機器之心報道

編輯：張倩、+0

近日，新一屆 ACM 博士論文獎正式公布。

該獎項每年頒發(fā)給計算機科學與工程領域最佳博士論文的作者。今年頒發(fā)的是 2024 年的獎項，包括一個博士論文獎和兩個博士論文獎榮譽提名。

獲得博士論文獎的論文非常有現(xiàn)實意義，它研究的是：現(xiàn)在心理健康問題越來越多，但專業(yè)心理醫(yī)生不夠用，怎么辦？

我們知道，在 DeepSeek 等 AI 模型火起來之后，很多人都把 AI 當成了心理醫(yī)生。但很多時候，AI 并不能像真正的心理治療師一樣提供專業(yè)指導。或許，「人機協(xié)作」是條更現(xiàn)實的折中路線。

在論文中，獲獎作者 Ashish Sharma 探索了多種方法來實現(xiàn)更好的人機協(xié)作。他的方法類似于：

• 給志愿者配教練：讓更多普通人能提供有效心理支持；
• 給用戶配向導：讓心理自助工具更容易上手；
• 給 AI 配監(jiān)督員：確保 AI 心理咨詢師的質(zhì)量。

他最近開發(fā)的 AI 輔助心理健康工具已被公開發(fā)布，并有超過 16 萬用戶使用，其中大多數(shù)是低收入人群。使用這些工具的人群中，超過 50% 的家庭年收入低于 4 萬美元。

除了這篇論文，還有兩篇論文獲得了博士論文獎榮譽提名，其中一篇研究的問題是「利用偽隨機分布揭示低復雜度計算模型的固有計算局限性」；另一篇則專注于「大型語言模型如何利用它們在訓練時學習到的海量文本數(shù)據(jù)」。

以下是獲獎論文的詳細信息。

ACM 博士論文獎

• 獲獎者：Ashish Sharma（該論文是他在華盛頓大學攻讀博士學位期間完成的，Sharma 目前是微軟應用研究辦公室的高級應用科學家）
• 論文標題：Human-AI Collaboration to Support Mental Health and Well-Being
• 論文鏈接：https://digital.lib.washington.edu/researchworks/items/2007a024-6383-4b15-b2c8-f97986558500

隨著全球心理健康問題激增，醫(yī)療保健系統(tǒng)正在努力為所有人提供可及且高質(zhì)量的心理健康護理。盡管醫(yī)療可以為面臨心理健康挑戰(zhàn)的人們提供支持，但臨床醫(yī)生短缺和心理健康污名等障礙通常限制了人們獲得治療的機會。在論文中，作者研究了人機協(xié)作如何改善心理健康支持的可及性和質(zhì)量。

首先，他研究了人機協(xié)作如何幫助提供支持的人員進行有效且高質(zhì)量的對話。具體而言，他關注了 Reddit 和 TalkLife 等在線同伴支持平臺上的支持者。雖然支持者有動機且善意地幫助尋求支持的人，但他們通常缺乏訓練，不了解促進有效支持的關鍵心理治療技能，如共情。通過一種基于強化學習的方法，并通過對來自最大同伴支持平臺的 300 名同伴支持者進行的隨機試驗進行評估，他證明了基于 AI 的反饋可以幫助支持者在對話中更有效地表達共情。

其次，他研究了人機協(xié)作如何使自我指導的心理健康干預更容易獲得、更容易參與，從而增強尋求支持的人的能力。自我引導干預，如學習和練習應對技能的「自助」工具，往往在認知上要求較高且在情感上具有觸發(fā)性，這造成了可及性障礙，限制了其大規(guī)模實施和采用。作者以消極思想的認知重構為案例研究，在一家大型心理健康網(wǎng)站上進行了一項有 15531 名參與者的隨機試驗。結果表明，人機協(xié)作支持人們克服消極思想，并為心理學理論提供了有關導致積極結果的過程的信息。

第三，作者系統(tǒng)性地評估了用于心理健康支持的人機協(xié)作系統(tǒng)。雖然人們對利用 AI 進行心理健康支持有很大興趣，但缺乏評估其有效性、質(zhì)量、公平性和安全性的方法。他研究了如何通過臨床試驗有效評估 AI 心理干預措施與傳統(tǒng)方法相比的短期 / 長期療效、公平性和安全性。此外，他還開發(fā)了一個計算框架，可自動評估大型語言模型（LLM）充當治療師時的行為表現(xiàn)。通過分析 13 種不同的心理治療技術，他將 LLM 治療師的行為與高質(zhì)量及低質(zhì)量人類治療師進行對比。分析表明，LLM 的行為模式往往更接近低質(zhì)量治療師 —— 例如當來訪者傾訴情緒時，它們會更頻繁地提供解決問題建議，這種做法明顯違背常規(guī)治療準則。

作者在論文中描述了他開發(fā)的兩個支持心理健康和福祉的人機協(xié)作系統(tǒng)，以及此類系統(tǒng)的評估框架。這項研究讓人和 AI 能夠協(xié)作，既幫助需要心理支持的人掌握應對技巧，也輔助專業(yè)人員提升輔導能力。

ACM 博士論文獎榮譽提名

論文 1

• 獲獎者：Alexander (Zander)Kelley（在伊利諾伊大學香檳分校獲得博士學位）
• 論文標題：Explicit pseudorandom distributions for restricted models of computation
• 論文鏈接：https://www.ideals.illinois.edu/items/132651

為了理解具體計算模型的（可證明的）局限性，我們需要回答一個根本性的問題：某些計算任務是否存在低復雜度模型根本無法完成（甚至不能近似完成）的情形？

回答這一問題是解決復雜性理論中多個關鍵性未解難題（例如「P 與 NP 問題」和「P 與 BPP 問題」）所必經(jīng)的步驟。

在眾多應用中，尤其是密碼學領域，我們更需要一種穩(wěn)健的計算限制，即存在某種特定任務，使得任何受限于低復雜度的算法都無法成功執(zhí)行，甚至無法做出可靠近似。

本論文研究的主題為偽隨機分布（針對低復雜度模型），該工具為驗證此類計算限制提供了一種特別清晰的方式。所謂偽隨機分布，是指某種可高效生成的概率分布，其樣本在分布上與某些「非目標樣本」足夠相似，以至于任何低復雜度的測試函數(shù)都無法可靠地區(qū)分它們。

本論文所研究的偽隨機分布來自我們在一系列工作中的構造與分析，其結果均建立了一種面向特定計算模型的穩(wěn)健性限制。這些模型包括：

• （任意順序）一次讀取分支程序（Read Once Branching Programs）：一種捕獲某些小空間算法的計算模型；
• 常數(shù)深度電路（Constant-Depth Circuits）：一種捕獲某些高度可并行化算法的計算模型；
• 多項式閾值函數(shù)（Polynomial Threshold Functions）：一種簡單的幾何計算模型，在學習理論等背景下自然出現(xiàn)；
• 多方通信協(xié)議（Multiparty Communication Protocols）：一種抽象計算模型，用于研究主要受通信瓶頸限制的系統(tǒng)。

論文 2

• 獲獎者：Sewon Min（在華盛頓大學獲得博士學位，即將擔任 UC 伯克利助理教授）
• 論文標題：Rethinking Data Use in Large Language Models
• 論文鏈接：https://digital.lib.washington.edu/server/api/core/bitstreams/76fbf5f7-b608-42a5-a513-a7c0218579f1/content

大型語言模型（如 ChatGPT）已經(jīng)徹底改變了自然語言處理乃至更廣泛的人工智能領域。在本論文中，作者討論了她對理解和推進這些模型的研究，其核心在于它們?nèi)绾卫闷溆柧毸玫某笠?guī)模文本語料庫。

首先，作者描述了我們?yōu)槔斫膺@些模型如何在訓練后學習執(zhí)行新任務所做的努力，證明它們所謂的語境學習能力幾乎完全取決于它們從訓練數(shù)據(jù)中學習到的內(nèi)容。

接下來，作者介紹了一類新型的語言模型 —— 非參數(shù)（ Nonparametric ）語言模型，這類模型將訓練數(shù)據(jù)重新用作數(shù)據(jù)存儲，從中檢索信息以提高準確性和可更新性。

作者描述了在建立此類模型基礎方面的工作，包括最早被廣泛使用的神經(jīng)檢索模型之一，以及一種將傳統(tǒng)的兩階段流水線簡化為一階段的方法。

作者還討論了非參數(shù)模型如何為負責任的數(shù)據(jù)使用開辟新途徑，例如，區(qū)分許可文本和受版權保護的文本并以不同方式使用它們。

最后，作者展望了我們應該構建的下一代語言模型，重點關注高效擴展、改進的事實性和去中心化。

參考鏈接：https://awards.acm.org/doctoral-dissertation