CARE：在线心理健康支持的咨询师协调响应引擎

全球范围内的心理健康挑战日益严峻，给情感支持服务带来压力，并导致咨询师超负荷工作。这可能会导致在危急情况下反应延迟，例如自杀意念，此时及时干预至关重要。虽然 大语言模型 (LLM) 表现出了强大的生成能力，但它们在资源匮乏的语言中的应用，特别是在心理健康等敏感领域，仍未得到充分探索。此外，由于缺乏大规模真实数据集的训练，现有的基于 LLM 的代理通常难以复制专业人员使用的支持性语言和干预策略。为了解决这个问题，我们提出了 CARE（辅导员对齐响应引擎），这是一个 GenAI 框架，通过生成实时的、心理一致的响应建议来帮助辅导员。 CARE 使用现实世界危机对话的精选子集分别针对希伯来语和阿拉伯语对开源 LLM 进行了微调。训练数据包括被专业顾问评为高效的课程，使模型能够捕获与成功降级相关的交互模式。通过完整对话历史的训练，CARE 维持了咨询师与求助者对话不断变化的情感背景和动态结构。在实验设置中，与非专业 LLM 相比，CARE 表现出与专家参考咨询回复更强的语义和策略一致性。这些发现表明，针对专家验证数据的特定领域 微调 可以显着支持辅导员工作流程并提高资源匮乏的语言环境中的护理质量。