---
format: "aidr-story-markdown/v1"
id: "d432c0616da323aafd3391d290f006dc5fffc5ad660904be918796509c135933"
canonical_url: "https://aidr.today/d432c061?lang=vi"
title: "CrisisBench: bộ đánh giá dành cho AI tư vấn khủng hoảng"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-11-18T05:00:00.000Z"
category: "Research"
topics: ["openai","llm"]
source_urls: ["https://arxiv.org/abs/2611.21622"]
summary: "Bối cảnh: Các đường dây trợ giúp khủng hoảng đóng vai trò thiết yếu trong hệ thống sức khỏe tâm thần nhưng thường xuyên thiếu nhân sự và kinh phí. Các LLM có thể hỗ trợ tư vấn viên, nhưng các benchmark hiện tại chưa nắm bắt được quá trình leo thang, đánh giá rủi ro và xoa dịu tình hình vốn là trọng tâm của các cuộc hội thoại khủng hoảng, trong khi các hạn chế về quyền riêng tư cũng làm hạn chế việc sử dụng các bản ghi chép thực tế. Phương pháp: Nhóm tác giả giới thiệu CrisisBench, một bộ công cụ bảo vệ quyền riêng tư để đánh giá tư vấn khủng hoảng đơn lượt và multi-turn. Bộ công cụ này bao gồm 1.085 tác vụ đơn lượt từ 200 cuộc hội thoại đã được ẩn danh và 1.185 patient LLM được rút ra từ siêu dữ liệu của đường dây nóng. Các patient model và một LLM judge gồm 23 mục đã được hiệu chuẩn so với các chuyên gia tư vấn. Kết quả: Nhóm tác giả đã đánh giá năm mô hình GPT cùng với phương pháp draft-then-edit và RAG. Trong đánh giá đơn lượt, tất cả các hệ thống đều có hiệu suất kém hơn tư vấn viên là con người về mức độ thấu cảm quá mức và kỹ năng đặt câu hỏi. Thang đo đạt chỉ số Krippendorff's $\\alpha$ = 0,51 giữa người với người và LLM-human $\\alpha$ = 0,54 (Pearson r = 0,80). Trong đánh g…"
---

# CrisisBench: bộ đánh giá dành cho AI tư vấn khủng hoảng

> [Open the canonical story](<https://aidr.today/d432c061?lang=vi>)

**Published:** 2026-11-18T05:00:00.000Z
**Category:** Research
**Topics:** openai, llm

## Summary

Bối cảnh: Các đường dây trợ giúp khủng hoảng đóng vai trò thiết yếu trong hệ thống sức khỏe tâm thần nhưng thường xuyên thiếu nhân sự và kinh phí\. Các LLM có thể hỗ trợ tư vấn viên, nhưng các benchmark hiện tại chưa nắm bắt được quá trình leo thang, đánh giá rủi ro và xoa dịu tình hình vốn là trọng tâm của các cuộc hội thoại khủng hoảng, trong khi các hạn chế về quyền riêng tư cũng làm hạn chế việc sử dụng các bản ghi chép thực tế\. Phương pháp: Nhóm tác giả giới thiệu CrisisBench, một bộ công cụ bảo vệ quyền riêng tư để đánh giá tư vấn khủng hoảng đơn lượt và multi\-turn\. Bộ công cụ này bao gồm 1\.085 tác vụ đơn lượt từ 200 cuộc hội thoại đã được ẩn danh và 1\.185 patient LLM được rút ra từ siêu dữ liệu của đường dây nóng\. Các patient model và một LLM judge gồm 23 mục đã được hiệu chuẩn so với các chuyên gia tư vấn\. Kết quả: Nhóm tác giả đã đánh giá năm mô hình GPT cùng với phương pháp draft\-then\-edit và RAG\. Trong đánh giá đơn lượt, tất cả các hệ thống đều có hiệu suất kém hơn tư vấn viên là con người về mức độ thấu cảm quá mức và kỹ năng đặt câu hỏi\. Thang đo đạt chỉ số Krippendorff's $\\alpha$ \= 0,51 giữa người với người và LLM\-human $\\alpha$ \= 0,54 \(Pearson r \= 0,80\)\. Trong đánh g…

## Sources

- [Story source](<https://arxiv.org/abs/2611.21622>)

