CAPE

该数据集包含了高保真的三维纹理扫描，这些扫描被用于对三维人体重建进行定量评估。它包含了150个扫描数据，涵盖了从简单到复杂的各种姿态。这项任务旨在评估三维人体重建的效果。

This dataset contains high-fidelity 3D textured scans, which are used for the quantitative evaluation of 3D human body reconstruction. It includes 150 scan samples covering a wide range of poses from simple to complex. This evaluation task aims to assess the performance of 3D human body reconstruction.

搜集汇总

数据集介绍

构建方式

基于认知评价理论（CAT），我们提出了CAT-BEAR自动数据生成框架，通过两阶段流程构建CAPE数据集。第一阶段，为对话双方分配独特的个性、目标与情境解释，并利用GPT-4-turbo生成个性化的信念与知识，丰富人物背景。第二阶段，模拟评价过程，依据六个维度（不愉悦感、控制力、责任、确定性、努力、注意力）逐层分析，预测最可能的情绪标签并生成与之匹配的话语。最终，经过人工清洗与严格评估，得到包含2,848段多轮对话、覆盖15种情绪与89种情境的高质量语料库。

特点

CAPE数据集的核心特点在于其坚实的心理学理论基础与广泛的情境覆盖。它首次将认知评价理论系统性地融入对话生成，考虑了人格、目标、信念与知识等个体内因素，使情绪表达更加细腻且符合人类认知过程。相较于从电视剧本中提取的数据集，CAPE通过合成方式生成，摆脱了特定角色与情节的限制，实现了更灵活多样的对话设计。此外，数据集涵盖15种情绪类别与89种情境解释，在情绪与情境的多样性上远超现有中文情感对话数据集。

使用方法

CAPE数据集支持两项核心任务：情绪预测与下一句话生成。在情绪预测任务中，模型需根据个体内因素与对话历史预测下一说话者的情绪标签，我们引入了基于评价维度的CAT-Dist距离指标来捕捉情绪间的细微相似性。在下一句话生成任务中，模型需生成与情境和情绪相符的回应。基于CAPE微调的ChatEMO模型在这两项任务上均显著优于GPT-4、DeepSeek V2等基线模型，展示了数据集在提升对话系统情感表达能力方面的实用价值。

背景与挑战

背景概述

情感表达是人机交互中不可或缺的要素，尤其在大型语言模型（LLMs）的应用中，生成符合语境的情感回应仍是极具挑战的任务。现有研究多聚焦于英文语境，对中文情感表达及文化差异的探讨尚显不足。2024年，由IDEA研究院、密歇根大学、香港科技大学及加州大学洛杉矶分校联合团队提出的CAPE（Cognitive Appraisal theory-based Emotional corpus）数据集，旨在填补这一空白。该数据集基于认知评价理论（CAT），通过自动生成框架CAT-BEAR构建了包含2848轮多轮对话的中文情感语料库，覆盖15种情绪和89种情境，为提升LLMs情感表达的真实性与细腻度提供了重要资源。CAPE的发布推动了情感计算与对话系统领域的交叉研究，为构建更具人性化交互能力的智能体奠定了数据基础。

当前挑战

CAPE数据集面临的核心挑战首先在于模拟人类情感的复杂性——情感生成需综合个体特质、情境认知与评价过程，而现有模型往往难以精准捕捉这些动态因素，导致回应虽具语境相关性却缺乏情感共鸣。其次，数据集构建过程本身充满困难：依赖GPT-4合成对话时，需确保中文表达的流畅性与文化适配性，避免因语言模型局限产生的生硬或偏差；同时，人工筛选与校准环节需耗费大量资源以保障情绪标签的准确性、话轮间的逻辑连贯性及情感强度的合理性。此外，数据覆盖的15种情绪在真实交互中的分布不均，如何在有限样本中平衡各类情绪的表示，并避免模型对高频情绪的偏向，亦是后续应用中的一大挑战。

常用场景

经典使用场景

CAPE数据集，基于认知评价理论构建，专为中文情感对话生成设计。其经典使用场景在于训练和评估大语言模型在对话中生成符合情境的情感响应。通过提供涵盖15种情绪、89种情境的2848轮多轮对话，该数据集允许模型学习如何根据个体的人格、目标、信念和知识等内在因素，以及对话历史，预测并生成恰当的情感标签和话语。这一场景广泛应用于情感计算与人机交互领域，推动对话系统从机械回应向更具人性化情感表达的方向演进。

解决学术问题

CAPE数据集解决了现有大语言模型在情感表达中缺乏深度和语境适应性的核心学术问题。传统模型常忽视个体差异和情境评价对情绪生成的影响，导致响应显得生硬或不当。CAPE通过引入认知评价理论，系统整合了人格、目标、信念等个体因素，以及六个评价维度，使模型能够更准确地预测情感标签并生成情感一致的话语。这一突破提升了情感识别与生成的精度，为情感计算研究提供了理论驱动的新范式，显著增强了人机交互的自然性和共情能力。

衍生相关工作

CAPE数据集衍生了一系列富有影响力的研究工作。首先，基于其框架的CAT-BEAR模型被用于生成情感对话，并通过消融实验验证了信念知识和评价过程对对话质量的关键作用。其次，研究者利用CAPE开发了ChatEMO模型，在情感预测和话语生成任务上显著超越GPT-4、GLM-4等基线模型。此外，CAPE还启发了情感链式思考方法，通过先预测情感再生成响应，进一步提升了响应质量。这些工作共同推动了认知评价理论在对话系统中的深化应用，为情感人工智能的发展奠定了坚实基础。