该研究发表在Information Processing and Management上，提出认知情感链框架(在线发布日期2025年9月3日)。当用户在在线健康平台寻求帮助时，他们的表达往往多样、无结构且认知复杂，这给细粒度的情感理解带来了重大挑战。现有方法通常依赖常识关联，静态地建模情绪与事件之间的关系，而忽略了其背后动态的认知过程。为弥补这一不足，本文提出了认知—情感链框架（Cognitive–Affective Chain），基于社会支持理论（Social Support Theory）、心理理论（Theory of Mind）和詹姆斯–兰格情绪理论（James–Lange Theory of Emotion），从认知角度分析用户表达。在此基础上，作者定义了一项新任务：认知感知上下文情绪理解（CCEU），该任务改进了基于方面的情感分析方法（Aspect-Based Sentiment Analysis），以更好地捕捉多维度、认知驱动的情绪内容。为在认知要求高的任务中对大语言模型（LLMs）进行公平、有效的评估，作者提出了一种新的评估指标：混合生成与分类得分（HGCS），用于综合衡量模型的生成质量和分类可靠性。实验结果显示，在HGCS指标上，LLMs相较基线模型提升了15.56%，即使F1分数下降2.12%，也证明HGCS更能反映生成模型在复杂情感理解中的能力。随后，研究借鉴双重加工理论（Dual Process Theory），设计了模拟人类推理的提示策略，以提升LLMs在CCEU任务中的表现。然而，行为分析揭示出模型在信息支持上存在偏向，缺乏对情感支持的关注，暴露出机器推理与人类共情之间的差距。以抑郁症为例，本研究构建了一种认知理论驱动的情感建模范式，用于心理健康支持中的情绪理解，同时也为开发公平、具社会响应性和认知一致性的AI系统提供了理论基础。
