情感计算已经从离散情绪识别转向利用大规模多模态模型进行开放式情感分析。然而，情感科学将情绪视为由评估、调节和社会解释共同塑造的动态过程，这在计算层面仍未得到充分研究。为此我们提出 TRACE——一种认知导向的框架，将情感事件形式化为“条件‑情感‑结果”三阶段，并将可观测线索与内部立场、情绪表达调节等认知因素相结合。基于该框架，TRACE‑Bench 在真实社交场景中设计了五类任务：基于情境的情感识别、调节解码、原因推理、结果推理以及完整链路重建，共收集 3,746 条结构化问答，覆盖 646 段视频。人类与模型的对比显示出显著性能差距，专门的情感模型整体仍落后于通用多模态大语言模型。模型常见错误包括把外显行为误当真实情感，以及在长链生成时捏造无依据的事件。为此我们进一步提出 TRACER——一种基于认知的结构化推理方法。TRACER 在每一步推理时显式给出来自事实观察、认知评估和上游结论的前提，构建可追溯的中间结论图谱。实验表明，TRACER 在所有五项任务上均超越现有基线。项目页面：https://cogaffc.github.io/TRACE
点评