研究表明，AI在心理治疗中展现出情感记忆，尤其是Gemini，其训练过程被比作悲惨童年。AI的负面反应可能影响用户情绪，因此我们在接受AI心理建议时需保持谨慎。

本研究提出了一种新颖的风险分类法，用于评估人工智能心理治疗代理的潜在用户伤害和自杀风险。该分类法通过监测认知模型基础的风险因素，有效识别不安全的偏差，促进更安全的心理健康支持创新。

本研究探讨合成数据在心理治疗中的有效性，特别是在创伤后应激障碍的长期暴露治疗中。合成数据有助于保护隐私和缓解数据稀缺，但在捕捉治疗互动的细微动态方面仍需改进。

本研究解决了现有动机访谈（MI）数据集在训练智能聊天机器人方面的不足，特别是在非英语语言中的缺乏。我们提出了一种新框架，利用专业治疗师的知识模拟MI会话，并生成包含1000个高质量韩国动机访谈对话的KMI数据集。这一成果不仅展示了数据集的高质量和实用性，同时引入了基于MI理论的新评估指标。

本研究利用大语言模型分析心理治疗师的言辞，填补自动化分析工具的需求。通过BERTopic工具，识别不同治疗师的语言模式，为提升治疗效果和临床监督提供新视角。

本研究通过将大型语言模型与专家设计的对话脚本对齐，提升了心理治疗聊天机器人的控制性和透明度。提出的“脚本策略对齐生成（SSAG）”方法有效减少了对专家内容的依赖，促进了心理治疗的普及。

本研究探讨了自动聊天机器人在心理治疗中提供同理心和连贯响应的挑战。提出了一种结合情感词典和大语言模型的新框架，增强了对情感和语境的理解。实验结果表明，情感嵌入显著提升了响应的同理心和流利性。

研究发现，使用GPT-4生成的回应可以改善情绪变化、共情和对话品质。然而，与基于情景的对话相比，并不能产生更好的结果。使用规则、情景或示例回应的系统可以通过人工专业人士提前使用LLMs生成示例回应或回应模板的方式呈现基于LLMs生成的回应。这可能引发一些伦理问题。

近年来，儿童和青少年心理健康恶化，大型语言模型（LLMs）为监测和干预提供希望。研究人员创建了一个Reddit帖子的新数据集，用于标注创伤、不稳定性、病情、症状、自杀倾向和治疗等类别。GPT4与人际标注者一致，合成数据性能更高。模型在否定和事实性问题上仍有错误。模型的高性能是由于真实数据的复杂性而非固有优势。

本文介绍了使用大语言模型（LLMs）提高心理治疗可访问性的方法，通过提取与认知失调相关的部分和多智能体辩论推理步骤的辅助模块，提高了基于LLM的认知失调分类性能。实验结果表明，该方法提高了多类F1分数和二进制特异性分数，并通过提供多智能体辩论摘要给LLMs，有效降低了具有高假阳性率的基准方法的偏见。

本研究提出了一种新的方法，使用心理治疗的见解来引导语言模型推理人类情感状态。研究发现，共情链推理可生成更全面的同理回应，强调了理解情感背景对人类和人工智能沟通的重要性。该研究有助于将心理治疗模型纳入语言模型，促进人工智能的发展。

该研究提出了一种基于机器学习的框架，用于自动检测和分类15种认知失真类型。该模型实现了加权F1得分0.88，并在更大的众包数据集中产生了0.68的加权F1得分。此外，该研究还探讨了建立相似认知失真之间主题关系的探索分析。