When Clients Stop Following: A Cognitive Conceptualization Diagram-driven Framework for Strategic Counseling
作者: Yihao Qin, Junyi Zhao, Changsheng Ma, Yongfeng Tao, Minqiang Yang, Chang Liu, Bin Hu
分类: cs.CL
发布日期: 2026-06-03
💡 一句话要点
提出基于认知行为疗法的抵抗感知框架以解决心理咨询评估不匹配问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心理咨询 大型语言模型 认知行为疗法 动态抵抗建模 评估指标 强化学习 人机交互
📋 核心要点
- 现有心理咨询评估方法过于依赖模拟客户的合作性，导致评估结果不准确。
- 论文提出了CARS客户模拟器和STREAMS双模块框架，以动态建模客户抵抗并优化咨询策略。
- 实验结果表明，抵抗感知训练显著提高了在抵抗和非抵抗咨询场景下的战略稳健性。
📝 摘要（中文）
大型语言模型（LLMs）在心理咨询中展现出潜力，但现有基准过于依赖高度合作的模拟客户。我们观察到一个关键的咨询师跟随现象：这些客户在仅几轮对话后，常常迅速从抵抗转向顺从，造成治疗进展的错觉，并在当前评估协议下通过表面同情夸大分数。为了解决这一评估不匹配问题，我们提出了一个基于认知行为疗法的抵抗感知框架。我们引入了CARS，一个明确建模动态抵抗的客户模拟器，通过认知概念图（CCDs）实现。我们提出了STREAMS，一个将战略推理（思考者）与响应生成（呈现者）解耦的双模块框架，并通过强化学习进行优化。我们进一步提出了EWTS-MI，一种在高摩擦交互下评估响应性的熵加权指标。实验验证了评估不匹配的发现，并展示了抵抗感知训练在挑战性咨询交互中提高战略稳健性的有效性。
🔬 方法详解
问题定义：本论文旨在解决心理咨询中评估不匹配的问题，现有方法往往依赖于高度合作的模拟客户，导致评估结果失真。
核心思路：论文提出了一个基于认知行为疗法的抵抗感知框架，通过动态建模客户的抵抗行为，提升咨询效果的评估准确性。
技术框架：整体架构包括CARS客户模拟器和STREAMS双模块框架，其中CARS使用认知概念图建模客户抵抗，STREAMS将战略推理与响应生成解耦。
关键创新：最重要的创新在于引入了动态抵抗建模和熵加权评估指标EWTS-MI，显著区别于传统的评估方法。
关键设计：在设计中，CARS模拟器通过CCDs实现动态抵抗建模，STREAMS框架通过强化学习优化策略，EWTS-MI则用于评估高摩擦交互中的响应性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，抵抗感知训练在抵抗和非抵抗咨询场景中均显著提高了战略稳健性，尤其在高摩擦交互中，EWTS-MI指标的应用提升了响应性评估的准确性，验证了框架的有效性。
🎯 应用场景
该研究的潜在应用领域包括心理咨询、教育辅导和人机交互等。通过提高咨询过程中的评估准确性，能够更好地理解客户需求，优化咨询策略，从而提升心理健康服务的质量和效果。
📄 摘要（原文）
Large Language Models (LLMs) show promise in psychological counseling, yet existing benchmarks rely heavily on highly cooperative simulated clients. We observe a critical counselor-following phenomenon: these clients often rapidly shift from resistance to compliance after only a few turns, creating an illusion of therapeutic progress and inflating scores under current evaluation protocols through superficial empathy. To address this evaluation mismatch, we propose a Cognitive Behavioral Therapy (CBT)-grounded resistance-aware framework. We introduce CARS, a client simulator that explicitly models dynamic resistance via Cognitive Conceptualization Diagrams (CCDs). We present STREAMS, a dual-module framework that decouples strategic reasoning (Thinker) from response generation (Presenter) and optimizes it via reinforcement learning. We further propose EWTS-MI, an entropy-weighted metric for evaluating responsiveness under high-friction interactions. Experiments across resistant and non-resistant counseling settings validate our findings on evaluation mismatch and demonstrate the effectiveness of resistance-aware training for improving strategic robustness under challenging counseling interactions.