pandalla/datatager_social_and_emotional_risk_assessment

--- license: apache-2.0 --- <p align="center"> <img src="https://raw.githubusercontent.com/PandaVT/DataTager/main/assert/datatager_logo_right.png" width="650" style="margin-bottom: 0.2;"/> <p> <h5 align="center"> If you like our project, please give us a star ⭐ </h2> <h4 align="center"> [<a href="https://github.com/PandaVT/DataTager">GitHub</a> | <a href="https://datatager.com/">DataTager Home</a>] # Social and Emotional Risk Assessment ## Prompt for Training When training your model with this dataset, prepend the following prompt to each input instance: ``` 根据提供的心理咨询问题，自动生成包含风险评估和建议的回答。识别咨询中的关键信息，评估咨询者可能的心理状态，然后提供针对性的支持和建议。 ``` ## Description AnyTaskTune is a publication by the DataTager team. We specialize in rapidly training large models suitable for specific business scenarios through task-specific fine-tuning. We have open-sourced several datasets across various domains such as legal, medical, education, and HR, and this dataset is one of them. This dataset, titled "Social and Emotional Risk Assessment," is part of an initiative by the DataTager team under the AnyTaskTune publication. It focuses on analyzing and assessing the emotional and social risks presented in interpersonal interactions. This dataset aims to help in identifying the severity of emotional distress or social disconnection that individuals may express during consultations or interactions, thereby aiding professionals to provide timely and appropriate support. ## Usage This dataset is particularly valuable for training AI systems aimed at mental health assessments and therapeutic dialogue processing. By recognizing and categorizing the risk levels associated with different emotional and social inquiries, these AI models can assist mental health professionals in prioritizing cases and formulating intervention strategies. This not only helps in managing the caseload effectively but also improves the quality of mental health care provided. Additionally, the dataset can be utilized in training settings to educate emerging psychologists and counselors on how to effectively assess and respond to various emotional and social challenges. ## Citation Please cite this dataset in your work as follows: ``` @misc{ Extract Medical Information Dataset, author = {DataTager}, title = {Extract Medical Information Dataset}, year = {2024}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\\url{https://github.com/PandaVT/DataTager}} } ```--- 许可证：apache-2.0 --- <p align="center"> <img src="https://raw.githubusercontent.com/PandaVT/DataTager/main/assert/datatager_logo_right.png" width="650" style="margin-bottom: 0.2;"/> </p> <h5 align="center"> 如果您喜欢我们的项目，请为我们点亮一颗星⭐ </h2> <h4 align="center"> [<a href="https://github.com/PandaVT/DataTager">GitHub</a> | <a href="https://datatager.com/">DataTager 官方主页</a>] # 社交与情感风险评估 ## 训练提示词 当使用本数据集训练模型时，请在每个输入样本前添加如下提示词： 根据提供的心理咨询问题，自动生成包含风险评估和建议的回答。识别咨询中的关键信息，评估咨询者可能的心理状态，然后提供针对性的支持和建议。 ## 数据集说明 AnyTaskTune 是 DataTager 团队发布的一项研究成果。我们依托任务专属微调技术，可快速训练适配特定业务场景的大语言模型（Large Language Model，LLM）。目前我们已在法律、医疗、教育、人力资源等多个领域开源了多款数据集，本数据集便是其中之一。 本数据集命名为「社交与情感风险评估」，属于 DataTager 团队在 AnyTaskTune 项目下推出的开源成果之一，聚焦于分析与评估人际互动中存在的情感与社交风险。本数据集旨在帮助识别个体在咨询或互动过程中所展现出的情绪困扰或社交疏离程度，进而协助专业人员及时提供恰当的支持与干预。 ## 使用场景 本数据集对于训练面向心理健康评估与治疗对话处理的AI智能体（AI Agent）具有极高的应用价值。通过识别并分类不同情感与社交咨询对应的风险等级，此类AI模型可协助心理健康专业人员对案例进行优先级排序，并制定干预方案。此举不仅可有效优化案件管理流程，还能提升心理健康服务的质量。此外，本数据集还可用于教育培训场景，帮助新晋心理学家与咨询师学习如何有效评估并应对各类情感与社交挑战。 ## 引用方式 请在您的研究成果中按以下格式引用本数据集： @misc{ Extract Medical Information Dataset, author = {DataTager}, title = {Extract Medical Information Dataset}, year = {2024}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {url{https://github.com/PandaVT/DataTager}} }

搜集汇总

数据集介绍

构建方式

该数据集由DataTager团队基于AnyTaskTune项目构建，专注于社交与情感风险评估领域。构建过程中，团队收集了心理咨询场景中的真实对话与咨询记录，通过精细化的任务特定微调技术，对输入数据进行结构化标注。每条数据均包含心理咨询问题及其对应的风险评估与建议回答，并预置了统一的训练提示词，以引导模型聚焦于关键信息提取、心理状态评估及支持性建议生成。数据集覆盖了从轻度情绪困扰到严重社交隔离的多种风险等级，确保了标注的全面性与专业性。

特点

该数据集的核心特点在于其针对社交与情感风险的精细化分层能力。它能够识别咨询中隐含的情感痛苦或社交断裂程度，并据此划分风险等级，从而为心理健康专业人士提供优先级排序依据。数据集不仅包含多样化的咨询场景，还强调回答的实用性与针对性，使AI模型能够生成既具同理心又符合专业规范的响应。此外，其开源性质与Apache-2.0许可促进了跨领域应用，尤其适用于心理健康评估、治疗对话系统及临床培训模拟等场景。

使用方法

使用该数据集时，需在每条输入前添加指定提示词，以激活模型的风险评估与建议生成功能。用户可将数据直接用于微调大型语言模型，使其学会从咨询文本中提取关键信息、评估心理状态并输出结构化响应。数据集支持与HuggingFace Transformers库无缝集成，通过加载pandalla/datatager_social_and_emotional_risk_assessment即可调用。建议在训练时结合心理咨询领域的专业词典或知识图谱，以增强模型对情感语境的理解能力。最终模型可部署于在线咨询平台或临床辅助系统，实现自动化风险筛查与初步干预建议。

背景与挑战

背景概述

在心理健康与人工智能交叉领域，精准识别个体在社会互动中的情绪风险与社会疏离程度，已成为临床干预与智能辅助诊断的核心课题。由DataTager团队于2024年发布的“社会与情绪风险评估”数据集，隶属于AnyTaskTune系列，旨在通过细粒度任务微调，赋能大语言模型对心理咨询场景中的关键信息进行深度解析。该数据集聚焦于评估咨询者潜在的抑郁、焦虑或社会孤立等心理状态，并生成具有临床参考价值的风险等级与建议，为精神健康领域的自动化评估提供了标准化的训练资源。其研究不仅推动了情感计算在临床心理学的应用边界，也为大规模语言模型在敏感对话中的安全部署奠定了基础。

当前挑战

该数据集面临的核心挑战首先在于领域问题的复杂性：情绪与社会风险的评估需兼顾文化语境、个体差异与语言表达的模糊性，模型需在缺乏非言语线索的文本中精准捕捉细微的心理状态变化，避免误判或过度简化。其次，在构建过程中，如何从真实心理咨询对话中提取高质量、低偏见的标注样本是一大难题，需平衡隐私保护与数据代表性，同时确保风险等级划分的临床一致性。此外，模型生成的支持性建议需在安全性与有效性之间取得平衡，防止因错误解读而引发二次心理伤害，这对训练数据的多样性与标注的严谨性提出了极高要求。

常用场景

经典使用场景

该数据集最经典的使用场景在于训练面向心理健康评估与治疗性对话处理的人工智能系统。通过精准识别与分类心理咨询问题中蕴含的情绪困扰与社会疏离风险等级，模型能够辅助临床工作者高效甄别案例的紧迫程度，并据此制定个性化的干预策略。在督导训练中，该数据集亦被用于培养心理咨询师与精神科医师的风险评估能力，使其在模拟对话中掌握识别关键心理状态并提供针对性支持的技巧。

解决学术问题

该数据集核心解决了情感计算与社会心理学交叉领域中一个长期存在的学术难题：如何从非结构化的自然语言对话中自动、可靠地量化个体在社会互动中的情绪风险与社交孤立程度。传统研究多依赖量表或结构化访谈，难以捕捉真实咨询场景中的细微情感线索。该数据集为构建细粒度风险等级分类模型提供了标注基准，推动了心理状态自动评估从粗粒度筛查向精准分层诊断的范式转变，显著提升了心理危机干预研究的可重复性与生态效度。

衍生相关工作

该数据集衍生了一系列具有影响力的研究工作，包括基于多任务学习的情绪风险与社交支持需求联合预测模型，以及融合认知行为疗法原则的对话生成框架。研究者们还借鉴其标注体系，构建了面向青少年群体与职场环境的专用风险评估子集，推动了领域知识的横向迁移。尤为值得注意的是，部分工作利用该数据集探索了大型语言模型在心理危机干预中的伦理边界，催生了关于AI辅助决策中责任归属与隐私保护的系统性讨论。