超越闲聊：建模人机对话中的自我披露轨迹

近年来，对话代理逐渐被用作社会与情感支持的一种形式，而自我披露会随着时间展开。然而，目前对这类代理的评估通常考察彼此孤立的对话状态。在对自然发生的对话进行分析时，自我披露历史与当前自我披露相互混杂，使得难以单独识别二者的影响。因此，我们提出基于轨迹的自我披露评估（Trajectory-based Disclosure Evaluation，TraDE），这是一种以社会渗透理论为基础的评估框架。该框架利用预先设定的自我披露轨迹，并在当前自我披露相匹配的情况下，评估此前的自我披露历史如何塑造模型行为。通过使用 TraDE，我们在多个模型和关系行为基准上表明：对于深度相匹配的自我披露，模型的回应可能因此前的轨迹不同而有所差异，尤其体现在模型是接受还是质疑用户的表述框架方面。我们还观察到，这些差异反映的是对更深层自我披露的累积接触，而不是某个单一的脆弱时刻或自我披露的顺序。这种影响往往会持续数轮，即使自我披露已回到较浅层次。对于若干行为，我们还表明，在情感支持对话语料库（ESConv）中，模型与人类支持者最稳定的偏离并非发生在用户敞开心扉时，而是发生在用户收回自我披露时。因此，TraDE 提供了一种系统方法，用于揭示依赖历史的关系行为，而孤立对话状态的评估原本会遗漏这些行为。