面向隐私保护的心理健康支持：大语言模型视角
人工智能
2026-01-27 v2
摘要
大语言模型 (LLMs) 在心理健康支持方面显示出巨大的潜力，但受限于真实咨询对话的稀缺性和敏感性，使得模型训练受到约束。本文我们提出了 MindChat，这是一个面向隐私保护的心理健康支持大语言模型，同时我们构建了 MindCorpus，这是一个通过多智能体角色扮演框架构建的合成多轮咨询数据集。为生成高质量的咨询数据，所开发的对话构建框架采用双闭环反馈设计，通过角色扮演整合心理学专业知识和咨询技巧：（i）在会话内进行轮次级的批判性修订，以提高连贯性和咨询恰当性；（ii）进行会话级的策略细化，以在会话之间逐步丰富咨询人员的行为。为了在分散数据所有权下缓解隐私风险，我们采用参数高效的 LoRA adapter 进行联邦学习，并纳入差分隐私优化以减少成员推断和记忆风险。在合成数据质量评估和咨询能力评估实验中显示，MindCorpus 改进了训练效果，而 MindChat 在自动 LLM-judge 和人类评估协议下，与现有的通用和咨询导向的 LLM 基线相当，同时在成员推断攻击下表现出 reduced 的隐私泄露。
引用
@article{arxiv.2601.01993,
title = {Towards Privacy-Preserving Mental Health Support with Large Language Models},
author = {Dong Xue and Jicheng Tu and Ming Wang and Xin Yan and Fangzhou Liu and Jie Hu},
journal= {arXiv preprint arXiv:2601.01993},
year = {2026}
}
备注
15 pages, 16 figures