From Triggers to Emotions: A CPM-Grounded Appraisal Multi-Agent for Dynamic Emotional Evolution in Persona-Based Dialogue

This preprint proposes CPM-MultiAgent, a prompt orchestrator that maintains an explicit representation of a fictional persona's emotion during dialogue. A trigger analyzer extracts the event and context; four agents assess relevance, implications, coping potential, and normative significance; peer review consolidates those appraisals; and an integrator changes each emotion by -1, 0, or +1 within a 1-5 range. A critic can request a redo. Although the paper calls the state latent, operationally it is structured JSON visible to the agents, not a learned latent variable. The taxonomy is configurable; case studies use Plutchik's eight emotions and an intensity scale the paper associates with PANAS.

The main evaluation contains only 24 author-constructed synthetic trials in three families: a simulated patient for healthcare training, simulated student for school communication, and simulated customer for customer service. Three complete five-turn sequences are shown, but the 24 inputs, initial states, outputs, and judgments are not released. Every agent uses GPT-5.4 by default at temperature 0.2 and top-p 1.0; GPT-5.4 also judges at temperature 0. Baselines are zero-shot, few-shot, two CoT variants, self-consistency, Self-Refine, and an adapted EQ-Negotiator. No official code or data repository was found. The TeX claims baseline prompts are supplied, but its disabled section contains seven literal “Insert the ... prompt” comments; few-shot examples, self-consistency sampling and aggregation, Self-Refine rounds, and the EQ-Negotiator adaptation are absent.

The authors acknowledge that no gold standard maps a trigger to a correct emotion transition. They substitute six GPT-5.4-judged Likert dimensions: update correctness, trigger grounding, temporal consistency, persona consistency, appraisal reasoning quality, and overall. CPM-MultiAgent scores 4.322/5 overall versus 4.311 for EQ-Negotiator, the strongest overall baseline: a 0.011-point difference without an interval, test, or clearly documented denominator. Persona consistency differs by 0.006. All means are near ceiling. Because GPT-5.4 both generates and judges headline results, anonymizing labels and shuffling order reduces identity leakage but does not remove self-preference, correlated rubric bias, or design-rubric alignment.

One reproducible inconsistency is material: the Appendix D.2 judge prompt requests EUC, grounding, temporal consistency, persona consistency, and overall, but omits Appraisal Reasoning Quality entirely. Table 1 and the ablations nevertheless report ARQ, including the method's 4.833. That column cannot be reproduced from the disclosed prompt. A second contradiction affects human evaluation: Section 4.3 says humans and the LLM use the same metrics and 1-5 scale, while the human form asks only two categorical pairwise preferences, emotion update and appraisal reasoning. These are neither the same metrics nor response scale.

The study uses 103 anonymous, voluntary, unpaid annotators and says it received IRB approval, without naming a board, protocol, demographics, or recruitment procedure. Against EQ-Negotiator, emotion update receives 41 votes for the method, 26 ties, and 36 for the baseline. Excluding ties and optimistically treating responses as independent, 41/67 yields an exact two-sided binomial p=0.086437: not distinguishable from chance even before multiplicity correction. Reasoning preferences are stronger, 67/24/12 against EQ, but the method is required to produce a long structured appraisal rationale; preference can measure clarity or presence of this structure rather than emotional correctness. No inter-rater reliability, intervals, power, assignment, scenario strata, or repeated-measures analysis is reported.

Ablations lower the same judge's overall score: 4.079 without peer review, 4.200 without normative significance, 4.226 without trigger analysis, and 4.262 without the critic. This shows that decomposition helps satisfy the benchmark's plausibility rubric, not that each CPM component has psychological construct validity. Robustness repeats the same 24 trials: with GPT-5.4, mini, nano, and Qwen3.6-35B-A3B, the multi-agent system scores above zero-shot and a monolithic variant, but without uncertainty or external domains. Reported parallel latency falls from 14,528 to 11,004 ms for GPT-5.4 text and 8,063 to 6,487 ms for mini; provider, region, hardware, repetitions, variance, and speech components are absent.

The defensible contribution is a software pattern for externalizing and reviewing a discrete emotional trajectory during role-play, with initial evidence that its structured explanation appears more plausible or preferable in synthetic scenarios. It does not validate the Component Process Model, an internal model emotion, or real human transitions. Integer steps and clipping mechanically favor smooth trajectories, the same property the judge rewards. Final persona responses, user outcomes, safety, clinical or educational benefit, and real deployment are not evaluated. The work therefore does not demonstrate psychologically correct or generalizable emotional simulation; it demonstrates rubric fit and presentation preference on a small, unreleased, difficult-to-reproduce artifact.

Este preprint propone CPM-MultiAgent, un orquestador de prompts para mantener una representación explícita de la emoción de una persona ficticia durante un diálogo. Un analizador extrae el desencadenante y el contexto; cuatro agentes valoran relevancia, implicaciones, potencial de afrontamiento y significado normativo; una revisión entre agentes consolida esas valoraciones; y un integrador cambia cada emoción en -1, 0 o +1, limitado a una escala de 1 a 5. Un crítico puede pedir rehacer la actualización. Aunque el texto llama «latente» al estado, en la implementación es un vector JSON estructurado y visible para los agentes, no una variable latente aprendida. La taxonomía es configurable; los casos usan las ocho emociones de Plutchik y una escala que el artículo vincula a PANAS.

La evaluación principal consta de solo 24 pruebas sintéticas construidas por los autores en tres familias: paciente simulado para formación sanitaria, estudiante simulado para comunicación escolar y cliente simulado para atención al cliente. El artículo muestra tres secuencias completas de cinco turnos, pero no publica las 24 entradas, estados iniciales, salidas o juicios. Todos los agentes usan GPT-5.4 por defecto, con temperatura 0,2 y top-p 1,0; el juez usa GPT-5.4 a temperatura 0. Se comparan zero-shot, few-shot, dos variantes CoT, self-consistency, Self-Refine y una adaptación de EQ-Negotiator. No hay repositorio oficial de código o datos. El archivo TeX dice ofrecer los prompts de baseline, pero su sección desactivada contiene siete comentarios literales «Insert the ... prompt»; faltan ejemplos few-shot, número y agregación de self-consistency, rondas de Self-Refine y adaptación de EQ-Negotiator.

Los autores reconocen que no existe un gold estándar que asigne a cada desencadenante una transición emocional correcta. Sustituyen ese criterio por seis escalas Likert juzgadas por GPT-5.4: corrección de actualización, grounding del desencadenante, consistencia temporal, consistencia de persona, calidad del razonamiento de appraisal y global. CPM-MultiAgent obtiene 4,322/5 global frente a 4,311 de EQ-Negotiator, el baseline global más fuerte: una diferencia de 0,011 sin intervalo, test o denominador claramente documentado. En consistencia de persona la diferencia es 0,006. Todas las medias están cerca del techo. Como el mismo GPT-5.4 genera y juzga los resultados, ocultar nombres y barajar el orden reduce filtración de identidad, pero no elimina autopreferencia, sesgo correlacionado ni alineación entre el diseño y la rúbrica.

Hay una inconsistencia reproducible importante: el prompt de juez impreso en Appendix D.2 solo solicita EUC, grounding, consistencia temporal, consistencia de persona y global; omite por completo Appraisal Reasoning Quality. Sin embargo, la Tabla 1 y las ablaciones publican ARQ, incluido el 4,833 del método. Esa columna no puede derivarse del prompt divulgado. Otra contradicción afecta la evaluación humana: Section 4.3 afirma que humanos y LLM usan el mismo conjunto de métricas y escala 1-5, pero el formulario humano pide solo dos preferencias pareadas categóricas, actualización emocional y razonamiento. No es la misma métrica ni la misma escala.

Participan 103 anotadores anónimos, voluntarios y no remunerados. El artículo dice contar con aprobación IRB, sin identificar comité, protocolo, demografía o reclutamiento. Frente a EQ-Negotiator, la actualización emocional recibe 41 preferencias por el método, 26 empates y 36 por el baseline. Si se excluyen empates y, de forma optimista, se tratan las respuestas como independientes, 41/67 da p binomial exacta bilateral=0,086437: no se distingue del azar ni antes de corregir multiplicidad. Las preferencias de razonamiento son más fuertes, 67/24/12 frente a EQ, pero el método obliga a producir una justificación de appraisal extensa y estructurada; la preferencia puede medir claridad o presencia de esa estructura, no que el estado emocional sea correcto. No se reportan fiabilidad interjuez, intervalos, potencia, asignación, estratos por escenario o análisis de medidas repetidas.

Las ablaciones bajan la puntuación global del mismo juez: sin peer review, 4,079; sin significado normativo, 4,200; sin desencadenante, 4,226; sin crítico, 4,262. Esto indica que la descomposición ayuda a satisfacer la rúbrica de plausibilidad en este banco, no que cada componente CPM tenga validez psicológica. La robustez repite las mismas 24 pruebas: con GPT-5.4, mini, nano y Qwen3.6-35B-A3B, el multiagente puntúa por encima de zero-shot y de una variante monolítica, pero sin incertidumbre ni dominios externos. La latencia paralela reportada baja de 14.528 a 11.004 ms para texto con GPT-5.4 y de 8.063 a 6.487 ms con mini; no se publican proveedor, región, hardware, repeticiones, varianza ni componentes de voz.

La contribución defendible es un patrón de software para externalizar y revisar una trayectoria emocional discreta durante role-play, junto con evidencia inicial de que su explicación estructurada resulta más plausible o preferible en escenarios sintéticos. No valida el Component Process Model, una emoción interna del modelo ni transiciones humanas reales. La regla de pasos enteros y el clipping predisponen trayectorias suaves, precisamente una propiedad premiada por el juez. Tampoco se evalúan las respuestas finales del personaje, resultados de usuarios, seguridad, beneficio clínico o educativo ni despliegue real. Por ello el trabajo no demuestra una simulación emocional psicológicamente correcta o generalizable; demuestra ajuste a una rúbrica y preferencia de presentación bajo un artefacto pequeño, no publicado y difícil de reproducir.