缓解语义漂移：评估 LLM 在心理治疗中的效能——基于动机性访谈对话的概括
计算与语言
2025-12-01 v1 机器学习
摘要
近期大语言模型（LLM）的快速发展展现出在广泛及特定任务中的潜力。然而，人们越来越担忧其缺乏敏感性、回应中的事实性错误、同情表达不一致、偏见、幻觉以及整体无法捕捉人类理解的深度与复杂性，尤其在心理学等低资源且敏感的领域。为此，我们采用混合方法评估 LLM 在心理治疗中的效能。我们使用 LLM 生成动机性访谈（MI）对话的精确概括，并设计基于 MITI 框架关键组成部分的双阶段标注方案，包括：引导、合作、自主、方向、同理心以及非判断态度。以专家标注的 MI 对话为参考标准，我们构建多分类任务，以渐进式提示技术（包含一次性提示和少样本提示）评估模型性能。我们的结果为理解 LLM 处理复杂心理构念的能力提供了见解，并揭示了在治疗情境中缓解“语义漂移”的最佳实践。我们的工作不仅为 MI 社区提供了高质量的标注数据集以缓解低资源领域的数据匮乏，还为在复杂行为治疗中实现精确的语境解释提供了关键见解。
引用
@article{arxiv.2511.22818,
title = {Mitigating Semantic Drift: Evaluating LLMs' Efficacy in Psychotherapy through MI Dialogue Summarization},
author = {Vivek Kumar and Pushpraj Singh Rajawat and Eirini Ntoutsi},
journal= {arXiv preprint arXiv:2511.22818},
year = {2025}
}