当少即是多时：咨询对话中最小反应和 LLM 行为的实证研究

在心理咨询中，有效的支持并不总是通过长时间、信息丰富的答复来提供。最少的回应，例如秘密渠道线索和简洁的同理心陈述，有助于传达专注的倾听，表达同理心，并鼓励客户继续表达自己。然而，现有的咨询对话系统和评估框架往往偏向于明确、内容丰富的答复，忽视了咨询师简短话语的互动价值。本文对多个咨询对话数据集的最小反应进行了系统的跨语言分析。我们开发了一种基于话语长度和内容的两阶段过滤方法，然后使用 大语言模型 (LLM) 进行上下文验证。我们的分析表明，最小响应在人类收集的数据集中很常见，但在 LLM 生成的数据集中却明显不足。我们在人工策划的对话环境中进一步评估当前的 LLM，其中人类咨询师使用最少的响应。结果表明，强大的商业 LLM 在明确指示时能够产生最小的响应，但仍难以确定何时此类响应是适当的。在合成数据上训练的咨询特定模型表现特别差，反而倾向于产生更长、信息更丰富的响应。此外，基于 LLM 的响应质量评估可能会低估最小响应，即使它们在交互上是适当的。