Generative Experiences for Digital Mental Health Interventions: Evidence from a Randomized Study
Ananya Bhattacharjee, Michael Liut, Matthew Jörke, Diyi Yang, Emma Brunskill
cs.HC, cs.AI
2026-04-09
GUIDE 让模型运行时同时生成干预内容与交互结构，237 人预注册对照中减压与体验均显著优于 LLM 基线（d=0.39 / 0.27）。
数字心理健康（DMH）工具大多在「给什么内容」上做个性化：按你的情绪、偏好、场景挑一段冥想或一段认知重构练习。但内容匹配对了，交互形态却是固定的——永远是那几步填空、那一段纯文本流程。论文指出，问题出在这一层：一个人压力很大时可能没力气打一大段反思，在通勤路上可能只听得进语音。固定形态的干预会在「用户当下能怎么参与」上失配，再好的内容也送不进去。
GUIDE 要做的，是把「怎么体验」也变成运行时生成的东西，而不只是内容。
GUIDE 把一次干预拆成三段流水线，每段都用同一个套路：生成多个候选，按 rubric 打分，留最高分的。
第一段是上下文收集。五个引导问题，从「发生了什么」逐步问到难度、影响、控制感和当前处境，支持文字或语音回答，再汇总成一段用户可编辑的摘要。
第二段选干预内容。基于认知行为疗法（CBT）生成三个候选，既有针对想法的（认知重构），也有针对行动的（行为激活、问题解决），然后用八条 rubric 逐条打分，包括叙事连贯性、步骤是否安全、是否贴合心理学原理、是否可在日常执行，留分最高的那个。
第三段是这篇的关键：拼交互。GUIDE 维护一组 UX 原语（文本输入、选择项、语音消息、带节拍的引导序列、图片、计时器），根据选中的干预把这些原语组合成一整条交互流程，再用七条 rubric 评估，比如干预与界面是否对齐、任务效率、可用性、信息清晰度。
换句话说，modal 本身是被生成出来的：同一个用户，可能在一次会话里被文字引导，在下一次里被语音和计时器带着走。平均一次会话 18.6 分钟，端到端生成延迟约 52 秒。
237 名本科生（平均年龄 20.78 岁；122 人 GUIDE、115 人对照）参加了一项预注册的、组间对照的单次压力管理实验。对照组本身是一个 LLM 认知重构系统：描述情境、用微调模型在 13 种预设「思维陷阱」里排序识别、再写下一个更平衡的替代想法。所以这次对照比的是「生成交互形态」相对「只生成内容」的增量，不是 AI 相对空白。
| 指标 | GUIDE | 对照 | p | Cohen's d |
| 压力下降幅度 | 0.65±0.7 | 0.35±0.8 | .02 | 0.39 |
| 用户体验 | 0.49±0.6 | 0.33±0.6 | .04 | 0.27 |
| 感到被理解 | 3.70±0.9 | 3.43±1.0 | .04 | 0.30 |
| 复用意愿 | 3.26±1.0 | 2.90±1.2 | .03 | 0.33 |
| 享受程度 | 3.44±1.0 | 3.16±1.0 | .04 | 0.28 |
| 感到个性化 | 3.39±1.1 | 3.40±1.1 | .60 | -0.01 |
主指标都过了 0.05，但效应量是小到中（d=0.270.39）。真正有意思的是两个反差。一是交互多样性：GUIDE 在 122 次会话里产出 76 种不同交互序列（归一化熵 0.87，平均序列相似度 0.40，对照固定为 1.00）。二是用户主观感到的个性化两组几乎没差（p=.60）。客观上大相径庭，主观却感知不到，这是论文自己点出的张力。子组分析里，通过 GUIDE 拿到认知重构的那 17 人减压幅度更大（M=0.88±0.60，p=.002，d=0.74），但样本太小只能算线索。回归模型显示，控制了干预前的压力水平后，GUIDE 的优势仍然显著（β=-0.28，p=.006）。
「生成体验」这个思路不限于心理健康。任何一种界面服务不了所有用户当下状态的场景（新人引导、健身教练、在线教育）都能套用：让模型按上下文挑 modal、拼流程，别只丢一段文字出去。对做 Agent 的人来说，这是「模型编排 UI」的一个干净范例，而且工程上是两个熟悉的零件：best-of-N 加 rubric 裁判，加一个小的 UX 原语 DSL。
那个「客观多样、主观无感」的零结果也值得记住：生成的东西再花，用户未必觉得更贴心。个性化得在感知层验证，不能只看分布。
作者自己列了几条：单次会话、学生样本、探索性分析功效不足、多组件设计无法拆出哪个部件起作用、裁判只有两人、个性化感知在不同序列间不稳定。
补几点读下来的疑问。对照组本身是 LLM 系统，所以这里证明的是「生成体验形态」相对「生成内容」的增量，并没有跟循证的 DMH 应用或空白对照比，不知道 GUIDE 是否真能超越现有成熟方案。样本是计算机专业的本科生，数字素养高、压力属于日常应激而非临床障碍，外推到真实患者要打问号。52 秒的生成延迟对实时交互偏长。最后，d=0.39 这种量级靠单次会话的自评撑起来，严格说只能算「一次会话内即时压力下降」，长期临床意义还需要更长的跟踪。