AI-Enhanced Cognitive Behavioral Therapy: Deep Learning and Large Language Models for Extracting Cognitive Pathways from Social Media Texts
作者: Meng Jiang, Yi Jing Yu, Qing Zhao, Jianqiang Li, Changwei Song, Hongzhi Qi, Wei Zhai, Dan Luo, Xiaoqin Wang, Guanghui Fu, Bing Xiang Yang
分类: cs.CL, cs.LG
发布日期: 2024-04-17
💡 一句话要点
提出基于深度学习的社交媒体认知路径提取方法以支持心理治疗
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 认知行为疗法 深度学习 社交媒体分析 文本分类 文本摘要 心理健康 大型语言模型
📋 核心要点
- 现有方法缺乏有效的工具来分析社交媒体上的认知路径，限制了心理治疗师的在线干预能力。
- 本研究通过深度学习和大型语言模型，提出了一种提取社交媒体认知路径的方法，并进行了数据标注和任务分类。
- 实验结果显示，深度学习模型在层次文本分类任务中取得62.34%的微F1分数，GPT-4在文本摘要任务中表现优异，显示出显著的性能提升。
📝 摘要（中文）
认知行为疗法（CBT）是一种有效的心理治疗技术，但成功实施需要准确识别认知路径。当前，社交媒体上个体常常表达负面情绪，存在认知扭曲的现象，尤其在极端情况下可能导致自杀行为。然而，缺乏有效的方法来分析这些认知路径以帮助心理治疗师进行在线干预。本研究收集社交媒体数据，并基于认知理论框架对数据进行标注，提出了提取认知路径的任务。我们将该任务分为四个主要类别和十九个子类别的层次文本分类，并构建了文本摘要任务，以帮助心理治疗师快速掌握关键信息。实验结果表明，深度学习方法在层次文本分类任务中获得了62.34%的微F1分数，而GPT-4在文本摘要任务中取得了54.92的Rouge-1分数和30.86的Rouge-2分数，超越了实验中的深度学习模型表现。所有模型和代码均已公开，以支持该领域的进一步研究。
🔬 方法详解
问题定义：本研究旨在解决社交媒体上负面情绪表达的认知路径提取问题。现有方法未能有效识别和分析这些路径，导致心理治疗师在干预时缺乏必要的信息支持。
核心思路：本研究提出了一种基于深度学习和大型语言模型的框架，通过对社交媒体文本进行层次分类和摘要提取，帮助心理治疗师快速识别认知扭曲和负面情绪的根源。
技术框架：整体架构包括数据收集、数据标注、层次文本分类和文本摘要四个主要模块。首先，从社交媒体收集数据，然后基于认知理论框架进行标注，接着进行层次分类和摘要生成。
关键创新：本研究的创新点在于将深度学习与大型语言模型结合，针对社交媒体文本的认知路径提取任务进行专门设计，填补了心理治疗领域在这一方面的空白。
关键设计：在层次文本分类中，采用了四个主要类别和十九个子类别的结构，使用了适当的损失函数和网络结构，以优化模型性能。实验中，深度学习模型和GPT-4的参数设置经过精心调整，以确保最佳效果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，深度学习模型在层次文本分类任务中取得62.34%的微F1分数，而GPT-4在文本摘要任务中获得54.92的Rouge-1分数和30.86的Rouge-2分数，明显优于传统模型，展示了深度学习和大型语言模型在心理健康领域的应用潜力。
🎯 应用场景
该研究的潜在应用场景包括心理健康领域的在线干预、社交媒体情感分析以及认知行为疗法的辅助工具。通过提取和分析社交媒体上的认知路径，心理治疗师可以更有效地识别患者的情绪状态，从而提供更具针对性的治疗方案。未来，该方法可能在心理健康监测和干预中发挥重要作用。
📄 摘要（原文）
Cognitive Behavioral Therapy (CBT) is an effective technique for addressing the irrational thoughts stemming from mental illnesses, but it necessitates precise identification of cognitive pathways to be successfully implemented in patient care. In current society, individuals frequently express negative emotions on social media on specific topics, often exhibiting cognitive distortions, including suicidal behaviors in extreme cases. Yet, there is a notable absence of methodologies for analyzing cognitive pathways that could aid psychotherapists in conducting effective interventions online. In this study, we gathered data from social media and established the task of extracting cognitive pathways, annotating the data based on a cognitive theoretical framework. We initially categorized the task of extracting cognitive pathways as a hierarchical text classification with four main categories and nineteen subcategories. Following this, we structured a text summarization task to help psychotherapists quickly grasp the essential information. Our experiments evaluate the performance of deep learning and large language models (LLMs) on these tasks. The results demonstrate that our deep learning method achieved a micro-F1 score of 62.34% in the hierarchical text classification task. Meanwhile, in the text summarization task, GPT-4 attained a Rouge-1 score of 54.92 and a Rouge-2 score of 30.86, surpassing the experimental deep learning model's performance. However, it may suffer from an issue of hallucination. We have made all models and codes publicly available to support further research in this field.