基于大语言模型的评估刻画心理治疗中的治疗师与来访者互动：1573次会谈的回顾性观察研究

背景：心理治疗是许多心理健康状况的主要治疗方法，但治疗师行为、来访者反应和治疗关系之间的动态相互作用在大规模上仍然难以厘清。传统的过程研究依赖于劳动密集型的人工编码，限制了在大型数据集上对逐刻治疗动力学进行建模的能力。目的：本研究旨在开发并验证一个用于建模治疗师-来访者互动过程的计算框架，并考察在心理治疗会谈中治疗师行为和关系质量如何与来访者的自我表露和情绪表达相关。方法：我们使用大语言模型（LLM）开发了自动化评估流程，以测量治疗师行为（共情、探索）、关系质量（融洽关系）和来访者结果（自我表露、自我指向的负性情绪、外向指向的负性情绪）。模型生成的分数对照人工标注进行了验证。然后，我们将这些测量应用于 Alexander Street 语料库中约 2,000 小时的心理治疗转录文本。这产生了来自 1,573 次会谈和 37 名来访者的 119,233 条来访者话语的估计样本。由于话语嵌套于会谈中、会谈嵌套于来访者中，我们估计了一个饱和的多变量结构方程模型（SEM），标准误在会谈层面聚类。结果在一个以会谈和来访者为随机截距的多层回归模型中得到了确认。结果：在对六个候选语言模型进行比较验证后，自动化测量与人工标注显示出良好至优秀的一致性（ICC = 0.60-0.81），其中融洽关系（ICC = 0.81）、自我表露（ICC = 0.78）、共情成分（ICC = 0.60-0.75）和情绪测量（ICC = 0.66-0.80）。SEM 分析显示，治疗师共情和探索各自与来访者表露增加相关（共情 β=0.086，95% CI 0.078 至 0.095；探索 β=0.086，95% CI 0.078 至 0.094；均 P<.001），并与自我指向的负性情绪（包括悲伤、焦虑、恐惧和抑郁）表达增加相关（共情 β=0.118，95% CI 0.110 至 0.127；探索 β=0.078，95% CI 0.070 至 0.087；均 P<.001）。这两种行为还与愉悦表达减少相关（共情 β=-0.037；探索 β=-0.041；均 P<.001）。令人意外的是，前一次会谈中的融洽关系与来访者自我表露或负性情绪表达无关联。结论：本研究表明，基于 LLM 的测量结合结构建模可以在大规模上捕捉核心治疗过程。共情和探索与来访者表露和情绪表达显示出小幅但一致的轮次层面关联，而前一次会谈的融洽关系未显示出稳健关联。这些发现为心理治疗过程的精准建模提供了计算基础，并可能为可扩展的治疗师培训和 AI 支持的临床教育系统提供可操作的见解。

中文由 AI 翻译，仅供参考，以原文为准。