CARE：基于大语言模型的客户感知疗效联盟可解释评估框架
计算与语言
2026-02-25 v1
摘要
客户对疗效联盟的感知对于咨询效果至关重要。准确捕捉这些感知一直颇具挑战性，因为传统的会后问卷调查麻烦且常常延迟，而现有计算方法则产生粗糙的评分、缺乏可解释的依据，且无法建模整体会话情境。我们提出了 CARE，一种基于大语言模型的框架，用于自动预测多维度联盟评分并生成可解释的依据，源自咨询记录。CARE 基于 CounselingWAI 数据集构建，并结合 9,516 个专家精选的依据进行增强，使用 LLaMA-3.1-8B-Instruct 作为底层模型进行微调。实验表明，CARE 超越了领先的大语言模型，显著缩小了辅导员评估与客户感知联盟之间的差距，实现与客户评分的 Pearson 相关系数提升超过70%。依据增强监督进一步提高了预测准确性。CARE 还能产出高质量、情境导向的依据，经自动化和人类评估均得到验证。应用于真实的中国线上心理咨询场景，CARE 揭示了常见的联盟构建挑战，说明了互动模式如何塑造联盟发展，并提供了可操作的见解，展示了其作为 AI 辅助心理健康护理工具的潜力。
引用
@article{arxiv.2602.20648,
title = {CARE: An Explainable Computational Framework for Assessing Client-Perceived Therapeutic Alliance Using Large Language Models},
author = {Anqi Li and Chenxiao Wang and Yu Lu and Renjun Xu and Lizhi Ma and Zhenzhong Lan},
journal= {arXiv preprint arXiv:2602.20648},
year = {2026}
}
备注
14 pages, 4 figures