Move by Move：測量與引導大語言模型如何進行心理治療
這篇論文聚焦一個日益普遍卻鮮少被系統研究的現象：使用者越來越多地向大語言模型尋求情感支持，但這些模型究竟如何開展一場心理治療互動，幾乎缺乏可測量的分析框架。作者提出一套包含十类「治療動作」的本體，這些動作是緊湊、基於功能的分類，根植於 MULTI-60 清單，並透過五位持证心理學家的標注活動加以驗證，同時採用基於裁判的方法實現規模化，其一致性可匹配專家水平。將其應用於真實諮詢記錄與模型主導的會話後，作者比較了人類治療師與前沿模型面板之間的動作分布：模型在提問上的使用高達人類三倍，卻忽視心理教育，且強烈錨定於上下文——它們會延續人類治療師啟動的策略，卻很少主動發起。將本體作為工具集開放後，無需任何微調，即可將偏離人類動作分布的均值減半，並將逐輪對齊度提升 7-9 個百分點。
这篇论文直面一个被快速放大却长期缺乏测量工具的现实问题：越来越多用户转向大语言模型寻求情感支持与心理陪伴，但我们对其实际如何开展一场心理治疗互动几乎一无所知。作者指出，情感支持类应用若缺乏对治疗过程的结构化刻画，就难以评估质量、难以发现问题、更难以引导改进。为此，论文的核心贡献是提出了一套包含十类治疗动作（therapeutic moves）的本体框架。这些动作被设计为紧凑且基于功能的分类单元，其根源可追溯至 MULTI-60 这一评估清单，从而保证了与既有临床评估体系的语义衔接。更重要的是，作者并非仅凭理论构建这套本体，而是通过五位持证心理学家的标注活动进行实证验证，确保分类在专业层面站得住脚，并进一步采用基于裁判（judge-based）的规模化方法，使其评估一致性能够匹配专家水平，从而在专业严谨性与大规模可用性之间取得平衡。这一框架为后续量化分析模型的治疗行为提供了可复用的测量基准。在技术方法上，论文的关键在于把抽象的「治疗质量」拆解为可观测、可统计的动作分布。
十类治疗动作构成一套功能完备的类别体系，覆盖从提问、澄清到心理教育、重构等治疗过程中常见的行为单元。作者首先组织五位持证心理学家完成标注活动，通过专家标注确立分类的可靠性与一致性，为本体提供临床效度支撑。随后，为应对真实语料规模庞大、专家标注成本高昂的矛盾，作者引入基于裁判的方法进行规模化标注，并验证其与专家判断的一致性，使本体能够被稳定地应用到大规模会话数据上。在分析层面，作者将这套本体分别应用于真实咨询记录与模型主导的会话，通过统计两类数据中的动作分布，量化比较人类治疗师与前沿模型面板在行为模式上的差异。这种将质性治疗过程转化为可量化分布的思路，使得「模型是否像合格治疗师那样对话」成为一个可以被精确回答的问题，而非停留在主观印象层面。在实验设置与关键结果上，作者将本体同时施加于真实咨询转录文本与模型主导的会话，并构建了一个前沿模型面板作为对比对象。对比结果显示出一组清晰而值得警惕的行为偏差：模型在提问（inquiry）类动作上的使用频率高达人类的三倍，呈现出过度探究的倾向；与此同时，它们显著忽视了心理教育（psychoeducation）这一在治疗中承担知识传递与认知重构功能的重要动作。
更深层的问题在于模型的「上下文锚定」特性：它们倾向于延续人类治疗师在对话中已经启动的策略，却极少由自己主动发起这些策略。这种被动跟随的模式意味着模型更多扮演回应者而非引导者的角色，可能削弱治疗过程的方向性与主动性。为改善这一状况，作者将这套本体作为一组工具开放给模型使用，结果在没有任何微调（fine-tuning）的情况下，将模型动作分布偏离人类动作分布的均值削减了一半，并将逐轮（turn-level）与人类治疗师的对齐度提升了 7-9 个百分点。这一消融式发现尤为关键：它表明仅凭结构化的过程引导，无需修改模型权重，就能显著改善模型的治疗行为对齐。在行业意义与潜在影响上，这篇论文的价值远超单一基准的构建。它首次为「大语言模型如何进行心理治疗」提供了一套可测量、可验证、可规模化的分析框架，为情感支持类应用的质量评估打开了黑箱。对于开源社区而言，这套本体及其标注流程可作为可复用的工具，降低后续研究者进入这一领域的门槛；对于工业落地而言，它揭示的过度提问、忽视心理教育、被动跟随等偏差，为产品设计与安全评估提供了明确的改进方向。尤为难得的是，作者证明仅通过将本体作为工具开放、无需任何微调，就能显著缩小模型与人类治疗师之间的行为差距，这一发现为低成本、低风险的行为对齐提供了可行路径。对后续研究而言，这套动作本体既可作为评估基准，也可作为引导机制的设计基础，推动情感支持系统从「能对话」走向「会治疗」，为构建更可靠、更专业的 AI 心理健康助手奠定了方法论基础。