简介PsyQA中文心理健康支持问答数据集是一份面向心理学研究者、AI开发者和智能咨询系统设计者的高质量语料库。数据集中每个问答均附带细粒度的援助策略标注涵盖情绪调节、认知重构、社交技能训练等多类干预方法便于用于训练生成式模型产出具有专业辅导策略的长文本咨询回复。压缩包共3个文件以JSON示例数据、Markdown说明文档以及DOCX使用协议为主整体体积约241KB结构精简适合快速查阅与实验验证。目前已有376人次下载学习数据覆盖常见与非常见心理问题场景为构建心理健康知识图谱和训练咨询对话模型提供了扎实的基础素材。通过该数据集开发者能够模拟人类咨询师的思维与回应方式有效提升智能心理助手的实用性与共情表现。1. PsyQA 数据集到底是什么援助策略标注才是它的核心资产如果你正在做中文心理咨询或情绪支持类的对话系统大概率已经见过 PsyQA 这个名字。它是一个中文心理健康支持问答数据集亮点不在问答本身而在每段回复背后那层援助策略标注。常见的数据标注只告诉你这句话属于哪个大类这里的标注却试着回答一个更难的问题心理咨询师说这句话时实际在做哪个策略动作。这个差别直接决定你能不能把它用起来。普通问答语料训练出来的模型会安慰人但接不住话带策略标注的语料训练出来的模型至少知道下一步该往哪走。该项目适用于心理对话机器人研发、咨询师话术培训、情感支持长文本生成这类场景。对新手而言它是一个可以直接上手的标注语料对熟手而言它是检验生成质量的一条锚线。我在第一次打开这个 zip 包时没有急着跑模型而是先花一下午把标注结构摸了一遍。后面所有实验能顺下来靠的就是这一遍摸底。下面我会按实际处理的顺序把解析、清洗、训练和验收的关键步骤讲清楚。2. 拆开援助策略标注的黑匣子先统计标签分布再决定怎么建模型2.1 援助策略的标注粒度一条回复可能被切成多个策略片段心理咨询师的应答很少只有一层含义。面对“我最近压力很大晚上睡不着”这样的倾诉一个合格的回应当中往往同时包含情绪承接和具体的行动建议。把整段话看成同一种策略会白白丢掉控制生成的把手。PsyQA 这类带援助策略标注的数据集常见做法是把一条长回复按语义切成多个片段每个片段对应一个策略标签。我在实践中的理解是这样的“先别着急我理解你现在的压力”这半句对应的是共情与倾听“你平时遇到压力一般会怎么处理”对应的是探索应对方式而“你可以试着把任务拆小一点先从最小的一步开始”则属于提供建议或行动计划。三个片段叠在一起才构成一轮完整且靠谱的心理支持回应。所以拿到 zip 包后的第一步不是去算样本量而是先确认策略标签到底标在句子级、片段级还是整条消息级。标在片段级的数据集训练上限明显更高标在整条消息级的只能做粗粒度分类。这个粒度决定了后续是走序列标注还是文本分类也影响 SFT 样本的构造方式。我一般会先写一个几十行的统计脚本把标签从头到尾过一遍再开始选模型路线。2.2 用脚本统计策略分布训练前的第一道质检解压数据集后我习惯做的第一件事是加载全部样本输出策略标签的频次分布、回复平均长度和空标签占比。下面这个脚本能帮你快速判断这份标注数据是否符合预期也适合在接手任意标注数据集时复用。import json import zipfile from collections import Counter # 假设 zip 包内只有一个主 JSON 文件样本结构里含有 strategy_tags 字段 zip_path PsyQA.zip strategy_counter Counter() reply_len [] empty_strategy 0 total 0 with zipfile.ZipFile(zip_path) as zf: for name in zf.namelist(): if not name.endswith(.json): continue with zf.open(name) as f: data json.load(f) # 兼容“列表包样本”和“字典包样本”两种常见结构 samples data if isinstance(data, list) else data.get(data, []) for item in samples: total 1 reply item.get(reply, item.get(answer, )) reply_len.append(len(reply)) tags item.get(strategy_tags, []) if not tags: empty_strategy 1 strategy_counter.update(tags) print(样本总量:, total) print(空策略样本数:, empty_strategy) print(标签频次:, strategy_counter.most_common(20)) print(回复长度均值:, sum(reply_len) / len(reply_len))脚本逻辑分四段。先按扩展名过滤 zip 内的 JSON 文件再用json.load读取并兼容列表和字典两种结构随后提取回复文本和策略标签最后用Counter统计标签分布并查看空标签数量。参数上只需要改zip_path为实际下载的压缩包路径以及把字段名替换成你手里的真实字段名常见叫法有strategy_tags、strategies、labels几种。看到统计结果后我会重点看三处。第一是策略类别是否集中在少数几个标签上如果“提供建议”占比超过五成后面训练时需要做重采样否则模型会变成复读机第二是空标签样本占比超过 5% 就要考虑是标注遗漏还是数据导出问题第三是回复长度分布如果大部分回复都超过 500 字微调时输入拼接很容易撞上上下文窗口上限。这些坑在第 5 章还会逐个展开。3. 把 PsyQA 从 zip 包变成可训练样本解析、清洗与上下文重建3.1 字段映射与简单清洗先让加载脚本跑通再想别的拿到任何 zip 压缩的数据集第一步都是把压缩包打开看字段名然后写一个只依赖标准库的加载脚本。这样做的原因很实际训练框架、向量库、标注工具都可能有版本兼容问题但zipfile和json不会它能保证你快速看到数据全貌。我经常遇到的情况是字段名和预想的不一样。有的包叫question有的叫dialogue有的把历史上下文放在context里有的是平铺的messages数组。不要对着记忆里的字段硬写先跑一个自动探查脚本把键名打出来最省事。下面这段代码会在每一条样本上递归找出所有键值并打印类型import json import zipfile def iter_keys(obj, prefix): if isinstance(obj, dict): for k, v in obj.items(): yield prefix k yield from iter_keys(v, prefix k .) elif isinstance(obj, list) and obj: yield from iter_keys(obj[0], prefix) zip_path PsyQA.zip with zipfile.ZipFile(zip_path) as zf: name [n for n in zf.namelist() if n.endswith(.json)][0] with zf.open(name) as f: data json.load(f) samples data if isinstance(data, list) else data.get(data, []) keys set(iter_keys(samples[0])) print(\n.join(sorted(keys)))这段脚本会输出类似question.text、reply.text、strategy_tags.0这样的路径式键名让你一眼看出数据结构。字段探查完之后要把看不见的脏数据处理掉全角空格、HTML 标签残留、重复的换行符、把“你 好”这类中间误插空格的问题。心理支持语料里还会出现大量口语词和括号表情这些建议保留因为咨询场景的真实对话本身就长这样。3.2 上下文重建把单条问答补成能接话的多轮语境PsyQA 里的问答对很多并不是孤立的一问一答。有的带上下文历史有的只有当前问题。做长咨询文本生成时最大的浪费是把这些历史全部丢掉。常见做法是把所有可用的历史轮次按顺序拼成一个对话窗口作为生成时的前缀信息。重建时要有一些策略否则训练时会翻车。我一般先按时间或序号排序再按角色交替拼接最后限制总长度。下面这个函数能按 token 数做硬截断并保证截断点落在完整句子上def reconstruct_dialogue(item, max_chars1500): turns [] for i, turn in enumerate(item.get(context, [])): role turn.get(role, user if i % 2 0 else assistant) text turn.get(text, ).strip() if text: turns.append(f{role}: {text}) turns.append(fuser: {item.get(question, ).strip()}) dialogue \n.join(turns) if len(dialogue) max_chars: # 从接近上限的句号处切断避免把句子拦腰截断 cut dialogue.rfind(。, 0, max_chars) dialogue dialogue[: cut if cut max_chars * 0.7 else max_chars] return dialoguemax_chars是按字符数控制的切割阈值具体值取决于你用的是什么基础模型。像 chatglm3、qwen 这类中文模型1500 字符大约对应 800 到 1000 token这个量级在大多数消费级显卡上做 SFT 是能跑的。超过 2500 字符的上下文小显存环境下不仅训练慢推理时也容易长度溢出。这里的核心思路是保证对话的“来龙去脉”够模型理解当前问题而不是把所有历史一字不漏地塞进去。说到数据清洗有一件事要交代清楚净化后的语料不要直接覆盖原始数据。我保留了一个raw_backup目录把每次清洗前的原始 JSON 都留底后面发现清洗逻辑写错了还能回去。这个习惯在数据只有一份时尤其重要。3.3 样本增强与二次标注让长文本生成不再缺料数据量永远不够这是做心理对话生成最直接的感受。基础样本可能只有几千组但每组样本内部包含了多个策略片段理论上可以切出更多训练对。常见的增强手段有四种同义词替换、句式改写、策略片段重排、回译。前两种用大模型批量处理就行注意不要改动原意后两种成本低可以直接在训练脚本里实现。策略片段重排的思路是这样一段回复里可能有“共情→建议→行动跟进”这种固定顺序把顺序打乱后生成出来的话会显得奇怪但在数据增强阶段它可以教会模型 стратегия出现的不同位置关系避免过度依赖某种固定套路。我在实际中只对不超过三个策略片段的样本做重排太长的重排会让文本失去连贯性。如果你想把策略标注做得更细也可以用 doccano 这类开源标注工具补一轮关系标注。我的做法是先把模型生成的候选长文本导出成 doccano 项目再请两个有心理学背景的人逐句标注“这句话在做哪个策略动作”最后把标注结果和 PsyQA 原有标签合并成新训练集。对心理支持领域来说两轮独立标注的一致性超过 0.7 才敢用于训练这是经验值。4. 让模型输出“有援助策略的长咨询文本”提示词、微调与 RAG 三条路线4.1 路线一把策略列表显式写进系统提示词零训练快速验证在决定是否投入算力做微调之前先用零训练的方式验证数据集可用性是比较稳妥的做法。把策略标签从数据里直接提取出来拼进系统提示词让模型知道“你需要在哪些策略维度上组织回答”。就算只靠提示词输出结构和原来相比也会明显不同。system_prompt 你是一名有经验的心理支持者。请用专业且温和的语气回应用户的倾诉。 回答需要按以下策略组织但不要逐一罗列策略名而是自然地融合在回复中 1. 共情与倾听先承接情绪让用户感到被理解。 2. 探索应对方式询问用户以往的处理方法。 3. 提供具体建议给出可执行的小步骤。 4. 行动跟进提出后续可以继续交流的方向。 只提供情绪支持不做医学诊断不否定用户的感受。 # 以任意兼容 OpenAI 格式的本地推理服务为例 def generate_reply(question, history): messages [{role: system, content: system_prompt}] if history: messages.append({role: user, content: history}) messages.append({role: user, content: question}) # 参数说明见下 response client.chat.completions.create( modelqwen2.5-7b-instruct, messagesmessages, temperature0.7, top_p0.9, max_tokens1024, ) return response.choices[0].message.content这里的参数选择有讲究。temperature0.7保证生成有一定多样性不至于每次都输出同样的安慰话top_p0.9与 temperature 配合减少尾巴里的低概率噪声词。max_tokens1024对长咨询文本是个起点如果你发现输出经常在 800 token 处被截断再往上调。关键是策略列表不要放太长5 到 6 个就够否则模型会忙着“表演策略”而忘了自然说话。这条路线适合验证标签体系是否有用。我会拿 20 条真实 user 问题跑一轮让三个人盲评输出质量。如果效果已经可以接受就不必急着上微调。对多数小团队来说提示词路线是成本最低且最容易维护的落地方式。4.2 路线二构造 SFT 样本让模型从示例里学应答套路提示词能约束大方向但约束不了具体的表达习惯。想让模型稳定输出高质量的援助策略还是得做监督微调。构造 SFT 样本时输入是“用户问题 对话历史”输出是“原始回复”而策略标签放在系统提示里作为指导信息。实际做法是把标签转写成自然语言描述比如“请先共情再提供建议”这样比丢一个英文标签进去效果好得多。我在构造训练样本时会额外做一件事把部分样本里的策略标签顺序随机打乱防止模型把某个策略的固定顺序当成唯一合法的结构。数据格式统一成下面的 JSONL 风格每行一条{ conversations: [ {role: system, content: 你是心理支持助手。请综合运用共情、信息支持、认知重建、行动建议等策略回应用户。仅提供情绪支持不做医学诊断。}, {role: user, content: 最近工作上的事情压得我喘不过气又不敢跟同事说。}, {role: assistant, content: 能感觉到你现在的压力很大一个人扛着肯定不容易。你之前遇到这种压力时有没有什么方式让自己好受一点} ] }训练命令我一般基于 LLaMA Factory 这类开源训练框架跑因为参数调节方便。常见的做法是加载一个 7B 到 14B 的中文指令模型用 LoRA 做参数高效微调学习率设在 1e-4 到 2e-4 之间lora_rank16训练 2 到 3 个 epoch。跑完别急着收先用训练集里随机抽出的样本做一次生成对比确认模型是真的学会了策略结构而不是把标签背了下来。这个阶段最常见的失败是模型学会了在输出的开头堆砌“我理解你的感受”这种套话后面却接不上具体的策略动作。出现这种情况我会回到数据侧把只有共情没有实际策略的样本筛出来单独处理要么删掉要么在 SFT 样本里把它标记成负样本。4.3 路线三策略向量检索再生成减少幻觉又保留长文本结构微调之后模型已经能产出结构合理的回复但在具体的知识性内容上仍然可能泛泛而谈。比如用户问到“失眠怎么调整”模型的建议往往很空。这时可以把 PsyQA 里的策略片段抽出来做向量化生成前先检索最相关的几个片段把内容和策略结构一起喂给模型。这条路线相当于给模型准备了一个“话术库”每次生成都按需取用。from sentence_transformers import SentenceTransformer import numpy as np model SentenceTransformer(paraphrase-multilingual-mpnet-base-v2) # 假设 strategy_snippets 是提前切好的策略片段列表每条含 text 和 tag snippet_texts [s[text] for s in strategy_snippets] snippet_embs np.array([model.encode(t) for t in snippet_texts]) def retrieve_strategies(query, top_k3): q_emb model.encode(query) scores np.dot(snippet_embs, q_emb) / ( np.linalg.norm(snippet_embs, axis1) * np.linalg.norm(q_emb) 1e-8 ) idx np.argsort(scores)[-top_k:][::-1] return [strategy_snippets[i] for i in idx]这个检索逻辑的本质是把问题映射到向量空间找出最接近的已有策略片段。top_k控制注入 prompt 的片段数量过少则参考不足过多则系统提示词被撑爆。我一般取 2 到 3 条每条控制在 80 字以内。检索结果和 4.1 里的策略列表一起放进系统提示词模型生成时就有了两个抓手一个是抽象的策略框架一个是具体的参考话术互相补位。要注意的是向量模型的选择会直接影响召回质量。中英双语模型对中文心理语料的适配实测比纯英文模型好很多如果条件允许拿一二百条领域数据微调一下嵌入模型也能提升一批检索准确率。RAG 路线最大的价值是把“模型胡说八道”的比例降下来因为生成的内容有了出处。但它的缺点是构建和维护检索库需要额外成本样本量不上来之前优先用纯提示词路线。5. 从训练到上线前的常见问题与排查标签倾斜、上下文溢出与术语边界5.1 现象生成内容像“说教机器人”全因建议类样本太多最典型的表现是模型回应的每句话都在给建议“你应该”“你可以”“建议你”高频出现用户听完觉得被教育没有被理解。原因在于原始标注里“提供建议”类标签占比过高模型学到的是建议优先于共情。我在统计标签分布时看到过这类数据占比超过七成的情况确实会出现。解决思路有三个。一是按策略标签做重采样把过量的建议类样本降权保证每个策略在训练批次中的出现频次相对均衡。二是在 SFT 的系统提示里显式写“先共情再建议”让模型在生成顺序上有所遵循。三是在推理阶段做约束解码对“你应该”这种句式做危险信号检测出现频次过高就触发另一套 prompt 重新生成。5.2 现象上下文窗口溢出长咨询文本生成到一半就断场景是用户倾诉很长模型刚开始回答还算正常到后半段突然重复前面的话或者直接中断。原因很简单训练时拼接了过长的上下文超出模型窗口上限。心理支持对话天然有“用户说很多、助手回很长”的特点上下文字符数很容易冲到 2000 甚至 3000 以上。解决方法是分层截断。第一层截断对话历史只保留最近的三到五轮第二层截断当前问题超过 800 字符的先压缩摘要。这两种截断之后再按 4.1 的max_tokens限制生成长度。如果你用的是 4k 窗口的小模型生成 max_tokens 不要超过 1200给输入留出足够余量。用大窗口模型时也要留 token 给检索片段否则 RAG 路线照样溢出。5.3 现象模型把“抑郁情绪”写成“诊断为抑郁症”术语越界生成文本里出现“你得了抑郁症”“你这是焦虑症”这类医学诊断表述。这在心理支持场景里是严重事故会直接引发用户错误归因。原因是模型从语料中学习了医学术语但缺少“仅做情绪支持、不做医学诊断”的安全边界。标注语料本身可能也含有类似表达被模型当成正确范式学了进去。解决要两道防线。第一道放在训练和提示词层系统提示里固定写明“不提供医学诊断不进行疾病判断”SFT 数据里把含绝对化诊断表述的样本删掉或改写。第二道放在输出层用一个轻量规则拦截正则匹配“抑郁症”“焦虑症”“确诊”这些词命中就触发重新生成或降级为安全回复。宁可让回复平淡一点不能让它越界。5.4 现象策略覆盖率看着高用户体感却很差这是最隐蔽的坑。自动评估里 BLEU 和策略覆盖率都不错但真人读了之后觉得“听起来像套模板一句都不走心”。原因是评估指标只看词面和标签对不对不看策略是否真的对用户产生了支持效果。模型学会了“我要先共情”于是每一段开头都写“我理解你的感受”但后续没有针对用户具体处境给出实质回应。我的解决方法是对评估体系做拆解策略覆盖率作为第一层过滤文本连贯性作为第二层最后由人工做共情质量打分。想省人力的话可以让一个大模型扮演用户对生成结果做“用户视角体验打分”再和人工打分做相关性校验。多轮反馈比单轮评估更能反映真实问题。6. 验收长咨询文本的三个技巧策略覆盖率检查、回归集与人审打分表先说策略覆盖率检查。它不需要复杂模型写一个能识别“策略动作”的规则分类器就够了。比如出现“我理解”“辛苦了”“感受到”视为共情出现“你可以试试”“建议”“下一步”视为建议。对每条生成结果统计覆盖了哪些策略和 PsyQA 里的标签做对比就能量化生成内容离“援助策略丰富”还差多远。这个检查工具要放在微调前后各跑一次数字有明显上升才说明训练方向对了。再说回归集。我会从测试集里挑二十条最有代表性的用户问题覆盖学业压力、职场焦虑、亲子冲突、失眠等常见场景组成固定测试集。每次改训练数据、调 prompt、换模型都把这一组跑一遍输出保存成快照。这样能及时发现“这版改动让失眠场景退步了”这类回归问题。没有回归集调参就变成了只靠眼力的玄学。最后是人审打分表。机器指标只能告诉你“像不像”不能告诉你“有没有用”。我实际用的是三个维度共情度指用户是否感到被理解策略落地度指建议是否具体可执行安全合规度指是否存在诊断或评判性表述。每个维度 1 到 5 分三个人独立打分取均值。积累两三百条盲评数据之后你会对模型的真实水平有可靠判断。我现在的习惯是每次动数据或 prompt 之前先截一份快照命名带日期和改动说明。这个习惯让我避开了很多“这版改了哪、为什么变差了”的混乱。回想起来做这个方向最重要的不是追逐新模型而是把数据集当成标尺反复打磨。希望这个经验对你也有用愿你在心理支持这条路上少踩点坑。本文还有配套的精品资源点击获取