AutoPsyC: Automatic Recognition of Psychodynamic Conflicts from Semi-structured Interviews with Large Language Models

📄 arXiv: 2503.21911v1 📥 PDF

作者: Sayed Muddashir Hossain, Simon Ostermann, Patrick Gebhard, Cord Benecke, Josef van Genabith, Philipp Müller

分类: cs.CL, cs.AI

发布日期: 2025-03-27

💡 一句话要点

AutoPsyC：利用大语言模型自动识别半结构化访谈中的心理动力冲突

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

关键词: 心理动力冲突 大型语言模型 半结构化访谈 检索增强生成 参数高效微调

📋 核心要点

  1. 现有精神疾病诊断方法侧重于宽泛的疾病类别，难以识别患者可能无意识的心理动力冲突。
  2. AutoPsyC结合参数高效微调、检索增强生成和总结策略，利用大语言模型处理完整的OPD访谈。
  3. 实验结果表明，AutoPsyC在识别四种关键心理动力冲突方面优于所有基线方法。

📝 摘要（中文）

心理动力冲突是持续存在的、通常是无意识的主题，它塑造着一个人的行为和经历。准确诊断心理动力冲突对于有效的患者治疗至关重要，通常通过漫长且手动评分的半结构化访谈来完成。现有的精神疾病自动诊断解决方案倾向于关注抑郁症等广泛的疾病类别，目前尚不清楚是否可以从对话中自动识别心理动力冲突，因为患者自己可能无法有意识地感知到这些冲突。在本文中，我们提出了AutoPsyC，这是第一个使用大型语言模型（LLM）从完整的操作化心理动力学诊断（OPD）访谈中识别心理动力冲突的存在和重要性的方法。我们的方法结合了参数高效微调和检索增强生成（RAG）的最新进展，以及一种总结策略，以有效地处理整个90分钟的对话。在对141次诊断访谈的数据集进行的评估中，我们表明AutoPsyC始终优于所有基线和消融条件，能够识别四种高度相关的心理动力冲突。

🔬 方法详解

问题定义：论文旨在解决从半结构化访谈中自动识别心理动力冲突的问题。现有方法主要集中于识别广泛的精神疾病类别，而忽略了更细粒度、更深层次的心理动力冲突。这些冲突往往是无意识的，难以通过传统方法准确诊断，且人工诊断耗时耗力。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大理解和生成能力，结合检索增强生成（RAG）和总结策略，从访谈记录中提取关键信息，从而识别心理动力冲突。通过RAG，模型可以访问相关的背景知识，提高识别的准确性。总结策略则用于处理长篇访谈记录，提取关键信息。

技术框架：AutoPsyC的技术框架主要包括以下几个阶段：1) 数据预处理：对访谈记录进行清洗和格式化。2) 检索增强生成（RAG）：利用检索模块从外部知识库中检索与访谈内容相关的背景知识。3) LLM推理：将访谈记录和检索到的背景知识输入到LLM中，进行心理动力冲突识别。4) 总结：使用总结模块提取访谈记录的关键信息，辅助LLM进行推理。

关键创新：AutoPsyC的关键创新在于：1) 首次将LLM应用于心理动力冲突的自动识别。2) 结合RAG和总结策略，有效处理长篇访谈记录，提高识别准确性。3) 采用参数高效微调方法，降低了模型训练的成本。

关键设计：论文采用了参数高效微调方法，具体使用了LoRA（Low-Rank Adaptation），只训练少量参数，降低了计算成本。检索模块使用了基于余弦相似度的向量检索方法，从知识库中检索相关信息。总结模块使用了基于Transformer的序列到序列模型，提取访谈记录的关键信息。损失函数使用了交叉熵损失函数，用于优化模型参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在包含141次诊断访谈的数据集上，AutoPsyC在识别四种高度相关的心理动力冲突方面，始终优于所有基线和消融实验。具体性能数据未知，但结果表明AutoPsyC在心理动力冲突识别任务上具有显著优势，证明了LLM在该领域的应用潜力。

🎯 应用场景

AutoPsyC可应用于精神疾病的辅助诊断、心理咨询和治疗等领域。它可以帮助医生更快速、更准确地识别患者的心理动力冲突，从而制定更有效的治疗方案。此外，AutoPsyC还可以用于心理学研究，例如探索心理动力冲突与行为模式之间的关系。未来，该技术有望推广到更广泛的心理健康领域，提高心理健康服务的效率和质量。

📄 摘要（原文）

Psychodynamic conflicts are persistent, often unconscious themes that shape a person's behaviour and experiences. Accurate diagnosis of psychodynamic conflicts is crucial for effective patient treatment and is commonly done via long, manually scored semi-structured interviews. Existing automated solutions for psychiatric diagnosis tend to focus on the recognition of broad disorder categories such as depression, and it is unclear to what extent psychodynamic conflicts which even the patient themselves may not have conscious access to could be automatically recognised from conversation. In this paper, we propose AutoPsyC, the first method for recognising the presence and significance of psychodynamic conflicts from full-length Operationalized Psychodynamic Diagnostics (OPD) interviews using Large Language Models (LLMs). Our approach combines recent advances in parameter-efficient fine-tuning and Retrieval-Augmented Generation (RAG) with a summarisation strategy to effectively process entire 90 minute long conversations. In evaluations on a dataset of 141 diagnostic interviews we show that AutoPsyC consistently outperforms all baselines and ablation conditions on the recognition of four highly relevant psychodynamic conflicts.