[论文解读] Cognitive Reframing of Negative Thoughts through Human-Language Model Interaction

A. Sharma, Kevin Rushton+6 more|arXiv (Cornell University)|May 4, 2023

Mental Health via Writing被引用 6

一句话总结

本文提出了一种检索增强的少样本提示学习模型，利用语言模型生成个性化、高质量的认知重构，基于临床心理学专家定义的七个语言学特征（如同理心、具体性、理性）进行引导。在心理健康美国组织（Mental Health America）针对2,067名参与者的随机实地研究中，结果显示，具有同理心和具体性的重构更受青睐，而非过度积极的重构，为通过语言模型实现伦理且可及的心理健康支持提供了可操作的见解。

ABSTRACT

A proven therapeutic technique to overcome negative thoughts is to replace them with a more hopeful "reframed thought." Although therapy can help people practice and learn this Cognitive Reframing of Negative Thoughts, clinician shortages and mental health stigma commonly limit people's access to therapy. In this paper, we conduct a human-centered study of how language models may assist people in reframing negative thoughts. Based on psychology literature, we define a framework of seven linguistic attributes that can be used to reframe a thought. We develop automated metrics to measure these attributes and validate them with expert judgements from mental health practitioners. We collect a dataset of 600 situations, thoughts and reframes from practitioners and use it to train a retrieval-enhanced in-context learning model that effectively generates reframed thoughts and controls their linguistic attributes. To investigate what constitutes a "high-quality" reframe, we conduct an IRB-approved randomized field study on a large mental health website with over 2,000 participants. Amongst other findings, we show that people prefer highly empathic or specific reframes, as opposed to reframes that are overly positive. Our findings provide key implications for the use of LMs to assist people in overcoming negative thoughts.

研究动机与目标

• 开发一种基于临床心理学中语言学特征的框架，用于表征有效的认知重构。
• 创建七项关键重构特征（如同理心、具体性、理性）的自动化度量方法，并通过心理健康专业人员的判断进行验证。
• 收集并发布一个包含600个专家标注的现实情境、负面想法及重构后想法的数据集，用于模型训练与评估。
• 设计并部署一种检索增强的少样本提示学习模型，以控制生成重构中目标语言特征。
• 在国家级心理健康平台的随机实地研究中，评估用户在真实世界中对不同重构特征偏好的影响。

提出的方法

• 构建了七个语言学特征的认知重构概念框架：识别思维陷阱、理性、积极性、同理心、可操作性、具体性与可读性。
• 利用自然语言处理技术为每项特征创建自动化度量方法，并通过与心理健康专业人员标注的相关性进行验证。
• 从临床心理学研究生和从业者处收集了600个真实情境、负面想法及专家建议的重构想法数据集。
• 构建了检索增强的少样本提示学习模型，通过检索相关示例并微调提示模板，以控制生成重构中的目标语言特征。
• 在心理健康美国组织平台部署该模型，开展一项包含2,067名参与者的随机实地研究，比较不同特征水平的重构效果。
• 实施了安全措施，包括使用正则表达式模式过滤自杀意念内容，并提供危机资源链接，同时遵循参与者知情同意与匿名化协议。

实验结果

研究问题

• RQ1 在认知重构中，哪些语言学特征最被经历负面情绪的个体所青睐？
• RQ2 不同特征水平（如高同理心 vs. 低同理心）如何影响重构想法的贴近度、帮助性与记忆度？
• RQ3 自动化度量方法能否可靠地衡量临床相关的重构特征？其与专家判断的相关性如何？
• RQ4 检索增强的少样本提示学习方法是否在生成高质量、特征可控的重构方面优于标准大语言模型基线？
• RQ5 在真实世界心理健康支持系统中部署大语言模型时，存在哪些伦理与实际考量？

主要发现

• 参与者更偏好高度同理心或具体性的重构，而非过度积极或泛泛而谈的重构。
• 检索增强的少样本提示学习模型在与专家建议的重构重叠度最高，且在心理健康专家中获得了最高的贴近度与帮助性评分。
• 七项重构特征的自动化度量方法与专家判断表现出显著相关性，确立了构念效度。
• 包含2,067名参与者的实地研究证实，个性化且情境相关的重构比通用或人为积极的重构更有效。
• 安全措施（包括使用正则表达式过滤自杀相关内容及提供危机资源链接）有效降低了有害输出的风险，同时未影响系统可用性。
• 本研究证明，在线即时、AI辅助的认知重构在国家级心理健康平台上可实现高效且伦理的规模化部署。