COLINGMar, 2024

CBT-LLM：面向认知行为疗法心理健康问答的中文大型语言模型

PDF
TL;DR通过大型语言模型，本研究设计了基于认知行为疗法的特定提示，生成了针对中国心理健康问答的 CBT QA 数据集，并利用该数据集对大型语言模型进行微调，从而产生了专为认知行为疗法技术设计的大规模语言模型 CBT-LLM。经验评估表明 CBT-LLM 在心理健康支持任务中能够产生结构化、专业和高度相关的回应，展示了其实用性和质量。
artificial intelligencelanguage modelspsychological health supportcognitive behavioral therapycbt-llm
发现论文，激发创造
  • 大型语言模型是否能够进行认知行为疗法？

    通过收集实际的认知行为疗法对话语料库，设计和实施了一个针对情绪倾向评估、结构化对话模式和积极探究能力的评估框架，评估了大型语言模型在心理辅导领域的潜力，特别是在与其他技术手段结合后。

    Jul, 2024

  • Psy-LLM：利用基于 AI 的大型语言模型扩展全球心理健康心理服务

    该研究提出了 Psy-LLM 框架，这是利用大型语言模型（LLMs）进行在线心理咨询问答的基于人工智能的系统，旨在提供心理健康支持，并通过评估证明了其在生成连贯和相关答案方面的有效性。

    Jul, 2023

  • MedChatZH：一个更好的医疗顾问从更好的指南中学习

    使用生成型的大型语言模型，在中医问答领域表现令人不满意，本研究引入了一个专门为中医问答设计的对话模型 MedChatZH，该模型在中医经典著作上进行预训练，并结合医学指南数据进行精细调优，在真实的医学对话数据集上胜过了几个基线模型。我们在链接上发布了我们的模型、代码和数据集，以促进传统中医和大型语言模型领域的进一步研究。

    Sep, 2023

  • 大型语言模型用于认知行为疗法中的响应生成：与苏格拉底式质询的比较研究

    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

  • 利用指令调校的大型语言模型优化心理咨询

    本文探讨了大型语言模型在心理咨询中的应用，通过专用提示信息来提高其在提供共情、相关和支持性回应方面的性能，研究结果表明我们的训练模型优于几个基线模型，凸显其作为可扩展且易于获取的心理健康支持工具的潜力。

    Jun, 2024

  • ChatCounselor：一个用于心理健康支持的大型语言模型

    ChatCounselor 是一种基于真实心理咨询对话构建的大型语言模型解决方案，它拥有专业心理学知识和咨询技巧，在咨询工作中具备专门化的能力；使用心理咨询评估的七个指标作为依据，通过 GPT-4 和精心设计的提示进行训练，ChatCounselor 在实际咨询问题上的表现超越了开源模型，接近于 ChatGPT，展示了通过高质量领域特定数据获得的模型能力的显著增强。

    Sep, 2023

  • PsycoLLM: 提升心理理解与评估的 LLM

    最近几年，心理健康问题引起了广泛关注，大型语言模型（LLM）因其在文本理解和对话方面的能力，可以成为缓解这一问题的有效技术。然而，现有研究在该领域通常存在一些限制，如在缺乏关键先前知识和证据的数据集上进行训练，以及缺乏全面评估方法。本文提出了一种专门的心理学大型语言模型（PsycoLLM），其在提供的高质量心理学数据集上进行训练，其中包括单轮问答、丰富的多轮对话以及基于知识的问答。此外，为了比较 PsycoLLM 与其他 LLM 的性能，我们基于中国权威心理辅导考试开发了一个全面的心理学评估基准，其中包括对专业伦理、理论熟练度和案例分析的评估。基准上的实验结果显示了 PsycoLLM 的有效性，表明其在与其他 LLM 相比的性能上具有优势。

    Jul, 2024

  • 大型语言模型在心理健康咨询中的挑战

    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

  • AI 是否能相似地感知：测试大型语言模型对精神健康支持的响应

    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

  • 通过大型语言模型理解心理健康的评估

    评估大型语言模型在理解人类心理健康状况表达方面的潜力，结果显示，基于 Transformer 的模型（如 BERT 和 XLNet）在 DAIC-WOZ 数据集上表现优于大型语言模型。

    Jan, 2024