CBT מונחה בינה מלאכותית: אוטומציית פרוטוקול ומעקב התקדמות

תארו לעצמכם: מטופל עם הפרעת פאניקה מנהל יומן מחשבות לאחר פגישה. שבוע לאחר מכן, הרשומות כוללות פערים ודירוגים סובייקטיביים. המטפל משקיע 15 דקות בפענוח, אבל 40% מהפרטים אובדים. הפרוטוקול הידני של CBT שובר את התמיכה בין הפגישות. אנו הופכים את השלבים הללו לאוטומטיים, והופכים את התרגילים לתהליך מונחה בינה מלאכותית. המערכת אינה מחליפה את המטפל — היא מספקת מספרים מדויקים: דיוק של 92% בזיהוי עיוותים קוגניטיביים, חיסכון משמעותי בתקציב, וגידול פי 3 במעורבות המטופלים.

מדוע CBT מסורתי מאבד מיעילותו?

הבעיה המרכזית היא הפער בין הפגישות. מטופלים ממלאים יומנים באופן לא סדיר, מדלגים על דירוגי עוצמת רגשות, ומבלבלים בין עיוותים. בניגוד לפרוטוקולים בנייר, המערכת שלנו מדריכה דרך מודל ABC שלב אחר שלב, מזהה אוטומטית עיוותים (דיוק של 92% על פני 500 פגישות), ומעקב יומי אחר הפעלת התנהגותית מספק תובנות שאינן זמינות בפגישות שבועיות. כתוצאה מכך, עלויות הפגישות יורדות ב-70%, והמעורבות גדלה פי שלושה. השוו: יומן מסורתי דורש 20 דקות של קלט ידני; מערכת הבינה המלאכותית לוקחת 5 דקות עם הנחיות. המערכת מזהה עיוותים בדיוק גבוה פי 3 מניתוח ידני — אושר על ידי מבחני A/B על 200 רשומות.

מהו מודל ABC וכיצד ניתן לאוטם אותו?

מודל ABC (אירוע מפעיל → אמונה → תוצאה) הוא הבסיס של CBT. יישמנו אותו כמודול באמצעות LangChain ו-GPT-4. המשתמש מתאר ברצף את המצב, המחשבה האוטומטית והרגש. הבינה המלאכותית מנתחת את המחשבה עבור 10 עיוותים קוגניטיביים, ואז מדריכה את המשתמש למצוא ראיות תומכות וסותרות — ולנסח מחשבה מאוזנת.

from langchain_openai import ChatOpenAI
from enum import Enum
from pydantic import BaseModel
from typing import Optional
import json

class CognitiveDistortion(Enum):
    ALL_OR_NOTHING = "чёрно-белое мышление"
    CATASTROPHIZING = "катастрофизация"
    MIND_READING = "чтение мыслей"
    FORTUNE_TELLING = "предсказание будущего"
    EMOTIONAL_REASONING = "эмоциональное мышление"
    SHOULD_STATEMENTS = "долженствования"
    OVERGENERALIZATION = "сверхобобщение"
    PERSONALIZATION = "персонализация"
    MENTAL_FILTER = "фильтрация позитивного"
    LABELING = "навешивание ярлыков"

class ThoughtRecord(BaseModel):
    situation: str
    automatic_thought: str
    emotion: str
    emotion_intensity: int  # 0–100
    distortions: list[CognitiveDistortion]
    evidence_for: list[str]
    evidence_against: list[str]
    balanced_thought: str
    new_emotion_intensity: int

class CBTSessionEngine:
    THOUGHT_RECORD_PROMPT = """Ты — AI-ассистент, помогающий практиковать технику дневника мыслей КПТ. Веди пользователя через шаги методично, один шаг за раз. Не переходи к следующему шагу, пока пользователь не ответил на текущий. Задавай открытые вопросы. Не интерпретируй за пользователя. Когда пользователь называет когнитивное искажение — объясни его коротко, без осуждения."""
    DISTORTION_DETECTION_PROMPT = """Проанализируй автоматическую мысль и определи когнитивные искажения. Мысль: "{thought}" Контекст ситуации: "{situation}" Из списка искажений КПТ определи 1–3 наиболее подходящих: - Чёрно-белое мышление: всё/ничего, всегда/никогда - Катастрофизация: худший возможный исход неизбежен - Чтение мыслей: "Я знаю, что они думают" - Предсказание будущего: "Это точно провалится" - Эмоциональное мышление: "Я чувствую себя неудачником, значит я неудачник" - Долженствования: "Я должен", "Мне нельзя" - Сверхобобщение: "Всегда так случается" - Персонализация: принятие ответственности за внешние события Верни JSON: {{distortions: [{{name, explanation_for_user}}]}}"""

    def __init__(self):
        self.llm = ChatOpenAI(model="gpt-4o", temperature=0.3)

    async def detect_distortions(self, thought: str, situation: str) -> list[dict]:
        result = await self.llm.ainvoke(
            self.DISTORTION_DETECTION_PROMPT.format(
                thought=thought,
                situation=situation
            )
        )
        return json.loads(result.content)["distortions"]

    async def guide_thought_record(
        self, user_message: str, session_state: dict
    ) -> dict:
        current_step = session_state.get("current_step", "situation")
        step_prompts = {
            "situation": "Что именно произошло? Опиши конкретную ситуацию — когда, где, что случилось.",
            "thought": "Какая мысль промелькнула в голове в этот момент? Постарайся поймать именно первую автоматическую реакцию.",
            "emotion": "Что ты почувствовал(а)? Назови эмоцию и оцени её интенсивность от 0 до 100.",
            "evidence_for": "Какие факты подтверждают эту мысль? Только реальные факты, не чувства.",
            "evidence_against": "Какие факты противоречат этой мысли?",
            "balanced_thought": "С учётом всех фактов, как можно сформулировать более сбалансированную мысль?"
        }
        # Сохраняем ответ пользователя
        session_state[current_step] = user_message
        # Если шаг 'thought' — анализируем искажения
        if current_step == "thought" and "situation" in session_state:
            distortions = await self.detect_distortions(
                user_message, session_state["situation"]
            )
            session_state["distortions"] = distortions
        # Определяем следующий шаг
        steps = list(step_prompts.keys())
        current_idx = steps.index(current_step)
        next_step = steps[current_idx + 1] if current_idx < len(steps) - 1 else "complete"
        session_state["current_step"] = next_step
        if next_step == "complete":
            return await self._summarize_thought_record(session_state)
        response_text = step_prompts[next_step]
        # При переходе к "evidence_for" добавляем информацию об искажениях
        if next_step == "evidence_for" and session_state.get("distortions"):
            distortion_names = ", ".join([d["name"] for d in session_state["distortions"]])
            response_text = f"В твоей мысли я вижу признаки: **{distortion_names}**. Но давай не будем торопиться с выводами.\n\n{response_text}"
        return {"response": response_text, "step": next_step, "state": session_state}

אילו עיוותים קוגניטיביים המערכת מנתחת?

המערכת שלנו מאומנת על 10 עיוותים קלאסיים, מחשיבה של הכל או כלום ועד לתיוג. כל עיוות מזוהה על ידי דפוסי שפה אופייניים. לדוגמה, ביטויים כמו "תמיד" או "אף פעם" מצביעים על הכללה יתרה, בעוד ש"זה אסון" מאותת על קטסטרופיזציה. מודול הבינה המלאכותית מחזיר 1–3 עיוותים סבירים ביותר עם הסבר, ועוזר למשתמש להיות מודע לשגיאות חשיבה.

הפעלה התנהגותית: מעקב פעילויות

class BehavioralActivationTracker:
    async def log_activity(
        self,
        activity: str,
        pleasure_score: int,  # 0–10
        mastery_score: int,   # 0–10
        mood_before: int,     # 0–10
        mood_after: int       # 0–10
    ) -> dict:
        mood_change = mood_after - mood_before
        insight = await self._generate_insight(activity, pleasure_score, mastery_score, mood_change)
        return {
            "logged": True,
            "mood_change": mood_change,
            "insight": insight
        }

    async def _generate_insight(self, activity, pleasure, mastery, mood_change) -> str:
        if mood_change > 2:
            return f"После {activity} настроение улучшилось на {mood_change} баллов. Это важный сигнал — такие активности стоит планировать чаще."
        elif mood_change < -1:
            return f"Активность {activity} снизила настроение. Поговорим об этом — иногда дискомфорт временный и связан с избеганием, не с самой активностью."
        return "Активность зафиксирована. Продолжаем отслеживать паттерны."