30,000 real psychological hotline conversations

该数据集由清华大学社会心理服务研究中心创建，包含30,000个真实的心理热线对话，涵盖了探索、洞察和行动三个阶段的典型互动。数据经过匿名化处理，并丰富了用户情感和背景信息，用于训练具有阶段意识和深度推理能力的对话模型，以提供动态适应性强、推理能力强、解释性强的心理支持对话系统。

This dataset was created by the Social Psychological Service Research Center of Tsinghua University. It contains 30,000 real psychological hotline dialogues covering typical interactions across three core stages: exploration, insight, and action. All data has been anonymized and enriched with user emotional information and background details. It is intended for training conversational models with stage awareness and deep reasoning capabilities, aiming to develop psychological support dialogue systems that boast strong dynamic adaptability, robust reasoning abilities, and high interpretability.

搜集汇总

数据集介绍

构建方式

在心理学与人工智能交叉领域的研究背景下，该数据集的构建采用了理论驱动与数据增强的双重策略。基于克拉拉·希尔教授的三阶段帮助理论框架，研究团队对30,000条真实心理热线对话进行多维度处理：通过AI模拟对话扩展数据规模，并邀请心理学专家进行理论对齐标注，确保对话逻辑符合探索-洞察-行动三阶段干预原则。数据预处理阶段采用匿名化处理，并嵌入显式阶段标记（如<探索阶段>）和因果推理链，为模型提供结构化学习信号。这种融合真实场景数据与理论指导的构建方法，显著提升了数据集的心理学效度和机器学习可用性。

特点

该数据集的核心价值体现在其动态阶段标注与深度推理的复合特征上。每条对话不仅包含原始文本，还标注了实时情感关键词（如'焦虑'）、语义焦点（如职场冲突）以及九类阶段转换信号（准确率达98.2%）。区别于通用对话数据集，其特色在于：1）三阶段理论驱动的层次化标注体系，能精准反映心理支持对话的动态演进过程；2）包含专家验证的隐喻框架和渐进式行动建议，增强认知重构的可行性；3）通过测试时扩展机制整合的多源推理链，提供可解释的决策依据。这种设计使数据集兼具心理学理论严谨性与AI训练实用性。

使用方法

该数据集在应用时需遵循阶段敏感的递进式使用策略。研究人员可基于显式阶段标记训练模型动态感知能力，利用情感关键词和语义焦点构建用户状态追踪模块。具体实施时：1）探索阶段侧重开放式问题生成模型的微调，提升问题暴露完整性；2）洞察阶段应用隐喻关联标注数据训练认知重构模型，强化因果推理能力；3）行动阶段依据资源可行性标注，优化分步建议生成算法。实验表明，采用阶段感知的迁移学习方法可使问题暴露完整度提升58.3%，同时需注意避免跨阶段指标的混淆使用，以保持心理学干预的理论一致性。

背景与挑战

背景概述

30,000 real psychological hotline conversations数据集由清华大学社会心理服务中心的陈凯和孙泽冰等研究人员于2025年构建，旨在推动人工智能与心理学交叉领域的情感支持对话系统研究。该数据集基于真实心理咨询热线对话，融合了Clara Hill教授提出的探索-洞察-行动三阶段心理帮助理论，为DeepPsy-Agent系统提供训练基础。作为首个整合心理学理论框架与深度推理技术的大规模心理对话数据集，它解决了传统情感支持系统中存在的多阶段脱节和浅层推理问题，显著提升了问题暴露完整性、认知重构成功率和行动采纳率等关键指标，对智能心理健康服务领域的发展具有里程碑意义。

当前挑战

该数据集面临的挑战主要体现在两个方面：在领域问题层面，需解决心理支持对话特有的动态阶段转换难题，包括37%的过早行动建议和无效对话循环现象，以及通用大模型在情感状态和认知模式推理中存在的可解释性不足问题；在构建过程中，需克服真实心理咨询数据的高敏感性带来的匿名化处理挑战，同时通过AI模拟对话与专家重标注策略确保数据质量，精确标注九类阶段转换信号（准确率98.2%）并嵌入显式阶段标记与推理链，以实现理论指导下的高质量多轮对话建模。

常用场景

经典使用场景

在心理学与人工智能交叉领域的研究中，30,000条真实心理咨询热线对话数据集为情感支持对话系统（ESC）的开发提供了宝贵资源。该数据集最经典的使用场景是训练和评估具备动态阶段感知能力的心理支持代理系统，如DeepPsy-Agent。系统通过探索、洞察、行动三阶段理论框架，模拟专业心理咨询师的干预策略，生成符合当前对话阶段的高质量回应。数据集中的多轮对话覆盖了从问题暴露到认知重构再到行动建议的完整流程，为模型提供了丰富的上下文学习样本。

衍生相关工作

该数据集催生了多项心理学与AI融合的创新研究。在理论框架方面，Hill的三阶段帮助理论被扩展为包含9类转换信号的动态模型；在技术路径上，衍生出测试时间扩展的'慢思考'机制，使模型响应延迟提升3-5秒但推理准确率增长58%。知名后续工作包括Deng等开发的知识增强混合主动对话系统，以及Liu等提出的多策略融合框架，这些研究均采用该数据集进行阶段标注一致性验证，推动领域逐渐形成标准化的心理支持评估指标。

数据集最近研究

最新研究方向

在心理健康服务领域，基于30,000条真实心理咨询热线对话构建的DeepPsy-Agent系统，代表了情感支持对话技术的最新研究方向。该系统创新性地将心理学三阶段帮助理论与深度学习技术相结合，通过阶段感知和深度思考模块实现了动态对话管理。当前研究聚焦于提升AI在心理支持场景中的多阶段衔接能力和深层认知推理，特别是在问题暴露完整性、认知重构成功率等关键指标上显著优于通用大语言模型。随着全球心理健康问题日益突出，这类具备理论驱动和动态适应能力的智能支持系统，为缓解心理咨询资源短缺提供了技术突破方向，同时也推动了人机交互在专业服务领域的范式革新。

相关研究论文

• DeepPsy-Agent: A Stage-Aware and Deep-Thinking Emotional Support Agent System

  清华大学社会心理服务研究中心 · 2025年