S3：用于任务导向对话中可解释性认知重构的序列自反馈槽预测方法

《ACM Transactions on Computing for Healthcare》：S3: Sequential Self-feeding Slot Prediction for Explainable Cognitive Reframing in Task-Oriented Dialogue

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多信息登录

摘要

摘要

认知行为疗法是一种成熟的心理治疗方法，但通过AI系统来实现它仍面临挑战：小型语言模型难以处理多步骤的治疗推理，而大型语言模型在资源有限的环境中往往不实用。为解决这一难题，我们将基于CBT的认知重构视为一种具有对话状态跟踪功能的任务导向型对话问题，这样可以展现中间信念状态——如事件、想法和认知偏差——从而使推理过程具有可解释性，便于临床监督。为了支持可控实验，我们创建了CREPAN，这是一个包含6,800多个由专家指导的针对恐慌障碍的CBT重构对话的合成数据集，旨在为研究模型是否能学习到CBT ABC模型所规定的结构化推理提供可控的实验环境。我们还提出了顺序自馈式槽预测方法（S³），这是一种轻量级的推理框架，能够按照源自埃利斯ABC模型的理论顺序，引导模型经历可解释的认知阶段。实验表明，S³-T5的JGA值为0.7781，与8B级大型语言模型的差距有所缩小，其顺序自馈结构使得推理过程具有可解释性。这些结果表明，认知理论结构对于实现可靠的治疗状态跟踪至关重要，为开发轻量级、可解释且具有临床责任感的基于CBT的AI咨询系统提供了可行路径¹。

AI总结

AI生成的总结（实验性）

此总结是使用自动化工具生成的，未经文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及帮助来自相关研究领域的读者理解本文内容。它是对作者提供的摘要的补充，后者仍是文章的主要总结。完整文章才是权威版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。