深度学习心理健康对话系统
通过离线强化学习,我们利用决策变压器架构在患者和心理健康专业人员之间的咨询对话中进行主题推荐,展示了优于基准强化学习方法的改进,并提出了一种新的系统来利用我们模型的输出作为相同任务的大型语言模型的合成标签进行微调。
May, 2024
利用深度学习和分布式表示法,基于认知行为疗法(CBT)原理定义心理健康本体论,注释大型语料库,对其进行理解,结果表明深度学习与词嵌入或句子嵌入相结合的性能显著优于非深度学习模型,此理解模块将成为提供治疗的统计式对话系统的重要组成部分。
Sep, 2018
我们开发了一个评估框架,以确定大型语言模型在自动化心理健康治疗方面是否是可行和道德的前进路径,并通过人工评估和心理学研究的自动质量评估指标,比较了点对点响应者提供的回应与一种最先进的大型语言模型提供的回应。我们展示了像 GPT-4 这样的大型语言模型使用隐式和显式线索推断患者人口统计学特征,然后展示了患者子群之间存在统计上显著差异:对于黑人发帖的回应一直比其他人口统计群体的同一回应具有较低的同理心(比对照组低 2%-13%)。我们发现回应生成的方式显著影响回应的质量。最后,我们提出了大型语言模型在心理健康响应潜在部署中的安全指南。
May, 2024
提出了一种通过增强语音感知能力来提升治疗聊天机器人对用户情绪理解和人性化回应的方法,该方法使用卷积神经网络(CNN)模型和 ShEMO 数据集的语音情感识别(SER)技术来准确检测和分类负面情绪,包括愤怒、恐惧和悲伤,并使用 SER 模型和 GloVe、LSTM 模型相结合的推荐系统生成个性化管理负面情绪的建议,同时将 GlowTTS 文本到语音模型整合到一起,使治疗聊天机器人能够用英语和波斯语将生成的建议以声音形式传达给用户,最终提高了英语和波斯语用户心理健康支持的交付效果。
Nov, 2023
全球精神健康危机,人工智能和大型语言模型能够支持或提供心理咨询,但其应用也引发了准确性、有效性、可靠性的担忧。本文研究了大型语言模型在心理咨询中面临的主要挑战,包括模型错觉、可解释性、偏见、隐私和临床有效性,并探讨了解决这些挑战的潜在方案,以改进心理健康护理。
Nov, 2023
该研究提出了 Hailey,一种 AI 辅助的方案,可以帮助在线人互相提供心理健康支持,结果表明,与 AI 协作可以在同辈间提高 19.60% 的情感共鸣,并使自我效能得到提升。
Mar, 2022
本篇论文采用先前的大规模预训练和移情对话数据来制造共情性对话,并采用多轮对话的安排来维持上下文,成功创建了一种用于心理健康应用的生成性共情开放域聊天机器人,并取得了现有测试集的最佳成果。
Nov, 2021
通过比较基于 LLMs 生成的回应与非基于 LLMs 生成的回应的系统,研究了生成回应对主观评价(如情绪变化、认知变化和对话质量)的影响。结果表明,使用 GPT-4 时,情绪变化、共情和其他对话品质显著改善,说明 GPT-4 具有较高的心理咨询能力。然而,研究还指出,即使使用了人类心理咨询数据集训练的对话模型,与基于情景的对话相比,并不能产生更好的结果。在使用了规则、情景或示例回应的系统中,可以通过人工专业人士提前使用 LLMs 生成示例回应或回应模板的方式呈现基于 LLMs 生成的回应,并且直接与用户在现实的心理健康服务中进行交互,这可能引发一些伦理问题。
Jan, 2024
该研究介绍了一个基于深度强化学习的心理治疗 AI 伴侣,通过患者的反馈为治疗师生成主题推荐,并使用多目标策略生成四种不同精神疾病的策略。实验结果表明,该系统能够捕捉到历史主题的真实数据,并且最佳性能模型因疾病和评分标准而异。通过 2D 主成分分析和迁移矩阵可视化策略轨迹,呈现出具有不同奖励信号和不同临床诊断训练的策略的明显模式,并展示了 DRL 在提供个性化和高效治疗建议方面的潜力。
Mar, 2023
本研究提出了一种基于 READER 的对话操作引导加强型对话生成模型,用于基于虚拟心理健康助手的辅助心理咨询对话,该模型在对话 - 操作引导下能够生成更具语义丰富度的反应,经过了对多种评估方法的考察,表现优异。
Jan, 2023