Affect-Aware Human-Agent Conversations: Towards Empathic LLM Interaction

Resumo Técnico: Conversas Humano-Agente com Sensibilidade Afetiva

Definição do Problema
Os Grandes Modelos de Linguagem (LLMs) possuem capacidades conversacionais, mas carecem de experiência emocional autêntica, baseando-se, em vez disso, no reconhecimento de padrões probabilísticos para simular empatia. Isso cria uma "ilusão de compaixão", onde o reconhecimento algorítmico de pistas emocionais é confundido com ressonância genuína. As interações atuais entre humanos e IA são predominantemente baseadas em texto, excluindo pistas afetivas não verbais que são centrais para a interpretação humana. Consequentemente, as respostas dos LLMs frequentemente carecem de "fundamentação relacional", dependendo exclusivamente de entrada textual explícita em vez do contexto rico e situado da comunicação humana. Embora trabalhos anteriores tenham introduzido o "Prompt de Empatia" como uma prova de conceito, este permaneceu exploratório e limitado a implementações piloto rápidas, sem integração robusta em tempo real ou validação abrangente pelo usuário.

Metodologia
O estudo propõe e avalia o Prompt Estendido Empático, um framework de sensibilidade afetiva em tempo real projetado para enriquecer as conversas humano-LLM com descritores afetivos faciais.

• Arquitetura do Sistema: O sistema utiliza uma arquitetura cliente-middleware-servidor.

  • Cliente: Captura as expressões faciais do usuário via fluxo de câmera.
  • Middleware: Processa o vídeo usando o Noldus FaceReader para extrair descritores afetivos de alto nível (emoção dominante, intensidade, valência, excitação/arousal) em vez de Unidades de Ação (Action Units) brutas. Um middleware customizado filtra, sincroniza e serializa esses descritores em um formato compacto semelhante ao JSON, armazenando-os em uma Fila de Parâmetros Emocionais (EPQ) para manter a memória de curto prazo do estado do usuário.
  • Servidor: Após a submissão do texto pelo usuário, o servidor recupera as amostras afetivas mais recentes. Uma janela temporal de 3 segundos aplica votação majoritária para a emoção dominante e calcula a média da intensidade, valência e excitação. Esses valores numéricos são mapeados para rótulos linguísticos discretos (ex: intensidade "ALTA", valência "POSITIVA") para garantir a interpretabilidade pelo LLM.
  • Construção do Prompt: O sistema constrói um turno de usuário aumentado ($\tilde{M}_t$) prefixando o estado afetivo em tempo real ($F^t_e$) e um prior afetivo de nível de sessão ($P^t_e$, derivado de um histograma temporal da fase de priming) ao texto do usuário ($M_t$). Esse contexto aumentado é combinado com um prompt de sistema persistente que define regras de interação empática antes de ser enviado ao LLM.

• Design Experimental: Um estudo intra-sujeito foi conduzido com N = 20 participantes.

  • Condições: Os participantes interagiram com o LLM sob duas condições: uma condição Experimental (consciente de afeto) e uma condição de Controle (linha de base de empatia apenas via texto).
  • Procedimento: A sessão começou com uma fase de priming emocional usando clipes de vídeo validados (O Rei Leão para tristeza, Wall-E para alegria) para induzir estados afetivos específicos. Os participantes então engajaram em uma conversa semiestruturada de 5 minutos sobre sua experiência emocional. A ordem das condições e dos estímulos de vídeo foi contrabalançada.
  • Modelo: O modelo deepseek-r1:32b, hospedado localmente via OLLAMA, serviu como a espinha dorsal conversacional para garantir privacidade e consistência.
  • Medidas: A avaliação incluiu a Escala de Usabilidade do Sistema (SUS), a Escala de Percepção de Empatia de Tecnologia (PETS), a Medida de Presença Social de Mentes em Rede e a Série de Questionários Godspeed (focando em Simpatia, Competência e Segurança). Uma classificação de escolha forçada avaliou a preferência explícita.

Principais Contribuições

1. Integração de Afeto em Tempo Real: O estudo implementa um pipeline funcional que extrai, processa e injeta continuamente descritores afetivos faciais no contexto do LLM sem expor dados biométricos brutos ao modelo.
2. Estratégia de Prompt Refinada: Diferente de abordagens anteriores que meramente anexavam pistas, este framework fundamenta o prompt do sistema em um modelo de interação empática explícito. As pistas afetivas informam a postura conversacional do modelo (ex: ritmo baseado na excitação, mascaramento de discrepâncias entre texto e rosto) em vez de atuarem como simples metadados.
3. Validação Empírica: O artigo fornece um estudo de validação de usuário final comparando o sistema consciente de afeto contra uma linha de base de apenas texto, investigando especificamente se o contexto afetivo em tempo real melhora as qualidades de interação percebidas sem induzir efeitos negativos como o "vale da estranheza" (uncanny valley) ou redução da usabilidade.

Resultos

• Qualidades Percebidas: A condição consciente de afeto apresentou pontuações descritivas mais altas em dimensões de interação chave. Melhorias notáveis foram observadas na Competência Godspeed ($\Delta = +0,31$), Compreensão e Confiança PETS ($\Delta = +0,21$), Responsividade Emocional PETS ($\Delta = +0,16$) e Simpatia Godspeed ($\Delta = +0,13$).
• Usabilidade e Segurança: As pontuações de usabilidade (SUS) permaneceram altas e aceitáveis em ambas as condições (Controle: 81,25, Experimental: 79,38), indicando que a adição do processamento afetivo não degradou a experiência da interface. As percepções de segurança permaneceram estáveis entre as condições.
• Significância Estatística: No nível de macro-construto, os testes de postos sinalizados de Wilcoxon pareados não revelaram diferenças estatisticamente significativas entre as condições, provavelmente devido aos efeitos de teto de LLMs modernos ajustados para instrução, que já produzem respostas de apoio. No entanto, as tendências descritivas favoreceram consistentemente a condição consciente de afeto em termos de inteligência emocional e responsividade ao humor.
• Efeitos Negativos: O estudo não encontrou evidências de que a injeção de sinais faciais em tempo real tenha provocado efeitos interacionais negativos, redução da segurança percebida ou criado percepções do tipo "vale da estranheza".

Significância e Alegações
O artigo alega que a integração de contexto afetivo em tempo real pode adicionar fundamentação relacional às conversas com LLMs, mudando o paradigma de "IA-como-ferramenta" para "IA-como-colaboradora". Os autores enfatizam que o objetivo não é tornar os LLMs genuinamente empáticos (o que é impossível dada sua natureza probabilística), mas melhorar a percepção do usuário de sintonia empática. Ao adaptar a postura conversacional com base no feedback afetivo contínuo, o sistema apoia uma interação mais situada. Os achados sugerem que a fundamentação afetiva multimodal aumenta a inteligência emocional e a responsividade percebidas sem comprometer a usabilidade ou desencadear reações psicológicas negativas, ofereando um caminho viável para uma colaboração humano-agente mais naturalista.