综述：探索基于大型语言模型（LLM）的情感设计中的发展路径

《Displays》：Exploring developmental pathways in LLM-empowered affective design

情感计算领域，基于大语言模型（LLMs）的情感设计研究成为热点。本文系统综述了2023年后72篇LLMs辅助情感研究论文和83篇传统情感设计文献，构建Emo-LLMs语料库。通过对比分析，LLMs重构了情感设计的四个核心环节，提出语义闭环快速协同创造（SCRC）理论框架，揭示LLMs在语义提炼、插件式感知和实时自监督评估三个维度的能力提升。研究为情感设计提供新的方法论支撑和实践参考。

　　

陆俊毅|雷石|刘源|刘瑞敏|杨国英

英国纽卡斯尔大学计算机学院

摘要

大型语言模型（LLMs）在情感计算和人机交互领域中的应用日益成为研究热点。然而，现有研究主要集中在实际应用方面，缺乏从设计角度进行的系统性综述。本文系统地整合了72项基于LLM的情感研究文献和83篇传统情感设计（AD）相关论文，构建了一个可重用的Emo-LLMs语料库。我们探讨了LLMs如何重塑情感设计的四个核心步骤：场景与任务分析、情感建模、情感映射以及评估与迭代，并将其归纳为“语义闭环快速共创（SCRC）”这一理论工作流程，以规范情感设计的迭代过程。研究揭示了LLMs带来的三大主要能力提升：语义提炼、即插即用的情绪感知能力以及实时自监督评估机制。本文提出的以LLM为中心的设计方法论和分析框架为情感设计的持续发展提供了理论基础和实践参考。

引言

体验经济和情感计算推动了情感设计成为人机交互、产品创新和服务设计的关键组成部分。早期研究主要依靠语义差异量表、行为观察或生理信号采集，将用户情绪状态映射到视觉元素和交互行为上，从而提升用户满意度[1][2]。但随着交互媒体扩展到语音助手、可穿戴设备和虚拟现实等领域，情绪表现出越来越多的跨模态性和情境依赖性特征。这些发展使得基于手动注释的传统方法面临语义僵化、实时响应不足以及数据收集成本高昂等瓶颈，迫切需要新的技术范式来突破这些限制。

与此同时，以ChatGPT和PaLM为代表的大型语言模型（LLMs）在文本理解、对话生成和跨模态对齐方面展现出卓越能力，这得益于在超大规模语料库上的预训练以及零样本或少样本推理技术[3][4]。它们丰富的内置情感语义和可控的生成机制为情绪的识别、推理和合成过程注入了新的活力。尽管已经出现了一些初步的实际应用成果，如对话机器人、情绪适应性学习系统和情感医疗辅助系统，但相关文献分散在人机交互、心理学等相关领域，缺乏从设计角度出发的系统性框架。对这一领域进展的系统性回顾不仅明确了LLMs为情感设计带来的机遇和挑战，也为后续的跨学科合作提供了参考。

基于此基础，本文构建了一个基于LLM的情感研究语料库，以系统分析该领域的现状。通过对比传统情感设计与基于LLM的情感研究案例，我们梳理了二者之间的相似点和差异，为情感设计提出了一个前瞻性的发展方向。本研究的主要贡献包括：

• 构建了一个可重用的Emo-LLMs语料库，系统收集了2023年以来的72篇关于LLM在情感任务中应用的论文，为情感计算的跨学科整合提供了实证基础；
• 挖掘了LLMs与传统情感模型之间的混合整合路径，揭示了从静态识别向动态生成的发展趋势；
• 总结了“语义闭环快速共创（SCRC）”这一工作流程的概念框架，为设计迭代循环提供了理论参考。

情感设计的基础概念

由于体验经济和情感计算的发展，情感设计的目标已从“使产品更具美感”转变为“让系统能够理解人类情绪”。然而，术语混淆、方法论融合以及概念上的模糊性成为跨学科合作的主要挑战。该领域的研究经常将情感设计（Affective Design）、情感工程（Emotional Design）和感性工程（Kansei Engineering）互换使用，但它们之间的区别仍不明确。

基于LLM的情感研究现状

为了系统探讨LLMs如何辅助情感设计，本文构建了一个包含72篇论文的语料库（Emo-LLMs），涵盖了自2023年以来使用LLMs进行的情感相关研究。通过多轮交叉评审，我们梳理了LLMs的应用策略、技术路径、数据特征、与传统情感模型的整合情况以及性能表现。

案例研究：探索LLM在情感设计中的应用

为了进一步分析基于LLM的情感研究如何在以场景-任务分析、情感建模、情感映射和评估迭代为核心的情感设计（AD）工作流程中得到具体实现，本文选取了两个阶段的典型案例，展示了传统情感设计和增强型情感设计实践的成果。这些成果延续了感性工程和多模态情感计算早期的经典方法。

语义闭环快速共创

本节的目标不是规定一个“最优”的工作流程，而是将语料库中反复出现的迭代结构提炼为一个可重用的整合框架。具体而言，它明确了构成该循环的功能节点、每个节点通常处理和产生的输出结果，以及如何将评估结果反馈用于触发下一次修订，从而支持研究的可重复性、工作流程间的比较和证据的累积。

讨论

在前四章中，我们强调了LLMs在情感设计工作流程中的动态作用。然而，仅依靠LLMs的技术特性尚不足以完全解决可解释性、伦理问题和文化差异等设计实践中的挑战。因此，本章整合了技术、数据导向和价值相关的要素，系统地分析了它们在不同应用场景中的潜力和局限性。

结论

通过将传统情感设计（AD）研究与基于LLM的情感研究相结合，本文构建了一个可重用的Emo-LLMs语料库，并系统识别了LLM在情感设计中的关键作用。语料库表明，LLMs在情感设计中的角色正从单一的情绪判断工具转变为贯穿整个设计过程的协作组件。研究人员越来越多地将情绪识别、映射、生成和评估整合为可重复的迭代过程。

利益冲突声明

作者声明他们没有已知的可能影响本文研究的财务利益或个人关系。

致谢

我们感谢所有参与文献综述的研究人员，同时也感谢相关领域的学者们为LLM辅助情感设计的未来发展指明了方向。