摘要
认知行为疗法（CBT）提供了一个结构化框架，通过审视认知与行为因素的相互作用来理解用户的心理状态。然而，现成的LLM在响应时流畅且富有同情心，但往往陷入验证与反思的模式，而无法满足用户的实际需求。虽然它们对理论CBT的理解准确度高达96%（在许可考试问题中），但在实际应用中却效果不佳。
我们探讨这一差距，提出一种知识引导框架，将CBT对话视为受控的情感推理：用户叙事被分解为贝克的认知概念化结构，基于通过自然语言推理验证的临床SNOMED CT概念，以及在验证与反思、苏格拉底式提问或替代视角之间选择的多链思维（MCoT）策略。
为了衡量这种引导是否真正改变行为，我们引入了协议杠杆力（F），这是一个行为级别的指标，用于捕捉干预措施使模型偏离其默认响应的程度。在对三种开放权重的LLM和14个基于RealCBT的案例研究进行评估时，使用人类专家、情感-激发轨迹和语言顺应性，F显示仅通过单链思维提示引入协议定义并未能改变LLM的行为，而在这些定义上应用MCoT能更好地引导策略选择。然而，这一效果仍保持在1%以内（约1.2-1.3%），所有模型仍然偏向于验证与反思。这些结果表明，仅有CBT知识并不能确保有效应用，为情感计算社区提供了测量LLM不足之处的工具。
博主点评： 本文深入分析了LLM在CBT应用中的局限性，强调了理论知识与实际应用之间的差距。尽管通过知识引导框架进行了尝试，但结果显示，LLM仍然偏向于传统的验证与反思模式，提示我们在情感计算领域需要更深入的机制创新。