Modellering van Meerdere Ondersteuningsstrategieën binnen een Enkele Beurt voor Emotionele Ondersteuningsgesprekken

Samenvatting

Emotionele Ondersteuningsconversaties (ESC) hebben als doel personen in nood bij te staan door het genereren van empathische en ondersteunende dialoog. Waar eerder onderzoek doorgaans uitgaat van één ondersteuningsstrategie per gesprekspartnerbeurt, combineert ondersteunende communicatie in de praktijk vaak meerdere strategieën binnen één uiting. In dit artikel herdefiniëren we de ESC-taak als multi-strategie-uitingsgeneratie, waarbij elke uiting één of meer strategie-responsparen kan bevatten. We stellen twee generatiemethoden voor: All-in-One, waarbij alle strategie-responsparen in één decodeerstap worden gegenereerd, en One-by-One, waarbij iteratief strategie-responsparen worden gegenereerd tot voltooiing. Beide methoden worden verder versterkt met cognitieve redenering, gestuurd door reinforcement learning, om strategiekeuze en responscompositie te verbeteren. We evalueren onze modellen op de ESConv-dataset in zowel uiting- als dialoogniveau. Experimentele resultaten tonen aan dat onze methoden multi-strategie-uitingen effectief modelleren en leiden tot verbeterde ondersteuningskwaliteit en dialoogsucces. Voor zover wij weten levert dit werk het eerste systematische empirische bewijs dat het toestaan van meerdere ondersteuningsstrategieën binnen één uiting zowel haalbaar als voordelig is voor emotionele ondersteuningsconversaties. Alle code en data zullen openbaar beschikbaar worden gesteld op https://github.com/aliyun/qwen-dianjin.

English

Emotional Support Conversation (ESC) aims to assist individuals experiencing distress by generating empathetic and supportive dialogue. While prior work typically assumes that each supporter turn corresponds to a single strategy, real-world supportive communication often involves multiple strategies within a single utterance. In this paper, we revisit the ESC task by formulating it as multi-strategy utterance generation, where each utterance may contain one or more strategy-response pairs. We propose two generation methods: All-in-One, which predicts all strategy-response pairs in a single decoding step, and One-by-One, which iteratively generates strategy-response pairs until completion. Both methods are further enhanced with cognitive reasoning guided by reinforcement learning to improve strategy selection and response composition. We evaluate our models on the ESConv dataset under both utterance-level and dialogue-level settings. Experimental results show that our methods effectively model multi-strategy utterances and lead to improved supportive quality and dialogue success. To our knowledge, this work provides the first systematic empirical evidence that allowing multiple support strategies within a single utterance is both feasible and beneficial for emotional support conversations. All code and data will be publicly available at https://github.com/aliyun/qwen-dianjin.