论文
OMIND：心理健康知识基础微调和多轮对话基准框架 LLM
OMIND: Framework for Knowledge Grounded Finetuning and Multi-Turn Dialogue Benchmark for Mental Health LLMs
摘要
大语言模型 (LLM) 在复杂任务方面表现出了卓越的能力，但在医学领域，特别是心理健康方面的适应提出了特定的挑战。心理健康在全球范围内日益受到关注，LLM 具有帮助解决这一问题的巨大潜力。我们强调 LLM 在心理健康方面面临的三个主要挑战 - 缺乏高质量的可解释和基于知识的训练数据；仅限于核心能力的训练范式以及多轮对话设置的评估。为了解决这个问题，我们提出了 oMind 框架，其中包括训练和调整 LLM 代理的各种功能，包括对话；高质量的约 164k 多任务 SFT 数据集，这是我们基于结构化知识检索、基于 LLM 的修剪和审查操作的生成管道的结果。我们还介绍了 oMind-Chat - 一种新颖的多回合基准数据集，具有专家注释的回合级别和对话级别规则。我们对核心功能和对话的多样化实验表明 oMind LLM 始终优于基线。 oMind-LLM 还表现出明显更好的推理能力，胜率高达 80%。