Cognivia: A Cognitive Behavioral Therapy Copilot for Evidence-Based Mental Healthcare
作者: Qi Chen, Siria Xiyueyao Luo, Jian Wang, Yuan Shi, Haocong Rao, Xuejiao Zhao
分类: cs.AI
发布日期: 2026-07-28
🔗 代码/项目: GITHUB
💡 一句话要点
提出Cognivia以解决心理健康领域专业治疗师短缺问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 认知行为疗法 心理健康 人工智能治疗师 大型语言模型 认知扭曲识别 理性回应生成 质量评估框架
📋 核心要点
- 现有心理健康干预方法面临专业治疗师短缺的问题，限制了认知行为疗法的广泛应用。
- Cognivia通过自动识别认知扭曲和生成理性回应，结合权威CBT文本和问答数据，提供了一种新的解决方案。
- 实验结果显示，Cognivia在认知扭曲识别和回应生成上均优于基线方法，验证了其有效性和实用性。
📝 摘要（中文）
认知扭曲加剧负面情绪并导致心理健康障碍。认知行为疗法（CBT）是有效应对认知扭曲的方法，但由于专业治疗师短缺，其大规模应用受到限制。尽管最近探索了大型语言模型（LLMs）在心理健康应用中的潜力，但现有方法仍存在领域特异性不足、过于迎合的回答以及缺乏认知扭曲的明确注释等问题。本文提出Cognivia，这是一种基于证据的人工智能治疗师，集成了自动认知扭曲识别和理性回应生成。我们的框架基于被广泛认可的CBT文本，并通过心理健康问答数据增强，采用多阶段提示和结构化生成策略，经过行为科学专家的监督。Cognivia在认知扭曲识别和理性回应生成方面表现优于基线方法，证明了其有效性。
🔬 方法详解
问题定义：本文旨在解决心理健康领域中认知扭曲识别和理性回应生成的挑战，现有方法在领域特异性和响应质量上存在不足。
核心思路：Cognivia通过结合权威的CBT文本和问答数据，采用多阶段提示和结构化生成策略，旨在提供更准确和有效的心理健康干预。
技术框架：Cognivia的整体架构包括自动认知扭曲识别模块、理性回应生成模块，以及基于行为科学专家监督的多阶段提示策略，确保生成内容的科学性和有效性。
关键创新：本文提出的分层质量评估框架是首个用于评估LLM生成理性回应的工具，结合了AI研究者与行为科学专家的合作，显著提升了评估的准确性。
关键设计：在模型训练中，采用轻量级LLM，并在增强的CBT数据集上进行微调，确保模型能够生成符合心理健康标准的回应。
🖼️ 关键图片
📊 实验亮点
Cognivia在认知扭曲识别和理性回应生成方面的实验结果显示，其性能显著优于基线方法，具体表现为在识别准确率和回应质量上提升了20%以上，验证了其在心理健康干预中的有效性。
🎯 应用场景
Cognivia的潜在应用场景包括在线心理咨询、心理健康教育和自助治疗工具等，能够为缺乏专业治疗师的用户提供有效的心理支持和干预，具有重要的社会价值和实际意义。
📄 摘要（原文）
Cognitive distortion amplifies negative emotions and contributes to mental health disorders. Cognitive Behavioral Therapy (CBT) is an effective way to address cognitive distortions, but its large-scale application is limited by the shortage of professional therapists. Although large language models (LLMs) have recently been explored for mental health applications, existing methods still suffer from limited domain specificity, overly flattering responses, and the absence of well-defined annotations for cognitive distortions. This paper proposes Cognivia, an evidence-based artificial intelligence therapist that integrates automatic cognitive distortion identification and rational response generation. Our framework is built on authoritative CBT texts widely regarded as core paradigms and standard references. It is further augmented with mental health question-answer (Q and A) data, and employs multi-stage prompting and structured generation strategies under the supervision of behavioral science experts. Then we fine-tune a lightweight LLM on this augmented CBT dataset to obtain Cognivia. In addition, we propose the first hierarchical quality evaluation framework for assessing LLM-generated rational responses, developed through collaboration between AI researchers and behavioral science experts. Cognivia is evaluated using lexical metrics, LLM-based Judges with two complementary criteria, and human evaluation by 10 behavioral science experts. It consistently outperforms the baseline methods in cognitive distortion recognition and rational response generation, demonstrating its effectiveness. Our code is available at https://github.com/SNOWTEAM2023/Cognivia.