PsyDTCorpus는 2024년에 남중국이공대학 미래기술학원 광둥성 디지털 트윈 핵심연구실에서 출시한 심리상담사의 디지털 트윈 데이터 세트입니다. 이 데이터 세트의 핵심 목표는 특정 심리 상담사의 언어 스타일과 컨설팅 기술을 시뮬레이션하여 심리 상담사 디지털 트윈 모델 SoulChat2.0의 개발과 교육을 지원하는 것입니다. 관련 논문 결과는 다음과 같습니다.SoulChat: 다중 턴 공감 대화를 통한 미세 조정을 통해 LLM의 공감, 경청 및 편안함 능력 향상". PsyDTCorpus 데이터 세트는 특정 심리 상담사의 실제 여러 라운드 상담 사례를 대상으로 하며, 5,000개의 단일 라운드 상담 샘플을 기반으로 디지털 트윈 데이터를 합성하여 최종적으로 상담사의 언어 스타일과 치료 기술 적용 방법이 적용된 5,000개의 고품질 정신 건강 대화 데이터를 얻습니다. 그중 4,760개의 샘플은 훈련 세트로 사용되고, 240개의 샘플은 여러 개의 테스트 샘플로 분할됩니다. 데이터 세트의 총 라운드 수는 90,365이고, 그 중 테스트 세트의 라운드 수는 4,311입니다. 이 데이터 세트는 실제 상담사의 언어 스타일, 상담 기술, 고객의 빅 5 성격 특성을 결합하는 혁신적인 데이터 생성 프레임워크를 사용하여 단일 라운드 대화를 시뮬레이션하는 데이터를 생성합니다. 연구팀은 이 프레임워크를 사용하여 특정 상담사의 언어 스타일과 상담 기술 적용을 효과적으로 특성화하는 여러 라운드의 대화 데이터를 생성할 수 있었습니다. 이 프로젝트에서 생성된 다중 라운드 대화 데이터의 총 수는 90,365 라운드에 달했으며, 각 대화 샘플에는 평균 18 라운드가 포함되었습니다. PsyDTCorpus는 대화 기술, 상태 및 태도, 관계 구축, 치료 기술이라는 4가지 전문적인 측면에서 수동으로 평가 및 비교되었습니다. 연구 결과에 따르면, 다른 데이터 세트와 비교했을 때 이런 측면에서 상당한 개선이 있었고, 실제 심리 상담사의 소수 상담 사례를 사용하여 고품질의 다단계 정신 건강 대화 데이터를 구축하는 것이 가능하다는 것이 입증되었습니다.

소환

@inproceedings{xie-etal-2025-psydt, 제목 = “{P}sy{DT}: 심리 상담을 위한 개인 맞춤형 상담 스타일을 갖춘 심리 상담사의 디지털 트윈 구축을 위한 {LLM} 활용”, 작성자 = “시에, 하오지에 그리고 첸, Yirong 및 싱, 샤오펀, 린, 징카이 그리고 쑤, 샹민”, 편집자 = "체, 완샹 그리고" 나벤데, 조이스 그리고 슈토바, 예카테리나 그리고 필레바르, 모하마드 타헤르”, 책 제목 = “제63회 전산언어학회 연례 회의 회의록 (제1권: 장편 논문)”, 월 = 7월, 연도 = “2025”, 주소 = “오스트리아 비엔나”, 발행기관 = “컴퓨터언어학회”, url = “https://aclanthology.org/2025.acl-long.55/”, 페이지 = “1081–1115”, ISBN = “979-8-89176-251-0”, abstract = “현재 대규모 언어 모델(LLM)은 상담 심리학 분야에서 상당한 발전을 이루었습니다. 그러나 기존의 정신 건강 LLM은 심리 상담사마다 언어 스타일, 치료 기법 등 개인적인 스타일이 다르다는 점을 고려하지 않는다는 중요한 문제를 간과하고 있습니다. 결과적으로 이러한 LLM은 다양한 상담 스타일을 원하는 내담자의 개별적인 요구를 충족시키지 못합니다. 이러한 격차를 해소하기 위해, 본 논문에서는 개인화된 상담 스타일을 가진 심리 상담사의 디지털 트윈을 구축하기 위해 LLM을 활용하는 새로운 프레임워크인 PsyDT를 제안합니다. 특정 상담사의 디지털 트윈을 만들기 위해 수많은 실제 상담 사례를 수집하는 시간과 비용이 많이 드는 기존 방식과 비교하여, 본 프레임워크는 더 빠르고 비용 효율적인 솔루션을 제공합니다. PsyDT 구축을 위해, 본 논문에서는 GPT-4를 활용한 동적 원샷 학습을 통해 상담사의 고유한 상담 스타일, 특히 언어 스타일과 치료 기법에 중점을 두고 데이터를 추출합니다. 이후, 내담자의 질문이 담긴 기존의 단일 턴 장문 대화 데이터를 사용하여 GPT-4를 학습시켜, 특정 상담사의 다단계 대화를 합성합니다. 마지막으로, 합성 데이터셋인 PsyDTCorpus에서 LLM을 미세 조정하여 개인화된 상담 스타일을 가진 심리 상담사의 디지털 트윈을 구현합니다. 실험 결과는 제안된 PsyDT 프레임워크가 실제 상담 사례와 매우 유사한 다단계 대화를 합성할 수 있으며, 다른 기준 모델들에 비해 우수한 성능을 보임을 보여줍니다. 따라서 본 프레임워크가 특정 상담 스타일을 가진 심리 상담사의 디지털 트윈을 효과적으로 구축할 수 있음을 입증합니다. }