面向情感支持对话的认知策略驱动大语言模型诊断与干预认知扭曲
计算与语言
2026-04-21 v1
摘要
情感支持对话(ESC) 在 mental health assistance 中发挥着关键作用，通过提供可及的心理支持满足实际应用需求。大型语言模型(LLM) 在 ESC 任务中表现出强大的共情能力。然而，现有方法忽视了帮助者表达中认知扭曲的问题，导致当前模型仅能提供基础的情感安慰，无法帮助帮助者在认知层面解决心理痛苦。为此，我们构建了 CogBiasESC 数据集——首个在现有 ESC 数据集基础上扩展，添加了认知扭曲标签，包括其类型、强度和安全风险等级的数据集。此外，我们提出了认知策略驱动大型语言模型框架(CoPoLLM)，以增强 LLM 在帮助者认知扭曲的诊断与干预方面的能力。我们还从理论角度分析了 CoPoLLM 的安全优势。实验结果表明，CoPoLLM 在认知扭曲诊断准确率、干预策略有效性和安全风险控制方面显著优于 15 个前沿基线模型。
引用
@article{arxiv.2604.17178,
title = {Cognitive Policy-Driven LLM for Diagnosis and Intervention of Cognitive Distortions in Emotional Support Conversation},
author = {Lin Zhong and Renjin Zhu and Shujuan Ma and Jinhao Cui and Lingzhi Wang and Hao Chen and Qing Liao},
journal= {arXiv preprint arXiv:2604.17178},
year = {2026}
}
备注
Accepted at ACL 2026 (Main Conference)