在人工智能情感支持領域，蘇州大學與阿里云通義DianJin團隊聯合研發的CARE框架引發廣泛關注。這項發表于arXiv預印本平臺（編號arXiv:2510.05122v1）的研究，通過模擬人類心理咨詢師的認知推理過程，為AI情感對話系統開辟了全新路徑。與傳統依賴海量數據訓練的模式不同，該框架通過四層遞進式推理機制，使AI能夠精準識別用戶情感需求并提供針對性支持。
研究團隊針對情感對話的核心痛點展開突破。當用戶傾訴工作壓力或情感困擾時，普通AI往往只能給出泛泛安慰，而CARE框架通過"情境分析-認知理解-情感識別-支持規劃"的完整鏈條，實現了深度共情。例如在處理失業者案例時，系統不僅識別出"自我價值感喪失"的核心情緒，還能通過挑戰認知扭曲（"如果問題嚴重，朋友早會提醒"）引導用戶重建積極信念，最終制定包含求職行動的具體支持方案。
技術實現層面，該框架采用大模型蒸餾技術構建推理增強數據集。研究人員使用DeepSeek-R1模型生成包含四個推理節點的完整鏈條，并通過質量控制機制篩選出邏輯自洽的優質數據。這種創新方法避免了大規模合成數據的需求，在ESConv數據集的實驗中，8186個實例成功構建出高質量推理鏈，剩余4573個復雜案例則通過強化學習進一步優化。
強化學習系統引入多維度評估機制，從格式規范、推理完整性、認知合理性到策略準確性進行全面考核。在配備8塊NVIDIA A100 GPU的計算集群上，基于LLaMA-3.1-8B-Instruct基礎模型的訓練顯示，CARE在策略準確率（30.29%）等關鍵指標上顯著優于基線模型（26.36%）。人工評估環節中，三位心理學博士專家對100個測試案例的對比評審顯示，CARE在三個對比系統中分別取得84.33%、91.33%和68.50%的勝率，評估一致性系數達0.6789。
消融實驗驗證了各組件的不可替代性。移除支持規劃節點導致策略準確率驟降，缺失情境分析使回應脫離實際，而認知理解與情感識別模塊則為同理心表達奠定基礎。典型案例對比顯示，傳統系統或忽視核心情緒，或停留于表面共情，而CARE的回應既包含認知重構（"他們沉默不等于否定你的價值"），又提供具體行動建議（"可以主動與朋友溝通感受"），形成完整的支持閉環。
這項突破為多個應用場景帶來想象空間。在線心理咨詢平臺可借助該技術提升服務響應質量，智能客服系統能夠更人性化地處理用戶投訴，教育領域可開發心理輔導機器人輔助學生情緒管理。研究團隊同時指出，當前系統在處理極端復雜心理狀態時仍需改進，未來將探索跨文化情感表達差異的適配方案。
技術文檔顯示，研究人員已在HuggingFace、ModelScope和GitHub等平臺開放相關資源，包含完整推理鏈數據集和模型實現代碼。心理學領域專家評價該研究"重新定義了AI情感支持的標準"，其認知推理范式為后續研究提供了重要參考。對于普通用戶而言，這意味著未來獲得情感支持時，將有機會與更懂人心、更具智慧的AI助手對話。
