ChatGPT 前後：重新審視情感支持的 AI 對話系統
arXiv - Computers and SocietyDaeun Lee, Dongje Yoo, Migyeong Yang, Jihyun An, Christine B. Cha, Jinyoung Han
本文系統性回顧 2020-2024 年 AI 對話系統在情感支持領域的技術演進，揭示 LLM 取代專用深度學習模型後的研究趨勢與效能提升。
AI 幫你先抓重點
AI 重點 1
LLM 對情感支持對話系統的語言靈活性提升
滑鼠懸停看 AI 判斷理由
文章指出 LLM 在語言生成上顯著優於早期模型，能產生更自然、同理的回應，這是情感支持效果提升的關鍵。
AI 重點 2
多任務學習與外部知識整合在早期研究中的關鍵角色
滑鼠懸停看 AI 判斷理由
早期研究透過多任務學習與外部知識補充，彌補資料不足與模型單一化的限制，理解此機制有助於設計混合式系統。
AI 重點 3
倫理與隱私挑戰在 LLM 系統中的重要性
滑鼠懸停看 AI 判斷理由
儘管 LLM 效能提升，文章強調仍需面對資料隱私、偏見與安全等倫理問題，否則難以安全部署於臨床環境。
核心研究發現
- 1
研究顯示 146 篇文獻呈現穩定增長，顯示情感支持對話系統的研究熱度不斷上升。
- 2
早期研究主要依賴任務特定深度學習模型，並透過多任務學習與外部知識整合提升同理回應品質。
- 3
LLM 之後的系統在語言靈活性、情感辨識與生成上顯著優於前代模型，能更自然地模擬人類對話。
- 4
文獻中高被引研究多聚焦於 ESConv 數據集，顯示資料集對研究方向的引導作用。
- 5
研究指出 LLM 系統雖提升效能，但仍需解決倫理、隱私與偏見等挑戰，以確保安全可靠的情感支持。
對教育工作者的啟發
對於實務工作者而言，本文提示應優先選擇具備大規模語料與多任務學習能力的 LLM，並結合外部知識庫以提升同理回應。實際部署時，需建立嚴謹的倫理審查機制，確保用戶隱私與資料安全；同時設計可解釋的回應機制，讓使用者能理解系統決策，降低偏見風險。最後，將對話系統嵌入現有心理健康服務流程，並透過持續監測與使用者回饋迭代優化，才能真正實現可持續、可信賴的情感支持。
原始文獻資訊
- 英文標題：
- Before and After ChatGPT: Revisiting AI-Based Dialogue Systems for Emotional Support
- 作者：
- Daeun Lee, Dongje Yoo, Migyeong Yang, Jihyun An, Christine B. Cha, Jinyoung Han
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。