Eeyore：通过监督式学习与偏好优化实现的真实抑郁模拟
计算与语言
2025-03-04 v1 人工智能
摘要
大型语言模型（LLM）曾被用于精神健康培训和治疗客户模拟，但仍不足以真实地捕捉多样化客户特征和心理状况。我们引入Eeyore，一个8B参数模型，通过结构化对齐框架实现真实抑郁模拟，贯穿整个流程并融入专家意见。首先，我们系统性地策划真实世界的抑郁相关对话，提取抑郁特征以指导数据筛选和心理轮廓构建，并利用此数据集对Eeyore进行指令调校，以实现轮廓遵循。接下来，为进一步提升真实性，Eeyore经历迭代偏好优化——首先利用模型生成的偏好，然后通过一小部分专家标注偏好的校准。在整个管道过程中，我们积极与领域专家合作，开发交互界面以验证特征提取，迭代细化结构化心理轮廓，以实现临床意义的角色扮演定制。尽管模型规模较小，Eeyore的抑郁模拟在语言真实性和轮廓遵循度方面均优于GPT-4o及SOTA提示策略。
引用
@article{arxiv.2503.00018,
title = {Eeyore: Realistic Depression Simulation via Supervised and Preference Optimization},
author = {Siyang Liu and Bianca Brie and Wenda Li and Laura Biester and Andrew Lee and James Pennebaker and Rada Mihalcea},
journal= {arXiv preprint arXiv:2503.00018},
year = {2025}
}