Beyond Empathy: Integrating Diagnostic and Therapeutic Reasoning with Large Language Models for Mental Health Counseling
作者: He Hu, Yucheng Zhou, Juzheng Si, Qianning Wang, Hengheng Zhang, Fuji Ren, Fei Ma, Laizhong Cui, Qi Tian
分类: cs.CL
发布日期: 2025-05-21 (更新: 2025-11-03)
🔗 代码/项目: GITHUB
💡 一句话要点
PsyLLM：首个集成诊断与治疗推理的大语言模型，用于心理健康咨询。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心理健康咨询 大型语言模型 诊断推理 治疗推理 自动化数据合成
📋 核心要点
- 现有基于LLM的心理健康咨询方法缺乏临床诊断推理能力，无法有效整合多种治疗模式。
- PsyLLM通过自动化数据合成流程，结合国际诊断标准和多种治疗框架，模拟临床推理过程。
- 实验表明，PsyLLM在新的评估基准上显著优于现有模型，提升了心理咨询质量。
📝 摘要（中文）
大型语言模型（LLMs）在心理健康支持方面具有巨大潜力，能够生成共情反应并模拟治疗性对话。然而，现有的基于LLM的方法通常缺乏实际心理咨询所需的临床基础，尤其是在符合DSM/ICD等标准的明确诊断推理以及整合超越基本共情或单一策略的多样化治疗模式方面。为了解决这些关键限制，我们提出了PsyLLM，这是第一个旨在系统地整合诊断和治疗推理以进行心理健康咨询的大型语言模型。为了开发PsyLLM，我们设计了一种新颖的自动化数据合成流程，该流程处理从Reddit收集的真实心理健康帖子，用户经常在其中分享心理困扰并寻求社区支持。该流程处理真实的心理健康帖子，生成多轮对话结构，并利用由国际诊断标准（例如DSM/ICD）和多种治疗框架（例如CBT、ACT、精神动力学）指导的LLM来模拟详细的临床推理过程。严格的多维度过滤确保生成高质量、临床对齐的对话数据。此外，我们引入了一个新的基准和评估协议，评估四个关键维度上的咨询质量。我们的实验表明，PsyLLM在该基准上显着优于最先进的基线模型。模型权重和数据集已在https://github.com/Emo-gml/PsyLLM上公开发布。
🔬 方法详解
问题定义：现有基于大型语言模型的心理健康咨询方法，主要痛点在于缺乏临床诊断的依据，无法像专业咨询师一样进行诊断推理，并且在治疗方法上过于单一，通常只关注共情，而忽略了认知行为疗法（CBT）、接受与承诺疗法（ACT）等多种有效的治疗手段。这导致LLM在实际心理咨询场景中的应用受限。
核心思路：PsyLLM的核心思路是通过构建一个包含诊断和治疗推理能力的大型语言模型，使其能够像专业的心理咨询师一样，根据用户的描述进行诊断，并选择合适的治疗方法。为了实现这一目标，论文提出了一种自动化数据合成流程，利用LLM生成高质量的、符合临床标准的对话数据，从而训练PsyLLM。
技术框架：PsyLLM的整体框架包括以下几个主要模块：1) 数据收集模块：从Reddit等社交媒体平台收集心理健康相关的帖子。2) 数据处理模块：对收集到的帖子进行清洗和预处理，提取关键信息。3) 数据合成模块：利用大型语言模型，结合国际诊断标准（如DSM/ICD）和多种治疗框架（如CBT、ACT、精神动力学），生成多轮对话结构，模拟临床推理过程。4) 模型训练模块：使用合成的数据训练PsyLLM。5) 评估模块：使用新的基准和评估协议，评估PsyLLM的咨询质量。
关键创新：PsyLLM最重要的技术创新点在于其系统地整合了诊断和治疗推理能力，使其能够进行更全面、更专业的心理健康咨询。此外，论文提出的自动化数据合成流程也是一个重要的创新，它能够高效地生成高质量的、符合临床标准的对话数据，解决了训练数据不足的问题。
关键设计：在数据合成模块中，论文使用了多个大型语言模型，并结合了国际诊断标准和多种治疗框架，以确保生成的数据具有临床相关性和多样性。此外，论文还设计了严格的多维度过滤机制，以确保生成的数据质量。在模型训练方面，论文使用了标准的Transformer架构，并针对心理咨询任务进行了优化。具体的参数设置和损失函数等技术细节在论文中没有详细描述，属于未知信息。
🖼️ 关键图片
📊 实验亮点
PsyLLM在新的评估基准上显著优于现有的基线模型，证明了其在心理健康咨询方面的有效性。具体性能数据和提升幅度在论文中没有明确给出，属于未知信息。但论文强调了PsyLLM在诊断推理和治疗策略选择方面的优势。
🎯 应用场景
PsyLLM可应用于在线心理健康咨询平台，为用户提供初步的心理评估和支持。它还可以作为心理咨询师的辅助工具，帮助他们进行诊断和制定治疗方案。此外，该研究为开发更智能、更个性化的心理健康服务提供了新的思路。
📄 摘要（原文）
Large language models (LLMs) hold significant potential for mental health support, capable of generating empathetic responses and simulating therapeutic conversations. However, existing LLM-based approaches often lack the clinical grounding necessary for real-world psychological counseling, particularly in explicit diagnostic reasoning aligned with standards like the DSM/ICD and incorporating diverse therapeutic modalities beyond basic empathy or single strategies. To address these critical limitations, we propose PsyLLM, the first large language model designed to systematically integrate both diagnostic and therapeutic reasoning for mental health counseling. To develop PsyLLM, we design a novel automated data synthesis pipeline that processes real-world mental health posts collected from Reddit, where users frequently share psychological distress and seek community support. This pipeline processes real-world mental health posts, generates multi-turn dialogue structures, and leverages LLMs guided by international diagnostic standards (e.g., DSM/ICD) and multiple therapeutic frameworks (e.g., CBT, ACT, psychodynamic) to simulate detailed clinical reasoning processes. Rigorous multi-dimensional filtering ensures the generation of high-quality, clinically aligned dialogue data. In addition, we introduce a new benchmark and evaluation protocol, assessing counseling quality across four key dimensions. Our experiments demonstrate that PsyLLM significantly outperforms state-of-the-art baseline models on this benchmark. The model weights and dataset have been publicly released at https://github.com/Emo-gml/PsyLLM.