대화에서 효과적인 정서적 지지는 전략적 의사결정을 요구하며, 이는 다양한 개인의 필요에 맞춘 복잡하고 맥락에 민감한 추론을 수반하기 때문이다. Emotional Support Conversation 프레임워크는 상호작용을 세 가지 뚜렷한 단계(탐색, 위로, 실행)로 구성하여 응답 생성 과정에서 전략 선택을 안내함으로써 이를 해결한다. 멀티태스크 학습은 전략 예측과 응답 생성을 공동으로 최적화하기 위해 적용되어 왔으나, 상충하는 학습 목적 때문에 흔히 과제 간 간섭(task interference)을 겪는다. 이를 극복하기 위해 본 연구에서는 디코더의 은닉 상태를 각 과제별로 분리하고 동적 게이팅 메커니즘을 통해 선택적으로 이를 결합하는 Strategy-Aware Refinement Module (STAR)을 제안한다. 이 설계는 과제 특화 표현을 보존하는 동시에 과제 간 정보 교환을 통제된 방식으로 가능하게 하여 간섭을 감소시킨다. 실험 결과 STAR은 과제 간 간섭을 효과적으로 줄이고, 전략 예측과 지지적 응답 생성 모두에서 최신 수준의 성능을 달성함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.