摘要
基于机器学习的会话对话评估逐渐成为衡量治疗联盟质量的有效方法，而治疗联盟质量是心理治疗成功的重要因素。然而，现有的大多数模型都假设对话记录是清晰且结构化的，而现实中的咨询记录往往包含各种类型的案例报告。这一差异限制了现有自动化评估模型在真实文档场景中的应用。在本研究中，我们提出了一种从复杂的多语言报告中自动评估治疗联盟的框架。首先，对特定语言的BERT模型进行微调，以便处理不同语言的案例报告，从而准确区分说话者角色并构建对话结构。其次，利用Gemini-2.5-Flash为对话添加治疗联盟评分。接着，开发一种混合特征表示策略，同时捕捉咨询对话中的语言风格和语义内容。此外，还通过基于熵的互信息分析来识别最具信息量的语言特征。最后，将这些提取的混合特征作为输入，输入XGBoost模型进行联盟质量评估。实验结果表明，与现有最先进方法相比，该框架具有更好的性能和泛化能力。
