CARE：面向心理健康支持的顾问对齐响应引擎

全球心理健康问题日益严峻，正在压力情感支持服务，导致顾问负担过重。这可能导致在关键情境（如自杀念头）中出现响应延迟，此时及时干预至关重要。虽然大型语言模型（LLM）在生成能力方面表现突出，但其在低资源语言，尤其是在敏感领域如心理健康领域的应用仍鲜有探索。此外，现有的基于LLM的智能体往往难以复制专业顾问所使用的支持性语言和干预策略，因为缺乏大规模真实世界数据集的训练。为此，我们提出了CARE（Counselor-Aligned Response Engine），一个用于生成实时、心理学对齐响应建议的生成式AI框架。CARE针对希伯来文和阿拉伯文分别对开源LLM进行微调，训练数据来自经专业顾问评估为高度有效的危机对话精选子集。训练数据由专业顾问评估为高度有效的危机对话精选子集组成，使模型能够捕捉与成功降级情绪相关的互动模式。通过在完整对话历史上进行训练，CARE能够保持对话中不断变化的情绪背景和动态结构。在实验环境中，CARE在语义和战略对齐方面优于非专业化的LLM。这些发现表明，针对经专家验证数据进行的领域特定微调，显著支持顾问工作流程，改善了低资源语言环境下的护理质量。