MentraSuite：用于精神健康推理和评估的后训练大型语言模型
计算与语言
2025-12-17 v2
摘要
精神健康障碍影响数百万人，网络已成为获取支持、信息和评估的主要媒介。大型语言模型（LLM）提供了可扩展且可接近的帮助，但在其推理不完整、不一致或不切实时，其在精神健康领域的部署仍存在风险。现有的心理学LLM侧重于情感理解或知识回忆，但忽视了用于评估、诊断、干预规划、抽象和验证的逐步、临床导向推理。为此，我们提出MentraSuite，一个用于推进可靠精神健康推理的统一框架。我们提出MentraBench，一个涵盖五个核心推理方面、六个任务和13个数据集的全面基准，评估任务性能和推理质量，包括五个维度：简洁性、连贯性、幻觉避免、任务理解和内部一致性。我们进一步呈现Mindora，通过混合SFT-RL框架进行后训练优化，采用不一致性检测奖励以确保推理的忠实性和连贯性。为支持训练，我们采用新颖的推理轨迹生成策略构建高质量轨迹，战略性地筛选困难样本，并应用结构化、以一致性为导向的重写过程，以产生简洁、可读且均衡的轨迹。在20个被评估的LLM中，Mindora在MentraBench上取得最高的平均性能，并在推理可靠性方面表现突出，显示示其在复杂精神健康场景中的有效性。
引用
@article{arxiv.2512.09636,
title = {MentraSuite: Post-Training Large Language Models for Mental Health Reasoning and Assessment},
author = {Mengxi Xiao and Kailai Yang and Pengde Zhao and Enze Zhang and Ziyan Kuang and Zhiwei Liu and Weiguang Han and Shu Liao and Lianting Huang and Jinpeng Hu and Min Peng and Qianqian Xie and Sophia Ananiadou},
journal= {arXiv preprint arXiv:2512.09636},
year = {2025}
}