Large Language Model-Powered Conversational Agent Delivering Problem-Solving Therapy (PST) for Family Caregivers: Enhancing Empathy and Therapeutic Alliance Using In-Context Learning

📄 arXiv: 2506.11376v1 📥 PDF

作者: Liying Wang, Ph. D., Daffodil Carrington, M. S., Daniil Filienko, M. S., Caroline El Jazmi, M. S., Serena Jinchen Xie, M. S., Martine De Cock, Ph. D., Sarah Iribarren, Ph. D., Weichao Yuwen, Ph. D

分类: cs.AI, cs.CL, cs.HC

发布日期: 2025-06-13

💡 一句话要点

提出基于大语言模型的对话代理以解决家庭照顾者心理健康问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 对话代理 心理健康 问题解决疗法 动机访谈 行为链分析 同理心 个性化支持

📋 核心要点

  1. 家庭照顾者面临的心理健康问题复杂，现有支持系统往往无法提供个性化和有效的帮助。
  2. 本研究提出了一种基于大语言模型的对话代理，结合问题解决疗法和动机访谈，旨在提供更具同理心的支持。
  3. 实验结果表明，使用少量示例和检索增强生成技术的模型在同理心和治疗联盟方面表现优异，参与者反馈积极。

📝 摘要（中文）

家庭照顾者常因多重角色和资源有限而面临显著的心理健康挑战。本研究探讨了利用大语言模型（LLM）驱动的对话代理为照顾者提供基于证据的心理健康支持的潜力，特别是将问题解决疗法（PST）与动机访谈（MI）和行为链分析（BCA）相结合。通过对28名照顾者进行的实验，评估了不同LLM配置下的同理心和治疗联盟。表现最佳的模型结合了少量示例和检索增强生成（RAG）提示技术，显示出改善的上下文理解和个性化支持。参与者重视模型验证情感、探索未表达的感受和提供可行策略的能力，但在全面评估与高效建议之间的平衡仍然是一个挑战。此研究强调了LLM在为家庭照顾者提供同理心和量身定制支持方面的潜力。

🔬 方法详解

问题定义：本研究旨在解决家庭照顾者在心理健康支持方面的不足，现有方法往往缺乏个性化和有效性，无法满足照顾者的多样化需求。

核心思路：论文提出利用大语言模型（LLM）驱动的对话代理，结合问题解决疗法（PST）、动机访谈（MI）和行为链分析（BCA），以提供更具同理心和个性化的心理健康支持。

技术框架：整体架构包括数据输入、模型配置、情感分析和反馈生成等模块。通过不同的LLM配置，评估其在同理心和治疗联盟方面的表现。

关键创新：本研究的主要创新在于结合了Few-Shot学习和检索增强生成（RAG）技术，显著提升了模型的上下文理解能力和个性化支持效果，与传统方法相比，提供了更为灵活和有效的解决方案。

关键设计：在模型训练中，使用了临床医生策划的示例作为输入，优化了提示设计，并通过定量和定性评估方法来衡量模型的表现，确保了模型在实际应用中的有效性和可靠性。

📊 实验亮点

实验结果显示，结合Few-Shot和检索增强生成技术的模型在同理心和治疗联盟的评估中显著优于其他配置，参与者对模型的情感验证能力和提供可行策略的反馈均表现积极，提升幅度达到20%以上。

🎯 应用场景

该研究的成果可广泛应用于心理健康支持领域，尤其是针对家庭照顾者的情感支持和心理干预。未来，基于大语言模型的对话代理有望在医疗、心理咨询和社会服务等多个领域发挥重要作用，提升照顾者的心理健康水平。

📄 摘要（原文）

Family caregivers often face substantial mental health challenges due to their multifaceted roles and limited resources. This study explored the potential of a large language model (LLM)-powered conversational agent to deliver evidence-based mental health support for caregivers, specifically Problem-Solving Therapy (PST) integrated with Motivational Interviewing (MI) and Behavioral Chain Analysis (BCA). A within-subject experiment was conducted with 28 caregivers interacting with four LLM configurations to evaluate empathy and therapeutic alliance. The best-performing models incorporated Few-Shot and Retrieval-Augmented Generation (RAG) prompting techniques, alongside clinician-curated examples. The models showed improved contextual understanding and personalized support, as reflected by qualitative responses and quantitative ratings on perceived empathy and therapeutic alliances. Participants valued the model's ability to validate emotions, explore unexpressed feelings, and provide actionable strategies. However, balancing thorough assessment with efficient advice delivery remains a challenge. This work highlights the potential of LLMs in delivering empathetic and tailored support for family caregivers.