利用大型语言模型为治疗 sessions创建个性化网络
人工智能
2025-12-08 v1
摘要
近期精神治疗的进展聚焦于治疗个性化，例如通过选择基于个性化网络的治疗模块。然而，估计个性化网络通常需要密集的纵向数据，而这在实际中往往不可行。利用LLM实现网络驱动的治疗个性化可行性增强，作为可扩展性解决方案。本研究提出了从77个治疗记录自动生成客户网络的端到端管道，以支持病例概念化和治疗规划。我们标注了3364个心理过程及其对应维度。基于这些数据，我们应用情境学习联合识别心理过程及其维度。该方法即使在少量训练样本下也达到了高性能。为将过程组织成网络，我们引入了两种步骤的方法，将其分组为临床上有意义的聚类，然后生成带解释增强的聚类间关系。专家认为，我们的方法生成的网络在临床实用性和可解释性方面优于直接提示构建的网络，其中最高可达90%的偏好。此外，网络被评为临床相关性、新颖性和有用性得分分别为72-75%。我们的发现为使用LLM从治疗记录中创建临床相关网络提供了概念验证。我们方法的优势包括从治疗期间客户言语中进行的自下而上病例概念化以及识别潜在主题。由我们管道生成的网络可用于临床环境、监督和培训。未来的研究应检验这些网络是否优于其他治疗个性化方法（包括统计估计的网络）改善治疗结果。
关键词
引用
@article{arxiv.2512.05836,
title = {Using Large Language Models to Create Personalized Networks From Therapy Sessions},
author = {Clarissa W. Ong and Hiba Arnaout and Kate Sheehan and Estella Fox and Eugen Owtscharow and Iryna Gurevych},
journal= {arXiv preprint arXiv:2512.05836},
year = {2025}
}