Can AI Help You Get Over Your Breakup? One Session with a Belief-Reframing Chatbot Shows Sustained Distress Reduction
Thomas Menzel, Michel Schimpf, Thomas Bohné
cs.HC, cs.AI
2026-05-05
overit 是基于 Claude Sonnet 4.5 的单次失恋干预聊天机器人,用双调用架构对抗模型爱附和的毛病。254 人随机对照试验里,7 天失恋痛苦降幅效应量 d=0.70,约为同类移动健康干预的两倍。
失恋是成年人最常见的强烈心理痛苦之一,而且跟抑郁、焦虑、失眠挂钩。一个关键的可干预目标是失恋后的认知:那些「被甩说明自己不够好」「这次分手证明自己没救了」的信念,会把痛苦拖过正常的悲伤期。认知重评,也就是帮人重新解读这件事,被证明有用。
LLM 已经被人拿来寻求情感支持,而且常被觉得共情、回应快。但共情本身不等于有疗效。现代 LLM 的 RLHF 训练把它推向同意和过度肯定,文献里叫 sycophancy。这在心理咨询里是隐患:用户带着僵化、灾难化的解读来,需要的是被挑战而不是被附和,已有评估发现不设防的 AI 治疗机器人会强化有害信念。没有随机对照试验检验过结构化的、基于记忆再巩固理论的 AI 聊天机器人到底有没有用。
overit 是一个单次、约 20 分钟的 LLM 聊天机器人,底层是 Claude Sonnet 4.5。它的理论基础是记忆再巩固:当一段情绪记忆被重新激活,它会短暂变得可改写,如果这时引入与原预测矛盾的情绪体验,记忆就会被更新。对话分四阶段:收集背景、探索信念、生成反事实、整合收尾。
工程上最有意思的是对抗 sycophancy 的双调用架构。每一轮对话发两次模型调用:一次生成回复(温度 1.0),一次并行评估最近三轮是否达成五个里程碑(识别出核心限制信念、挑战了它、真正考虑了反事实、说出新洞察、自然收尾,温度 0)。生成调用只看当前阶段的指令,这样不会让一个 prompt 同时背共情、节奏控制、临床进度检查三件事。会话上限 18 轮,过第二阶段前必须先识别出核心信念。
预注册随机对照试验,254 名美英成年人(干预 121,对照 133)。主要终点是 7 天后的失恋痛苦量表(BDS)。
7 天时,时间乘条件交互显著(B = −5.36,p < .001),完成者效应量 d = −0.70。干预组 BDS 降 9.23 分,对照组降 3.68 分;随访时干预组 26.63、对照组 32.20。探索性的约 36 天随访,优势仍在但缩小到 d = −0.26。
这个 d = 0.70 放到同类研究里偏大:30 项含认知重评的移动健康试验汇总效应 SMD = 0.34,415 项单次干预试验汇总 SMD = −0.25,大致是这里的一半到三分之一。作者自己提醒,失恋痛苦比临床抑郁更窄、更易波动,单次小样本对惰性对照的效果量通常偏大。
事后探索发现男性受益更大(B = 7.78,p = .003)。用户体验上推荐分 7.92 对 5.80(d = 0.92),报告突然顿悟的干预组 61.7% 对 19.3%。
对做 AI 产品的人来说,这篇的价值有两层。一层是证据:单次 20 分钟结构化对话就能在 7 天后产生可测量的痛苦下降,这对数字心理健康里高流失(多期干预流失率常超 50%)是个实际的解法。另一层是方法:双调用架构把生成和治疗进度评估分开,直接对症 LLM 爱附和的毛病,这套结构不限于失恋,理论上可用于任何由信念驱动的痛苦。
作者列的局限很实在。对照组是仅评估,没法把再巩固式重评的贡献跟自我表露、反思时间、跟 AI 聊天本身这些非特异因素分开;而且干预组看到了自己的痛苦分数反馈,对照组没看,这是混杂。单次会话设计看不出多次会不会更好。样本是 Prolific 便利抽样、只能用 iPhone(走 TestFlight),70% 女性、71% 白人,平均分手已 17.8 个月,不是急性期,泛化性受限。最关键的是机制没被分离:到底是记忆再巩固在起作用,还是就是普通的认知重评,需要靠激活时机的对照实验才能定,这篇给不了答案。