文章总结与翻译一、主要内容本文提出了一种基于大型语言模型（LLMs）的端到端流水线方法，从心理治疗会话记录中自动生成个性化网络，以支持病例概念化和治疗规划。研究核心流程包含三个关键阶段：过程检测与维度分类：通过上下文学习，对治疗记录中的话语进行二元分类（是否包含心理过程）和多标签分类（确定心理过程的维度，如情感、认知、自我意识等），即使仅使用少量训练样本也能实现高性能。主题推断与聚类：采用两步法将识别出的心理过程分组为具有临床意义的集群（临床主题），相比单步直接提示法，该方法在临床实用性和可解释性上更优。主题间关联生成：利用集成学习（整合多个LLM的预测结果）推断集群间的有向关联，并生成带解释的关系（兴奋性或抑制性），提升关联的可靠性和临床价值。研究使用77个治疗会话记录（涉及6名抑郁症或广泛性焦虑症患者）和3364个标注的心理过程数据进行验证，专家评估显示，生成的网络在临床相关性、新颖性和实用性方面得分达72%-75%，90%的专家更倾向于该多步方法而非单步提示法。同时，该方法相比传统统计估计网络，无需密集的纵向数据收集，降低了患者和治疗师的负担，且能捕捉患者独特的潜在主题。二、创新点端到端的个性化网络生成流水线：首次实现从原始治疗会话记录直接生成临床可用的个性化网络，整合了过程检测、主题聚类和关联生成三大核心步骤，形成数