本發(fā)明涉及心理狀態(tài)預測，特別是涉及基于大語言模型的心理狀態(tài)預測系統(tǒng)及預測方法。

背景技術：

1、心理防御是一種生理性防御機制，其目的是通過無意識的心理活動來保護個體免受心理痛苦和壓力。然而，這種防御機制在心理測量和心理診斷過程中卻常常成為一個重大障礙。

2、中國發(fā)明專利公開號cn113035232b，專利名稱一種基于語音識別的心理狀態(tài)預測系統(tǒng)、方法及裝置，利用大數(shù)據(jù)和深度技術的技術手段，并結合心理醫(yī)生診斷案例直接得出心理預測的模型，并進行心理治療，同時采用抽樣對建立模型的樣本進行修正，以便使得模型更加準確。

3、中國發(fā)明專利公開號cn111667926b，一種基于人工智能的心理咨詢_會話系統(tǒng)及其方法，輸入模塊采集用戶會話輸入；通過使用心理知識圖譜模塊及多輪對話管理模塊對用戶會話輸入進行意圖分析；輸入模塊和語言分析模塊在人機交互中循環(huán)迭代，通過多輪對話管理模塊管理多輪對話之間的關系；語言分析模塊按照智能心理咨詢邏輯樹的邏輯流程及對用戶對話的意圖分析，在多輪對話管理模塊的管理下組織指導用戶進行多輪對話的邏輯走向；結合機器人與用戶間的會話信息，反饋對話時用戶與心理、情緒問題相關的信息，并輸出，制定心理干預方案。

4、在實踐中，現(xiàn)有的量表很難繞過心理防御，有些人群存在強烈心理防御的人群占比更高，這導致無法準確進行心理疾病診斷、人格側寫等工作。

技術實現(xiàn)思路

1、解決傳統(tǒng)心理測量過程中因心理防御導致的信效度低問題，本發(fā)明提供了基于大語言模型的心理狀態(tài)預測系統(tǒng)及預測方法；通過大語言模型和多模態(tài)情緒分類大模型的協(xié)同工作，能夠突破受試者的心理防御機制，實現(xiàn)更加準確的心理測量和人格側寫。

2、一方面，提供了基于大語言模型的心理狀態(tài)預測系統(tǒng)，包括：初始化模塊，其被配置為：獲取受試者與訓練后的大語言模型對話過程中所生成的對話記錄，根據(jù)對話記錄，確認受試者的初步人格分析結果；根據(jù)受試者的初步人格分析結果，選擇對應的范式集合；實時采集模塊，其被配置為：獲取受試者在使用對應的范式集合時所產(chǎn)生的多模態(tài)數(shù)據(jù)，對多模態(tài)數(shù)據(jù)進行預處理；情緒分析模塊，其被配置為：將預處理后的多模態(tài)數(shù)據(jù)，輸入到訓練后的情緒分析模型中，輸出受試者在第t時刻的情緒分析結果，其中，t為正整數(shù)；模型微調(diào)模塊，其被配置為：根據(jù)情緒波動幅度，選擇新的范式集合；重復模塊，其被配置為：重復實時采集模塊、情緒分析模塊和模型微調(diào)模塊的工作，直至受試者的情緒不再發(fā)生波動；獲取受試者在使用大語言模型過程中的所有對話記錄，基于所有對話記錄，生成心理診斷報告。

3、另一方面，提供了基于大語言模型的心理狀態(tài)預測方法，包括：（201）獲取受試者與訓練后的大語言模型對話過程中所生成的對話記錄，根據(jù)對話記錄，確認受試者的初步人格分析結果；根據(jù)受試者的初步人格分析結果，選擇對應的范式集合；（202）獲取受試者在使用對應的范式集合時所產(chǎn)生的多模態(tài)數(shù)據(jù)，對多模態(tài)數(shù)據(jù)進行預處理；（203）將預處理后的多模態(tài)數(shù)據(jù)，輸入到訓練后的情緒分析模型中，輸出受試者在第t時刻的情緒分析結果，其中，t為正整數(shù)；（204）根據(jù)情緒波動幅度，選擇新的范式集合；（205）重復（202）~（204）的工作，直至受試者的情緒不再發(fā)生波動；獲取受試者在使用大語言模型過程中的所有對話記錄，基于所有對話記錄，生成心理診斷報告。

4、上述技術方案具有如下優(yōu)點或有益效果：本發(fā)明提出了一種基于大語言模型的主動誘發(fā)方法，結合多模態(tài)情緒分類模型，通過虛擬現(xiàn)實、視頻刺激等多種范式，能夠突破心理防御，進行更加準確的心理診斷和人格側寫。具體來說，本發(fā)明通過大語言模型的個性化訪談，結合生理數(shù)據(jù)感知和情緒分析模型，對受試者進行全方位的心理測量，最終實現(xiàn)更為精確的心理診斷和個性化干預。通過這種方法，不僅可以提高心理測量的準確性，還可以在不侵犯受試者隱私的情況下，深入了解其心理狀態(tài)和人格特質(zhì)，提供個性化的心理健康服務，具有廣泛的應用前景。

技術特征：

1.基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，包括：

2.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述獲取受試者與訓練后的大語言模型對話過程中所生成的對話記錄，所述訓練后的大語言模型，采用chatglm來實現(xiàn)；所述訓練后的大語言模型，訓練過程包括：構建第一訓練集，所述第一訓練集為已知對話上下文數(shù)據(jù)；

3.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述根據(jù)對話記錄，確認受試者的初步人格分析結果，具體包括：

4.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述獲取受試者在使用對應的范式集合時所產(chǎn)生的多模態(tài)數(shù)據(jù)，對多模態(tài)數(shù)據(jù)進行預處理，其中，多模態(tài)數(shù)據(jù)，包括：表情數(shù)據(jù)、文本數(shù)據(jù)和語音數(shù)據(jù)；其中，對多模態(tài)數(shù)據(jù)進行預處理，包括：對表情數(shù)據(jù)依次進行噪聲濾波處理、特征提取處理、數(shù)據(jù)標準化處理和面部表情數(shù)據(jù)編碼處理；對文本數(shù)據(jù)，依次進行詞形規(guī)范化處理、無意義詞匯去除處理和分詞處理。

5.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述將預處理后的多模態(tài)數(shù)據(jù)，輸入到訓練后的情緒分析模型中，輸出受試者在第t時刻的情緒分析結果，其中，訓練后的情緒分析模型，訓練過程包括：

6.如權利要求1或5所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述訓練后的情緒分析模型，包括：視頻編碼器、文本編碼器和語音編碼器；

7.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述模型微調(diào)模塊，還被配置為：判斷受試者在第t時刻的情緒分析結果與在第t-1時刻的情緒分析結果是否一致；如果不一致，則表示受試者情緒發(fā)生波動；根據(jù)情緒強度分值的變化幅度，確定情緒波動幅度；當情緒波動幅度超過設定閾值，則認為突破受試者的心理防御機制；當情緒波動幅度沒有超過設定閾值，則認為暫時沒有突破受試者的心理防御機制；

8.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，根據(jù)情緒波動幅度，選擇新的范式集合，具體包括：

9.如權利要求1所述的基于大語言模型的心理狀態(tài)預測系統(tǒng)，其特征是，所述獲取受試者在使用大語言模型過程中的所有對話記錄，基于所有對話記錄，生成心理診斷報告，具體包括：將所有對話記錄，輸入到訓練后的心理診斷報告生成模型中，輸出心理診斷報告；訓練后的心理診斷報告生成模型，采用chatgpt來實現(xiàn)；訓練后的心理診斷報告生成模型，訓練過程包括：構建第四訓練集，所述第四訓練集，為已知心理診斷報告的對話記錄；將第四訓練集，輸入到心理診斷報告生成模型中，對模型進行訓練，當模型的第四損失函數(shù)值不再下降時，或者，迭代次數(shù)超過設定次數(shù)時，停止訓練，得到訓練后的心理診斷報告生成模型。

10.基于大語言模型的心理狀態(tài)預測方法，其特征是，包括：

技術總結
本發(fā)明涉及心理狀態(tài)預測技術領域，公開了基于大語言模型的心理狀態(tài)預測系統(tǒng)及預測方法，方法包括：將多模態(tài)數(shù)據(jù)，輸入到訓練后的情緒分析模型中，輸出受試者的情緒分析結果，判斷受試者不同時刻的情緒分析結果是否一致；如果不一致，則受試者情緒發(fā)生波動；根據(jù)情緒強度分值的變化幅度，確定情緒波動幅度；當情緒波動幅度超過設定閾值，則認為突破受試者的心理防御機制；選擇新的范式集合，將新的范式集合更新到大語言模型中，得到更新后的大語言模型；直至受試者的情緒不再發(fā)生波動；獲取受試者在使用大語言模型過程中的所有對話記錄，基于所有對話記錄，生成心理診斷報告。能夠突破受試者的心理防御機制，實現(xiàn)更加準確的心理測量和人格側寫。

技術研發(fā)人員：劉治,王景川,陳丹陽,許宏吉,崔立真
受保護的技術使用者：山東大學
技術研發(fā)日：
技術公布日：2025/1/9