一种面向心理健康的对话式知识增强测评协同方法及系统

本发明涉及自然语言处理及数字心理健康，尤其是涉及一种面向心理健康的对话式知识增强测评协同方法及系统。

背景技术：

1、随着大语言模型在智能问答、医疗咨询和数字陪伴中的应用不断扩大，面向心理健康场景的大语言模型系统逐渐成为数字心理服务的重要方向。相较于传统表单式测评系统和固定模板问答系统，大语言模型能够理解自然语言输入，并在心理支持、量表解释和风险识别方面展现出应用潜力。

2、然而，在心理健康这一严肃场景中，现有的大语言模型应用方法仍存在以下突出问题：

3、1）传统大语言模型在生成心理回复时，大多缺乏对心理学知识、量表常模、风险边界和干预策略的稳定依据约束，容易出现分析不专业、建议泛化甚至丧失安全边界的现象；

4、2）通用对话模型难以在多轮交互中保持“心理支持”范式，常表现为缺乏共情、一次抛出多个复杂问题、过度输出推理逻辑或陷入机械说教，导致交互效果欠佳，容易引起用户阻抗；

5、3）现有的结构化心理量表数字化方案主要依赖传统的问卷填答，题目固定且数量庞大。测评过程与自然对话高度割裂，用户负担重，且系统无法根据已暴露的高危信号自适应调整提问重点，导致测评结果难以顺畅流转至后续的心理支持环节。

技术实现思路

1、本发明的目的是提供一种面向心理健康的对话式知识增强测评协同方法及系统，以克服现有技术中大模型心理分析专业性不足、对话交互缺乏支持性规范、以及传统量表测评与自然对话割裂的问题。

2、为实现上述目的，本发明提供了一种面向心理健康的对话式知识增强测评协同方法，包括以下步骤：

3、s1、构建心理健康知识库，并将心理健康领域文档和结构化资料切分为知识片段进行向量化存储；所述心理健康知识库至少包含心理学理论、量表常模解释、干预策略与危机处理规则；

4、s2、构建中文心理支持多轮对话语料库，对不同来源的心理对话样本执行角色规范化、结构校验与精确去重，并映射为统一格式；

5、s3、按照预设比例将所述多轮对话语料库切分为训练集、验证集和测试集，并基于所述训练集对基础指令大语言模型执行参数高效监督微调，获得情绪支持对话大语言模型；训练完成后，利用所述验证集和测试集展开为响应级评测集以监控模型交互行为规范；

6、s4、在接收到用户的自然语言输入后，调用情绪支持对话大语言模型和外部题项命中检测模型，并结合量表题库执行候选题项召回与题项命中检测，更新题项证据状态；

7、s5、根据已更新的题项证据状态计算总体覆盖率与因子覆盖率，识别高风险且低置信度因子作为优先补问目标，调用所述情绪支持对话大语言模型生成单点开放式追问，直至满足停止条件；

8、s6、停止补问后，基于收集的证据聚合生成因子得分、风险标记与测评摘要；

9、s7、基于所述因子得分、测评摘要，从所述心理健康知识库中执行多查询检索，将检索得到的知识上下文与测评结果共同输入通用大语言模型，生成知识增强的结构化心理分析结果；

10、s8、将所述测评摘要与风险标记回流至所述情绪支持对话大语言模型，生成个性化心理支持回复闭环。

11、优选的，s2中，所述中文心理支持多轮对话语料库至少包括自建复刻心理支持样本、psydt数据集样本和cpsycound数据集样本；对全部样本统一注入系统角色约束，以使模型学习共情接纳、单点开放式追问以及小步可执行建议的回复模式，同时显式避免输出推理过程以及条列式说教。

12、优选的，s3中，所述参数高效监督微调为lora微调，且将lora适配器注入到注意力层和前馈神经网络层的关键投影矩阵中；所述关键投影矩阵至少包括

q

proj、

k

proj、

v

proj、

o

proj、

gate

proj、

up

proj和

down

proj；

13、其中，所述注意力层中的投影矩阵至少包括：用于将输入隐藏状态映射为查询向量的查询投影矩阵

q

proj；用于将所述输入隐藏状态映射为键向量的键投影矩阵

k

proj；用于将所述输入隐藏状态映射为值向量的值投影矩阵

v

proj；以及用于将注意力计算得到的输出向量映射至模型隐藏状态空间的注意力输出投影矩阵

o

proj。

14、所述前馈神经网络层中的投影矩阵至少包括：用于将所述输入隐藏状态映射为门控分支表示的门控投影矩阵

gate

proj；用于将所述输入隐藏状态映射至前馈神经网络中间维度的上投影矩阵

up

proj；以及用于将经门控激活处理后的中间表示映射回模型隐藏状态空间的下投影矩阵

down

proj。

15、对于任一被注入lora适配器的原始权重矩阵

w，微调后的权重矩阵

w'表示为：

16、；

17、其中，

a和

b为低秩可训练矩阵，

r为低秩维度，

α为缩放系数；训练过程中冻结原始权重矩阵

w并更新低秩可训练矩阵

a和

b。

18、优选的，s4中，所述候选题项召回采用多层级混合召回策略：

19、计算第

t轮用户输入

u

t与第

i个题项召回文本

q

i之间的向量相似度：

20、；

21、其中，为文本向量化函数，用于采用同一文本嵌入模型将输入文本映射为预设维度的实数向量；和分别为第

t轮用户输入和第

i个题项召回文本对应的文本向量；符号“”表示向量内积运算，表示向量的二范数，表示两个文本向量之间的余弦相似度；当不低于向量召回阈值时，将对应题项纳入向量召回集合；若向量召回不满足阈值条件，则回退至基于语义关键词和症状同义词词典的规则召回，最终候选题项集合表示为：；

22、其中，为规则召回得到的题项集合；

23、所述题项命中检测调用外部题项命中检测模型，对每个候选题项输出包含状态、匹配类型、置信度及证据内容的结构化结果，并据此更新题项证据状态。

24、优选的，s5中，基于更新的题项证据状态计算第

t轮总体覆盖率和因子

f的因子覆盖率：

25、；；

26、其中，为量表题项集合，为因子

f对应的题项集合，为题项权重，表示题项是否具有满足置信度阈值的有效证据；根据因子风险程度、因子覆盖率、平均证据置信度和已补问次数计算补问优先级：

27、；

28、；

29、其中，为因子风险程度，为因子

f的平均证据置信度，为因子平均证据置信度，为因子已补问次数，为单因子最大提问次数，至为非负权重系数；所述权重系数按照风险优先、信息缺口补足以及重复补问抑制的原则确定；其中，为因子风险程度对应的权重，为因子覆盖不足程度对应的权重，为证据置信度不足程度对应的权重，为已补问次数对应的衰减权重；各权重系数均不小于0，且满足；

30、动态补问过程受单轮最大问题数量上限、累计最大追问点上限和单因子最大提问次数上限的约束，优先关注因子包括抑郁、焦虑、精神病性和偏执；

31、动态补问的停止条件为：

32、；

33、其中，为总体覆盖率阈值，为补问优先级阈值，为累计补问点数，为累计最大补问点数，为剩余对话预算，为因子全集；符号“”表示逻辑与运算，其连接的条件均成立时运算结果为真；符号“”表示逻辑或运算，其连接的至少一个条件成立时运算结果为真；当所述停止条件的运算结果为真时，终止动态补问。

34、优选的，s6中，因子

f的量化得分表示为：

35、；

36、其中，为根据题项证据映射得到的题项得分，表示题项

i与因子

f的归属关系；所述风险标记由因子级的量化得分信号和题项证据原始文本中提取的显式危险表达双重触发，风险标记表示为：

37、；

38、其中，为高风险因子集合，为风险阈值，表示是否从原始文本中检测到自伤显式危险表达，为示性函数。

39、优选的，s7中，所述多查询检索包括：基于当前测评分数表和题目级表格内容的样本特征查询、基于量表名称及常模阈值的知识性查询、基于当前案例高分因子与风险表述的补充查询；

40、对于知识片段

d，融合检索得分为：

41、；

42、其中，为第

k个查询文本，

k为查询数量，为对应查询权重，且。

43、本发明还提供了一种面向心理健康的对话式知识增强测评协同系统，用于实现上述方法，包括：

44、语料与知识库构建模块，用于构建结构化的心理健康知识库与统一格式的中文心理支持多轮对话语料库；

45、双分支模型构建模块，包含用于生成专业报告的通用大语言模型接口，以及通过lora微调训练得到的情绪支持对话大语言模型；

46、对话式量表测评模块，用于接收自然语言输入，结合量表题库与症状词典执行候选召回、覆盖率计算、高风险优先补问及因子评分；

47、联合分析与联动模块，用于将测评结果一方面经由多查询检索送入通用大模型生成结构化专业分析，另一方面回流至情绪支持对话模型生成支持性收尾回复。

48、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的面向心理健康的对话式知识增强测评协同方法。

49、本发明还提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得计算机执行所述的面向心理健康的对话式知识增强测评协同方法。

50、因此，本发明采用上述一种面向心理健康的对话式知识增强测评协同方法及系统，具有以下有益效果：

51、1）通过知识检索与多查询融合增强外部大模型，为结构化心理测评提供稳定的心理学知识与风险边界约束，提升分析的专业性和核心问题识别的准确率；

52、2）通过在多源心理支持语料上对基础模型进行监督微调并施加角色约束，构建符合心理支持规范的对话底座，改善通用大模型易说教、易多重追问的问题；

53、3）将固定量表转化为动态、自适应的对话式测评流程，在有限对话预算下利用高风险优先补问策略保持测评有效性，并减少非必要提问；

54、4）实现“低负担信息采集-专业化结构评估-支持性自然反馈”的完整闭环，使自然对话与结构化量表测评有效衔接。

55、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。