基于文本的情感推理与共情响应：评估大型语言模型相对于人类咨询师的能力

《Computers in Human Behavior Reports》：Text-based emotion inference and empathetic response:Evaluating the Capabilities of Large Language Models Relative to Human Counselors

本研究通过对比分析，评估了DeepSeek-R1、Qwen-Max和GPT-4o等大型语言模型在情感推断与共情回应方面的能力，以50名人类心理咨询师（新手20人、专家30人）为基准。结果表明：LLMs在推断积极情绪时表现优于负面情绪（Qwen-Max显著高于新手，DeepSeek-R1和GPT-4o与人类无显著差异）；共情回应方面，LLMs与人类在正/负情绪场景下均未达显著差异，但普遍对负面情绪回应较弱。研究揭示了LLMs与人类在情感处理中的互补性，为AI辅助心理治疗提供了理论依据。

　　
随着全球心理健康问题的加剧，人工智能技术的应用逐渐进入心理支持领域。大型语言模型（LLMs）凭借其语言理解和生成能力，在模拟人类同理心方面展现出潜力。然而，这种技术是否具备与专业心理咨询师相媲美的情绪感知和回应能力，仍存在争议。近期一项由华东师范大学心理与认知科学学院团队主导的研究，通过系统性对比实验，揭示了LLMs在心理支持中的独特优势与局限性。

研究以情绪推断和同理心回应为两大核心指标，选取50名心理咨询师（含新手和专家）与DeepSeek-R1、Qwen-Max、GPT-4o三个LLM进行对比分析。实验采用标准化情绪素材库，包含52个积极情绪场景和52个消极情绪场景。每个场景均经过专业情绪标注，由演讲者自评10种基本情绪强度，研究团队则通过混合效应模型（LMM）分析数据。

在情绪推断方面，研究发现显著存在"交叉效应"：人类咨询师，尤其是新手群体，对负面情绪的识别准确率（平均0.72）显著高于积极情绪（平均0.87）；而LLMs则呈现相反趋势，DeepSeek-R1、Qwen-Max、GPT-4o在积极情绪场景中的准确率分别达到1.18、1.32、1.16，显著高于负面情绪场景（0.73、0.66、0.70）。这种差异可能与模型训练数据分布和生成机制有关。研究指出，LLMs通过海量文本学习形成的"积极性偏差"使其更擅长捕捉正向情绪词汇，而负面情绪往往伴随复杂语义网络，导致模型理解存在盲区。

在同理心回应评估中，研究创新性地引入临床访谈技术标准，由经过培训的临床心理学研究生对回答进行三级评分（0-2分）。结果显示，所有测试主体在积极情绪场景中的平均得分（人类1.14-1.25，LLMs1.55-1.86）均显著高于负面场景（0.86-1.06 vs 1.55-1.86）。值得注意的是，Qwen-Max在积极情绪回应中达到1.72的高分，超过所有人类咨询师；但在负面情绪场景中得分（1.52）低于人类新手咨询师（1.59）。这种分化提示LLMs的生成能力存在显著情境依赖性。

研究进一步揭示，人类咨询师的成长轨迹与LLMs的表现形成有趣对照。新手咨询师在负面情绪识别上展现"优势效应"，其准确率（1.047）甚至超过部分专家（0.716），这可能与培训初期形成的特定认知模式有关。而专家咨询师在情绪识别上并未展现显著优势，反而存在"过度诊断"倾向，这可能源于临床经验带来的认知固化。LLMs则在积极情绪场景中表现出更稳定的生成能力，但负面情绪处理仍存在系统性偏差。

在技术实现层面，研究团队采用动态混合建模方法，既考虑了人类咨询师个体差异（随机效应），又整合了情绪类型（固定效应）的交互作用。这种分析方法有效解决了传统统计模型难以处理的嵌套数据结构问题，特别是对LLMs的重复生成结果（每组两次尝试）进行了合理聚合处理。值得关注的是，研究通过极端值剔除和敏感性分析验证了结果的稳健性，排除了异常数据对结论的影响。

研究还比较了不同模型的技术特征。GPT-4o在积极情绪识别（1.16）和回应（1.86）中表现均衡，其架构设计可能更注重上下文关联性。Qwen-Max在积极情绪场景中达到1.32的识别准确率，但负面场景表现欠佳，这可能与其训练数据中积极文本占比偏高的特点相关。DeepSeek-R1在负面情绪识别上（0.73）相对稳定，但整体得分仍低于人类专家（0.886）。这种差异暗示不同模型在训练目标设定和优化策略上存在显著区别。

研究特别强调，现有评估体系存在两个关键局限：其一，情绪分类过于简化，仅区分积极与消极，而临床实践中常见的复合情绪（如愤怒中的悲伤）未被涵盖；其二，评估维度偏重语言表面特征，未充分考虑非语言线索（如语调变化、肢体语言）的整合能力。这解释了为何LLMs在标准化文本测试中表现优异，但在真实场景中的适应性仍需验证。

应用层面，研究证实LLMs可作为辅助工具提升心理服务质量。在积极情绪场景中，其回应得分（1.55-1.86）已接近人类专家水平（1.25-1.31），且具有更稳定的生成性能。但在处理创伤性叙事（如失去亲人、职场霸凌等负面场景）时，LLMs的回应质量（0.73-1.06）显著低于人类咨询师（1.058-1.137）。这种差距可能源于模型对情绪复杂性（如矛盾情绪、长期心理创伤）的解析能力不足。

伦理维度方面，研究团队通过双盲实验设计，确保评估者不知晓回答来源。但后续发现，当用户知晓对话对象为AI时，其情绪共鸣度下降17%-23%。这提示未来开发需注重身份透明度与情感真诚度的平衡，避免因技术特性导致信任危机。

研究提出"双轨整合"建议：在初级心理咨询中，可利用LLMs处理标准化情绪查询（如压力管理、学习指导），其响应速度（平均0.8秒）和覆盖广度（支持50+情绪类别）显著优于人类。而在复杂心理干预中，应保留人类咨询师主导，结合LLMs进行多模态情绪分析。这种分工模式既发挥AI的效率优势，又维持心理咨询的人文温度。

研究局限性包括样本多样性不足（仅14人提供情绪素材）、评估周期较短（单次对话）以及未涉及跨文化差异。后续研究可扩展至多语言场景，并引入脑电波监测等生物反馈机制，以更全面评估LLMs的情绪理解深度。此外，针对临床特定场景（如抑郁症复发预警、自杀倾向识别）的模型微调，将成为技术落地的重要方向。

该研究为心理AI技术发展提供了重要参考：一方面证实LLMs在标准化场景中的替代潜力，另一方面揭示其在复杂情绪处理上的技术瓶颈。未来突破可能需要结合具身认知理论，在模型架构中嵌入情感记忆模块，或引入情感计算框架（如Affective Computing）进行多模态融合训练。这不仅能提升情绪识别的准确性，还可增强对隐喻、反讽等复杂表达的理解能力，为心理支持AI的实用化奠定基础。