HELPER: как VK и ВШЭ создали AI для анализа эмоций в тексте — обзор технологии

Команда разработчиков из мастерской по прикладному ИИ Инженерно-математической школы НИУ ВШЭ совместно с VK представила новый инструмент HELPER, предназначенный для анализа психоэмоционального состояния автора текста. В отличие от традиционных решений, HELPER на основе больших языковых моделей не просто определяет общую тональность, а отслеживает динамику эмоций на уровне отдельных фрагментов. Это открывает новые возможности для психологического консультирования, анализа пользовательских коммуникаций и мониторинга эмоционального состояния в цифровой среде.

Современные системы анализа эмоций часто работают слишком обобщенно. Одни определяют лишь общую тональность текста — позитивную или негативную, другие решают задачу бинарной или многоклассовой классификации эмоций на уровне всего текста. Такие подходы плохо подходят для психологически нагруженных текстов, где эмоции могут быть динамическими и проявляться в разных фрагментах. Агрегированная метка не способна показать, как эмоциональное состояние меняется по ходу текста, что критически важно для глубинного понимания.

Как создавался HELPER

Разработка HELPER началась с выстраивания схемы разметки. Команда провела серию интервью с практикующими психологами, чтобы понять, какие эмоциональные признаки важны для профессиональной оценки. На основе этих данных была разработана формализованная схема разметки, которая учитывает не только базовые эмоции, но и их динамику, интенсивность и контекст. Такой подход позволил создать инструмент, ориентированный на реальные потребности специалистов.

Для обучения модели потребовался специализированный русскоязычный корпус. Исследователи собрали тексты из нескольких источников: интервью, дневниковые записи, посты в социальных сетях и фрагменты психологических консультаций. Каждый текст был размечен вручную по разработанной схеме. Это позволило создать датасет, который учитывает локальные эмоциональные признаки и последовательность их смены. В результате модель учится не просто классифицировать эмоцию, а видеть её развитие.

Технические детали и дообучение Qwen-3

В основе HELPER лежит дообученная версия языковой модели Qwen-3 от Alibaba. Команда выбрала эту модель из-за её способности работать с длинными контекстами и понимать нюансы естественного языка. Дообучение проводилось на собранном корпусе с использованием техники supervised fine-tuning (SFT), что позволило адаптировать модель под специфическую задачу.

Архитектура HELPER включает модуль сегментации текста на смысловые блоки, модуль извлечения эмоциональных признаков и модуль построения динамической картины эмоций. Модель не просто классифицирует текст по эмоциональной окраске, а показывает, как эмоции меняются от фрагмента к фрагменту. Например, в одном абзаце может быть тревога, в следующем — надежда, а затем — разочарование. Такая детализация даёт более полное представление об эмоциональном состоянии автора.

Какие задачи решает HELPER в психологии?

HELPER в первую очередь будет полезен практикующим психологам и психотерапевтам. Инструмент может анализировать тексты клиентов, выявлять скрытые эмоциональные паттерны и отслеживать динамику состояния на протяжении сессий. Это особенно важно для дистанционного консультирования, где нет возможности наблюдать за невербальными сигналами. С помощью HELPER специалист может получить объективную картину эмоциональных изменений, что улучшает качество терапии.

Разработчики также видят применение в анализе пользовательских коммуникаций — например, в службах поддержки, модерации контента или мониторинге социальных сетей. HELPER может помочь выявить пользователей в кризисном состоянии и своевременно предложить им помощь. Для бизнеса инструмент открывает возможности для анализа отзывов и обратной связи с учётом эмоциональной динамики, что позволяет лучше понимать клиентов.

Что будет дальше

Сейчас HELPER доступен в виде открытого инструмента на GitHub. Команда планирует расширять корпус разметки, добавлять новые эмоциональные категории и улучшать точность модели. В планах также интеграция с популярными платформами для психологического консультирования и создание API для сторонних разработчиков. Это сделает технологию доступной широкому кругу пользователей.

Одной из ключевых задач остаётся воспроизводимость методик оценки качества работы модели. Без этого сложно понять, действительно ли модель научилась распознавать психоэмоциональные признаки текста или просто угадывает общий эмоциональный фон. Исследователи обещают опубликовать детальные бенчмарки и методики тестирования, что повысит доверие к инструменту.

Итог

HELPER — значимый шаг вперёд в области психолингвистического анализа с использованием больших языковых моделей. Инструмент решает давнюю проблему агрегированных эмоциональных меток и предлагает динамический подход, который лучше отражает реальную сложность человеческих эмоций. Открытый исходный код и сотрудничество с профессиональными психологами делают проект особенно ценным для научного и прикладного сообщества. Благодаря HELPER анализ эмоций в тексте выходит на новый уровень, предоставляя инструмент, который понимает не только что чувствует автор, но и как меняются его эмоции.