面向对话心理治疗的进步：整合隐私、双记忆与领域专长于大语言模型
计算与语言
2024-12-05 v1 计算机与社会
摘要
心理健康问题日益成为全球性挑战，揭示了传统对话心理治疗的局限性——受限于地点、时间、费用和隐私顾虑。在应对这些挑战方面，我们引入 SoulSpeak，一个基于大语言模型（LLM）的聊天机器人，旨在民主化心理治疗的可及性。SoulSpeak 在标准 LLM 聊天机器人能力上的提升，体现在采用一种新型双记忆组件，通过检索增强生成（RAG）组合短期和长期上下文，以提供个性化响应，同时通过专门的隐私模块确保用户隐私和亲密性。此外，它利用治疗师-客户交互数据集和各种提示技术，将生成响应与心理治疗方法对齐。我们引入两个微调 BERT 模型来评估系统对现有 LLM 和人类治疗师的表现：对话心理治疗偏好模型（CPPM）用于模拟人类偏好，另一个用于评估响应与用户输入的相关性。CPPM 有助于在 SoulSpeak 独立于资源受限的心理治疗领域训练和评估心理治疗语言模型。此外，还考察了双记忆组件的有效性以及隐私模块的鲁棒性。我们的发现突显了通过将传统治疗的专业知识与 LLM 优势相结合来提升心理健康护理潜力与挑战的前景，为解决当前心理健康服务的可及性和个性化差距提供了有前景的途径。
引用
@article{arxiv.2412.02987,
title = {Advancing Conversational Psychotherapy: Integrating Privacy, Dual-Memory, and Domain Expertise with Large Language Models},
author = {XiuYu Zhang and Zening Luo},
journal= {arXiv preprint arXiv:2412.02987},
year = {2024}
}
备注
Accepted as a Poster at Statistical Foundations of LLMs and Foundation Models (NeurIPS 2024 Workshop)