Chain-of-Interaction: Enhancing Large Language Models for Psychiatric Behavior Understanding

本文是LLM系列文章，针对《Chain-of-Interaction: Enhancing Large Language Models for Psychiatric Behavior Understanding by Dyadic Contexts》的翻译。

摘要

在动机访谈（MI）过程中，对患者行为进行自动编码对于支持心理治疗师的决策至关重要，这是一种解决精神问题（如酒精和毒瘾）的协作沟通干预方法。虽然行为编码任务已经快速调整了语言模型来预测MI会话期间的患者状态，但缺乏特定领域的知识和忽视患者与治疗师的互动是在实际实践中开发和部署这些模型的主要挑战。为了应对这些挑战，我们引入了互动链（CoI）提示方法，旨在通过二元互动将大型语言模型（LLM）情境化，以支持精神病决策。CoI提示方法系统地将编码任务分解为三个关键的推理步骤，提取患者参与度，学习治疗师的问题策略，并整合患者和治疗师之间的二元互动。这种方法使大型语言模型能够利用编码方案、患者状态和领域知识进行患者行为编码。在真实世界数据集上的实验可以证明我们的提示方法的有效性和灵活性，在现有的提示基线上有多个最先进的LLM。我们进行了广泛的消融分析，并证明了二元互动在应用LLM进行心理治疗行为理解中的关键作用。

1 引言

2 数据

3 互动提示链

4 实验

5 结果

6 相关工作

7 结论

在这项研究中，我们专注于MI会话期间患者话语的自动编码任务。LLM在许多任务中都表现出了出色的性能，提示方法是其性能的关键因素。以前的提示方法使LLM在初等数学和其他常识推理等任务中表现出色，但在特定领域的任务中表现不佳，