作为治疗工具的大型语言模型:比较提示技术以改善GPT交付的问题解决疗法

科学领域:

• 人工智能的人工智能
• 心理健康护理 心理健康护理
• 计算语言学 计算语言学

背景情况:

• 大型语言模型 (LLM) 在医疗保健中越来越多地使用,但它们在治疗应用中的有效性和局限性需要进一步研究.
• 问题解决疗法 (PST) 是一种被公认的心理健康状况干预措施.
• 由于专业人员短缺,人们越来越需要可访问的心理健康服务.

研究的目的:

• 评估快速工程对LLM通过文本交付PST组件的能力的影响.
• 评估LLM在症状识别和评估中的表现,以在PST中为个性化目标设定提供评估.
• 探索人工智能在增强精神卫生保健提供方面的潜力.

主要方法:

• 利用快速工程技术指导通用LLM模拟PST会话的一部分.
• 采用经验丰富的医疗专业人员的自动指标和评估来评估模型性能.
• 专注于质量,一致性和同理心在LLM的治疗互动.

主要成果:

• 快速工程显著提高了LLMs提供协议化治疗的能力.
• 在模拟的PST会议中,LLM的表现显示了可测量的改善,并优化了提示.
• 确定了当前LLM性能在提供微妙的治疗相互作用方面存在的局限性.

结论:

• 提示工程是一种有效的方法,用于提高LLM在提供结构化心理治疗组件的性能.
• 法律法规显示出作为支持精神卫生保健的工具的潜力,特别是在解决服务可访问性差距方面.
• 需要进一步的研究来完善LLM对同情和高质量的AI辅助心理治疗的能力.