CAMI: A Counselor Agent Supporting Motivational Interviewing through State Inference and Topic Exploration

📄 arXiv: 2502.02807v1 📥 PDF

作者: Yizhe Yang, Palakorn Achananuparp, Heyan Huang, Jing Jiang, Kit Phey Leng, Nicholas Gabriel Lim, Cameron Tan Shi Ern, Ee-peng Lim

分类: cs.CL

发布日期: 2025-02-05

💡 一句话要点

CAMI：通过状态推断和主题探索，支持动机访谈的咨询代理

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

关键词: 动机访谈 咨询代理 心理健康 状态推断 主题探索 大型语言模型 人机对话

📋 核心要点

  1. 心理健康支持需求日益增长，但可扩展性和可访问性面临挑战，现有咨询代理难以有效满足需求。
  2. CAMI采用STAR框架，结合客户状态推断、动机主题探索和响应生成模块，利用大型语言模型实现更有效的咨询。
  3. 实验结果表明，CAMI在MI技能、状态推断、主题探索和整体咨询成功率方面均优于现有方法，并展现出更真实的咨询师行为。

📝 摘要（中文）

本文介绍了一种名为CAMI的新型自动化咨询代理，它基于动机访谈（MI），这是一种以客户为中心的咨询方法，旨在解决矛盾心理并促进行为改变。CAMI采用了一种新颖的STAR框架，该框架由客户状态推断、动机主题探索和响应生成模块组成，并利用大型语言模型（LLM）。这些组件协同工作以引发改变对话，符合MI原则，并改善来自不同背景的客户的咨询结果。我们通过自动化和人工评估来评估CAMI的性能，利用模拟客户来评估MI技能能力、客户状态推断准确性、主题探索熟练程度和整体咨询成功率。结果表明，CAMI不仅优于几种最先进的方法，而且表现出更真实的类似咨询师的行为。此外，我们的消融研究强调了状态推断和主题探索在实现此性能方面的关键作用。

🔬 方法详解

问题定义：论文旨在解决自动化咨询代理在动机访谈（MI）中的应用问题。现有方法在理解客户状态、探索相关主题以及生成符合MI原则的响应方面存在不足，导致咨询效果不佳。这些方法难以捕捉客户的复杂情感和动机，无法有效地引导客户进行行为改变。

核心思路：论文的核心思路是构建一个基于大型语言模型的咨询代理，该代理能够准确推断客户的状态，主动探索与客户动机相关的主题，并生成符合MI原则的响应。通过这种方式，代理可以更好地理解客户的需求，并提供个性化的咨询服务。

技术框架：CAMI采用STAR框架，包含三个主要模块：1) 客户状态推断模块：用于识别客户的情绪、动机和行为倾向；2) 动机主题探索模块：用于发现与客户动机相关的潜在主题；3) 响应生成模块：用于生成符合MI原则的咨询响应。整个流程是，首先通过状态推断模块分析客户的对话，然后利用主题探索模块确定下一步咨询的重点，最后由响应生成模块生成合适的回复。

关键创新：论文的关键创新在于将客户状态推断和动机主题探索整合到咨询代理中。传统的咨询代理通常只关注对话的表面信息，而忽略了客户的内在状态和动机。CAMI通过引入状态推断和主题探索，可以更深入地理解客户的需求，并提供更有效的咨询服务。

关键设计：状态推断模块使用预训练语言模型进行微调，以识别客户的情绪、动机和行为倾向。主题探索模块使用基于知识图谱的方法，发现与客户动机相关的潜在主题。响应生成模块使用基于规则和模板的方法，生成符合MI原则的咨询响应。具体参数设置和损失函数等细节在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CAMI在MI技能能力、客户状态推断准确性、主题探索熟练程度和整体咨询成功率方面均优于现有方法。具体性能数据和提升幅度在摘要中未明确给出，属于未知信息。消融研究表明，状态推断和主题探索模块对CAMI的性能至关重要。

🎯 应用场景

CAMI具有广泛的应用前景，可用于提供可扩展且经济高效的心理健康支持。它可以应用于在线咨询平台、移动应用程序和虚拟现实环境，为有需要的人提供随时随地的心理咨询服务。此外，CAMI还可以作为心理咨询师的辅助工具，帮助他们更好地理解客户的需求，并提供更有效的咨询服务。未来，CAMI有望在改善公众心理健康方面发挥重要作用。

📄 摘要（原文）

Conversational counselor agents have become essential tools for addressing the rising demand for scalable and accessible mental health support. This paper introduces CAMI, a novel automated counselor agent grounded in Motivational Interviewing (MI) -- a client-centered counseling approach designed to address ambivalence and facilitate behavior change. CAMI employs a novel STAR framework, consisting of client's state inference, motivation topic exploration, and response generation modules, leveraging large language models (LLMs). These components work together to evoke change talk, aligning with MI principles and improving counseling outcomes for clients from diverse backgrounds. We evaluate CAMI's performance through both automated and manual evaluations, utilizing simulated clients to assess MI skill competency, client's state inference accuracy, topic exploration proficiency, and overall counseling success. Results show that CAMI not only outperforms several state-of-the-art methods but also shows more realistic counselor-like behavior. Additionally, our ablation study underscores the critical roles of state inference and topic exploration in achieving this performance.