文本心理咨询中，来访者的隐性抗拒是影响治疗效果的关键，却难以被察觉。浙江大学与西湖大学的研究者提出RECAP框架，通过结合心理学理论与大语言模型，实现了对13种细粒度抗拒行为的精准、可解释识别，为AI辅助心理咨询提供了新的可能。
智能速览
基于心理学理论定义13种细粒度抗拒类型。
构建了包含23930条真实中文咨询话语的大规模数据集。
模型在细粒度分类上超越GPT-4o等大模型超20个百分点。
研究发现90%以上的咨询会话中都存在抗拒行为。
经真实咨询师验证，该系统能显著提升其干预应对质量。
精华内容
RECAP框架的创新之处在于，它不仅追求识别准确率，更强调模型的可解释性与临床实用性，真正让AI成为咨询师的有力助手。
理论基石
RECAP框架的核心是引入了名为PsyFIRE的抗拒理论框架。该框架基于成熟的心理学理论，系统地将来访者的抗拒行为划分为4大类、13种细粒度类型，例如挑战、贬低、最小化、转移话题等。这种精细化的区分至关重要，因为不同类型的抗拒背后对应着不同的心理动机，需要咨询师采取截然不同的干预策略，从而让AI的识别结果更具临床指导意义。
数据与模型
为了让模型学习，研究团队构建了名为ClientResistance的大规模真实中文文本咨询语料库，包含23,930条来访者话语，全部由具备心理学背景的人员标注，并附有上下文解释。RECAP模型采用两阶段策略：首先判断来访者是合作还是抗拒，然后再进行细粒度的抗拒分类，并同步生成解释文本。这种设计有效避免了黑箱问题，使AI的判断过程清晰透明，便于咨询师理解和采纳。
性能实测
在关键的性能测试中，RECAP框架展现出显著优势。在细粒度抗拒分类任务上，其Macro-F1分数达到了66.58%。与GPT-4o、Claude-3.5等强大的通用大模型基线相比，RECAP的领先幅度超过20个百分点。尤其在抗拒行为的召回率上，提升更为显著，意味着它能够更少地漏掉那些不易察觉的隐性抗拒信号，这对于临床辅助至关重要。
临床洞察
通过对数据的大规模分析，研究者得出了一个重要洞察：抗拒并非罕见行为，而是在超过90%的咨询会话中都会出现。进一步分析发现，不同类型的抗拒对治疗联盟的破坏程度差异显著，例如“贬低”类行为的负面影响最大。为了验证实用性，研究对62名真实咨询师进行了对照实验，结果显示，借助RECAP提供的抗拒类型及解释，咨询师的应对质量获得了显著提升，效应量d高达1.17。
RECAP框架为AI在心理咨询领域的应用树立了新标杆，强调了可解释性与临床价值。未来，这种人机协作模式将如何重塑心理健康服务，值得我们共同期待和探索。
