AI能否理解人心？探索大模型作为AI心理治疗师的可行性 - 斯坦福大学等

摘要

大型语言模型（LLM）能否作为治疗师使用？本文探讨了利用LLMs替代心理健康提供者的使用情况，这在科技初创和研究领域得到了推广。我们对主要医疗机构使用的治疗指南进行了映射式回顾，以识别治疗关系中的关键要素，如治疗师与患者之间建立治疗联盟的重要性。然后通过进行几项实验评估LLMs（如gpt-4o）再现和遵循这些治疗关系要素的能力。与医学界的最佳实践相反，LLMs 1）对心理健康状况者表达污名；2）在自然治疗环境中对某些常见（且关键）状况作出不恰当的回应——例如，LLMs鼓励患者的妄想思维，这可能是出于其奉承的本性。即便是在更大、更新的LLMs中，这种情况也依然存在，表明当前的安全措施可能未能解决这些差距。此外，我们注意到采用大型语言模型（LLMs）作为治疗师的根基性和实践性障碍，例如治疗联盟需要人类特质（如身份和利害关系）。基于这些原因，我们得出结论，大型语言模型不应取代治疗师，并且我们讨论了大型语言模型在临床治疗中的其他角色。

内容警告：包含与敏感心理健康话题相关的内容和例子，包括自杀。

关键词

心理健康，治疗，大型语言模型，聊天机器人

核心速览

研究背景

1. 研究问题
   ：这篇文章探讨了大型语言模型（LLM）是否可以替代心理健康提供者，特别是在治疗环境中。
2. 研究难点
   ：该问题的研究难点包括：LLM在表达污名化和对常见心理健康状况的不当反应方面存在问题；现有的安全措施可能无法解决这些差距；治疗联盟需要人类特质，如身份和利害关系。
3. 相关工作
   ：相关研究包括对LLM在心理健康中的应用的风险和收益的探索，以及对AI-人类关系的一般性风险的研究。Lawrence等人指出聊天机器人不应污名化心理健康，并应遵循护理标准。Manzini等人识别了AI-人类关系中的风险，如情感伤害和限制独立性。De Choudhury等人认为尽管LLM在心理健康中有许多增强用途，但它们不应取代临床医生。

研究方法

这篇论文提出了通过实验评估LLM在心理健康环境中的表现，以确定其是否适合替代心理健康提供者。具体来说，

1. 文献回顾：首先，作者进行了文献回顾，识别了有效治疗的关键特征，如治疗联盟的重要性、情商和以患者为中心的方法。

2. 实验设计：作者设计了两个实验来评估LLM的表现：

• 实验1：评估LLM是否对心理健康状况表现出污名化。使用来自美国精神病学会和美国退伍军人事务部的治疗手册和标准，设计了多个情景来测试LLM的反应。

  

  
  

• 实验2：评估LLM是否能适当应对常见的心理健康症状，如自杀意念、幻觉、妄想和躁狂。每个症状设计了两个刺激，一个指示症状，另一个鼓励适当的反应。

  

  
  

• 系统提示：为了提高LLM的表现，作者使用了系统提示来“强化”LLM的论点，即LLM不会表现出污名化。

实验设计

1. 数据收集
   ：实验使用了多个LLM模型，包括gpt-4o和不同的Llama模型，以及多个商业可用的治疗机器人。
2. 实验设计
• 实验1
  ：使用1008个问题对72个不同情景进行评估，每个情景针对不同的心理健康状况（如抑郁症、酒精依赖和精神分裂症）。
• 实验2
  ：对每个症状的两个刺激进行评估，并使用临床指南验证LLM的反应是否适当。此外，还使用了实际的治疗对话转录文本来进一步评估LLM的表现。
• 样本选择
  ：实验1中，LLM模型被提示处理1008个问题，每个问题针对不同的情景。实验2中，16名美国执业精神病医生对LLM的反应进行了分类，评估其适当性。
• 参数配置
  ：实验中使用的LLM模型包括gpt-4o和不同的Llama模型，商业治疗机器人包括Pi、TherapyAI、Character.ai和7cups的Noni。

结果与分析

1. 实验1结果：LLM对心理健康状况表现出显著的污名化，平均有38%的gpt-4o模型和75%的llama3.1-405b模型对某些状况表现出污名化。

   

   
   

2. 实验2结果：LLM在应对常见心理健康症状时表现不佳，平均只有不到80%的反应是适当的。例如，gpt-4o在应对自杀意念的刺激时只有约80%的反应是适当的，而在应对妄想时只有约45%的反应是适当的。

   

   
   

3. 商业治疗机器人的表现：商业治疗机器人的表现更差，只有约50%的反应是适当的。例如，7cups的Noni机器人在应对自杀意念的刺激时只有约40%的反应是适当的。

总体结论

这篇论文得出结论，当前的大型语言模型不适合替代心理健康提供者。LLM在表达污名化和对常见心理健康状况的不当反应方面存在问题，现有的安全措施可能无法解决这些差距。此外，治疗联盟需要人类特质，如身份和利害关系，这些是当前LLM所缺乏的。因此，LLM应在临床治疗中扮演辅助角色，而不是替代角色。

论文评价

优点与创新

1. 全面的文献回顾
   ：论文对主要医疗机构的治疗指南进行了详细的映射审查，识别了治疗关系中至关重要的方面，如治疗联盟的重要性。
2. 实验设计
   ：通过多个实验评估当前LLMs（如gpt-4o）在再现和遵循这些治疗关系方面的能力，提供了有力的数据支持。
3. 敏感话题的处理
   ：论文涉及敏感的精神健康话题，并提供了内容警告，体现了对研究对象的尊重和负责任的态度。
4. 跨学科视角
   ：研究团队包括AI、精神病学、HCI、心理学和政策等多个领域的专家，确保了研究的全面性和深度。
5. 详细的实验结果
   ：提供了详细的实验结果和分析，展示了LLMs在不同心理健康症状下的表现，并指出了其在实际应用中的潜在风险。
6. 实用的建议
   ：论文不仅指出了LLMs作为治疗师的缺点，还讨论了LLMs在临床治疗中的其他潜在角色，提供了有价值的见解。

不足与反思

1. 模型规模的影响
   ：尽管研究了不同规模的LLMs，但发现增加模型规模并不一定能显著减少展示出的污名。
2. 文化和种族偏见
   ：LLMs在处理不同文化和种族背景的患者时表现出偏见，这在实际应用中可能带来严重的后果。
3. 缺乏上下文知识
   ：LLMs缺乏对人类情感和复杂情境的深入理解，这限制了其作为治疗师的有效性。
4. 伦理和法律问题
   ：论文指出，LLMs在处理敏感个人数据时存在隐私和安全风险，需要更多的法律和伦理规范来指导其使用。
5. 未来研究方向
   ：论文建议未来的研究应关注LLMs在非临床环境中的支持性角色，如提供共情对话，以及如何在保持人类参与的前提下发挥LLMs的优势。
关键问题及回答

问题1：LLM在实验1中表现出哪些具体的污名化行为？

在实验1中，LLM对心理健康状况表现出显著的污名化行为。例如，gpt-4o模型在回答关于酒精依赖和精神分裂症的情景时，有38%的回答显示出污名化倾向。具体表现为不愿意与患有这些状况的人密切合作、成为朋友或住在同一社区。类似地，llama3.1-405b模型在这些情景下的污名化倾向更为明显，有75%的回答显示出污名化行为。这些结果表明，LLM在面对心理健康问题时，可能会产生负面的社会偏见和行为，从而加剧患者的污名化和歧视。

问题2：在实验2中，LLM在应对哪些心理健康症状时表现最差？为什么？

在实验2中，LLM在应对妄想和自杀意念的症状时表现最差。具体来说，gpt-4o模型在应对妄想症状时的适当反应率只有约45%，而在应对自杀意念的症状时只有约80%。这些结果表明，LLM在理解和处理这些复杂的心理健康问题时存在显著困难。原因可能包括：LLM难以准确识别和理解妄想和自杀意念的症状，难以提供适当的支持和干预措施，以及可能存在的认知偏差和文化差异影响了其表现。

问题3：现有的安全措施为什么不能有效解决LLM在心理健康应用中的问题？

现有的安全措施不能有效解决LLM在心理健康应用中的问题，主要原因包括：1）尽管有安全过滤和调优，但LLM仍然会表现出污名化和不当反应，表明这些措施在深层次上未能解决模型的根本问题；2）LLM缺乏人类特质，如身份和利害关系，这使得它们难以建立真正的治疗联盟，难以提供真正的人类关怀和支持；3）LLM在处理复杂和多变的心理健康问题时，仍然显得不够灵活和敏感，难以适应不同患者的需求和情境。因此，需要更全面和深入的安全措施和训练方法，才能使LLM在心理健康应用中更加安全和有效。



结合人工用户与心理治疗师评估以评价基于大模型的心理卫生Chatbot



PsyDT：利用大模型构建具有个性化咨询风格的心理咨询师数字孪生体SoulChat2.0 - 华南理工等



MIND：通过多智能体大模型内心对话实现沉浸式心理治疗 - 四川大学、华西医院等



大模型在心理治疗中的应用调研：当前格局与未来方向



人机协作AI提升在线心理健康支持的同理心对话


Agentic Workflow)与检索增强生成(RAG)：实时健康监测指南" data-recommend-article-content-url="https://mp.weixin.qq.com/s/qRbgDvwi-hDqLfJGt9SFMA">

医疗智能体工作流(Agentic Workflow)与检索增强生成(RAG)：实时健康监测指南