面向认知的情绪追踪：从真实社交场景中的起因到结果

arXiv 上发布一篇论文，提出 TRACE 框架，将情感事件形式化为 Condition、Affect、Effect 三个阶段，并纳入内部立场与情绪表达调节等认知因素。基于该框架构建的 TRACE-Bench 包含 646 段视频、3746 条结构化问答，覆盖五项任务。作者还提出 TRACER 结构化推理方法，在五项任务上均优于所有被评估的基线模型。

此前情感计算多停留在情绪分类或开放式情感分析，较少把情绪刻画为包含认知评估、调节与社交解读的连续过程。该工作把这一过程拆成可评测的任务链，并建立了视频级基准与配套推理方法，使模型在情绪因果与结果推断上的失败模式首次被系统量化。

TRACE 把情感事件编码为 Condition、Affect、Effect 三段结构，将可观察线索与内部立场、情绪表达调节等认知变量结合；TRACER 则要求每一步推断都挂接来自事实观察、认知评估和上游结论的显式前提，形成可追溯的中间结论图，从而减少把表现行为当作真实感受以及长链生成中编造事件的问题。

对情绪识别类产品而言，仅判断情绪标签已不够，需要输出可追溯的因果与结果链条，否则在真实社交场景中容易误读用户真实感受。研发上，这提示需要引入显式前提与结论图来约束多模态模型的长链推理，可能增加推理步骤与标注成本，但能降低高风险场景中的错误输出与用户信任损耗。

• 在客服或社交平台审核场景中，基于 TRACE 五任务结构搭建情绪因果标注与质检流程，输出可追溯的推断链。
• 围绕 TRACER 的前提-结论图机制，开发面向多模态模型的中间推理校验组件，减少长链生成中的事实编造。
• 利用 TRACE-Bench 的 646 段视频与 3746 条问答，构建面向真实社交场景的情绪理解模型评测服务。
• 针对表现行为与真实感受的区分，设计面向用户体验研究的情绪误读检测工具。

• TRACE-Bench 与 TRACER 的数据与代码是否已公开，以及以何种许可发布。
• TRACER 在通用任务上是否存在精度或推理成本上的权衡。
• 人类与模型对比的具体差距数值与统计显著性尚未在本条证据中给出。
• 该方法在非视频模态或中文社交场景中的泛化能力尚未验证。