交互链：通过二元互动上下文增强大型语言模型对精神科行为的理解
计算与语言
2024-03-26 v2
摘要
在动机性访谈（Motivational Interviewing, MI）——一种用于解决如酒精和药物成瘾等精神问题的协作式沟通干预方法——中，自动编码患者行为对于支持心理治疗师的决策至关重要。虽然行为编码任务已迅速采用机器学习来预测 MI 会话期间的患者状态，但缺乏领域特定知识以及忽视患者与治疗师的互动是在实际应用中开发和部署这些模型的主要挑战。为了应对这些挑战，我们引入了交互链（Chain-of-Interaction, CoI）提示方法，旨在通过二元互动为大型语言模型（LLMs）提供用于精神科决策支持的上下文。CoI 提示方法系统地将编码任务分解为三个关键推理步骤：提取患者参与度、学习治疗师提问策略，并整合患者与治疗师之间的二元互动。这种方法使大型语言模型能够利用编码方案、患者状态和领域知识进行患者行为编码。在真实世界数据集上的实验证明了我们的提示方法在多个最先进的 LLM 上相对于现有提示基线的有效性和灵活性。我们进行了广泛的消融分析，并证明了二元互动在将 LLM 应用于心理治疗行为理解中的关键作用。
引用
@article{arxiv.2403.13786,
title = {Chain-of-Interaction: Enhancing Large Language Models for Psychiatric Behavior Understanding by Dyadic Contexts},
author = {Guangzeng Han and Weisi Liu and Xiaolei Huang and Brian Borsari},
journal= {arXiv preprint arXiv:2403.13786},
year = {2024}
}
备注
Accepted to IEEE ICHI 2024