Graph2Counsel：根据客户心理图生成有临床依据的综合咨询对话

对心理健康支持的需求不断增长，增加了人们对使用 大语言模型 (LLM) 进行咨询的兴趣，但由于隐私限制，使它们适应这一安全关键领域受到有限的现实世界数据的阻碍。合成数据集提供了一种有前途的替代方案，但现有方法通常依赖于非结构化或半结构化文本输入，并忽略了客户认知、情感和行为状态之间的结构依赖关系，导致心理不一致和不太现实的交互。我们引入了 Graph2Counsel，这是一个基于客户心理图 (CPG) 生成综合咨询课程的框架，该图对客户的想法、情绪和行为之间的关系进行编码。 Graph2Counsel 使用以顾问策略和 CPG 为指导的结构化提示管道，并探索包括 CoT 和多代理反馈在内的提示策略。它根据不同客户资料的 76 个 CPG 生成 760 个会话。在专家评估中，我们的数据集在特异性、咨询师能力、真实性、对话流程和安全性方面优于先前的数据集（Krippendorff 的 $α$ = 0.70）。该数据集上的 微调 开源模型提高了 CounselingBench 和 CounselBench 上多个指标的性能，同时匹配其他指标的基线。我们进一步介绍了 Therapy-Eval（一种多轮评估框架），并证明了我们微调模型在现实治疗对话中的有效性。我们公开我们的代码、数据和微调模型。