PsyDTCorpus ist ein digitaler Zwillingsdatensatz psychologischer Berater, der 2024 von der School of Future Technology der South China University of Technology – Guangdong Provincial Key Laboratory of Digital Twins veröffentlicht wurde. Das Hauptziel dieses Datensatzes besteht darin, den Sprachstil und die Beratungstechniken eines bestimmten psychologischen Beraters zu simulieren, um die Entwicklung und Schulung des digitalen Zwillingsmodells für psychologische Berater SoulChat2.0 zu unterstützen. Die relevanten Papierergebnisse sindSoulChat: Verbesserung der Empathie-, Zuhör- und Komfortfähigkeiten von LLMs durch Feinabstimmung mit mehrstufigen Empathiegesprächen". Der PsyDTCorpus-Datensatz zielt auf echte mehrstufige Beratungsfälle eines bestimmten psychologischen Beraters ab und synthetisiert digitale Zwillingsdaten basierend auf 5.000 Einzelrunden-Beratungsproben, um letztendlich 5.000 hochwertige Gesprächsdaten zur psychischen Gesundheit mit dem Sprachstil des Beraters und den Methoden der Anwendung therapeutischer Technologien zu erhalten. Davon werden 4.760 Proben als Trainingssätze verwendet und 240 Proben in mehrere Testproben aufgeteilt. Die Gesamtzahl der Runden im Datensatz beträgt: 90.365, davon beträgt die Anzahl der Runden im Testsatz: 4.311. Dieser Datensatz verwendet ein innovatives Datengenerierungsframework, das den Sprachstil, die Beratungstechniken echter Berater und die Big Five-Persönlichkeitsmerkmale der Klienten kombiniert, um Daten zu generieren, die eine einzelne Gesprächsrunde simulieren. Mithilfe dieses Rahmens konnte das Forschungsteam mehrere Runden von Gesprächsdaten generieren, die den Sprachstil und die Anwendung von Beratungstechniken durch bestimmte Berater effektiv charakterisierten. In diesem Projekt erreichte die Gesamtzahl der generierten Dialogdaten mit mehreren Runden 90.365 Runden, und jede Dialogprobe enthielt im Durchschnitt 18 Runden. PsyDTCorpus wurde manuell in vier professionellen Dimensionen ausgewertet und verglichen: Gesprächstechnologie, Zustand und Einstellung, Beziehungsaufbau und Therapietechnologie. Die Ergebnisse zeigten, dass es in diesen Aspekten im Vergleich zu anderen Datensätzen erhebliche Verbesserungen gibt. Dies belegt die Machbarkeit der Verwendung einer kleinen Anzahl von Beratungsfällen echter psychologischer Berater zur Erstellung hochwertiger mehrstufiger Gesprächsdaten zur psychischen Gesundheit.

Zitat

@inproceedings{xie-etal-2025-psydt, Titel = „{P}sy{DT}: Verwendung von {LLM}s zur Konstruktion des digitalen Zwillings eines psychologischen Beraters mit personalisiertem Beratungsstil für die psychologische Beratung“, Autor = „Xie, Haojie und Chen, Yirong und Xing, Xiaofen und Lin, Jingkai und Xu, Xiangmin“, Herausgeber = „Che, Wanxiang und“ Nabende, Joyce und Shutova, Ekaterina und Pilehvar, Mohammad Taher”, Buchtitel = „Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)“, Monat = Juli Jahr = „2025“, Adresse = „Wien, Österreich“, Herausgeber = „Association for Computational Linguistics“, url = “https://aclanthology.org/2025.acl-long.55/”, Seiten = “1081–1115”, ISBN = “979-8-89176-251-0”, Abstract = „Aktuell haben große Sprachmodelle (LLMs) im Bereich der Beratungspsychologie bedeutende Fortschritte erzielt. Bestehende LLMs im Bereich der psychischen Gesundheit vernachlässigen jedoch ein entscheidendes Problem: Sie berücksichtigen nicht, dass verschiedene psychologische Berater unterschiedliche persönliche Stile aufweisen, darunter sprachliche Ausdrucksweise und Therapietechniken. Daher können diese LLMs den individuellen Bedürfnissen von Klienten, die unterschiedliche Beratungsstile bevorzugen, nicht gerecht werden. Um diese Lücke zu schließen, schlagen wir PsyDT vor, ein neuartiges Framework, das LLMs nutzt, um den digitalen Zwilling von psychologischen Beratern mit personalisiertem Beratungsstil zu erstellen. Im Vergleich zum zeitaufwändigen und kostspieligen Ansatz, eine große Anzahl realer Beratungsfälle zu sammeln, um einen digitalen Zwilling eines bestimmten Beraters zu erstellen, bietet unser Framework eine schnellere und kostengünstigere Lösung. Für die Konstruktion von PsyDT nutzen wir dynamisches One-Shot-Learning mit GPT-4, um den einzigartigen Beratungsstil des Beraters zu erfassen, wobei der Fokus hauptsächlich auf sprachlicher Ausdrucksweise und Therapietechniken liegt. Anschließend wird GPT-4 anhand bestehender, einstufiger Langtextdialoge mit Fragen von Klienten trainiert.“ Wir haben die LLMs (Level-Level-Modelle) anhand des synthetischen Datensatzes PsyDTCorpus optimiert, um einen digitalen Zwilling eines psychologischen Beraters mit personalisiertem Beratungsstil zu erstellen. Die experimentellen Ergebnisse zeigen, dass unser PsyDT-Framework Dialoge mit mehreren Gesprächsrunden synthetisieren kann, die realen Beratungsfällen sehr ähnlich sind und im Vergleich zu anderen Ansätzen eine bessere Leistung aufweisen. Dies beweist, dass unser Framework effektiv einen digitalen Zwilling eines psychologischen Beraters mit einem spezifischen Beratungsstil konstruieren kann. }