Новое исследование, опубликованное в журнале npj Mental Health Research, показало, что дообучение больших языковых моделей (LLM) на терапевтических данных заметно повышает качество сеансов ИИ-психотерапии — диалогов клиента с ИИ-системой, которая имитирует работу психотерапевта: задаёт вопросы, поддерживает разговор, применяет техники вроде мотивационного интервьюирования и помогает человеку исследовать собственные мысли и чувства. Такой формат не заменяет специалиста, а рассматривается как дополнительный инструмент поддержки, особенно в случаях ограниченного доступа к терапии. В качестве данных для дообучения модели использовались датасеты MI-TAGS Dataset (коллекция из 242 диалогов по мотивационному интервьюированию, изначально созданных для обучения и демонстрации) и Alexander Street (AS) Dataset — набор данных содержит расшифровки психотерапевтических сессий различных направлений и с участием разных типов клиентов, и часто используется для моделирования взаимодействия терапевта и клиента, а также для обучения автоматизированных терапевтических моделей. Чтобы объективно измерить качество таких сессий, авторы создали «цифровых пациентов» — модели на базе LLM, которые разыгрывают терапевтические взаимодействия и оценивают их через опросники, аналогичные клиническим. Исследование показывает, что традиционные метрики текстового сходства плохо отражают терапевтическую ценность, тогда как новый подход позволяет учитывать нюансы общения и реалистичнее оценивать эффективность модели. The impact of fine-tuning LLMs on the quality of automated therapy assessed by digital patients https://www.nature.com/articles/s44184-025-00159-1