arXiv cs.CL· Arvind Pillai, Alexis Roach, Jason Holden, Varsha D Badal, Subigya Nepal, Yu Yvonne Wu, Yuliang Chen, Sudarshan Regmi, Sarah Masud Preum, Nicholas C Jacobson, Nikhil Singh, Eric Granholm, Colin Depp, Andrew Campbell·· 12 小时前AI 评分38
用大语言模型自动评估心理治疗依从性，实现可扩展的治疗督导
Scaling Therapy Supervision: Assessing Psychotherapy Fidelity Using Large Language Models
AI 导读
研究团队提出一套基于大语言模型的集成应用，可从真实长篇临床转录文本中自动完成心理治疗依从性评估并生成可执行的督导反馈。他们评测了三个开放权重模型在多种任务分解配置与推理策略下的表现，发现"证据优先"推理能提升依从性估计效果。该框架在独立随机对照试验中可靠区分 CBT 与非 CBT 会谈，心理健康专家用户研究也认为其生成的反馈具有可操作性。
正文 · AI 翻译
作者：Arvind Pillai、Alexis Roach、Jason Holden、Varsha D Badal、Subigya Nepal、Yu Yvonne Wu、Yuliang Chen、Sudarshan Regmi、Sarah Masud Preum、Nicholas C Jacobson、Nikhil Singh、Eric Granholm、Colin Depp、Andrew Campbell
摘要：心理治疗保真度评估衡量治疗师对治疗方案的遵循程度，而这是决定患者能否获得积极疗效的关键因素。然而，保真度评估受制于专家人工审阅，导致该过程劳动密集且难以规模化。为扩大治疗督导规模并支持临床医生自学，我们提出一种大语言模型（LLM）的集成应用，可自动化心理治疗保真度工作流，并从真实的长篇临床转录文本中生成可操作的督导反馈。我们在多种任务分解配置和推理策略下评估了三个开放权重模型，结果表明证据优先的推理能提升保真度估计。此外，我们在一个独立的随机对照试验（RCT）上确立了该框架的外部构念效度，该框架能在核心治疗技能上可靠地区分认知行为疗法（CBT）与非 CBT 会话。通过一项评估所生成反馈的用户研究，心理健康专家指出该流程能综合出可操作的临床反馈。最终，我们的工作为弥合社区心理健康督导缺口提供了一种实用且可扩展的解决方案。
| 评论： | 24 页，审稿中 |
| 主题： | 计算与语言（cs.CL）；人机交互（cs.HC） |
| 引用为： | arXiv:2610.28772 [cs.CL] |
| （或 arXiv:2610.28772v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28772 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Arvind Pillai [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 18:09:44 UTC（244 KB）
来源：arXiv cs.CL · arxiv.org