面向一般健康查询的同理心适用性建模

LLM 正越来越多地融入临床工作流程，但它们往往缺乏临床同理心，而这是有效医患沟通的一个重要方面。现有的 NLP 框架侧重于在医生回复中被动地标记同理心，但对同理心需求的预测性建模支持有限，尤其是在一般健康查询中。我们引入了同理心适用性框架（EAF），这是一种理论驱动的方法，它基于临床、语境和语言线索，根据情绪反应和解释的适用性对患者查询进行分类。我们发布了一个由真实患者查询组成的基准，由人类和 GPT-4o 进行双重标注。在人类达成共识的子集中，我们也观察到人类与 GPT 之间高度一致。为了验证 EAF，我们在人类标注和仅 GPT 标注的数据上训练分类器来预测同理心适用性，取得了强大的性能，并优于启发式方法和零样本 LLM 基线。错误分析突显了持续的挑战：隐性痛苦、临床严重性模糊性以及语境困难，这强调了多标注者建模、临床医生在环校准和文化多样性标注的必要性。EAF 提供了一个在生成回复前识别同理心需求的框架，为预测性同理心建模建立了基准，并使得在异步医疗中支持同理心沟通成为可能。