对话情绪预测新范式：选择性偏离预测与保形风险控制

对话中的情绪预测长期被框定为预测下一个情绪状态的具体数值。但一项新研究指出，这个目标在状态可观测的测试台上本身就极难达成，并提出了一个可学习、可部署的替代方案：将任务重新定义为选择性偏离预测——只预测情绪何时会偏离持续性基线，并用保形风险控制为承诺预测提供统计保证。

持续性基线：一个难以逾越的“地板”

研究在二元对话语料库的 valence-arousal-dominance（效价-唤醒-支配度）轨迹上展开。核心发现是：重复说话者自己上一时刻的情绪状态，就构成了一个极强的持续性基线。冻结编码器的修正无法有意义地超越这个基线，而状态空间滤波器则能超过它——但前提是历史状态必须被观测到。如果锚点状态是估计出来的而非观测到的，持续性基线会直接崩塌到不如一个直接预测器。

这个结果的含义很直接：对话情绪预测的难点不在于“预测值”，而在于状态的可观测性。当历史状态可靠时，延续性本身就是最有力的预测；当状态需要估计时，任何花哨的模型都可能被简单的基线击败。

valence-arousal-dominance（VAD） 是情感计算中常用的一种三维情绪表示框架：效价（valence）表示情绪的正负倾向（愉悦到不悦），唤醒度（arousal）表示情绪的激活或平静程度，支配度（dominance）表示个体对情境的控制感。相比离散情绪标签（如高兴、愤怒），VAD 能连续刻画情绪状态，适合对话这种动态场景。但 VAD 标注通常依赖人工评分，且对话中的状态往往需要从文本推断而非直接观测，这直接影响了后续讨论中“状态可观测性”的关键作用。

状态空间滤波器（state-space filter）是一类递归贝叶斯估计方法，典型代表是卡尔曼滤波及其非线性变体。它假设系统存在一个隐含状态，并通过观测序列不断更新对当前状态的估计。在对话情绪建模中，状态空间滤波器可以利用历史观测来平滑和预测情绪轨迹，但它对观测质量高度敏感：如果锚点状态是估计而非观测得到的，滤波器的误差会累积，导致持续性基线失效。这解释了为什么论文强调“历史状态必须被观测到”。

真正可学的信号：偏离的时机

既然数值预测如此困难，研究转向了另一个可学的量：偏离持续性基线的时机。在四个语料库中的三个上，偏离时机是可学习的；但在基础率最高的那个语料库上，表现接近随机水平。作者将这个负面结果如实报告出来，而不是掩盖它。

这引出了论文的核心重构：选择性偏离预测。新任务不再要求每时每刻给出情绪值，而是判断“何时值得发出一个偏离预警”。配套的评估指标引入提前期加权（lead-time-weighted），并设计了泄漏协议来避免信息泄露。承诺策略（commitment policies）的最佳选择会随偏离率而变化——没有一个放之四海而皆准的策略。

保形风险控制：保证是有代价的

研究采用对话级别的保形风险控制（conformal risk control）来约束承诺预测的期望损失。在测试的全部十二种配置中，该保证都达到了目标。但作者同时指出：这个保证是通过**弃权（abstention）**换来的。在最困难的语料库上，覆盖率和警报召回率急剧下降。换句话说，系统确实做到了“说到做到”，但代价是很多时候选择不说。

这对实际部署是一个重要提醒：风险控制指标达标不等于系统可用。当弃权率过高时，预测的实用价值会被大幅削弱。研究没有回避这个权衡，而是把它作为核心发现之一呈现。

保形风险控制（conformal risk control） 是保形预测（conformal prediction）的扩展框架。保形预测能为单个预测提供置信区间或预测集，并保证在用户指定的错误率下覆盖真实值；保形风险控制则进一步允许用户定义更一般的损失函数（如期望误报率），并给出有限样本下的统计保证。其核心思想是利用校准集上的经验风险来调整预测阈值，使得在测试集上的期望损失不超过目标水平。但这一保证通常依赖于可交换性假设，且当模型选择弃权时，有效覆盖率会发生变化——这正是论文中“保证以弃权为代价”的技术根源。

语言模型的置信度：不可靠的排序信号

研究还测试了语言模型置信度作为排序信号的有效性。结果呈现出模型依赖性：一个测试的语言模型的置信度作为排序信号是失败的，而另一个则成功。作者谨慎地表示，这种失败目前还不能归因于模型家族或规模——这是一个尚未解开的谜。

这个发现对想直接用LLM置信度做情绪预警排序的工程实践是一个警示：置信度校准在不同模型间差异巨大，不能想当然地认为“更大的模型”或“某个家族”的置信度就更可靠。

置信度校准（confidence calibration） 是指模型输出的置信度分数是否真实反映了其预测正确的概率。一个校准良好的模型，当它说“80% 置信”时，实际正确率应接近 80%。然而，大语言模型普遍存在过度自信或欠自信的问题，且校准质量随模型、任务和提示方式变化很大。因此，直接将 LLM 的置信度用作情绪偏离预警的排序信号存在风险：不同模型间的置信度不可比，甚至同一模型在不同对话语境下的校准也可能漂移。论文观察到的模型依赖性失败，正是校准不可靠的一种表现。

对情绪计算领域的启示

这项工作最有价值的地方，可能不是某个具体模型，而是它对问题定义的重新审视。当整个领域都在追逐“预测下一个情绪值”时，作者用扎实的基线实验说明这个目标在当前数据条件下可能本就不切实际。转而预测“何时偏离”，配合可量化的风险保证，是一条更务实、更可部署的路径。

同时，论文对负面结果的坦诚——最高基础率语料库上的近随机表现、保形保证靠弃权换取、LLM置信度的模型依赖失败——让整项研究的可信度更高。情绪预测的下一步，或许不在于更强的编码器，而在于更聪明的问题设定与更诚实的评估协议。