MindChat：用于心理健康支持的隐私保护大语言模型

大型语言模型（LLM）在心理健康支持方面展现出前景，但训练此类模型受到真实咨询对话的稀缺性与敏感性制约。本文提出面向心理健康支持的隐私保护 LLM MindChat，以及通过多 Agent 角色扮演框架构建的合成多轮咨询数据集 MindCorpus。为合成高质量咨询数据，所开发的对话构建框架采用双闭环反馈设计，通过角色扮演将心理学专业知识与咨询技术融入其中：（i）轮级批评与修订，以提升单个会话内的连贯性与咨询适当性；（ii）会话级策略精炼，以在各会话间逐步丰富咨询师行为。为缓解去中心化数据所有权下的隐私风险，我们使用带参数高效 LoRA 适配器的联邦学习对基础模型进行微调，并引入差分隐私优化以降低成员推断与记忆化风险。在合成数据质量评估与咨询能力评测上的实验表明，MindCorpus 提升了训练效果；在自动 LLM 评审与人工评估两种协议下，MindChat 与现有通用及咨询导向 LLM 基线相比均具竞争力，同时在成员推断攻击下表现出更低的隐私泄露。