Niclas Rosteck¹，Julian Striegl1,2，Claudia Loitsch¹
（1. Technische Universität Dresden, Germany；2. Karolinska Institutet, Sweden）
编者按：
在全球心理健康问题日益严峻的背景下，医疗系统正面临“治疗鸿沟（treatment gap）”的重大挑战：一方面，心理健康需求持续增长；另一方面，专业治疗资源严重不足，尤其是在初始评估阶段（Initial Patient Assessment, IPA）。传统的心理评估流程通常依赖人工访谈，不仅耗时较长，也难以规模化开展。本文提出了一种基于大语言模型（Large Language Model, LLM）的混合式智能对话系统，用于自动化执行心理治疗前的初始患者评估。该系统结合规则驱动（rule-based）与LLM生成式对话能力，在保证结构化信息覆盖的同时，实现更加灵活和具备同理心的交互。研究通过随机对照实验与专家访谈，对系统的可用性与用户体验进行了系统评估。结果表明，尽管该系统在用户体验上尚未显著优于传统表单方式，但在促进用户反思、提升交互自然性以及减轻治疗师负担方面展现出重要潜力。这项工作为LLM在心理健康评估中的应用提供了新的思路，同时也揭示了在人机协同、伦理安全和交互设计等方面仍需进一步探索的问题。
在心理治疗流程中，初始患者评估（IPA）是至关重要的第一步，其目标是收集患者的基本信息、心理状态以及相关背景，为后续治疗建立基础。然而，这一过程通常需要专业治疗师投入大量时间，成为限制心理服务可及性的关键瓶颈。针对这一问题，本文提出了一种基于对话代理（Conversational Agent, CA）的自动化评估系统。该系统采用“规则驱动 + LLM生成”的混合架构：一方面，通过规则系统确保评估流程的完整性和关键主题覆盖；另一方面，利用LLM生成动态问题与共情式回应，从而提升交互的自然性与个性化程度。
在具体设计上，自动化评估系统围绕心理评估中的核心主题（如个人背景、心理状态、家庭关系等）构建对话流程。每个主题由预设问题引入，并由LLM根据用户回答生成后续追问，以实现信息的逐步深入。同时，系统允许用户跳过问题或随时终止评估，以保障其自主性与舒适度。技术实现方面，研究基于Rasa框架构建规则对话结构，并引入LLM（如Mixtral 8x7B）执行关键任务，包括：用户回答理解、是否满足问题判断、生成共情反馈以及构造后续问题。此外，系统通过数据匿名化与本地PDF生成机制，强化隐私保护能力。
为了验证系统效果，作者开展了一项包含72名参与者的随机对照实验。实验将用户分为两组：一组使用该对话系统进行评估，另一组采用传统在线表单。结果显示，在可用性（SUS）和用户体验（UEQ）指标上，对话系统未显著优于传统方法，甚至在清晰性和效率方面略有不足。
然而，定性分析揭示了更为复杂的用户反馈。一方面，部分用户认为该系统具有良好的“反思促进作用”，能够帮助其更深入理解自身状况；另一方面，用户也指出系统存在重复提问、表达复杂等问题，影响交互体验。此外，专家访谈表明，该系统在节省时间、提升评估一致性方面具有潜在价值，但仍需优化问题设计与临床适配性。
进一步讨论指出，当前系统的局限主要源于原型阶段的技术与设计约束，例如LLM上下文记忆能力不足、对话流程协调困难等。未来研究可以通过引入检索增强生成（RAG）或多智能体机制，提升系统的上下文理解能力与交互连贯性。同时，跨学科协作（心理学、HCI与AI）对于优化系统设计也至关重要。
总体而言，该研究探索了LLM驱动对话系统在心理健康初筛中的应用潜力，提出了一种兼顾结构性与灵活性的混合式设计框架。尽管当前系统尚未在用户体验上实现突破，但其在提升评估效率与可扩展性方面具有重要意义，为未来智能心理健康系统的发展提供了有价值的参考。
资料来源：
根据Niclas Rosteck 等人于2025年发表在 CHI 2025（Conference on Human Factors in Computing Systems）题目为《Bridging the Treatment Gap: A Novel LLM-Driven System for Scalable Initial Patient Assessments in Mental Healthcare》的文章缩写整理而成。
