该研究使用大型语言模型 (Large language models) 和模拟人物 (Simulated personae) 来强化人类常识与认知，展现专家行为的力量，其中包括挑战 LLM 回应的准确度以及复现量子光学领域的最新研究结果。

Jun, 2023

RoleLLM 是一种框架，用于在大规模语言模型中评估和增强角色扮演能力。通过 Context-Instruct 和 RoleGPT，我们创建了 RoleBench，这是角色扮演的第一个系统性和细致的基于角色的基准数据集，该数据集包含 168,093 个样本。此外，通过 RoleBench 上的 RoCIT，我们获得了 RoleLLaMA（英文）和 RoleGLM（中文），显著增强了角色扮演的能力，甚至与使用 GPT-4 的 RoleGPT 的结果相当。

Oct, 2023

使用大型语言模型（LLM）构建角色扮演对话数据集并评估性能的框架，并使用召回导向的 Rouge-L 指标支持 LLM 评估器的结果。

Jun, 2024

本文提出了一种基于自然语言处理的医疗对话系统 PlugMed，该系统通过提示生成和响应排名两个模块来训练 LLMs 实现合适的对话行为，在自动和手动评估中都表现出优异的效果。

May, 2023

我们提出了一种新颖的患者模拟框架 PATIENT-Ψ，用于认知行为疗法 (CBT) 培训。通过角色扮演与 PATIENT-Ψ 进行治疗会话，我们设计了一个交互式培训方案，PATIENT-Ψ-TRAINER，让心理健康实习生练习 CBT 的关键技能 —— 患者的认知模型制定。通过与不使用患者进行模拟的教材、视频和角色扮演等方式相比，实践证明利用 PATIENT-Ψ-TRAINER 可大大提高实习生的技能掌握和信心，并且 PATIENT-Ψ 被心理健康专家认为比 GPT-4 更接近真实患者互动，为提高实习生的能力提供了强有力的潜力。这一基于大型语言模型的开创性患者模拟培训框架具有巨大的潜力，可以增强和推进心理健康培训，最终改善患者的护理和结果。我们将公开所有数据、代码和培训平台。

May, 2024

在本文中，我们展示了如何利用 ChatGPT 在角色扮演的模拟游戏场景中，通过使用大型语言模型（LLMs）来提高教学质量，从而促进学生的积极学习。此外，我们讨论了 LLMs 如何通过允许学生使用 ChatGPT 来练习真实生活场景，从而提高学生的学习兴趣。

Feb, 2024

通过结合大型语言模型和现实临床场景，CureFun 提供了一种虚拟模拟患者教育框架，可以促进学生和模拟患者之间的自然对话，评估他们的对话并提供建议，以提升学生的临床查询技能。此外，借助 CureFun 的评估能力，我们还对几种医学大型语言模型进行了评估，并从诊断能力的角度讨论了使用大型语言模型作为虚拟医生的可能性和局限性。

Apr, 2024

我们通过应用特征性数据提升小型角色扮演语言模型，实验证明使用我们的数据集训练的模型在一般和与个性相关的评估中展现了高级角色扮演能力。

Jun, 2024

通过 AlexanderStreet therapy 的领域特定辅助指令和改进的预训练 LLMs 方法，本研究在心理治疗任务中实现了预训练 LLMs 的卓越性能，提供更多的心理治疗知识。

Apr, 2024

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