PsyDTCorpus est un ensemble de données de jumeaux numériques de conseillers psychologiques lancé en 2024 par l'École des technologies du futur de l'Université de technologie de Chine du Sud-Laboratoire clé provincial du Guangdong des jumeaux numériques. L'objectif principal de cet ensemble de données est de simuler le style linguistique et les techniques de conseil d'un conseiller psychologique spécifique pour soutenir le développement et la formation du modèle jumeau numérique du conseiller psychologique SoulChat2.0. Les résultats pertinents de l'article sontSoulChat : Améliorer les capacités d'empathie, d'écoute et de confort des étudiants en master grâce à des ajustements précis grâce à des conversations d'empathie à plusieurs tours". L'ensemble de données PsyDTCorpus cible les cas réels de consultation à plusieurs tours d'un conseiller psychologique spécifique et synthétise les données de jumeaux numériques sur la base de 5 000 échantillons de consultation à un seul tour, obtenant ainsi 5 000 données de conversation sur la santé mentale de haute qualité avec le style de langage du conseiller et les méthodes d'application de la technologie thérapeutique. Parmi eux, 4 760 échantillons sont utilisés comme ensembles d’entraînement et 240 échantillons sont divisés en plusieurs échantillons de test. Le nombre total de tours dans l'ensemble de données est de : 90 365, dont le nombre de tours dans l'ensemble de test est de : 4 311. Cet ensemble de données utilise un cadre de génération de données innovant qui combine le style linguistique, les techniques de conseil de vrais conseillers et les cinq grands traits de personnalité des clients pour générer des données qui simulent une conversation en un seul tour. En utilisant ce cadre, l’équipe de recherche a pu générer plusieurs séries de données conversationnelles qui ont caractérisé efficacement le style de langage et l’application des techniques de conseil par des conseillers spécifiques. Dans ce projet, le nombre total de données de dialogue multi-tours générées a atteint 90 365 tours, et chaque échantillon de dialogue contenait 18 tours en moyenne. PsyDTCorpus a été évalué manuellement et comparé dans quatre dimensions professionnelles : la technologie de conversation, l'état et l'attitude, l'établissement de relations et la technologie thérapeutique. Les résultats ont montré qu'il présente des améliorations significatives dans ces aspects par rapport à d'autres ensembles de données, prouvant la faisabilité d'utiliser un petit nombre de cas de consultation de vrais conseillers psychologiques pour construire des données de conversation sur la santé mentale à plusieurs tours de haute qualité.

Citation

@inproceedings{xie-etal-2025-psydt, titre = « {P}sy{DT} : Utilisation de {LLM}s pour construire le jumeau numérique du conseiller psychologique avec un style de conseil personnalisé pour le conseil psychologique », auteur = « Xie, Haojie et Chen, Yirong et Xing, Xiaofen et Lin, Jingkai et "Xu, Xiangmin", éditeur = "Che, Wanxiang et" Nabende, Joyce et Shutova, Ekaterina et Pilehvar, Mohammad Taher”, booktitle = « Actes de la 63e réunion annuelle de l'Association for Computational Linguistics (Volume 1 : Articles longs) », mois = juil, année = « 2025 », adresse = « Vienne, Autriche », éditeur = « Association pour la linguistique informatique », url = “https://aclanthology.org/2025.acl-long.55/”, pages = « 1081–1115 », ISBN = « 979-8-89176-251-0 », Résumé = « Les grands modèles de langage (GML) ont réalisé des progrès significatifs dans le domaine de la psychologie du conseil. Cependant, les GML existants en santé mentale négligent un point crucial : ils ne prennent pas en compte la diversité des styles personnels des psychologues, notamment leur style linguistique et leurs techniques thérapeutiques. De ce fait, ces GML ne répondent pas aux besoins individuels des clients recherchant des approches différentes. Pour combler cette lacune, nous proposons PsyDT, un nouveau cadre utilisant les GML pour construire le jumeau numérique des psychologues, doté d'un style de conseil personnalisé. Comparé à l'approche fastidieuse et coûteuse consistant à collecter un grand nombre de cas de conseil réels pour créer le jumeau numérique d'un psychologue, notre cadre offre une solution plus rapide et plus économique. Pour construire PsyDT, nous utilisons un apprentissage dynamique en un seul exemple avec GPT-4 afin de capturer le style de conseil unique de chaque psychologue, en nous concentrant principalement sur son style linguistique et ses techniques thérapeutiques. Ensuite, à partir de dialogues longs existants, comportant une seule intervention et des questions de clients, GPT-4 est guidé pour synthétiser… » Nous avons ensuite affiné les modèles linéaires logiques (LLM) sur l'ensemble de données synthétiques PsyDTCorpus afin de créer le jumeau numérique d'un conseiller psychologique doté d'un style de conseil personnalisé. Les résultats expérimentaux indiquent que notre cadre PsyDT permet de synthétiser des dialogues à plusieurs tours de parole qui ressemblent étroitement à des cas de conseil réels et présente de meilleures performances que d'autres approches de référence. Ceci démontre que notre cadre peut construire efficacement le jumeau numérique d'un conseiller psychologique avec un style de conseil spécifique. }