認知行為療法（CBT）為理解使用者的心理狀態提供了結構化框架，透過考察認知和行為因素之間的相互作用。然而，現成的大語言模型（LLM）雖然能流利地做出共情回應，但無論使用者實際需求如何，它們都傾向於進行驗證和反思，陷入單一模式。儘管LLM在CBT執照考試中能取得高達96%的準確率，但在實際應用中的表現卻不盡如人意。
為了解決這一差距，研究人員提出了一種知識引導框架，將CBT對話視為受控的情感推理。該框架將使用者敘述分解為Beck認知概念化結構，並基於臨床SNOMED CT概念透過自然語言推理進行驗證。隨後，採用多鏈思維（MCoT）策略選擇，在驗證與反思、蘇格拉底式提問和替代視角之間進行抉擇。為了量化這種引導對模型行為的影響，研究者引入了協議槓桿力（F）指標，用於測量干預措施使模型偏離預設響應的程度。
實驗在三個開源LLM（如Llama等）和14個來自RealCBT資料集的案例上進行。評估包括人類專家評分、效價-喚醒軌跡分析以及語言共鳴分析。結果顯示，僅透過單鏈思維提示引入協議定義幾乎無法改變LLM的行為；而MCoT提示能夠更好地引導策略選擇，但效果仍然非常有限——協議槓桿力僅在1%左右（約1.2-1.3%）。所有模型都持續表現出對驗證與反思模式的偏好。
這一研究揭示了LLM在CBT應用中的一個關鍵侷限：理論知識不等於有效應用。研究提供的指標和方法為情感計算社群提供了評估和改進LLM在心理健康對話中表現的工具。該論文已被2026年情感計算與智慧互動（ACII）會議接收。