RECAP: Resistance Capture in Text-based Mental Health Counseling with Large Language Models

📄 arXiv: 2601.14780v1 📥 PDF

作者: Anqi Li, Yuqian Chen, Yu Lu, Zhaoming Chen, Yuan Xie, Zhenzhong Lan

分类: cs.CL, cs.AI

发布日期: 2026-01-21

备注: 19 pages, 2 figures

💡 一句话要点

提出RECAP框架，用于识别文本心理咨询中的阻抗行为并提供解释。

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

关键词: 文本心理咨询 阻抗行为识别 大型语言模型 细粒度分类 可解释性 PsyFIRE框架 ClientResistance语料库

📋 核心要点

  1. 现有NLP方法在文本心理咨询中识别阻抗行为时，存在类别简化、忽略序列动态和缺乏可解释性等问题。
  2. 论文提出PsyFIRE框架，捕捉细粒度阻抗行为和协同互动，并构建ClientResistance语料库。
  3. RECAP框架在阻抗检测和细粒度分类上显著优于现有方法，并能提升咨询师的理解和干预能力。

📝 摘要（中文）

识别和处理来访者的阻抗行为对于有效的心理咨询至关重要，但在文本互动中检测此类行为尤其具有挑战性。现有的自然语言处理方法过度简化了阻抗类别，忽略了治疗干预的序列动态，并且可解释性有限。为了解决这些局限性，我们提出了PsyFIRE，一个理论驱动的框架，用于捕捉13种细粒度的阻抗行为以及协同互动。基于PsyFIRE，我们构建了ClientResistance语料库，其中包含来自真实中文文本咨询的23930条带注释的语句，每条语句都由特定于上下文的理由支持。利用该数据集，我们开发了RECAP，一个两阶段框架，用于检测阻抗和细粒度的阻抗类型，并提供解释。RECAP在区分协作和阻抗方面的F1值为91.25%，在细粒度阻抗类别分类方面的宏F1值为66.58%，优于领先的基于提示的大型语言模型基线20多个点。应用于单独的咨询数据集和一项包含62名咨询师的初步研究，RECAP揭示了阻抗的普遍性及其对治疗关系的负面影响，并证明了其提高咨询师理解和干预策略的潜力。

🔬 方法详解

问题定义：论文旨在解决文本心理咨询中难以识别来访者阻抗行为的问题。现有方法的痛点在于：1) 阻抗类别过于简化，无法提供细致的分析；2) 忽略了咨询过程中治疗干预的序列性，无法捕捉动态变化；3) 可解释性不足，难以帮助咨询师理解阻抗的原因。

核心思路：论文的核心思路是构建一个细粒度的阻抗行为分类体系（PsyFIRE），并利用大型语言模型（LLM）学习这些细粒度特征，从而更准确地识别阻抗行为。同时，通过提供解释，增强模型的可解释性，帮助咨询师更好地理解来访者的心理状态。

技术框架：RECAP框架是一个两阶段的框架。第一阶段是阻抗检测，区分协作和阻抗行为。第二阶段是细粒度阻抗类型分类，将阻抗行为进一步划分为13种细粒度类型。框架使用ClientResistance语料库进行训练，该语料库包含带注释的语句和上下文相关的理由。

关键创新：论文的关键创新在于：1) 提出了PsyFIRE框架，提供了一个更全面、细粒度的阻抗行为分类体系；2) 构建了ClientResistance语料库，为研究提供了高质量的数据支持；3) RECAP框架能够检测阻抗行为并提供解释，增强了模型的可解释性和实用性。

关键设计：RECAP框架使用两阶段分类模型。第一阶段使用分类器区分协作和阻抗行为，第二阶段使用另一个分类器将阻抗行为分类为13种细粒度类型。模型使用了大型语言模型作为 backbone，并结合了上下文信息和注意力机制，以提高分类的准确性。损失函数使用了交叉熵损失函数，并对不同类别的样本进行了加权，以平衡类别不平衡问题。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

RECAP框架在区分协作和阻抗方面的F1值为91.25%，在细粒度阻抗类别分类方面的宏F1值为66.58%，显著优于领先的基于提示的大型语言模型基线，提升超过20个百分点。在包含62名咨询师的初步研究中，RECAP揭示了阻抗的普遍性及其对治疗关系的负面影响。

🎯 应用场景

该研究成果可应用于在线心理咨询平台，辅助咨询师识别来访者的阻抗行为，并提供个性化的干预建议。此外，该研究还可以用于培训心理咨询师，提高他们识别和处理阻抗行为的能力。未来，该研究可以扩展到其他类型的文本互动，例如客户服务和教育辅导。

📄 摘要（原文）

Recognizing and navigating client resistance is critical for effective mental health counseling, yet detecting such behaviors is particularly challenging in text-based interactions. Existing NLP approaches oversimplify resistance categories, ignore the sequential dynamics of therapeutic interventions, and offer limited interpretability. To address these limitations, we propose PsyFIRE, a theoretically grounded framework capturing 13 fine-grained resistance behaviors alongside collaborative interactions. Based on PsyFIRE, we construct the ClientResistance corpus with 23,930 annotated utterances from real-world Chinese text-based counseling, each supported by context-specific rationales. Leveraging this dataset, we develop RECAP, a two-stage framework that detects resistance and fine-grained resistance types with explanations. RECAP achieves 91.25% F1 for distinguishing collaboration and resistance and 66.58% macro-F1 for fine-grained resistance categories classification, outperforming leading prompt-based LLM baselines by over 20 points. Applied to a separate counseling dataset and a pilot study with 62 counselors, RECAP reveals the prevalence of resistance, its negative impact on therapeutic relationships and demonstrates its potential to improve counselors' understanding and intervention strategies.