面向健康行为改进的专家级动机访谈：LLM 驱动的方法
计算与语言
2025-12-18 v1
摘要
背景：动机访谈 (Motivational Interviewing, MI) 是一种有效的咨询方法，用于促进健康行为改变，但其影响受限于需要高度培训的人类咨询师。目的：本研究旨在探索一种可扩展的替代方案，通过开发和评估大型语言模型进行动机访谈 (MI-LLMs)。方法：我们首先精选了五个中文心理咨询语料库，并利用带有 MI 信息化提示的 GPT-4，将来自最高质量数据集 (CPsyCounD 和 PsyDTCorpus) 的多轮对话转化为 2,040 场 MI 风格咨询对话，其中 2,000 场用于训练，40 场用于测试。我们对三个中文能力开源大型语言模型 (Baichuan2-7B-Chat、ChatGLM-4-9B-Chat 和 Llama-3-8B-Chinese-Chat-v2) 进行了微调，命名为 MI-LLMs。我们使用基于 round 的自动指标和专家手动编码（依据动机访谈治疗完整性编码手册 4.2.1）评估 MI-LLMs。结果：在所有三个模型中，微调后相较于基础模型在 BLEU-4 和 ROUGE 分数上均显著提升，手动编码显示 MI-LLMs 在技术和关系全局得分以及 MI 一致性比例上接近真实 MI 对话，尽管复杂反思和反思-提问比例仍较少。结论：这些发现提供了初步证据表明，MI 导向的微调能够赋予通用大型语言模型具备核心 MI 一致性咨询行为的能力，表明了一种可扩展的 AI 辅助健康行为改变支持路径，但也凸显了在数据规模、复杂 MI 技能和实际干预试验方面的进一步工作需求。
引用
@article{arxiv.2512.15446,
title = {Toward expert-level motivational interviewing for health behavior improvement with LLMs},
author = {Run-ze Hu and Yang Yang and Yi-hang Yang and Jing-qi Kong and Jia-hui Luo and Wen-yu Yang and Jing Chen and Jing-yao Liu and Hui-qun Zeng and Lei Zhang and Zheng Liu},
journal= {arXiv preprint arXiv:2512.15446},
year = {2025}
}
备注
26 pages, 3 figures