认知策略驱动的 LLM 用于情感支持对话中认知扭曲的诊断和干预

情感支持对话 (ESC) 通过在现实世界的应用中提供易于获得的心理支持，在心理健康援助中发挥着至关重要的作用。 大语言模型（LLM）在ESC任务中表现出了很强的共情能力。然而，现有的方法忽视了求助者表达中认知扭曲的问题。因此，目前的模型只能提供基本的情感安慰，而无法帮助求助者在更深层次的认知层面解决心理困扰。为了应对这一挑战，我们构建了 CogBiasESC 数据集，这是第一个通过添加认知扭曲标签来扩展现有 ESC 数据集的数据集，包括其类型、强度和安全风险级别。此外，我们提出了认知策略驱动的 大语言模型 框架（CoPoLLM），以增强 LLM 诊断和干预寻求帮助者认知扭曲的能力。我们还从理论角度分析了CoPoLLM的安全优势。实验结果表明，CoPoLLM 在畸变诊断准确性、干预策略有效性和安全风险控制方面显着优于 15 个最先进的基线。