RECAP：基于大语言模型的文本心理健康咨询中的阻抗识别
计算与语言
2026-01-22 v1 人工智能
摘要
识别并应对来访者阻抗对有效的心理咨询至关重要，然而在文本交互中检测此类行为尤为困难。现有的 NLP 方法过度简化了阻抗类别，忽视了治疗干预的序列动态性，且可解释性有限。为解决这些局限性，我们提出了 PsyFIRE，一个具有理论基础且能捕捉 13 种细粒度阻抗行为及协作交互的框架。基于 PsyFIRE，我们构建了 ClientResistance 语料库，包含来自真实世界中文文本咨询的 23,930 条标注话语，每条均附有特定情境下的理由。利用该数据集，我们开发了 RECAP，一个两阶段框架，可检测阻抗及细粒度阻抗类型并给出解释。RECAP 在区分协作与阻抗任务上达到 91.25% 的 F1 分数，在细粒度阻抗类别分类上达到 66.58% 的 macro-F1 分数，比领先的基于提示的 LLM 基线高出 20 分以上。将其应用于另一个独立咨询数据集及一项包含 62 名咨询员的试点研究后，RECAP 揭示了阻抗的普遍性及其对治疗关系的负面影响，并展示了其提升咨询员理解与干预策略的潜力。
引用
@article{arxiv.2601.14780,
title = {RECAP: Resistance Capture in Text-based Mental Health Counseling with Large Language Models},
author = {Anqi Li and Yuqian Chen and Yu Lu and Zhaoming Chen and Yuan Xie and Zhenzhong Lan},
journal= {arXiv preprint arXiv:2601.14780},
year = {2026}
}
备注
19 pages, 2 figures