大模型赋能SCL-90心理评估：自动化分析与动态问卷实践

1. 项目概述：当心理学量表遇上大模型

心理评估领域正经历一场技术革命。传统《症状自评量表SCL-90》需要人工填写、计分和解释，整个过程耗时且容易产生主观偏差。我们开发的系统将这份经典量表的90个问题项与大模型结合，实现了从问卷生成到结果分析的全程自动化。实测显示，系统能在3分钟内完成传统需要30分钟的手工评估流程，准确率达到临床心理学专家复核的92.6%。

这个系统的核心价值在于：通过大模型的语义理解能力，不仅能计算标准分数，还能捕捉受访者的语言特征、回答矛盾点等深层信息。比如当用户在第5题（"我容易激动或烦躁"）选择"严重"但在第15题（"我很难控制脾气"）选择"没有"时，系统会标记这种矛盾回答并生成针对性追问。

2. 系统架构与技术选型

2.1 整体架构设计

系统采用三层架构：

• 前端：React构建的响应式Web界面，适配PC/移动端
• 中台：Python FastAPI服务处理业务逻辑
• 大模型层：基于LLaMA-2 13B微调的专用模型

mermaid复制graph TD
    A[用户端] --> B[问卷界面]
    B --> C{回答提交}
    C --> D[规则引擎]
    D --> E[大模型分析]
    E --> F[报告生成]
    F --> G[可视化展示]

特别注意：生产环境必须部署在通过等保三级认证的服务器，所有数据传输采用TLS 1.3加密

2.2 大模型微调方案

我们测试了多种开源模型后选择LLaMA-2 13B作为基座，主要考虑：

1. 参数量适中（13B），在NVIDIA A10G上能实现<500ms的推理延迟
2. 对中文心理学术语的理解优于同等规模的Bloom模型
3. Apache 2.0许可允许商用部署

微调数据集包含：

• 10,000份真实SCL-90答卷（已脱敏）
• DSM-5诊断标准文本
• 心理咨询对话记录（模拟版）
• 心理学教科书关键章节

关键训练参数：

python复制{
  "learning_rate": 2e-5,
  "batch_size": 16,
  "epochs": 3,
  "lora_rank": 64,
  "target_modules": ["q_proj","k_proj