某些情感自然处于代表性不足的状态。如表2所示，整合WISE生成的特征导致多个模型的可观察性能提升，最显著的是KAN。这些增益表明，即使在不平衡的数据环境中，WISE也能够提取结构化的情感信号。然而，这些结果必须谨慎解释。不平衡的数据集本质上会使模型学习偏向多数类别，通常膨胀总体指标如准确率，同时掩盖少数情感上的较弱性能。因此，在这些条件下观察到的改进不一定反映可靠或可推广的情感检测性能。特别是，频繁出现类别的主导地位可能导致过度陈述的增益，限制了直接模型比较的有效性。尽管WISE由于其上下文感知和基于强度的特征构建而对类别不平衡表现出韧性，但倾斜标签分布的存在限制了有意义的评估。鉴于情感类别不平衡，我们报告宏平均指标以确保跨情感类别的等权重，同时辅以加权平均值以反映总体性能。

表2. 八种情感比较基准分析。

| 模型 | 设置 | 准确率 | 宏平均（均值±SD） | 加权平均（均值±SD） |
|------|------|--------|------------------|---------------------|
| | | 均值±SD | 精确率 | 召回率 | F1 | 精确率 | 召回率 | F1 |
| 逻辑回归 | 基线 | 0.646 ± 0.007 | 0.485 ± 0.015 | 0.557 ± 0.029 | 0.508 ± 0.019 | 0.692 ± 0.009 | 0.646 ± 0.007 | 0.662 ± 0.007 |
| | 含WISE | 0.850 ± 0.008 | 0.759 ± 0.015 | 0.829 ± 0.022 | 0.789 ± 0.017 | 0.860 ± 0.007 | 0.850 ± 0.008 | 0.853 ± 0.008 |
| SVM | 基线 | 0.678 ± 0.007 | 0.509 ± 0.013 | 0.515 ± 0.015 | 0.512 ± 0.013 | 0.681 ± 0.008 | 0.678 ± 0.007 | 0.679 ± 0.007 |
| | 含WISE | 0.802 ± 0.006 | 0.736 ± 0.013 | 0.716 ± 0.010 | 0.723 ± 0.010 | 0.803 ± 0.006 | 0.802 ± 0.006 | 0.802 ± 0.006 |
| 神经网络 MLP | 基线 | 0.566 ± 0.010 | 0.391 ± 0.016 | 0.369 ± 0.014 | 0.377 ± 0.014 | 0.560 ± 0.013 | 0.566 ± 0.010 | 0.562 ± 0.012 |
| | 含WISE | 0.813 ± 0.010 | 0.754 ± 0.022 | 0.729 ± 0.023 | 0.740 ± 0.021 | 0.813 ± 0.011 | 0.813 ± 0.010 | 0.813 ± 0.010 |
| KAN | 基线 | 0.622 ± 0.006 | 0.479 ± 0.046 | 0.345 ± 0.019 | 0.362 ± 0.016 | 0.613 ± 0.011 | 0.622 ± 0.006 | 0.595 ± 0.013 |
| | 含WISE | 0.894 ± 0.004 | 0.878 ± 0.009 | 0.824 ± 0.014 | 0.841 ± 0.012 | 0.895 ± 0.004 | 0.894 ± 0.004 | 0.893 ± 0.005 |
| BERT | 基线 | 0.722 ± 0.013 | 0.580 ± 0.060 | 0.490 ± 0.026 | 0.513 ± 0.034 | 0.708 ± 0.016 | 0.722 ± 0.013 | 0.711 ± 0.014 |
| | 含WISE | 0.722 ± 0.010 | 0.598 ± 0.037 | 0.502 ± 0.010 | 0.529 ± 0.015 | 0.710 ± 0.011 | 0.722 ± 0.010 | 0.712 ± 0.009 |
| RoBERTa | 基线 | 0.713 ± 0.012 | 0.591 ± 0.053 | 0.476 ± 0.021 | 0.499 ± 0.024 | 0.699 ± 0.016 | 0.715 ± 0.012 | 0.701 ± 0.013 |
| | 含WISE | 0.715 ± 0.007 | 0.564 ± 0.054 | 0.465 ± 0.010 | 0.485 ± 0.014 | 0.695 ± 0.011 | 0.713 ± 0.007 | 0.698 ± 0.007 |
| LLM | 基线 | 0.494 ± 0.005 | 0.336 ± 0.015 | 0.331 ± 0.018 | 0.325 ± 0.016 | 0.513 ± 0.006 | 0.494 ± 0.005 | 0.494 ± 0.005 |
| | 含WISE | 0.685 ± 0.006 | 0.568 ± 0.012 | 0.552 ± 0.021 | 0.550 ± 0.016 | 0.690 ± 0.006 | 0.685 ± 0.006 | 0.678 ± 0.006 |

为确保模型性能的公平和可解释评估，我们还分析了四种代表性较好的情感子集：悲伤、喜悦、恐惧和愤怒，产生了14,092个样本。该子集保留了有意义的情感频谱，同时保持了足够的评估数据密度，并减少了完全数据集中严重代表性不足的类别的影响。如表3所示，分层五折交叉验证结果提供了对WISE生成特征贡献的更清晰评估。在传统的机器学习模型中观察到一致的改进。逻辑回归的准确率从0.760 ± 0.004提升至0.866 ± 0.004，宏F1从0.723 ± 0.002提升至0.846 ± 0.004。类似地，SVM的准确率从0.766 ± 0.002提升至0.831 ± 0.006，宏F1从0.723 ± 0.002提升至0.802 ± 0.006。神经网络（MLP）也表现出显著提升，准确率从0.663 ± 0.005提升至0.824 ± 0.004，宏F1从0.601 ± 0.009提升至0.789 ± 0.006。KAN展现出最强的改进，准确率从0.712 ± 0.010提升至0.908 ± 0.002，宏F1从0.649 ± 0.014提升至0.890 ± 0.004，这加强了WISE的结构化特征表示与基于函数近似的模型之间的兼容性。相比之下，基于Transformer的模型在整合WISE后仅表现出边际改进。BERT的准确率从0.794 ± 0.008小幅增至0.798 ± 0.005，而宏F1从0.757 ± 0.008变为0.760 ± 0.006。同样，RoBERTa表现出微不足道的差异，准确率从0.790 ± 0.005增至0.792 ± 0.002，宏F1基本保持在0.753不变。然而，LLM基线从WISE的整合中获益更多，准确率从0.611 ± 0.009提升至0.731 ± 0.006，宏F1从0.538 ± 0.012提升至0.669 ± 0.008。

表3. 四种情感比较基准分析。

| 模型 | 设置 | 准确率 | 宏平均（均值±SD） | 加权平均（均值±SD） |
|------|------|--------|------------------|---------------------|
| | | 均值±SD | 精确率 | 召回率 | F1 | 精确率 | 召回率 | F1 |
| 逻辑回归 | 基线 | 0.760 ± 0.004 | 0.713 ± 0.001 | 0.736 ± 0.005 | 0.723 ± 0.002 | 0.768 ± 0.005 | 0.760 ± 0.004 | 0.762 ± 0.004 |
| | 含WISE | 0.866 ± 0.004 | 0.832 ± 0.005 | 0.863 ± 0.005 | 0.846 ± 0.004 | 0.871 ± 0.003 | 0.866 ± 0.004 | 0.867 ± 0.003 |
| SVM | 基线 | 0.766 ± 0.002 | 0.727 ± 0.005 | 0.719 ± 0.003 | 0.723 ± 0.002 | 0.765 ± 0.002 | 0.766 ± 0.002 | 0.765 ± 0.002 |
| | 含WISE | 0.831 ± 0.006 | 0.803 ± 0.006 | 0.803 ± 0.008 | 0.802 ± 0.006 | 0.831 ± 0.006 | 0.831 ± 0.006 | 0.831 ± 0.006 |
| 神经网络 MLP | 基线 | 0.663 ± 0.005 | 0.610 ± 0.009 | 0.597 ± 0.013 | 0.601 ± 0.009 | 0.661 ± 0.006 | 0.663 ± 0.005 | 0.661 ± 0.005 |
| | 含WISE | 0.824 ± 0.004 | 0.797 ± 0.009 | 0.782 ± 0.013 | 0.789 ± 0.006 | 0.823 ± 0.004 | 0.824 ± 0.004 | 0.823 ± 0.004 |
| KAN | 基线 | 0.712 ± 0.010 | 0.696 ± 0.028 | 0.627 ± 0.015 | 0.649 ± 0.014 | 0.713 ± 0.010 | 0.712 ± 0.010 | 0.705 ± 0.009 |
| | 含WISE | 0.908 ± 0.002 | 0.902 ± 0.006 | 0.880 ± 0.006 | 0.890 ± 0.004 | 0.908 ± 0.002 | 0.908 ± 0.002 | 0.908 ± 0.002 |
| BERT | 基线 | 0.794 ± 0.008 | 0.764 ± 0.010 | 0.750 ± 0.008 | 0.757 ± 0.008 | 0.792 ± 0.008 | 0.794 ± 0.008 | 0.793 ± 0.008 |
| | 含WISE | 0.798 ± 0.005 | 0.771 ± 0.007 | 0.751 ± 0.007 | 0.760 ± 0.006 | 0.796 ± 0.005 | 0.798 ± 0.005 | 0.796 ± 0.005 |
| RoBERTa | 基线 | 0.790 ± 0.005 | 0.762 ± 0.004 | 0.746 ± 0.009 | 0.753 ± 0.004 | 0.791 ± 0.005 | 0.792 ± 0.005 | 0.791 ± 0.005 |
| | 含WISE | 0.792 ± 0.002 | 0.763 ± 0.002 | 0.744 ± 0.006 | 0.753 ± 0.003 | 0.790 ± 0.002 | 0.792 ± 0.002 | 0.790 ± 0.002 |
| LLM | 基线 | 0.611 ± 0.009 | 0.555 ± 0.012 | 0.527 ± 0.012 | 0.538 ± 0.012 | 0.602 ± 0.009 | 0.611 ± 0.009 | 0.604 ± 0.009 |
| | 含WISE | 0.731 ± 0.006 | 0.703 ± 0.008 | 0.650 ± 0.009 | 0.669 ± 0.008 | 0.727 ± 0.006 | 0.731 ± 0.006 | 0.723 ± 0.007 |

与八种情感的严重不平衡设置相比，四种情感的数据集使得评估指标能够更准确地反映所有情感类别的性能，而不是受主导类别的影响。在这些条件下，WISE引入的改进可以更自信地归因于其捕获有意义情感信号的能力，而非分布偏差。

BERT和RoBERTa等基于Transformer的模型在整合WISE后显示出极小的变化。一个合理的解释是，这些模型已经通过大规模预训练学会了丰富的上下文和语义表示，这可能会降低外部工程特征带来的增量价值。相比之下，WISE提供了明确的、结构化的信号，对缺乏此类内部表示能力的经典和可解释模型更加直接有益。这些模型在多大程度上内部捕获情感强度，以及这与WISE的特征构建如何对齐或存在差异，需要进一步调查。对这些交互的详细分析将需要额外的模型探查，这超出了本研究范围，因此留给未来工作。

进行了一项敏感性分析（图4）以评估WISE对其关键参数的鲁棒性：α（混合相似度权重）、β（否定衰减）、γ（相反情感重新分配）和τ（相似度阈值）。采用逐因子法（OFAT），即每个参数独立变化，而其余参数保持不变。为了隔离每个参数的效果，所有实验均使用单个分层80/20训练-测试分割和固定随机种子（42）进行，确保观察到的性能差异归因于所研究的参数，而非数据分割的变化。因此，图4中呈现的结果对应于单个实验运行，而非多个随机种子或交叉验证折的平均值。性能使用准确率和加权F1分数评估。结果显示在所考虑的参数范围内表现出稳定且可解释的行为，大多数模型在α ≈ 0.5和β ≈ 0.6处达到最佳性能，而γ通常在较低值时最有效，τ在0.65附近收敛，在语义覆盖和噪声消除之间提供了适当的平衡。最终参数值通过迭代预测试参数组合来选择，优先考虑整体性能和鲁棒性。经典机器学习模型对WISE参数表现出更清晰的依赖性，而基于Transformer的模型（BERT和RoBERTa）显示出相对有限的敏感性，这与基准测试结果一致，可能是由于它们能够直接从输入文本学习更丰富的语义表示。这些深度学习表示与WISE生成特征之间的精确交互仍然是未来研究的一个方向。总体而言，敏感性分析表明，在选定参数值附近的适度扰动并未实质改变主导情感预测，支持了所提出框架的鲁棒性。

下载：下载高分辨率图像（326KB）下载：下载全尺寸图像

图4. 敏感性分析结果。

5.2. 专家评估

为补充评估WISE技术性能的实验，我们开展了一项针对医疗专业人士的定性用户研究，以评估该框架在医疗场景中的共情效果和实用性。该专家评估考察了WISE启用的响应是否会被视为在上下文上是适当的、情感上敏锐的以及在医疗对话场景中专业上可接受的。鉴于他们与患者沟通的经验，医疗专业人士非常适合评估情感智能系统是否恰当。类似的专家驱动评估策略已在先前关于情感感知对话代理和医疗AI系统的研究中被采用，其中使用小型专家小组来评估系统行为的共情、适当性和可信度（Bezzaoui et al., 2025, Liu and Yoon, 2024）。

对于此次评估，WISE与KAN增强的、受约束的大语言模型（LLM）响应生成器集成。该响应生成器使用OpenAI GPT-5.4 Mini，接收原始用户输入以及WISE衍生的信息，包括检测到的主导情感和KAN预测的用户意图，以生成上下文适当的响应。为确保安全且一致的行为，LLM通过系统提示进行约束，明确限制其不提供医疗诊断或临床建议，将其功能限制在医疗门户辅助任务中，如预约安排、门户导航、医院批准的通用指导、联系信息和非临床的支持性沟通。对于紧急情况，模型被指示建议适当的急诊护理，而不是试图进行临床评估。响应使用温度0.4生成。在评估过程中，参与者同时看到生成的响应和相应的WISE输出，包括检测到的主导情感，使专家能够根据WISE产生的底层情感解释评估响应的适当性。

为确保与系统的预期用途一致，LLM受应用级约束治理。例如，WISE明确被限制不提供医疗建议，反映了其作为支持性的、非诊断性对话工具的角色。这些约束是实施特定的，可以根据不同的部署场景进行调整，使响应生成组件保持灵活，同时维护适当的专业边界。WISE产生的特征被直接用于指导响应生成，使情感条件化的输出成为可能，同时保持可解释情感检测与生成式语言建模之间的分离。

5.2.1. 参与者人口统计学

该研究招募了来自五个国家的13名医疗专业人士，代表了多样化的临床角色、专业领域和经验水平。参与者特征总结于表4。这种多样性确保了评估反映基于真实临床经验的知情观点。

表4. 参与者人口统计学。

| 类别 | 描述 |
|------|------|
| 样本量 | 13 |
| 地理分布 | 美国（6）、印度（4）、英国（1）、加拿大（1）、南非（1） |
| 临床专业领域 | 儿科学（3）、放射学（1）、麻醉学（1）、精神病学（1）、牙科学（1）、家庭医学（3）、护理学（3） |
| 专业角色（部分参与者担任多个角色） | 医生（8）、护士（4）、医师助理（1）、医疗管理员（1）、临床教育者（2） |
| 临床经验 | 0–5年（早期职业生涯-3）、5–10年（中期职业生涯-2）至10年或更多（资深从业者-8）；大多数超过15年 |
| 领导/学术角色 | 系主任、教授、医疗总监 |
| 医疗设置 | 三级学术中心、教学医院、社区诊所、资源受限环境 |
| 主要职责 | 直接患者护理、临床决策、教育、行政管理、专业程序 |

5.2.2. 专家评估方法

我们进行了一对一Zoom访谈，每次约60分钟。每次会话遵循结构化的多阶段评估协议。会话以人口统计学和背景问题开始，随后是参与者关于先前使用聊天机器人的经验以及临床互动中共情感知的主观讨论。参与者随后通过简要说明和示例对话了解WISE启用的系统，以对其预期用途进行背景化说明。在简要说明后，参与者被邀请使用自生成输入与系统进行交互。这种动手评估阶段持续约15-30分钟，允许参与者独立探索一系列场景中的系统行为。在交互阶段之后，参与者完成结构化访谈协议（表5）。该工具评估了预定义评估维度下的感知。所有问题都故意设计为非引导性，允许参与者提供独立的、基于经验的反馈。

表5.

# 面试问卷

## 类别评估问题

### 经验与总体感知

- **EG1：** 您是否熟悉聊天机器人？
- **EG2：** 您的机构是否使用聊天机器人为患者提供服务？
- **EG3：** 您如何理解同理心？
- **EG4：** 在与患者互动时，同理心是否是您培训内容的重要组成部分？
- **EG5：** 您认为同理心对于改善患者互动是否至关重要？

### WISEA评估

- **AW1：** 您认为我们聊天机器人的回应是否恰当？
- **AW2：** 您认为WISE的情绪检测是否准确？
- **AW3：** 您认为您所看到的情绪检测在医疗环境中是否足够？
- **AW4：** 您是否观察到情绪检测存在任何不一致或不足之处？
- **AW5：** 聊天机器人在与参与者互动时是否表现出专业性？

### 5.2.3 主题分析

为增强分析的严谨性，我们采用基于预设评估维度的演绎性主题综合方法来分析专家访谈数据，这些评估维度源自访谈协议和研究目标。这些维度包括情感适当性、回应恰当性、专业性以及在医疗保健互动中的实用性。我们反复审视参与者的回答，以识别每个类别中反复出现的观察结果、批评意见和模式，包括正面和负面的评价。这种方法保留了参与者反馈与评估结论之间的可追溯性，同时保持了与研究设计导向的验证目标的一致性。此外，该评估还考察了WISE启用的回应是否被认为在医疗对话场景中具有上下文适当性、情感契合度和专业可接受性。

**同理心：** 参与者普遍认为，在缺乏上下文历史记录的情况下，系统以合理的准确性识别了情感基调。虽然承认存在轻微的分类错误，但专家们强调，在短文本医疗互动中，完美的情绪识别既不现实也不是必需的。最重要的是，回应的感情色彩保持在适当范围内。该系统被认为具有足够的准确性来支持富有同理心的互动。

> - 专家2："当患者感到被倾听时，也有助于建立信任。"
> - 专家8："在这里，聊天机器人检测到了恐惧情绪并试图安抚患者……是的，这很好。"
> - 专家4："这可能不会直接改善他们的临床结果，但他们可能更愿意回来复诊……如果得到良好对待，他们可能更愿意坚持治疗。"
> - 专家5："我认为这是有帮助的……患者觉得你关注的是他们问题的全部，而不仅仅是他们的医疗状况……这有助于建立信任。"

**恰当性：** 回应被一致描述为相关、礼貌且适合医疗互动的。专家们赞赏在同理心与克制之间取得的平衡，特别是在临床前沟通中。该系统被认为能够回应用户的关切，而不会越界进入诊断或建议领域。

> - 专家5："我认为我看到的已经足够了。"
> - 专家8："嗯，对我个人来说看起来没问题，是的，情绪检测是准确的。"
> - 专家6："它没有被训练来提供任何诊断……几乎就像第一响应者帮助台……更像是在模拟一个真实的人，并试图更加互动。"
> - 专家7："是的，它提供了适当的回应。"

**专业性：** 参与者强调，语气始终保持中立、尊重，并符合医疗沟通标准。该系统被认为专业且适合一线互动使用，尽管有些人指出，在某些情境下增加一些温情可以更好地促进互动。

> - 专家8："是的，我认为聊天机器人在与我们互动时展现了专业性。"
> - 专家9："是的，就情感方面和同理心来说，它确实展现了专业性。"
> - 专家7："是的，我认为它表现得很专业。"
> - 专家12："是的。是的，在整个互动过程中它显得非常专业。"

一些专家建议进一步细化情绪检测流程，特别是在涉及讽刺的情况下。我们在局限性部分详细讨论了这一点。此外，少数专家注意到生成的回应中存在程序不一致性。例如，聊天机器人在同一次互动中既建议去急诊室，又建议联系医疗服务提供者，这被视为冗余的。这些观察主要归因于回应生成组件，而非WISE框架本身。虽然WISE旨在检测和表示情感信号，但它不会在生成的回应中强制执行现实世界的程序约束。因此，建议将特定于语境的程序准则纳入回应生成层，以确保与实际的医疗工作流程保持一致。

总体而言，专家评估表明，WISE生成的回应普遍被认为在情感上协调一致、上下文适当，并且在面向医疗保健的互动中专业得当。这些发现提供了令人鼓舞的证据，表明该框架有可能支持短文本医疗环境中的富有同理心的沟通，同时与预期的临床沟通实践保持一致。然而，该评估基于相对较小的一组领域专家，反映的是专家的感知而非实际部署效果。因此，需要涉及更大规模的专家小组、终端用户和实际医疗环境的进一步验证，以评估该框架的普适性、实际集成效果及其对临床工作流程的影响。

## 6. 讨论

本研究解决了现有情绪感知对话代理方法的一个关键局限：缺乏在适合医疗保健部署的短文本互动中捕捉情感细微差别和强度的透明机制。我们提出的制品WISE使用基于词强度和Plutchik情绪之轮（Plutchik, 1980）的算法来检测和解释用户情绪。通过超越基于极性和纯类别的表示，WISE以符合情绪在简短对话交换中常见表达方式的方式，捕捉了情感线索的存在和相对强度。

WISE通过一个基于理论的特征层来实施这种方法，该特征层支持上下文感知的学习，同时保持透明性。情感表示与回应生成之间的分离进一步实现了与生成模型的受控集成，确保情感解释保持可审计并与语言生成分离。在基准实验和专家评估中，研究结果表明这种方法可以提高情绪识别性能，并有助于在面向医疗保健的互动中产生感知上更具情感契合度的回应。

这些发现共同表明，WISE代表了一个可复制的设计制品，在技术有效性与医疗保健特定需求之间取得了平衡，包括可解释性、专业监督和上下文适应性。虽然仍需在运营医疗环境中进行进一步验证，但所提出的框架展示了将情感强度作为实用设计构想来建模的潜力，既为情绪感知对话系统的理论做出贡献，也为医疗保健对话代理及其他在情感敏感领域中运行的应用的设计做出贡献。

### 6.1 理论贡献

本研究通过表明情感强度——当基于心理学验证模型如Plutchik情绪之轮（Plutchik, 1980）时——可以作为符号方法和统计方法之间的有效桥梁，为AI中的情绪建模理论做出贡献。先前的研究大多将情绪分类视为类别性或基于极性的任务，通常忽视了情绪表达的不同程度（Chau et al., 2020; Rai & Pandey, 2024; Wang & Zhang, 2024; Wani et al., 2021）。WISE通过在标记级别操作化情感强度来解决这一局限，从而在情感理论与计算实现之间架起桥梁。

在此基础上，本研究做出了关键的理论贡献。第一，它推进了计算系统中情绪的概念化，将情感强度视为明确的、第一类构造，而非模型学习的隐式副产品。虽然先前的方法通常将情绪表示为类别性或基于极性的（Rai & Pandey, 2024; Rei & Mladeni?, 2023; Wang & Zhang, 2024;），WISE在标记级别操作化强度，使计算表示更贴近人类在短文本交流中解释情感强度的方式。这通过弥合标注实践与模型设计之间的差距，提高了构念效度。

第二，本研究通过展示如何可以将基于心理学的情绪框架操作化为计算机制（而非仅作为标签模式）来为理论做出贡献。虽然Plutchik的情绪之轮被广泛用于定义情绪类别（Plutchik, 1980, Plutchik, 2001），但先前的工作很少将其结构特性——如强度分级和对立关系——转化为明确的算法组件。WISE通过强度加权、否定感知衰减以及对立情绪之间的受控再分配，将这些元素直接纳入其设计中，从而以透明且可复现的方式将情感理论与系统行为联系起来。

第三，本研究通过对新兴的计算同理心话语做出贡献，建议通过结构化的、可解释的情感表示来支持同理心行为，而非仅依赖端到端的生成模型或拟人化模仿（Ratican et al., 2023）。这将同理心重新定义为情感信号在系统中如何被表示和整合的功能，将其定位为人机交互中一个可治理的构念。

### 6.2 实践意义

本研究的发现为情绪感知对话系统的设计与部署提供了几个重要启示，特别是在医疗保健等敏感领域中。首先，结果表明将情感强度作为结构化信号进行建模具有实际价值，而非仅依赖类别标签或情感极性。因此，设计者应纳入强度感知表示，以便对短对话输入进行更细微的解释，在情感强度差异可能显著影响回应适当性的场景中尤为重要。

其次，WISE的模块化设计凸显了其作为补充特征层的角色，可增强一系列下游模型。实践者可以将可解释的、基于理论的情感特征集成到现有管道中，以提高预测性能和透明度。通过这种方式，WISE可以加强现有系统，改善模型预测与人类解释之间的一致性。

第三，本研究强化了情绪感知系统在医疗沟通中的实践相关性。专家反馈表明，在本次评估的背景下，WISE启用的回应通常被认为具有同理心、专业性和上下文适当性。在实践中，这类系统可能适合作为低风险支持工具，帮助用户在不确定或痛苦时刻获得支持，提高患者参与度，并减少资源受限环境下的沟通负担。

最后，研究结果表明，有效的情感契合可能更多地取决于情感信号如何被捕捉并整合到回应过程中，而非模型复杂度。开发者应根据部署场景校准情感表达，在医疗门户网站等结构化环境中优先选择简洁且专业的回应。这强调了模块化、可控设计方法对于实现上下文适当的情感行为的重要性。

### 6.3 开发情绪检测解决方案的指南

基于我们制品的设计与评估，我们提出了一套面向医疗保健领域开发未来情绪检测解决方案的设计指南（表6）。这些指南将WISE的核心理念泛化为可操作的建议，供未来系统参考。该表从表示、管道和治理三个维度组织这些指南，反映了构建可解释、上下文敏感且可部署的情绪感知解决方案所需的关键维度。

**表6. 开发情绪检测解决方案的指南**

| 维度 | 指南 | 说明 | 理由 |
|------|------|------|------|
| 核心与表示 | 理论基础 | 将特征设计锚定在心理学理论上（如Plutchik模型）；实现否定处理和允许在经校准阈值下的共主导地位状态。 | 理论基础支持构念效度；否定和阈值逻辑捕捉短文本中现实的情感复杂性。 |
| 核心与表示 | 强度建模 | 对标记级别的情感强度进行建模，以区分感觉的渐变并驱动回应参数。 | 标记级强度区分弱和强的表达，实现校准的情感检测。 |
| 核心与表示 | 混合情绪处理 | 使用强度阈值支持共主导地位情绪表示。 | 强度感知阈值使多种情绪在共同表达时得以保留，提高与自然语言的契合度，因为情感通常是多维的。混合情绪更难可靠分类；保守的反思和共存可减轻错误并维持信任。 |
| 管道与架构 | 短文本专项优化 | 针对简短、情感密集的输入（句子/短语级别）优化管道；避免长文本假设。 | 短消息缺乏冗余和上下文；专项特征（标记级信号、紧凑上下文窗口、强大的否定处理）可提高精度并减少由长文本训练模型引起的误分类。 |
| 管道与架构 | 模块化可解释性 | 将词典评分与分类分开，并记录中间信号以保持可审计性。 | 模块化管道暴露推理步骤，便于在医疗环境中进行透明审查和安全调优。 |
| 治理与监督 | 透明度与问责 | 优先选择可解释模块，以便在临床环境中解释和审计决策。 | 可解释性是机构采用、安全审计和持续改进的先决条件。 |
| 治理与监督 | 基于强度的升级 | 将人工审查和后续跟进与高悲伤/恐惧强度阈值关联。 | 强度分数为将高风险对话路由至人工监督提供原则性触发器。 |
| 治理与监督 | 专家参与 | 早期并定期让临床医生参与评估适当性和信任度。 | 初始专家评估验证了语气和适当性；定期审查可维持长期校准。 |

维度列标注了核心主题（如核心/表示、管道/架构、治理/监督）。指南列概述了具体考虑事项（如强度建模、混合情绪处理、短文本专项优化）。说明列陈述了可操作的设计举措，而理由列将每条指南与我们的制品设计和/或评估相联系。

### 6.4 局限性与未来工作

需要承认若干局限性。首先，被评估对话的短文本性质限制了上下文深度，使得讽刺检测特别具有挑战性。

讽刺往往依赖于细微的语言线索和低情感强度的措辞，这可能颠倒表面情绪。由于 WISE 主要基于词元级强度评分和有限的对话上下文运行，像讽刺这样微妙的语用现象仍然难以可靠地捕捉。其次，尽管 WISE 提供了结构化且可解释的特征表示，但其有效性取决于适当的参数校准以及与目标领域的对齐。次优的调优或特征配置与潜在数据分布之间的错配可能会影响预测性能。尽管 WISE 衍生特征的完整性保持不变，但仔细校准对于确保在不同部署情境中获得最佳结果至关重要。第三，评估受到合适领域特定数据可用性的限制。由于保密和伦理考虑，未使用真实的医疗保健对话数据集。相反，使用了通用对话数据集的过滤子集来近似医疗类交互。虽然这种方法捕捉了短小、情感表达丰富等关键特征，但它不能完全反映真实临床交流的丰富性、复杂性和流程细微差别。在实践中，理想情况下数据集和潜在的情绪词典都应针对目标领域进行定制，以实现语言使用、情感表达和上下文解释之间更精确的对齐。第四，另一项限制与本研究的专家评估部分有关。虽然参与的专业医疗人员代表了多样的临床角色、专业、国家和经验水平，但研究结果应被解释为关于 WISE 启用响应的感知适当性、专业性和情感对齐的基于专家见解的证据，而不是在所有医疗环境中广泛概括的结论。未来的研究应使用更大且更多样的临床群体复制并扩展这些发现，以进一步评估专家感知在不同医疗背景中的连贯性和可推广性。最后，尽管 WISE 借鉴了受 Plutchik 理论结构启发的 情绪对，但其实例化受数据集覆盖范围的限制。训练数据支持 Plutchik 更广泛分类法的一个子集。未来的研究可以扩展 WISE 以纳入更全面的情绪集合、更细粒度的情感区别或连续的情绪梯度，以增强不同医疗背景下的表达分辨率。

7. 结论
本研究解决了医疗保健对话系统中的一个根本挑战：在保留可解释性和机构控制的同时，检测和利用短文本交互中的情感强度。为此，我们设计并评估了词强度评分引擎（WISE），这是一个基于理论的框架，以透明且可操作的方式对情感强度进行建模。WISE 基于 Plutchik 的情绪结构，将情感强度表示为可解释的词元级信号，并将它们聚合为主导和共同主导情绪状态的结构化表示。作为一个模块化的特征层，它与下游分类器和响应生成系统集成，实现了上下文感知学习，同时保持了情感表示与生成之间的清晰分离。评估结果，包括专家验证，证明了这种方法在医疗环境中的实际可行性。研究结果表明，情感强度可以被视为一个首要的、可解释的设计构造，而不是端到端学习的隐含副产品。通过明确结构化情感信号，WISE 平衡了透明度和适应性，为开发医疗环境中具有情感感知能力的对话代理提供了可复制的产物和可操作的设计知识。更广泛地说，本研究强调了混合架构的价值，这些架构优先考虑可解释性、可控性以及与人本沟通实践的对齐。在医疗等高风险环境中，使情感推理可见且可治理对于构建值得信赖的对话代理至关重要。

CRediT 作者贡献声明
Abraham Abby Sen：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。
Victoria Yoon：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，监督，项目管理，方法论，调查，形式分析，数据管理，概念化。
Dapeng Liu：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。
Yeongin Kim：写作 – 审阅与编辑，写作 – 原稿撰写，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。
Abraham Abby Sen|Victoria Yoon|Dapeng Liu|Yeongin Kim