UKPLab/Graph2Counsel

Graph2Counsel是一个基于客户心理图（CPGs）生成的合成心理咨询对话数据集。该数据集提供了从真实心理咨询会话中提取的CPGs、基于这些CPGs生成的多样化客户档案和对话，以及与每个CPG对应的咨询师策略。与现有的合成心理咨询数据集相比，Graph2Counsel在特异性、咨询师能力、真实性、对话流畅性和安全性方面表现出更高的专家评估性能。数据集结构包括患者标识、会话标识、变体索引、CPG、客户档案、咨询师策略和对话内容等字段。该数据集适用于微调大型语言模型（LLMs）以生成心理健康咨询对话，训练模型以基于结构化临床知识（CPGs）生成治疗响应，以及研究客户心理图、咨询师策略和对话质量之间的对齐。Graph2Counsel is a synthetic psychological counseling dialogue dataset generated based on Client Psychological Graphs (CPGs). This dataset provides CPGs extracted from real psychological counseling sessions, diverse client profiles and dialogues generated based on these CPGs, as well as counselor strategies corresponding to each CPG. Compared with existing synthetic psychological counseling datasets, Graph2Counsel exhibits higher expert evaluation performance in terms of specificity, counselor competence, authenticity, dialogue fluency and safety. The dataset structure includes fields such as patient ID, session ID, variant index, CPG, client profile, counselor strategy and dialogue content. This dataset is applicable for fine-tuning Large Language Models (LLMs) to generate mental health counseling dialogues, training models to generate treatment responses based on structured clinical knowledge (CPGs), and researching the alignment among client psychological graphs, counselor strategies and dialogue quality.

搜集汇总

数据集介绍

构建方式

Graph2Counsel数据集基于客户端心理图（CPG）构建，该图从真实匿名化咨询会话中提取，节点表征认知、情感与行为等心理过程，边刻画其间激发或抑制等关系。研究团队依托同一会话记录同时提取咨询师策略，如重构框架与共情技巧。随后，以CPG为结构化依据，生成多样化客户端档案，最终融合档案、心理图及咨询师策略，借助大语言模型合成带有临床依据的心理咨询对话。每份CPG可产出多个变体，以捕捉多样但合理的来访者呈现与治疗轨迹。

特点

本数据集的核心优势在于其临床结构化设计与高保真度。与依赖非结构化或半结构化文本输入的现有合成咨询数据集不同，Graph2Counsel通过CPG显式编码来访者认知、情绪与行为间的结构依赖关系，有效避免心理层面的不一致性，从而提升数据真实性与质量。专家评估表明，该数据集在特异性、咨询师胜任力、真实性、对话流畅性与安全性等维度均优于已有合成资源，为心理语言学研究提供了更为可靠的数据基础。

使用方法

用户可通过HuggingFace Datasets库便捷加载该数据集，调用`load_dataset("UKPLab/Graph2Counsel")`即可获取。每条记录包含患者标识、会话编号、变体索引、CPG结构图、合成客户端档案、咨询师策略列表及完整对话轮次。该数据集适用于微调面向心理健康咨询对话生成的大语言模型，训练模型将治疗回应锚定于结构化临床知识，以及探究心理图、咨询策略与对话质量之间的对齐关系，但须注意严格限定于研究场景，不得用于自主临床干预。

背景与挑战

背景概述

Graph2Counsel数据集由德国达姆施塔特工业大学UKP实验室的研究团队于2026年发布，旨在解决心理治疗对话生成中缺乏结构化临床知识支撑的难题。该数据集基于从真实心理咨询会谈中提取的来访者心理图谱（CPGs），通过编码认知、情绪与行为状态之间的结构依赖关系，生成多样化的来访者画像与咨询对话。相较于传统依赖非结构化文本输入的合成数据集，Graph2Counsel通过图结构形式捕捉心理过程的相互作用（如恐惧评判与回避行为间的激发或抑制关系），显著提升了生成对话的专业性、真实性与安全性。该数据集可用于微调大语言模型、训练模型将治疗回应锚定于临床知识框架，对推动人工智能辅助心理健康干预的可靠性研究具有重要影响。

当前挑战

该数据集面临的挑战主要集中在领域问题与构建过程两个层面。在领域问题方面，心理治疗对话生成的核心障碍在于如何确保合成交互同时具备临床合理性与个性化多样性，现有数据集常因忽略心理状态间的结构关联而产生不一致的对话内容，Graph2Counsel通过引入图结构化解了这一矛盾，但仍需验证其在不同治疗流派与多样化来访者群体中的泛化能力。构建过程中，CPGs的提取依赖对真实会谈记录的匿名化处理与专家标注，图中节点与边的定义需平衡心理学理论的严谨性与数据生成的可行性，同时生成多种来访者画像与对话变体时，需确保多样性与临床真实性的权衡，避免产生误导性或有害的心理健康内容。

常用场景

经典使用场景

Graph2Counsel数据集的核心应用在于为心理咨询对话生成提供结构化的临床知识基础。传统合成咨询数据集多依赖非结构化文本输入，忽视来访者认知、情绪与行为之间的复杂依赖关系，导致生成的交互缺乏心理一致性。Graph2Counsel通过引入来访者心理图（CPG），将思维、情感与行为的结构化关系编码为图数据，再据此生成多样化的来访者画像与咨询对话，确保对话在心理层面具有内在逻辑与真实感。该数据集特别适用于训练和评估大语言模型在心理健康领域中的情境理解与策略生成能力，成为推动临床对话系统发展的重要数据资源。

实际应用

在实际应用中，Graph2Counsel数据集可用于开发心理援助聊天机器人、心理咨询师培训模拟系统以及基于人工智能的临床决策支持工具。借助该数据集，研究人员能够微调大语言模型，使其在对话中自然地融入基于心理图的结构化知识，生成更具治疗性和安全性的回应。此外，该数据集还可用于构建咨询策略推荐系统，依据来访者心理图自动匹配有效的治疗干预手段，为低资源地区的心理健康服务提供可扩展的技术方案，助力缓解专业咨询师短缺的全球性难题。

衍生相关工作

Graph2Counsel数据集的提出催生了多个方向的研究工作。其核心框架基于Ong等人（2025）开发的来访者心理图提取方法，将真实咨询转录转化为结构化心理图表示。在此基础上，该数据集推动了面向心理健康的大语言模型微调范式研究，探索如何将图结构化知识融入对话生成模型以提升回应的临床相关性。同时，该数据集也为咨询策略自动化标注与生成任务提供了基准，激发了关于咨询师策略对齐、多轮对话心理一致性评估等方面的后续探索。未来工作可进一步扩展至多语言咨询场景，以及基于CPG的个性化干预方案自动生成。