AnnoMI — 动机性访谈治疗对话专家标注语料

INFOBOX — AnnoMI 一屏速览

维度	内容
本质	首个公开免费、专家标注的动机性访谈（MI）治疗对话语料（转录文本，非音频本体）
规模	133 段对话 / 9,699 条话语（高质量 110 段 8,839 条 + 低质量 23 段 860 条）
来源	119 个 YouTube/Vimeo MI 培训示范视频，GoTranscript 专业转录
标注者	10 名经 MINT 招募的 MI 治疗师，英语熟练且有 MI 编码经验
标注体系	治疗师：(Main) Behaviour ∈ {Reflection, Question, Input, Other}；来访者：Talk Type ∈
细分标签	full 版追加 Input 四子类、Reflection 二子类（simple/complex）、Question 二子类（open/closed）
一致性	IAA 子集 7 段；Fleiss κ：Behaviour ≈ 0.74（substantial）、Talk Type ≈ 0.47（moderate）；ICC 全项 excellent
基线	Macro F1：治疗师行为 0.72（BERT 最佳）、来访者 Talk Type 约 0.55（BERT 最佳）
获取	GitHub uccollab/AnnoMI 两个 CSV 直接下载，无需申请、无需签署协议
许可	论文声明 Public Domain License；仓库无 LICENSE 文件（见坑 2）
库内互链	DAIC-WOZ（rid 1142）、ACI-BENCH（rid 810）、PriMock57（rid 811）

AnnoMI（论文标题写作 Anno-MI）是心理健康语料领域一个标志性的起点：在它出现之前，公开可用的治疗对话几乎只有 WOZ 模拟访谈（如 DAIC-WOZ 的 Ellie 访谈）或就诊转写（如 MTSamples），而没有一份「带专业治疗技术标注」的对话语料。AnnoMI 把 133 段高质量与低质量的动机性访谈示范视频转成文本，请 10 名 MI 治疗师逐句标出「治疗师说了什么技巧、来访者往哪个方向说」，从而第一次让「治疗保真度（treatment fidelity）」这类原本只能靠人工评分表完成的工作变成可被 NLP 建模的序列标注问题。

它的价值不在于体量大——9,699 条话语在动辄百万条的今天并不算多——而在于标注的语义层级：它给的是治疗技术（reflection / question / input）与来访者言语方向（change talk / sustain talk），这两组标签直接对应 MISC 与 MITI 编码系统，是行为健康领域公认的质量维度。任何想训练「治疗师说了什么」或「来访者是否在往改变走」的模型，AnnoMI 都是目前唯一可公开复现的监督信号来源。

导语读法三则：

1. 只想下数据建模：直奔 §6 获取与许可，两个 CSV 抓下来即可；注意 simple 与 full 的区别（§2.3）。
2. 关心标注可靠性：直奔 §4 与 §5，重点是 7 段 IAA 子集、Talk Type 的 κ≈0.47、以及基线模型在来访者侧的上限。
3. 做消歧检索：直奔 §9 与 §10.9——AnnoMI 不是 DAIC-WOZ（抑郁筛查访谈，音频+PHQ-8），也不是 ACI-BENCH（就诊对话→病历生成），三者的「对话」指的不是同一件事。

§0 导读：这个数据集解决什么问题

0.1 一个被数据卡住的领域

心理治疗对话的 NLP 研究长期受制于两个约束。第一是隐私：真实治疗会谈属于最高敏感级别的健康数据，脱敏成本极高、伦理审查严格，公开数据集凤毛麟角。第二是标注语义：即使拿到转写，要判断「治疗师这句话是反映还是提问」需要受过训练的治疗师，普通众包标注员做不到。两个约束叠加的结果是：这个领域有大量模型论文，但绝大多数只能在私有数据上自证，无法互相比对。

AnnoMI 作者在论文开篇把这个困境写得很直白：研究增长很快，但「access to this area remains extremely limited, due to the lack of publicly available expert-annotated therapy conversations」。他们的应对方式不是去拿真实会谈，而是用公开的教学示范视频替代真实会谈——示范视频本身就带有「好示范 / 坏示范」的教学意图，出镜者知情同意、视频上传者授权，隐私问题被绕开；再由持证治疗师完成标注，语义问题也被解决。

0.2 它选择 MI 作为切入口的理由

动机性访谈（Motivational Interviewing, MI）由 Miller 与 Rollnick 在 1980 年代提出，是一种以来访者为中心、 directive 地 eliciting 改变动机的谈话疗法，最初用于成瘾治疗，后扩展至戒烟、减重、依从性管理、青少年行为矫正等。选它作为第一个公开语料有三个现实理由：

1. 编码系统成熟。MISC（Motivational Interviewing Skill Code）与 MITI（Motivational Interviewing Treatment Integrity）已经发展多年，把治疗师行为切成 Reflection / Question / Input 等有限类别，把来访者言语切成 Change Talk / Sustain Talk / Neutral，类别封闭、有公认定义，可直接转成标注规范。
2. 有天然的高/低对照。MI 培训视频本身就会演示「正确做法」与「反面教材」，因此语料可以在对话级别直接打上 high / low 质量标签，这是绝大多数临床语料不具备的监督信号。
3. 技术差异可在话语级体现。MI 的核心主张是「反映优于说教」——高质量会谈中治疗师多 reflection、少 input；低质量会谈反其道而行。这种差异落在每一句话上，天然适合话语级建模。

0.3 它不做的事（阅读前必须建立的边界）

AnnoMI 是文本语料，不是音视频数据集。它只分发转录稿与标注，原始视频仍在 YouTube/Vimeo 上由原上传者托管，数据集仅提供 URL 与时间戳。它也不提供诊断标签、不提供量表分数、不提供来访者人口学信息。任何需要「抑郁严重度」「焦虑评分」「语音韵律特征」的研究，都不应该把 AnnoMI 当作答案——那是 DAIC-WOZ 一类数据集的职责。

§1 数据集速览：十问十答

Q1：AnnoMI 到底是什么？
一份 CSV 格式的对话语料：每行一条话语（utterance），携带它所属对话的编号、MI 质量标签、话题、视频来源、说话人角色、时间戳、文本内容，以及治疗师行为或来访者谈话类型的标注。

Q2：有多少数据？
133 段对话、9,699 条话语，来自 119 个视频。按质量分：高质量 MI 110 段共 8,839 条话语，低质量 MI 23 段共 860 条话语。按角色分：治疗师话语约 4,882 条，来访者话语约 4,817 条（两个数字来自不同文献口径，见 §2.2 存照）。

Q3：谁做的？
阿伯丁大学（University of Aberdeen）Ehud Reiter 团队牵头，与飞利浦研究院（Philips Research，Rim Helaoui、Vivek Kumar）及卡利亚里大学（University of Cagliari，Diego Reforgiato Recupero、Daniele Riboni）合作。第一作者 Zixiu Wu。

Q4：论文发在哪？
两篇。ICASSP 2022 短论文《Anno-MI: A Dataset of Expert-Annotated Counselling Dialogues》（pp. 6177–6181，DOI 10.1109/ICASSP43922.2022.9746035）首次发布数据集；Future Internet 2023, 15(3):110（DOI 10.3390/fi15030110）是扩展版，补充标注属性、完整采集流程与基线实验。

Q5：标注是谁做的？
10 名通过 MINT（Motivational Interviewing Network of Trainers，国际 MI 培训师网络）招募的 MI 治疗师。每名专家负责 19–20 份转录稿（约 144 分钟视频）。其中 7 份由全部 10 人共同标注，用于计算一致性。

Q6：标签是什么样？
两层。对话级一个 mi_quality（high/low）；话语级按角色分两套——治疗师有 (Main) Behaviour（四类）与 full 版的三组存在性/子类型标签，来访者有 Talk Type（三类）。

Q7：标签可靠吗？
分层看：治疗师 (Main) Behaviour 的 Fleiss κ≈0.74，属 substantial；来访者 Talk Type 仅约 0.47，属 moderate 偏下。这意味着来访者侧的建模天花板主要受标注噪声限制，而不是模型能力。

Q8：能直接拿来训练什么？
话语级行为分类（治疗师行为预测、来访者 talk type 预测）、序列级质量判别（high/low MI）、对话阶段分析、治疗师培训反馈生成、LLM 咨询能力评测的参照集。

Q9：许可和获取？
论文声明 Public Domain License，GitHub 仓库 uccollab/AnnoMI 直接下载两个 CSV，无申请表、无 EULA、无账号。但仓库根目录没有 LICENSE 文件，学术引用惯例上仍应引用论文（坑 2）。

Q10：它和库内 daic-woz / aci-bench 什么关系？
三者都是「对话」，但任务完全不同：DAIC-WOZ 是虚拟访谈员的心理困扰筛查（音频+视觉+PHQ-8，判定抑郁），ACI-BENCH 是就诊对话生成病历（SOAP 文本），AnnoMI 是治疗技术编码（治疗师行为+来访者谈话方向）。详见 §9 与 §10.9。

§2 数据构成与规格

2.1 规模、来源与机构构成

AnnoMI 的构造链路是四段：检索 → 授权 → 转录 → 标注。

检索：作者在 YouTube 与 Vimeo 上用「good motivational interviewing」「bad MI counselling」一类关键词检索，得到 346 个候选视频。随后依赖视频标题、简介文字与旁白自述，判定该视频演示的是高质量还是低质量 MI。这一步的质量标签并非来自独立评分，而是来自视频制作者自己的教学意图——这是本数据集最需要读者警惕的标签来源（见坑 3）。

授权：作者联系视频上传者取得明确许可，必要时同时取得出镜者同意，最终拿到 119 个视频的授权，这些视频共包含 133 段完整对话。也就是说，一个视频里可能包含多段独立会谈（例如一段视频演示了两次短会谈），因此视频数与对话数不相等。另据扩展论文，119 个视频中有 42 个与 Pérez-Rosas 等人早前的咨询语料重叠，但 AnnoMI 对它们重新做了专业转录。

转录：使用商业转录服务 GoTranscript，要求逐字忠实转写，去除旁白等非对话噪声，保留「hmm」「right」「[laugh]」等口语细节与说话人标签。扩展论文用一整张表（Table 2）对比了本语料与早前依赖自动字幕的语料的转写质量，结论是自动字幕的错误率显著更高——这是 AnnoMI 相对早期咨询语料的核心增量之一。

机构与分工：阿伯丁大学负责总体设计与 NLP 实验，飞利浦研究院提供工业侧的应用视角与部分标注协调，卡利亚里大学参与数据分析和论文写作。伦理方面，研究遵循赫尔辛基宣言，经阿伯丁大学伦理委员会于 2021 年 4 月 1 日批准，所有参与主体签署知情同意。

2.2 规模硬数字与双口径存照

核心数字在多处文献中反复出现，绝大多数一致，但有一处需要存照。

指标	数值	出处
对话总数	133	论文摘要、GitHub README
话语总数	9,699	Future Internet 2023 Table / 正文
高质量 MI 对话	110 段	Future Internet 2023
高质量 MI 话语	8,839	Future Internet 2023
低质量 MI 对话	23 段	Future Internet 2023
低质量 MI 话语	860	Future Internet 2023
源视频数	119	Future Internet 2023
与 Pérez-Rosas 语料重叠视频	42	Future Internet 2023
标注专家数	10	Future Internet 2023 §标注
IAA 共同标注子集	7 段	Future Internet 2023 §标注
建模去重样本（Behaviour）	3,796	Future Internet 2023 Table 14
建模去重样本（Talk Type）	3,685	Future Internet 2023 Table 14

算术自洽检查：8,839 + 860 = 9,699，与总数吻合；110 + 23 = 133，与对话总数吻合。两处口径自洽。

双口径存照（一）来访者话语数：EACL 2024 Sig-Networks 工具论文（aclanthology.org/2024.eacl-demo.24）在描述 AnnoMI 时写「133 motivational interviews (MI), 9,699 utterances (4,817 client utterances)」。由此反推治疗师话语为 9,699 − 4,817 = 4,882 条。这个 4,882 是推导值而非论文直陈值，本文在正文中一律标注为「推导」。使用者在做角色平衡采样时，应以 CSV 实际统计为准，而不是引用本文推导值——因为 AnnoMI-full 与 AnnoMI-simple 的行数是否完全一致、是否含表头行，都会影响逐行计数。

双口径存照（二）高质量对话的话语总量：arXiv 论文《Consistent Client Simulation for Motivational Interviewing-based Counseling》（2502.02802）在附录中写「The 110 dialogues illustrating high-quality MI, comprising over 8,800 utterances in total」，用的是保险的「逾 8,800」，与 8,839 不冲突，可视为同一数字的保守表述。

2.3 simple 与 full 两版的结构差异

这是使用者最容易踩的一脚。仓库里两个 CSV 并不是「精简版 / 完整版」的简单超集关系，而是同一批话语、不同标注深度：

维度	AnnoMI-simple	AnnoMI-full
首发时间	2022-05（ICASSP 2022 同期）	2023-03-14
对话级元数据	transcript_id / mi_quality / video_title / video_url / topic	同左
话语级元数据	utterance_id / interlocutor / timestamp / utterance_text	同左
治疗师主标签	main_therapist_behaviour（四类）	同左
来访者主标签	client_talk_type（三类）	同左
标注者编号	无	annotator_id（0–9）
治疗师 Input 细分	无	therapist_input_exists + therapist_input_subtype（information / advice / negotiation / options）
治疗师 Reflection 细分	无	reflection_exists + reflection_subtype（simple / complex）
治疗师 Question 细分	无	question_exists + question_subtype（open / closed）

reader 需要特别注意两点。第一，full 版的 Input 子类只列了四个值（information / advice / negotiation / options），而扩展论文的标注方案表（Table 4）里 Input 子类是 Information / Advice / Options / Negotiation-Goal-Setting 五项并列。也就是说，论文里的「Negotiation-Goal-Setting」在 CSV 里被压成了一个 negotiation 值，options 是另一类。做子类研究时必须先跑一次 value_counts() 确认实际取值，不要照论文表直接写 if-else。

第二，full 版多出的 annotator_id 意味着同一个 (transcript_id, utterance_id) 在 IAA 子集里可能出现多行。7 段共同标注对话 × 10 名标注者，会产生重复的话语键。做去重时必须按 (transcript_id, utterance_id, annotator_id) 三键联合去重，否则 IAA 子集会被重复计入，训练集统计会失真。论文 Table 14 给出的 3,796 / 3,685 就是去重后的建模样本量，明显小于 9,699，差值正是「只保留 majority vote 后的一条」以及「哪些行进入建模任务」的结果。

2.4 标签体系与 MISC / MITI 的对应

AnnoMI 的标签体系直接借自 MI 编码传统，但做了简化。与 MISC 10.0 / MITI 4 的对应关系大致如下：

AnnoMI 标签	MISC 对应	MITI 4 对应	说明
Reflection	Reflection（simple / complex）	Reflection（CTRS）	反映来访者已说或未明说的意思；AnnoMI 二分为简单/复杂
Question	Question（open / closed）	Question（CR）	open 与 closed 分开；AnnoMI 的 Question 子类即开放/封闭
Therapist Input	Giving Information / Advising / Options	Giving Information（GI）	AnnoMI 把信息、建议、选项、协商目标合并为 Input，再细分子类
Other	Structure / Facilitate / Confront 等其余项	其余 MI-consistent 行为	兜底类，内部不再细分
Change Talk	Change Talk（DARN-CAT）	Client change talk	来访者朝改变方向说；AnnoMI 不分准备/激活/承诺
Sustain Talk	Sustain Talk	Client sustain talk	来访者朝维持现状方向说
Neutral	Follow / Neutral	无严格对应	既非改变也非维持

这个对应关系说明两件事。其一，AnnoMI 的标签粒度比 MITI 粗：MITI 把 reflection 分成 complex reflection ratio、reflection of change talk 等更细的维度，AnnoMI 只给 simple/complex。其二，AnnoMI 的标签粒度比早期 MISC 细在话语级标注的可操作性：MISC 原本是逐段打分（global rating）与逐句编码并存的混合体系，AnnoMI 只取逐句编码这一支，放弃了 1–7 分的全局评分（如 empathy、MI spirit）。这意味着任何想做「治疗师共情水平」回归的研究，都不能用 AnnoMI 的标签直接当监督信号——它没有全局评分列。

2.5 话题构成与长尾

话题（topic）在对话级标注，一条对话一个话题标签，由标注者用简短文字描述该对话的目标。扩展论文 Table 3 给出前十大话题的对话数与话语数分布，但正文没有列全表数值；可确证的是：用于话题分析的三类话题各自占话语总量的 10%–20%，按话语量排序为减少酒精消费 > 减少再犯（reducing recidivism）> 戒烟（smoking cessation）。

这个分布的实践含义是：如果你的任务对话题敏感，训练时一定要做话题分层抽样，否则模型会把「减酒话题的典型句式」误学成「高质量 MI 的语言特征」。论文的跨话题实验（Table 17）正是为此设计，结论是治疗师行为预测在 BERT 上跨话题基本稳定，而来访者 talk type 预测跨话题下降明显（最多约 0.05 Macro F1）——说明来访者语言的话题依赖性强于治疗师行为。

§3 采集与标注流水线：一条可复制的专家标注工序

3.1 四段式工序总览

AnnoMI 的生产流程可以拆成四段，每段都有可被复用的决策点。

YouTube/Vimeo 关键词检索（346 候选）
        │  依据标题/简介/旁白初判 high / low
        ▼
取得上传者（及出镜者）授权 → 119 个视频 / 133 段对话
        │
        ▼
GoTranscript 专业逐字转录 → 去旁白、保留 [laugh] 等口语标记
        │
        ▼
10 名 MINT 认证 MI 治疗师话语级标注（每人 19–20 段）
        │  7 段全部 10 人共标（IAA 子集）
        ▼
后处理：IAA 子集多数投票 + 全量导出 simple / full 两个 CSV

四段中，授权与转录两段决定了这个数据集为什么能公开；标注与后处理两段决定了它的标签质量上限。

3.2 标注者的构成：为什么找 MINT 而不是众包

作者没有用众包，也没有用普通研究生，而是通过 MINT（Motivational Interviewing Network of Trainers）招募。MINT 是 MI 培训师国际网络，会员需完成 MI 系统培训并经过评估，是 MI 圈内公认的资质门槛。招募条件有三条：英语水平高、有实践 MI 的经验、有编码 MI 的经验。第三条最关键——「会做 MI」与「会编码 MI」是两种能力，前者是临床技能，后者是依据编码手册逐句判类的技能，两者都需要训练。

工作量设计：10 人各标 19–20 段（每人对应约 144 分钟视频）。这个设计让单人的标注负担控制在可控范围内，同时避免「一人标全部、批注风格单一」的问题。代价是标注者与对话之间的交叉设计不完整：除 7 段 IAA 子集外，每段对话只由一人标注，因此无法对 126 段对话估计标注噪声。

3.3 IAA 子集的抽法

7 段 IAA 子集不是随机抽的，选取标准写在扩展论文里，共三条：

1. 工作量约三分之一：7 段合计约 45 分钟视频，正好是单人 144 分钟工作量的约三分之一——这样每人只多做三分之一的工作，成本可承受；
2. 话题多样性：7 段中 6 段话题各不相同，避免一致性只在单一话题内被高估；
3. 质量覆盖：5 段高质量 + 2 段低质量，与全集 110:23 的比例大致同向（全集低质量约占 17%，子集约占 29%，低质量略有超采样）。

最后一条特别值得注意：标注者在标注时不知道自己标的哪一段属于 IAA 子集。这个设计避免了「被检查效应」——如果标注者知道自己正在被交叉验证，会倾向于更保守、更贴手册，从而高估一致性。

3.4 后处理：多数投票与全量释放

IAA 子集的处理方式有两种取向：「只释放共识」或「释放全部个体标注」。作者选了后者——7 段对话释放全部 10 名标注者的每一行标注，同时为分析与实验采用多数投票结果。这个选择对下游非常有价值：只有释放个体标注，研究者才能自己重算一致性、自己设计聚合法、自己研究标注者偏差。如果只给多数投票结果，标注噪声就被永久封存了。

代价是数据表膨胀：7 段 × 10 人 ≈ 70 份标注被并入 full 版，这也是 §2.3 提到的「同一话语键多行」的来源。使用 full 版时，若不做去重，这 7 段对话的权重会被放大十倍。

3.5 扩展论文的增量：从「发数据」到「做完整分析」

ICASSP 2022 版论文的重点是「发布」，Future Internet 2023 版的重点是「分析」。后者新增的内容包括：

• 更细的标注属性（Input / Reflection / Question 三组子类型）与 annotator_id；
• 完整的数据采集描述，包括 346→119 的筛选链路与伦理批准信息；
• 话语级、对话级、语料级三层统计分析（行为分布、对话阶段演化、转移概率、n-gram 特征）；
• 两个话语级预测任务与四类基线模型（BERT / BERT+Adapters / CNN / Random Forest）；
• 话题特定与跨话题泛化实验；
• 十名专家的事后问卷（6 人回复）。

从「数据集论文」到「数据集 + 方法论文」的这次升级，使 AnnoMI 的引用场景从「借数据」扩展到「借基线」——这对一个新数据集能否成为基准至关重要。

§4 标注可靠性：7 段子集能说明什么、不能说明什么

4.1 两个一致性指标，两套解读

论文用了两套度量。第一套是话语级 Fleiss’ kappa，用于衡量多名标注者在同一批话语上的类别一致性；第二套是 ICC（intraclass correlation coefficient），按 MITI 的惯例用双向混合模型、绝对一致、平均测量计算，用于衡量编码结果的可重复性。

Fleiss’ kappa 的意义是「扣除随机一致后的真实一致比例」，因此对类别分布极不均衡的标签非常苛刻：来访者 Talk Type 里 Neutral 占 64%–68%，即使标注者全部只标 Neutral，原始一致率也会很高，但 kappa 会接近 0。这解释了为什么 Talk Type 的 κ 只有约 0.47，而 Behaviour 能到 0.74——前者三类严重不均衡，后者四类相对均衡一些。

论文还给了三种计算模式：All（全部类别参与）、All(Strict)（更严格口径）、Binary（把多类合并为二元存在/不存在）。结论有一条稳定的规律：凡适用 Binary 与 All(Strict) 的属性，一律 All(Strict) < All < Binary，无一例外。这条规律本身很有解释力：把「Input 是 information 还是 advice」这种细粒度分歧合并成「有没有 Input」之后，一致性立刻从 fair 升到 substantial——说明标注者的分歧主要发生在子类型边界，而不是「有没有这个行为」。

4.2 数值一览与一致性分级

属性	Fleiss κ（约值）	分级	备注
(Main) Behaviour	0.74	substantial	四类；所有设置下 moderate 或更好
Client Talk Type	0.47	moderate（偏下）	三类高度不均衡；所有设置下 moderate 或更好
Question	未列具体值	moderate 或更好	子类 open/closed 分歧集中在边界问句
Input	未列具体值	All(Strict) fair → Binary substantial	子类型边界是主要分歧源
Reflection	未列具体值	All(Strict) fair → Binary substantial	simple/complex 分界主观性强

ICC 一侧的结论更乐观：所有 (Main) Behaviour 与 Talk Type 标签的 ICC 均落在 excellent（0.75–1）区间，其中 Change Talk 与 Sustain Talk 约 0.9，其余接近 1.0。ICC 高而 Fleiss κ 相对低，这不是矛盾，而是两种指标测的东西不同：ICC 测的是聚合后的稳定性（多数投票结果是否可重复），Fleiss κ 测的是单次判定的类别一致。做数据集用于训练时，聚合稳定性更重要；做标注规范改进时，单次一致更重要。

4.3 专家事后问卷：83% 与 66%

10 名标注者全部收到事后问卷，6 人回复。结果：83% 认为治疗师话语与整体对话反映真实世界 MI（选「同意」或「部分同意」），而到来访者话语这一项，比例降到 66%。

这个差值不是小事。它说明标注者自己就意识到：示范视频里的来访者不像真实来访者。示范片的来访者往往反应更快、阻抗更弱、表达更清晰，因为他们的任务是「把教学点演出来」而不是「真实地挣扎」。这直接限制了 AnnoMI 在真实临床场景的迁移能力，也是本条目在 DAIMS 表「代表性」一项扣分的主要依据。

4.4 可靠性的三条使用守则

1. 来访者标签要打折用。κ≈0.47 意味着约一半的非随机一致性被噪声吞掉。做来访者侧建模时，建议报告「多数投票标签」与「单标注者标签」两套结果，或者干脆把三分类合并成「change vs 非 change」二分类，用 Binary 口径的更高一致性换取稳定性。
2. 治疗师行为可用但别做细粒度回归。0.74 的 κ 支持四分类建模，但不支持「simple reflection 与 complex reflection 的精确区分」这类细粒度任务——子类型的 fair 级一致性不足。
3. 不要用 126 段的「单标注」标签去估计噪声。这 126 段没有第二份标注，任何关于标注质量的推断只能来自 7 段子集，而 7 段子集对低质量 MI 有超采样，外推时要注意。

§5 基线实验：治疗师侧到 0.72，来访者侧卡在 0.55

5.1 任务定义

扩展论文定义了两个话语级任务，输入都是单条话语文本：

• 任务 1（治疗师行为预测）：给定治疗师话语，预测 (Main) Behaviour 四类之一；
• 任务 2（来访者 talk type 预测）：给定来访者话语，预测 Talk Type 三类之一。

任务刻意设计为「单话语输入」，不喂上下文。这个设定降低了任务复杂度，但也埋下了任务 2 的性能天花板——论文自己的错误分析就指出，来访者的一句「Yeah」在不同追问下可能是 Neutral 也可能是 Change，单话语模型无法区分。

5.2 模型与训练协议

四类模型：BERT（无 Adapters）、BERT（带 Adapters）、CNN（word2vec 初始化）、Random Forest（tf-idf）。两个随机基线：Prior（按类别先验猜）与 Uniform（均匀猜）。评估用 5 折分层交叉验证，训练/验证 9:1，指标 Macro F1（对类别不均衡敏感，比 accuracy 更合适）。训练集分两种：原始不均衡（Original Unbalanced）与 Pegasus 复述增强后的均衡集（Augmented Balanced）。

5.3 结果

模型	任务 1 Macro F1	任务 2 Macro F1
BERT（变体最佳）	0.72	约 0.55
CNN	0.60	< 0.47
Random Forest	约 0.50	< 0.47
Prior / Uniform	< 0.25	—

三个观察值得记录：

1. BERT 与 BERT+Adapters 差异不大。说明在这个数据规模（去重后 3,796 条训练样本量级）下，参数高效微调没有带来显著收益，瓶颈不在适配层。
2. 数据增强普遍轻微负面。Pegasus 复述增强让 BERT 与 CNN 的表现普遍略降，唯一亮点是任务 2 中 Change Talk 与 Neutral Talk 的 F1 差距从 0.23 缩到 0.14（主要靠 Neutral Talk 下降 0.07 换来）。这提示：来访者话语的语义高度依赖具体语境，复述会破坏语境线索。
3. 任务 2 的上限是标注噪声与上下文缺失的联合结果。论文明确把原因归为两条：需要上下文、标注噪声（IAA 0.47 vs 0.74）。这两条对后续研究者是直接的设计提示——想做来访者侧提升，先解决上下文建模，而不是换更大的模型。

5.4 逐类表现与混淆模式

任务 1 逐类 F1 排序为 Input ≈ Other < Reflection < Question。Question 最高，原因有两个：句法线索强（问号、疑问词），且它的 IAA 在三类中相对更好（Binary 口径达 substantial）。Reflection 次之，Input 与 Other 最低。混淆矩阵显示 Input 与 Other 最常被误判为 Reflection——这与 MI 的语言特征吻合：很多句子里既有信息陈述又有反映成分，单句分类器容易偏向高频的 Reflection。

任务 2 逐类 F1 排序为 Neutral Talk > Change Talk > Sustain Talk。Change 与 Sustain 常被误判为 Neutral，这直接源于 Neutral 占 64%–68% 的先验。Sustain Talk 最少，因为它在高质量 MI 中只占 11%。

5.5 话题特定与跨话题泛化

论文 Table 17 做了三话题（减酒、减少再犯、戒烟）的特定训练与跨话题测试。结论：治疗师行为预测（BERT）跨话题基本稳定，来访者 talk type 预测跨话题下降明显，最多约 0.05 Macro F1。话题特定性能排序：治疗师行为——减酒 > 戒烟 > 减少再犯；来访者 talk type——减酒 ≈ 戒烟 > 减少再犯。

这组结果有一个实践推论：用 AnnoMI 训练的来访者侧模型，换话题部署前必须重测。治疗师侧模型的话题鲁棒性更好，因为它学的是「问句形式」「反映句式」这类跨话题稳定的语用模式。

5.6 五段式对话进程分析

论文把每段对话切成五等份，统计各阶段的行为分布，得到两条有临床意义的曲线：

• 高质量 MI：来访者 Change Talk 在对话终点升至约 40%，Sustain Talk 降至约 7%；
• 低质量 MI：来访者 Sustain Talk 在早期就飙升至 40% 以上。

这组曲线是 AnnoMI 最有教学价值的部分之一：它用数据复现了 MI 的核心主张——好的 MI 会让「改变的语言」逐渐多于「维持的语言」。同时它给出了一个可操作的过程指标：用对话后段的 change/sustain 比值作为质量代理指标。

5.7 转移概率：面对 Sustain Talk 时的两种回应

论文的后验分析给出了一组非常直观的对照：

• 高质量 MI 中，来访者出现 Sustain Talk 后，治疗师最常以 Reflection 回应（37%）；
• 低质量 MI 中，同样情形下治疗师最常以 Input 回应（54%）。

这正是 MI 训练里反复强调的反面教材：「来访者说我不想戒，治疗师开始讲道理」。这组数字可以直接用作治疗师培训系统的反馈规则——检测到来访者 sustain 后治疗师紧跟 input，即触发提醒。它是本数据集最接近真实临床价值的输出之一。

§6 获取与许可

6.1 获取路径：两个 CSV，没有门槛

获取方式极其简单，这也是它相对其他心理治疗语料最大的优势：

1. 访问 https://github.com/uccollab/AnnoMI；
2. 下载 AnnoMI-simple.csv 或 AnnoMI-full.csv；
3. 直接 pandas 读取，无账号、无 EULA、无 DUA、无申请表。

仓库公开可见 78–80 stars、12 forks（不同镜像快照略有差异），共 18 次提交，最后一次实质更新为 2023-03-14（发布 full 版）。仓库本身没有 LICENSE 文件，也没有 CITATION.cff，引用信息写在 README 中。

6.2 许可口径：论文说公有领域，仓库没有 LICENSE

这是本条目必须明确写清的双口径存照：

• 论文口径：Future Internet 2023 的数据可用性声明写「the full version of AnnoMI is released under the Public Domain License」，并以 GitHub 链接为获取入口（访问日期 2023-03-10）。
• 仓库口径：仓库根目录只有 AnnoMI-full.csv、AnnoMI-simple.csv、README.md 三个文件，没有 LICENSE 文件；GitHub 侧边栏因此显示「No license」（部分镜像站如 gothub 明确标注 No license）。

两个口径并不矛盾，但严格从法律文本看，公有领域声明只出现在论文中，未以许可证文件形式随数据分发。实践建议有三条：

1. 学术论文中引用时，引用 ICASSP 2022 与 Future Internet 2023 两篇论文，并在数据可用性声明中写明「Public Domain License per Wu et al. 2023」；
2. 若用于商业产品，建议先向作者（通讯作者 Zixiu Wu 或 Ehud Reiter）书面确认，因为公有领域声明在缺少许可证文件时存在解释空间；
3. 视频本体版权仍归 YouTube/Vimeo 原上传者，数据集分发的是转录文本，不包含音视频。不要因为「公有领域」就去批量下载原视频重新分发——那是另一层权利。

6.3 版本链

版本	时间	内容	论文对应
v1（simple）	2022-05	11 列基础标注	ICASSP 2022
v2（full）	2023-03-14	追加 annotator_id 与六个子类型字段	Future Internet 2023
后续	2023 起	无结构变更，仅 README 与引用格式微调	—

需要注意：simple 版在 full 版发布后仍保留在仓库中，两版并行。使用时应明确引用版本，否则复现时可能对不上行数。

6.4 与库内可获取性光谱的对照

条目	获取方式	门槛
AnnoMI	GitHub 直接下载 CSV	无
DAIC-WOZ（rid 1142）	USC 申请 + EULA 签署	中（学术非营利）
ACI-BENCH（rid 810）	PhysioNet 认证 + DUA	中（需 CITI 培训）
PriMock57（rid 811）	Edinburgh DataShare 公开	低（CC BY 4.0）
MIMIC-IV（库内条目）	PhysioNet 认证 + CITI + DUA	高

AnnoMI 在这条光谱上处于最低门槛端，这也是它引用量能在三年内达到 80+ 的主因之一：研究者愿意用一个「五分钟就能下到」的数据集做第一个实验。

§7 生态与影响

7.1 引用扩散路径

AnnoMI 自 2022 年发布后被引用约 86 次（Google Scholar，2026 年 10 月快照）。引用场景可归为四类：

1. 治疗师行为识别：把它当作话语级分类的监督信号，做 BERT/RoBERTa/LLM 微调；
2. 来访者状态建模与模拟：用它的 change/sustain 标签做来访者模拟器的评估基准；
3. LLM 咨询能力评测：把 AnnoMI 的高质量对话作为「专家示范」few-shot 或作为评分参照；
4. 标注方法论研究：研究多标注者聚合、IAA 与模型性能的关系。

7.2 被下游当作「参照集」的典型用法

一个代表性例子是 arXiv 2502.02802《Consistent Client Simulation for Motivational Interviewing-based Counseling》。该工作用 GPT-4 对 AnnoMI 的会话做会话级画像标注（来访者 persona、信念、动机、可接受的改变计划、接受度），并从 133 段中筛出 86 段高质量会话做分析。它的筛除理由是「对话不完整」与「来访者画像信息不足」——这恰好暴露了 AnnoMI 的一个结构性问题：示范片常常只演示片段，不是完整会谈。

另一类是 EACL 2024 的 Sig-Networks 工具（2024.eacl-demo.24），它把 AnnoMI 作为 longitudinal language modelling 的五个任务数据集之一，用滑动窗口（最优窗口 w=11）做来访者 talk type 的流式预测，Seq-Sig-Net 达到 F1 0.525。这个数字与 AnnoMI 论文自身的单话语 BERT 基线（约 0.55 Macro F1）量级相近，但指标口径不同（F1 与 Macro F1），不可直接比较——这是引用二手结果时最常见的误读。

7.3 与早期咨询语料的血缘

AnnoMI 之前，公开可用的咨询对话主要有两条支线。一条是 Pérez-Rosas 等人的咨询语料（含视频转写与部分标注），AnnoMI 有 42 个视频与其重叠，但重新做了专业转录。另一条是 WOZ 模拟访谈支线，代表是 DAIC-WOZ——但 DAIC-WOZ 的「治疗师」是虚拟人 Ellie，任务是筛查抑郁，不是治疗技术编码。

因此在谱系上，AnnoMI 的位置是：第一条专为「治疗技术编码」而建的公开语料，而不是「第一份公开咨询对话」（后者要更早）。

7.4 局限如何影响影响力

AnnoMI 的规模小（9,699 条话语）决定了它很难支撑从零预训练，只能做微调与评测。它的「示范视频」来源决定了它不适合做真实患者语言分布研究。但它的标签语义精确（MISC 系）、获取零门槛、双论文背书，使它在「治疗师行为识别」这个细分任务上保持了事实上的基准地位。截至 2026 年，公开替代品仍然很少——这是它的护城河，也是这个领域数据稀缺的证明。

§8 方法学启示：三条可迁移的经验

8.1 「已有编码系统 + 小规模专家标注」是被低估的建库策略

AnnoMI 没有发明新标注体系，而是直接借 MISC/MITI 的成熟类别表。这个选择带来三重收益：标注者的训练成本低（他们本来就会这套编码）、标注结果可与临床文献直接对话、下游研究者不用再学一套私有本体。代价是标签粒度受既有体系约束，无法针对 NLP 任务做最优设计（例如缺少共情分数、缺少对话阶段标签）。

对新数据集项目而言，这条经验可以概括为：当领域已有权威编码体系时，优先做「体系到数据的映射」，而不是「新体系的设计」。

8.2 用「对照设计」替代「大样本」

133 段对话在数量上是弱项，但 110:23 的高/低质量对照是强项。对照设计的价值在于：它把「质量」变成一个可学习的对话级标签，从而支撑序列级分类，而不只是话语级分类。很多更大的语料因为缺少对照，只能做无监督或弱监督。

这条经验对临床语料尤其重要：真实会谈很难拿到「这段治疗做得好不好」的独立标签，而教学示范视频天然带这个标签。

8.3 释放个体标注比释放共识更有长期价值

7 段 IAA 子集释放全部 10 名标注者的每一行，这个决定在发布时让数据表变脏（重复键），但让后续研究可以重算一致性、研究标注者偏差、设计新的聚合方法。对比很多只给单一 ground truth 的数据集，AnnoMI 在这方面做得更开放。

代价是使用门槛：使用者必须先理解「IAA 子集多行」的机制，否则会误用。开放与易用之间存在张力，AnnoMI 选择了偏向开放。

8.4 反面经验：示范片的「表演性」无法通过标注弥补

专家的 66% 自评（来访者话语反映真实世界）是这份数据集最诚实的自我批评。它说明一个结构性限制：数据来源决定了数据分布，标注再精细也无法把表演变成真实。任何基于 AnnoMI 得出的「真实来访者行为规律」结论都应加限定语。

§9 与库内条目的关系

9.1 家族图谱

关系	库内条目	rid	关系说明
同域异任务	DAIC-WOZ	1142	均为心理/行为健康对话语料；DAIC-WOZ 是虚拟访谈员半结构化筛查（音频+视觉+PHQ-8），AnnoMI 是治疗技术编码（纯文本+MISC 标签）
同域异任务	ACI-BENCH	810	均为「对话→文本产物」；ACI-BENCH 是就诊对话生成 SOAP 病历，AnnoMI 是对话内行为分类
同域异任务	PriMock57	811	均为模拟/示范性质对话；PriMock57 是基层问诊多模态语料（音频+转写+SOAP）
方法近邻	MTSamples	350	医学转录文本基准语料，可作为纯文本临床语域的对照
心理语料近邻	PsyTAR	1127	精神科药物不良反应评论文本，同属心理健康 NLP 但非对话

9.2 三组必须讲清的消歧

消歧一：AnnoMI ≠ DAIC-WOZ（rid 1142）。
DAIC-WOZ 是 AVEC 2016 抑郁检测子挑战赛的官方数据，189 场访谈，受试者与虚拟访谈员 Ellie 对话，配套 16kHz 音频、OpenFace 视觉特征、人工转写与 PHQ-8 分数，需签 EULA。它的任务是判定受试者是否抑郁，标签是量表分数与诊断。AnnoMI 没有音视频、没有诊断标签，任务是判定治疗师用了什么技术。两者唯一的共同点是「都是两个人说话的心理相关对话」。检索者若在找「抑郁检测数据」，AnnoMI 帮不上忙；若在找「治疗技术标注」，DAIC-WOZ 帮不上忙。

消歧二：AnnoMI ≠ ACI-BENCH（rid 810）。
ACI-BENCH 是 207 段角色扮演就诊对话与对应临床病历（SOAP）的配对语料，任务是从对话生成病历（摘要生成/文档生成）。它的对话是医患问诊，标注产物是病历文本，不是话语级行为标签。AnnoMI 的对话是心理咨询示范，标注产物是逐句行为类别，没有病历。二者在任务范式上属于「生成」与「分类」两个世界。

消歧三：AnnoMI ≠ PriMock57（rid 811）。
PriMock57 是 57 场模拟基层问诊，含双声道音频、逐句转写与 SOAP 记录，CC BY 4.0 公开，用于医疗 ASR 与记录生成。它同样是「模拟而非真实」，但领域是全科问诊而非心理治疗，标注是病历而非行为编码。

9.3 检索路径建议

• 找「治疗师说了什么技术」的标注 → AnnoMI；
• 找「抑郁/焦虑严重度」标签 → DAIC-WOZ；
• 找「对话生成病历」的配对 → ACI-BENCH、PriMock57、MTSamples；
• 找「真实患者话语分布」→ 上述没有一个够用，需要另行申请真实会谈数据。

§10 避坑清单：九个已踩过的坑

坑 1：把「133 段对话」当成「133 个视频」

仓库与论文都写 133 段对话，但源视频只有 119 个。一个视频里可能剪出多段独立会谈。做视频级特征分析（如视频时长、上传者）时，必须按 video_url 去重，按 transcript_id 计数会重复计入同一视频。

坑 2：把「Public Domain License」当成仓库里有 LICENSE 文件

论文写公有领域，仓库却没有 LICENSE 文件，GitHub 侧边栏显示 No license。合规审查严格的组织（尤其是商业使用）会因此卡住。做法：引用论文声明 + 必要时书面确认（§6.2）。

坑 3：把 mi_quality 当成独立质量评分

high/low 标签来自视频标题、简介与旁白自述，即视频制作者的教学意图，不是独立评分者对该段会谈的评估。它反映的是「这段演示被设计成正面还是反面教材」，而不是「这段会谈实际做得多好」。用它做监督信号时，模型学到的是「什么样的语言像正面教材」。

坑 4：直接 concat simple 与 full 两个 CSV

simple 与 full 覆盖同一批话语，full 是超集。两个文件一起 concat 会让每条话语重复两遍，训练集统计与类别先验都会被稀释/放大（取决于哪份占多数）。只取一份。

坑 5：忽略 IAA 子集的重复键

full 版中 7 段 IAA 子集每段有 10 名标注者的行，同一 (transcript_id, utterance_id) 出现 10 次。不去重直接训练，这 7 段的权重被放大十倍，且模型会学到「同一句话既有 change 又有 neutral」的矛盾监督。正确做法：按 (transcript_id, utterance_id, annotator_id) 去重后，再按多数投票聚合成一条。

坑 6：用 Paper 的 Input 子类列表写死 if-else

论文 Table 4 写 Input 子类为 Information / Advice / Options / Negotiation-Goal-Setting，而 README 与 CSV 的取值为 information / advice / negotiation / options 四项。名称与粒度都不完全一致。永远先跑 df['therapist_input_subtype'].value_counts()。

坑 7：拿 Sig-Networks 的 F1 0.525 与论文 Macro F1 约 0.55 比高低

前者是 EACL 2024 工具论文在来访者 talk type 上的普通 F1（且是流式预测设定），后者是 AnnoMI 论文的单话语 Macro F1。指标不同、设定不同、聚合方式不同，数值接近纯属巧合。跨论文比较前先对齐指标定义。

坑 8：以为对话是完整会谈

示范视频常只演示片段。arXiv 2502.02802 在筛选取用 AnnoMI 的会话时，明确以「对话不完整」为由剔除了一批。做对话阶段分析（五等分）或全程质量评估时，需先检查每段对话的起止是否完整，否则「对话终点 change talk 达 40%」这类结论会被片段截断污染。

坑 9：把视频 URL 当作稳定标识

视频可能被下架、改名、设为私密。video_url 会随时间失效，video_title 也可能变化。持久化标识只用 transcript_id；若需回溯音视频，应尽早在合规前提下自留副本或做哈希存证。

§11 总结

11.1 三句话总结

1. AnnoMI 是第一个公开免费、由 10 名 MINT 认证治疗师逐句标注的动机性访谈对话语料，133 段 / 9,699 条话语，标签直接对接 MISC/MITI 的「治疗师行为 + 来访者谈话方向」体系。
2. 它的可信度分层明显：治疗师 (Main) Behaviour 的 κ≈0.74 可用，来访者 Talk Type 的 κ≈0.47 需打折，且全部一致性只能从 7 段 IAA 子集估计。
3. 它的价值在于「零门槛 + 语义精确 + 高/低对照」，局限在于「示范片而非真实会谈 + 规模小 + 无音视频」，两者共同决定了它适合做微调与评测，不适合做预训练或真实患者分布研究。

11.2 适合谁

• 做治疗师行为识别 / 对话行为分类的研究者；
• 做来访者模拟器、咨询对话生成评估的研究者；
• 做心理健康 LLM 评测、需要「专家示范」参照集的研究者；
• 研究多标注者一致性与聚合方法的方法学研究者；
• 心理治疗培训系统的产品团队（可作为反馈规则的验证集）。

11.3 不适合谁

• 需要真实患者语言分布或真实会谈动态的研究者；
• 需要音频、韵律、面部表情特征的多模态研究者；
• 需要抑郁/焦虑严重度、诊断标签的临床研究者；
• 需要大规模预训练语料的语言模型团队；
• 需要明确商业许可条款的企业法务审查场景。

11.4 30 秒决策卡

你的问题	答案
要下数据吗	github.com/uccollab/AnnoMI，下 full 版
有门槛吗	无
能商用吗	论文称公有领域，仓库无 LICENSE，建议先确认
标签能直接用吗	治疗师侧可以，来访者侧建议合并三类为两类
和 DAIC-WOZ 混了吗	没有；二者任务不同（§9.2）
最大风险	把「教学示范」当成「真实会谈」

FAQ（高频问答 32 问）

A. 基础认知

1. AnnoMI 的全称和正确写法是什么？
数据集名为 AnnoMI，论文标题写作 Anno-MI（带连字符）。仓库、README、CSV 文件名都用 AnnoMI，无连字符。检索时两种写法都要试。

2. 为什么叫 Anno？
Anno 取自 annotation（标注），强调这是「标注过的 MI 语料」，与单纯收集视频转写的语料区分开。

3. 它和 MISC、MITI 是什么关系？
关系是「借码不借表」。AnnoMI 采用 MISC/MITI 的类别名称与定义（reflection / question / input / change talk / sustain talk），但没有采用 MITI 的全局评分（empathy、MI spirit 等 1–5 分维度）。

4. 这 133 段对话都是英语吗？
是，全部为英语。标注者也要求英语熟练。目前没有官方译文版本。

5. 对话涉及哪些行为主题？
主要是减酒、减少再犯、戒烟，另有减重、依从性、青少年行为等长尾话题。扩展论文列出前十话题，但正文未列全表数值。

6. 什么是「高质量 MI」和「低质量 MI」？
高质量指示范了符合 MI 精神的做法（多反映、少说教、跟随来访者）；低质量指反面示范（频繁给建议、争辩、贴标签）。二者由视频制作意图界定。

B. 数据与获取

7. 怎么下载？
git clone https://github.com/uccollab/AnnoMI 或直接在网页下载两个 CSV。

8. 需要签协议吗？
不需要。这与 DAIC-WOZ（EULA）、MIMIC（DUA）形成鲜明对比。

9. simple 和 full 该用哪个？
要 annotator_id 或子类型标签就用 full；只做四类/三类主任务，simple 更干净。

10. 两个 CSV 行数一样吗？
simple 每段对话每句一行；full 因 IAA 子集多标注者而多出重复键行，因此 full 行数多于 simple。使用前务必 shape 对比。

11. 有音频吗？
没有。只有转录文本与话语级时间戳，音频在 YouTube/Vimeo 原链接。

12. 视频下架了怎么办？
只能用文本与时间戳，无法回溯音频。建议在使用前做一次 URL 存活检查并记录。

13. 有没有官方划分训练/测试集？
没有。论文的 5 折交叉验证是实验协议，不是随数据集发布的固定划分。复现时需自行按对话级分层抽样，不能按话语级随机划分，否则同一对话的话语会同时出现在训练与测试集，造成泄漏。

14. 能上传到 HuggingFace 再分发吗？
文本部分在公有领域声明下理论可行，但建议附论文引用与来源说明；音视频不可。

C. 标注与一致性

15. 一共产多少标注者？
10 名，通过 MINT 招募。

16. 每段对话几个人标？
126 段各 1 人；7 段 IAA 子集由全部 10 人标注。

17. IAA 用什么指标？
话语级 Fleiss’ kappa（三种模式：All / All(Strict) / Binary）与 ICC（MITI 口径，双向混合模型、绝对一致、平均测量）。

18. Behaviour 的 κ 是多少？
约 0.74，substantial 级。

19. Talk Type 的 κ 是多少？
约 0.47，moderate 偏下。这是本数据集最弱的一维。

20. 为什么 ICC 那么高而 κ 不高？
ICC 测聚合结果的稳定性，κ 测单次判定的类别一致。类别高度不均衡时 κ 会被压低（§4.1）。

21. 标注者事后怎么评价数据真实性？
6/10 回复问卷；83% 认为治疗师话语与整体对话反映真实 MI，来访者话语该项为 66%。

22. 有没有标注手册公开？
没有独立手册文件；标注方案以论文 Table 4 的形式给出，定义散落在论文示例表（Table 5–8）中。

D. 建模与应用

23. 论文的基线是多少？
治疗师行为 Macro F1 0.72（BERT），来访者 talk type 约 0.55（BERT）。

24. 为什么来访者侧更难？
两个原因：需要上下文（单句歧义大），标注噪声大（κ 0.47）。

25. 数据增强有用吗？
普遍轻微负面。Pegasus 复述增强让多数指标略降，仅缩小了 change 与 neutral 的 F1 差距。

26. 能用 LLM zero-shot 做吗？
可以试，但要注意标签分布偏斜（Neutral 占 64%–68%），zero-shot 容易全判 Neutral，必须报告 Macro F1 与逐类 F1，不能只看 accuracy。

27. 怎么做对话级质量判别？
把话语级标签聚合成对话级特征（reflection 比例、input 比例、change/sustain 比值、后段 change 占比），再接一个分类器。论文的五阶段曲线与转移概率可作为特征工程依据。

28. 能做治疗师培训反馈系统吗？
可以。最直接的规则来自转移概率：来访者 sustain 后治疗师紧跟 input（低质量典型 54%），可作为提醒触发条件。

29. 能用来做来访者模拟器评估吗？
可以，但需注意示范片来访者「表演性」强，模拟器的真实感评估只能部分参照。arXiv 2502.02802 就只从中筛了 86 段使用。

E. 伦理与合规

30. 数据里有真实患者吗？
没有。出镜者为演员或培训师，视频为教学示范，已取得上传者与出镜者同意。

31. 有伦理批号吗？
有。阿伯丁大学伦理委员会 2021-04-01 批准，遵循赫尔辛基宣言。

32. 会不会有敏感内容？
会谈主题涉及酒精、成瘾、犯罪行为（再犯），文本中可能包含相关叙述。用于公开演示时建议做内容提示。

事实清单（硬事实 32 条）

1. AnnoMI 首次发布于 ICASSP 2022，论文标题《Anno-MI: A Dataset of Expert-Annotated Counselling Dialogues》，页码 6177–6181。
2. ICASSP 2022 论文 DOI：10.1109/ICASSP43922.2022.9746035。
3. 扩展论文发表于 Future Internet 2023, 15(3):110，DOI 10.3390/fi15030110。
4. 数据集合计 133 段对话。
5. 对话合计 9,699 条话语。
6. 高质量 MI 为 110 段，共 8,839 条话语。
7. 低质量 MI 为 23 段，共 860 条话语。
8. 8,839 + 860 = 9,699，与总数自洽。
9. 源视频为 119 个，一个视频可含多段对话。
10. 检索候选视频为 346 个。
11. 其中 42 个视频与 Pérez-Rosas 等人的早期咨询语料重叠。
12. 转录服务商为 GoTranscript。
13. 标注者为 10 名 MI 治疗师，经 MINT 招募。
14. 每名专家标注 19–20 份转录稿，约 144 分钟视频。
15. IAA 共同标注子集为 7 段（5 高 + 2 低）。
16. IAA 子集约占单人工作量三分之一（约 45 分钟）。
17. 治疗师 (Main) Behaviour 四类：reflection、question、therapist_input、other。
18. 来访者 client_talk_type 三类：change、neutral、sustain。
19. full 版追加 annotator_id，取值 0–9。
20. full 版 therapist_input_subtype 取值：information、advice、negotiation、options。
21. full 版 reflection_subtype 取值：simple、complex。
22. full 版 question_subtype 取值：open、closed。
23. full 版发布于 2023-03-14。
24. 建模去重样本：(Main) Behaviour 3,796 条，Talk Type 3,685 条。
25. Fleiss κ：Behaviour 约 0.74；Talk Type 约 0.47。
26. ICC：全部 Behaviour 与 Talk Type 标签均在 0.75–1 区间；change/sustain 约 0.9。
27. 基线治疗师行为预测最佳 Macro F1 0.72（BERT）。
28. 基线来访者 talk type 预测最佳 Macro F1 约 0.55（BERT）。
29. 随机基线（Prior/Uniform）Macro F1 低于 0.25。
30. 高质量 MI 对话终点 change talk 升至约 40%，sustain talk 降至约 7%。
31. 高质量 MI 面对 sustain talk 时最常以 reflection 回应（37%）；低质量 MI 最常以 input 回应（54%）。
32. 许可为论文声明的 Public Domain License；仓库无 LICENSE 文件。

术语表（30 条）

术语	英文	释义
动机性访谈	Motivational Interviewing (MI)	以来访者为中心、指向改变动机的谈话疗法，Miller 与 Rollnick 提出
治疗保真度	treatment fidelity	治疗实施与既定方案的一致程度，是临床研究质量的核心指标
MISC	Motivational Interviewing Skill Code	MI 编码系统，含全局评分与逐句编码两部分
MITI	Motivational Interviewing Treatment Integrity	MITI 是更精简的治疗保真度编码工具，v4 用 CTRS/CR 等比值刻画
MINT	Motivational Interviewing Network of Trainers	MI 培训师国际网络，会员需系统培训与评估
反映	reflection	治疗师复述或提炼来访者所述/未明说的意思
简单反映	simple reflection	仅重复或轻微改写来访者话语
复杂反映	complex reflection	加入推断、类比、情感命名等新信息
提问	question	治疗师发问，分开放与封闭
开放式提问	open question	不能以是/否回答的问题，鼓励展开
封闭式提问	closed question	可用是/否或短答案回答的问题
治疗师陈述	therapist input	给出信息、建议、选项或协商目标的统称
其他行为	other	不符合上述三类的治疗师行为（结构、促成、面质等）
改变性谈话	change talk	来访者指向改变的语言（愿望、能力、理由、需要、承诺等）
维持性谈话	sustain talk	来访者指向维持现状或反对改变的语言
中性谈话	neutral	既不指向改变也不指向维持
阻抗	resistance	来访者对改变的抵触，现代 MI 视角下被视为双方互动的产物
Fleiss’ kappa	—	多名标注者的类别一致性系数，扣除随机一致
ICC	intraclass correlation coefficient	组内相关系数，衡量评分可重复性
Macro F1	—	各类 F1 的算术平均，对不均衡类别敏感
分层交叉验证	stratified k-fold CV	按类别比例划分折的交叉验证
Adapters	—	参数高效微调方法，冻结主干、插入小型适配层
CTRS	Complex Reflection to Simple Reflection ratio	MITI 中复杂反映与简单反映的比值指标
CR	Reflection to Question ratio	反映与提问的比值指标
DARN-CAT	—	change talk 的细分框架：愿望/能力/理由/需要 + 承诺/激活/采取步骤
示范视频	demonstration video	用于培训教学的会谈录像，通常演示正/反面做法
表演性	performativity	示范场景中出镜者按教学目的演出，偏离真实行为分布
话语	utterance	说话人的一次连续发言，本数据集的基本标注单位
长尾话题	long-tail topics	话语量极少的少数主题
零门槛获取	frictionless access	无申请表、无协议、无账号即可下载的开放形态

附录

附录 A：条目信息速查卡

字段	值
slug	annomi
官方名	AnnoMI（论文写作 Anno-MI）
首发	ICASSP 2022（2022-05-23 见刊）
扩展	Future Internet 2023, 15(3):110
主仓库	https://github.com/uccollab/AnnoMI
数据文件	AnnoMI-simple.csv、AnnoMI-full.csv
规模	133 段 / 9,699 条话语
任务	话语级行为分类、序列级质量判别
许可	Public Domain License（论文口径）
库内 rid	占位（待入库回填）

附录 B：DAIMS 评估全表

DAIMS（Dataset AI-readiness Maturity Score）按六维评估数据集对 AI 训练与评测的适配成熟度，各项 1–5 分。

维度	分值	依据
D — Data Availability（可获取性）	5	GitHub 直接下载两个 CSV，无账号、无协议、无申请；在多模态语料普遍受限的心理健康领域属最优
A — Annotation Quality（标注质量）	3	治疗师行为 κ≈0.74 可用，来访者 Talk Type κ≈0.47 偏弱；仅 7/133 段可算一致性，全局噪声不可估计
I — Interoperability（互操作性）	3	标签对接 MISC/MITI，命名规范；但 CSV 扁平结构无对话树、无说话人元数据，需自行重组为会话对象
M — Modeling Readiness（建模就绪度）	3	有官方基线（0.72 / 约 0.55）与任务定义；但无官方固定划分，需自行做对话级分层，存在泄漏风险
S — Scale & Diversity（规模与多样性）	2	9,699 条话语规模偏小；话题长尾严重，三主话题各占 10%–20%；无人口学多样性信息
代表性（Representativeness）	2	示范视频而非真实会谈，来访者「表演性」强；专家自评仅 66% 认为来访者话语真实
加权总分	3.0 / 5	权重：可获取性 0.2、标注 0.25、互操作 0.15、建模 0.15、规模 0.15、代表性 0.1

评述：AnnoMI 是典型的「低门槛、中等质量、小规模」条目。它的 AI-Ready 得分主要由可获取性撑起，被代表性拖低。对追求「快速验证想法」的使用者，它是最优入口；对追求「高保真临床分布」的使用者，它的成熟度不足以支撑结论外推。

附录 C：逐项证据链自证

硬事实	证据来源	核验方式
133 段对话 / 9,699 条话语	Future Internet 2023 正文与统计表	与 110×23 分项加总交叉核验
10 名标注者 / 7 段 IAA 子集	Future Internet 2023 标注流程节	README 与论文互证
标签类别与取值	GitHub README 列定义	与 CSV 实际取值核对（Input 子类命名有差异，见坑 6）
full 版 2023-03-14 发布	README 首行 UPDATE 声明 + 仓库提交历史	两处一致
基线 0.72 / 约 0.55	Future Internet 2023 Table 15/16	正文引述值与表值一致
Public Domain License	Future Internet 2023 数据可用性声明	仓库无 LICENSE（双口径存照）
阿伯丁大学伦理批准	Future Internet 2023 伦理声明	与作者机构一致

附录 D：数据获取决策树

你需要什么？
├─ 话语级行为标签（reflection/question/input/other）
│   └─ → AnnoMI full 版
├─ 来访者谈话方向（change/sustain/neutral）
│   ├─ 接受 κ≈0.47 的噪声 → AnnoMI full 版
│   └─ 需要更可靠 → 与自建标注交叉验证，或合并为二分类
├─ 抑郁/焦虑量表分数
│   └─ → DAIC-WOZ（rid 1142）
├─ 对话→病历生成配对
│   └─ → ACI-BENCH（rid 810）/ PriMock57（rid 811）
└─ 真实患者语言分布
    └─ → 上述均不满足，需申请真实会谈语料

附录 E：加载与清洗骨架（代码）

import pandas as pd

df = pd.read_csv("AnnoMI-full.csv")

# 1) 检查 IAA 子集重复键（7 段 × 10 人）
dup = df.groupby(["transcript_id", "utterance_id"]).size()
iaa_transcripts = dup[dup > 1].reset_index()["transcript_id"].unique().tolist()
print("IAA 子集对话数:", len(iaa_transcripts))  # 期望 7

# 2) 按多数投票聚合：非 IAA 段唯一，IAA 段取众数
def majority(series):
    return series.value_counts().idxmax()

agg = (df.groupby(["transcript_id", "utterance_id", "interlocutor"], as_index=False)
         .agg(main_therapist_behaviour=("main_therapist_behaviour", majority),
              client_talk_type=("client_talk_type", majority),
              utterance_text=("utterance_text", "first")))

# 3) 对话级分层划分（禁止话语级随机划分）
from sklearn.model_selection import GroupKFold
groups = agg["transcript_id"].values
gkf = GroupKFold(n_splits=5)

要点：GroupKFold 以 transcript_id 为组，保证同一对话不出现在训练与测试两侧。这一步是复现基线的前提，漏掉会让指标虚高。

附录 F：标签分布快速体检（代码）

import pandas as pd
df = pd.read_csv("AnnoMI-full.csv")

print(df["mi_quality"].value_counts())          # high 110 段 / low 23 段（按段去重）
print(df["interlocutor"].value_counts())          # therapist / client
print(df.loc[df.interlocutor == "therapist", "main_therapist_behaviour"].value_counts())
print(df.loc[df.interlocutor == "client", "client_talk_type"].value_counts())
print(df["therapist_input_subtype"].value_counts())  # 确认四值还是五值
print(df["topic"].value_counts().head(10))        # 长尾分布

附录 G：对话级特征工程建议

特征	计算方式	预期信号
reflection 比例	reflection 数 / 治疗师话语数	高质量更高（28% vs 7%）
input 比例	therapist_input 数 / 治疗师话语数	低质量更高（33% vs 11%）
CTRS 近似	complex / simple 之比	高质量更高
CR 近似	reflection / question 之比	高质量更高
后段 change 占比	末五分之一 change 数 / 该段来访者话语数	高质量终点约 40%
sustain 后接 input 率	sustain 后一句为 input 的比例	低质量约 54%，高质量更低
对话长度	话语条数	与质量相关性待验

附录 H：统计指标公式表

指标	公式	说明
Fleiss’ kappa	κ = (P̄ − P̄e) / (1 − P̄e)	P̄ 为观测一致比例，P̄e 为随机期望
ICC(2,k)	(MSB − MSE) / (MSB + (k−1)MSE)	双向随机、绝对一致、平均测量
Macro F1	(1/K) Σ F1_k	类别等权
Micro F1	2TP / (2TP + FP + FN)	样本等权
加权 F1	Σ (n_k/N) F1_k	按类频加权

附录 I：库内互链点登记

目标条目	rid	互链理由	状态
DAIC-WOZ	1142	心理/行为健康对话，任务与模态互补	在架
ACI-BENCH	810	临床对话生成范式对照	在架
PriMock57	811	模拟问诊语料对照	在架
MTSamples	350	临床纯文本语域对照	在架
PsyTAR	1127	心理健康 NLP 近邻（非对话）	在架

说明：按纪律，frontmatter 的 relatedLink 仅登记纯 URL，且 rid 采用占位；实际互链由主会话在入库后回填，避免 R018 型「猜 rid 指向软删行」事故。

附录 J：双口径登记表

事项	口径甲	口径乙	本文处理
许可	论文：Public Domain License	仓库：无 LICENSE 文件，GitHub 显示 No license	两说并列，正文以论文为主口径并提示风险
治疗师话语数	论文未直陈	EACL 2024 论文给来访者 4,817，反推治疗师 4,882	标注为「推导值」，建议以 CSV 实测为准
高质量话语总数	论文 8,839	arXiv 2502.02802 写 “over 8,800”	视为同一数字的保守表述，不构成冲突
Input 子类	论文 Table 4：Information/Advice/Options/Negotiation-Goal-Setting	README/CSV：information/advice/negotiation/options	以 CSV 为准，正文提示命名差异
命名	论文标题 Anno-MI	仓库与数据文件 AnnoMI	以 AnnoMI 为条目名，正文注明论文写法

附录 K：坑点档案（与 §10 对照）

编号	坑	类型	触发频率
坑 1	对话数当视频数	元数据误读	中
坑 2	许可文件缺失	合规	高（法务场景）
坑 3	mi_quality 当独立评分	标签语义	高
坑 4	simple/full 混拼	数据处理	中
坑 5	IAA 重复键	数据处理	高
坑 6	Input 子类写死	代码	中
坑 7	跨论文比 F1	评价	中
坑 8	把片段当完整会谈	结论外推	中
坑 9	依赖视频 URL	长期维护	高（随时间上升）

附录 L：维护计划与触发点

触发条件	动作
仓库新增版本或提交	复核 §6.3 版本链与 §2.3 结构表
论文引用量显著上升	复核 §7.1 引用扩散路径，补充新用法
出现新公开 MI 语料	复核 §9.1 家族图谱与 §7.4 护城河判断
视频 URL 大规模失效	复核坑 9，必要时标注「不可回溯」
库内 daic-woz / aci-bench 条目更新	同步 §9.2 消歧段的模态与任务描述

附录 M：引用格式

@INPROCEEDINGS{9746035,
  author={Wu, Zixiu and Balloccu, Simone and Kumar, Vivek and Helaoui, Rim and Reiter, Ehud and Reforgiato Recupero, Diego and Riboni, Daniele},
  booktitle={ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)},
  title={Anno-MI: A Dataset of Expert-Annotated Counselling Dialogues},
  year={2022},
  pages={6177-6181},
  doi={10.1109/ICASSP43922.2022.9746035}
}

@Article{fi15030110,
  author={Wu, Zixiu and Balloccu, Simone and Kumar, Vivek and Helaoui, Rim and Reforgiato Recupero, Diego and Riboni, Daniele},
  title={Creation, Analysis and Evaluation of AnnoMI, a Dataset of Expert-Annotated Counselling Dialogues},
  journal={Future Internet},
  volume={15},
  year={2023},
  number={3},
  article-number={110},
  doi={10.3390/fi15030110}
}

附录 N：一页速查卡

• 数据是什么：133 段 MI 示范对话，9,699 条话语，话语级行为标注。
• 标签是什么：治疗师四类行为 + 来访者三类谈话方向。
• 谁标的：10 名 MINT 认证 MI 治疗师。
• 可靠吗：治疗师侧 0.74（可用），来访者侧 0.47（打折）。
• 怎么拿：GitHub 两个 CSV，直接下载。
• 能商用吗：论文称公有领域，仓库无 LICENSE，先确认。
• 基线：0.72 / 约 0.55 Macro F1。
• 别混了：DAIC-WOZ 是抑郁筛查，ACI-BENCH 是病历生成，AnnoMI 是治疗技术编码。

来源

1. Wu Z, Balloccu S, Kumar V, Helaoui R, Reiter E, Reforgiato Recupero D, Riboni D. Anno-MI: A Dataset of Expert-Annotated Counselling Dialogues. ICASSP 2022: 6177–6181. doi:10.1109/ICASSP43922.2022.9746035.
2. Wu Z, Balloccu S, Kumar V, Helaoui R, Reforgiato Recupero D, Riboni D. Creation, Analysis and Evaluation of AnnoMI, a Dataset of Expert-Annotated Counselling Dialogues. Future Internet. 2023;15(3):110. doi:10.3390/fi15030110.
3. GitHub 仓库 uccollab/AnnoMI（README 与两份 CSV 列定义，2023-03-14 更新）。https://github.com/uccollab/AnnoMI
4. Tseriotou T, et al. Sig-Networks Toolkit: Signature Networks for Longitudinal Language Modelling. EACL 2024 Demo. https://aclanthology.org/2024.eacl-demo.24.pdf
5. Consistent Client Simulation for Motivational Interviewing-based Counseling. arXiv:2502.02802（附录 A 对 AnnoMI 的使用与筛选说明）。

附录 O：MISC / MITI 与 AnnoMI 的逐项映射详解

为方便做「临床编码 ↔ NLP 标签」对齐，这里把三套体系的行为类别逐项摊开。需要强调：AnnoMI 不是 MISC 的子集，也不是 MITI 的简化版，它是为话语级监督学习重新裁剪过的一套标签，只是沿用了两套体系的术语。

MISC 10.0 行为	定义要点	AnnoMI 归入	差异
Reflection 简单	重复或轻微改写	Reflection（simple）	一致
Reflection 复杂	加入推断、类比、情感命名	Reflection（complex）	一致
Question 开放	鼓励展开的提问	Question（open）	一致
Question 封闭	是/否型提问	Question（closed）	一致
Giving Information	提供事实/教育信息	Input（information）	一致
Advising	给出建议/忠告	Input（advice）	一致
Options	提供多个可选项	Input（options）	一致
Negotiating Goal/Strategy	协商目标或策略	Input（negotiation）	名称简化
Structuring	设定议程、引导流程	Other	合并进兜底类
Facilitating	促进对话、鼓励继续	Other	合并进兜底类
Confronting	面质、指出矛盾	Other	合并进兜底类；注意这是低质量 MI 的典型标志，被吞进 Other 会丢失
Affirm	肯定来访者的努力	Other	合并进兜底类
Emphasizing Control	强调来访者的自主权	Other	合并进兜底类

这张表暴露了一个重要缺口：Confronting（面质）被归入 Other。面质是低质量 MI 最具诊断价值的行为之一，把它和「肯定」「结构」一起塞进兜底类，意味着模型无法单独识别「治疗师是否在争辩」。如果研究目标是检测 MI 违规行为，必须在 Other 内部再做二次标注，或者改用 MISC 原版编码。

MITI 4 一侧的差异更大。MITI 的核心产出是四个汇总比值：治疗师话语中「MI-consistent 行为」占比、复杂反映占比（CTRS）、反映与提问之比（CR）、以及来访者 change talk 占比。AnnoMI 只提供逐句标签，四个比值都需要使用者自己从逐句标签重算，而重算口径与 MITI 官方口径并不完全一致（例如 MITI 把「反映」按「反映的是 change 还是 sustain」再细分，AnnoMI 没有这一层）。

实践上给三条对齐建议：

1. 若论文需要报告 MITI 风格的 CR 与 CTRS，直接按 AnnoMI 标签算比值，并在方法节声明「依据 AnnoMI 标签近似计算，口径与 MITI 4 不完全一致」。
2. 若研究重点在低质量 MI 的违规行为，不要依赖 Other 类，应回到原始文本另做标注。
3. 若要做跨语料比较（例如与真实会谈的 MITI 评分比较），必须先检查两边是否都含「反映对象」信息，否则比值不可比。

附录 P：五阶段对话演化数据的使用方法

论文把每段对话等分为五段，统计各段内的行为分布，得到「高质量 MI 终点 change talk 约 40%、sustain talk 约 7%；低质量 MI 早期 sustain talk 飙至 40% 以上」这组结论。这组曲线的使用要注意三个技术点。

第一，等分是按话语条数还是按时间。 论文用五等分描述对话进程，但未明确是按话语序还是按时间戳切分。两种切法结果不同：按话语条数切分，长发言会占据更大权重；按时间切分，短暂沉默被计入但无标签。复现时应在方法节写明所用切法。

第二，片段对话会污染终点统计。 示范视频常只演示会谈的一部分（见坑 8），「终点」实际上是「片段终点」。若直接把这批片段当作完整会谈，终点 change talk 比例会被系统性抬高或压低，取决于片段截取位置。arXiv 2502.02802 正是因为「对话不完整」剔除了部分会话，说明这个问题在下游已被注意到。

第三，阶段标签本身需要先验证。 论文没有给每段对话打「开场/探索/收束」这类阶段标签，五等分只是位置代理。真正的 MI 阶段（engaging / focusing / evoking / planning）需要额外标注。任何声称「AnnoMI 提供 MI 四阶段标签」的说法都是误读。

一个稳妥的用法：只把五等分位置作为相对位置特征（0.0–0.2、0.2–0.4……），与对话长度、总话语数一起放入模型，而不是把它当作临床阶段。

附录 Q：来访者 Talk Type 建模的三条改进路线

鉴于来访者侧基线卡在约 0.55 Macro F1，而论文把原因归为「需要上下文」与「标注噪声」，可以给出三条有据可依的改进路线。

路线一：加窗口上下文。 Sig-Networks 的流式实验（EACL 2024）已经证明，以滑动窗口喂入历史话语时，最优窗口约 11 条，Seq-Sig-Net 达到 F1 0.525。这个结果与单话语基线量级相近，说明窗口本身不是万能药，但窗口 + 序列模型是必要的起点。更直接的做法是把「治疗师上一句的行为标签」作为特征并联进去——因为论文的转移概率分析已经显示，治疗师行为与来访者下一句的谈话类型强相关。

路线二：合并类别降低噪声。 Talk Type 的 κ≈0.47 主要来自 Neutral 与另两类的边界模糊。把三分类合并为「change vs 非 change」二分类，可用 Binary 口径下更高的一致性换取更稳定的监督。代价是丢失 sustain 的独立信号，而 sustain 恰恰是低质量 MI 的关键指标。折中方案是两阶段：先判「是否 neutral」，再在非 neutral 中判 change/sustain。

路线三：多标注者软标签。 7 段 IAA 子集提供了每句话的 10 份标注。可以在这 7 段上训练「软标签」模型（输出类别分布而非硬类别），检验软标签是否比多数投票更稳。样本量小，结论只能作为方法论探索，但这是 AnnoMI 相对其他语料的独特优势——它真的给了你多标注者的原始分歧。

三条路线可以叠加，但要注意评估协议：任何加窗口的实验都必须继续用 GroupKFold 按对话划分，否则上下文特征会跨对话泄漏，指标虚高。

附录 R：与真实会谈语料的差距清单

维度	AnnoMI（示范片）	真实会谈语料	影响
出镜者身份	演员/培训师	真实来访者	情绪表达强度、阻抗真实性不同
会谈完整性	常为片段	通常完整	阶段分析受限
话题	教学选择，集中于减酒/再犯/戒烟	按临床需求分布	长尾偏差
语言	清晰、配合度高	含大量停顿、跑题、方言	声学与语用复杂度低
标注	MISC 话语级	常为 MITI 汇总评分	粒度不同，不可直接比
获取	零门槛	需 EULA/DUA	可复现性差异巨大

这张表的核心结论是：AnnoMI 的优势（可获取、标注细）与劣势（不真实、不完整）来自同一个源头——它用的是教学示范视频。理解这一点，就能理解它为什么适合做「方法验证」而不适合做「临床结论」。

附录 S：常见误读澄清（10 条）

1. 「AnnoMI 有 133 个视频」——错，119 个视频含 133 段对话。
2. 「AnnoMI 是音频数据集」——错，只有文本与话语级时间戳。
3. 「mi_quality 是专家打分」——错，来自视频标题/简介/旁白自述。
4. 「有官方 train/test 划分」——错，论文的 5 折是实验协议。
5. 「full 版是 simple 版的替换」——错，两版并行，simple 仍可用。
6. 「IAA 覆盖全部 133 段」——错，只有 7 段。
7. 「Talk Type 的 κ 是 0.74」——错，那是 Behaviour；Talk Type 约 0.47。
8. 「Input 子类有五个」——论文表列五个名称，CSV 实为四个取值。
9. 「可以直接算 MITI 总分」——不能，MITI 有全局评分维度，AnnoMI 没有。
10. 「它和 DAIC-WOZ 是同一类数据」——不是，任务、模态、标签全不同。

附录 T：如果要从零复刻一次 AnnoMI（工序清单）

步骤	关键动作	易错点
1. 语料检索	用正/负面关键词成对检索，记录候选总数	只搜正面词会导致高质量偏斜
2. 质量判定	依据标题/简介/旁白判定，留复核记录	判定标准不写清会导致不可复现
3. 授权	联系上传者与出镜者，留书面同意	只联系上传者可能漏出镜者权利
4. 转录	用专业服务，保留口语标记与说话人标签	自动字幕错误率高
5. 编码手册	直接映射 MISC/MITI 类别表	自创类别会失去可比性
6. 标注者招募	经专业网络招募，要求「会做 + 会编码」	只招「会做」的临床医生
7. 交叉子集	抽 1/3 工作量做全人共标，隐藏抽查意图	公开抽查会导致一致性虚高
8. 后处理	保留个体标注 + 多数投票双轨	只留共识会封存噪声信息
9. 发布	双版本（简/全）+ 列定义 + 引用格式	版本不并行会破坏旧复现
10. 基线	给至少两个任务与随机基线	只给 SOTA 会失去参照

附录 U：与「治疗师培训」场景的对接说明

AnnoMI 最直接的非研究用途是治疗师培训反馈系统。可落地的规则有两条：

规则一：sustain 后接 input 触发提醒。 论文数据显示，低质量 MI 中来访者出现 sustain talk 后治疗师最常以 input 回应（54%），而高质量 MI 中这一回应是 reflection（37%）。系统可检测「来访者 sustain → 治疗师 input」的相邻对，作为需要复盘的片段标记。

规则二：后段 change/sustain 比值作为过程指标。 高质量 MI 终点 change talk 约 40%、sustain 约 7%。可计算学员演练录像后三分之一的比值，与这个参照带对比。

两条规则都需要声明局限：参照值来自示范片而非真实会谈；规则是启发式而非诊断标准；提醒应作为复盘线索而非评分依据。把 AnnoMI 的统计值直接当成「合格线」用于考核，是对数据来源的误用。

附录 V：与 LLM 时代的适配

2023 年之后，LLM 在心理咨询对话上的应用激增，AnnoMI 的角色从「训练集」部分转向「评测参照集」。三条适配建议：

其一，作为 few-shot 示范。 从高质量 MI 对话中抽 3–5 段完整片段作为上下文示例，比抽象描述 MI 原则更有效，因为示范本身带行为标签。

其二，作为自动评分的锚点。 用 AnnoMI 的标签统计构造「质量剖面」（reflection 比例、input 比例、sustain 后回应模式），与 LLM 生成的咨询对话剖面比对。注意校准：LLM 生成的对话往往更长、更礼貌，input 比例天然偏高。

其三，作为标注一致性研究材料。 用 AnnoMI 的 7 段多标注子集，检验 LLM 标注者与人类专家的一致性，判断 LLM 能否替代部分标注工作。这类研究的基线必须包含 Fleiss κ≈0.47 与 0.74 这两个人类上限，否则「LLM 一致性 0.5」这样的数字无法解读。

附录 W：与其他公开心理治疗对话语料的横向对照

语料	模态	规模	标注	获取
AnnoMI	文本	133 段 / 9,699 话语	MISC 话语级行为	零门槛
DAIC-WOZ（rid 1142）	音频+视觉+文本	189 场访谈	PHQ-8 分数	EULA
ACI-BENCH（rid 810）	文本	207 段就诊	SOAP 病历	DUA
PriMock57（rid 811）	音频+文本	57 场问诊	SOAP + 人工评估	CC BY 4.0
MTSamples（rid 350）	文本	数千份转写	无（按专科分类）	公开

这张对照表的读法是看「标注类型」列：只有 AnnoMI 提供过程性行为标签，其余提供的是结果性标签（分数、病历）或无标签。这正是 AnnoMI 不可替代的位置。

附录 X：检索关键词建议

中文检索：「动机性访谈 对话 数据集」「心理咨询 对话 标注 语料」「治疗师 行为 编码 数据集」。
英文检索：AnnoMI、Anno-MI、motivational interviewing dataset、counselling dialogue corpus、MISC coding dataset、therapist behaviour classification dataset、change talk sustain talk corpus。
检索陷阱：用「MI dataset」会大量命中医学影像（MI 也常指 myocardial infarction），必须带 motivational interviewing 全称或 counselling。

附录 Y：项目决策一页纸（给团队负责人）

问题	判定
是否值得投入一周做基线	值得，数据零门槛、任务定义清晰
是否能支撑产品级模型	单独不能，需自建标注扩充
是否能直接商用	需法务确认许可口径（§6.2）
是否需要额外伦理审查	数据已去标识且为示范片，通常不需要；但用于患者场景需另评估
是否需要补齐真实数据	需要，若目标涉及真实来访者分布
最大时间风险	视频链接失效导致无法回溯（坑 9）
最低可行的下一步	下载 full 版 → 去重 IAA 子集 → GroupKFold 复现 0.72 基线

附录 Z：末页索引

• 规模与结构：§2.1、§2.2、§2.3
• 标签体系：§2.4
• 采集流程：§3.1–§3.3
• 一致性：§4.1–§4.3
• 基线：§5.1–§5.5
• 获取与许可：§6.1–§6.3
• 生态：§7.1–§7.4
• 库内关系：§9.1–§9.3
• 坑点：§10（坑 1–坑 9）
• 评估：附录 B（DAIMS）
• 实操代码：附录 E、F
• 双口径：附录 J

附录 AA：修订记录

日期	版本	变更
2026-10-17	v1.0	首版成稿：完成存在性三源核验、结构梳理、DAIMS 评估、库内消歧与九条坑点

附录 AB：致谢与责任声明

本条目依据 ICASSP 2022 与 Future Internet 2023 两篇论文、GitHub 官方 README 及两份二手文献（EACL 2024 工具论文、arXiv 2502.02802）写成。所有硬数字均标注出处；凡论文未直陈而由其他来源推导者（如治疗师话语 4,882 条），正文均已标明「推导」。许可与版本信息存在双口径，已在附录 J 逐条存照。若读者发现与原文不符之处，以论文原文为准。

本条目由千方病案医数集编辑部整理，不构成法律意见；商用前的许可确认请自行完成。

补充：对话行为标注中的常见判类边界

在 AnnoMI 的话语级标注里，最容易出现分歧的不是「这四个大类是什么」，而是大类之间的边界句。理解这些边界，比背类别定义更有用。

边界一：Reflection 与 Question 的交界。 语调上扬的复述句（「你觉得这样行不通？」）在书面转写里既可读作提问也可读作反映。MITI 的判定原则是「以功能为准」——若意在让来访者确认或展开，倾向 question；若意在把来访者的话还回去，倾向 reflection。AnnoMI 的标注者接受的是同一套训练，但书面转写丢失了语调，分歧不可避免。这解释了为什么 Reflection 的 All(Strict) 一致性只到 fair 级。

边界二：Input 与 Reflection 的交界。 「很多人戒酒头两周都睡不好」这句话若出现在来访者抱怨失眠之后，可以是信息（input），也可以是共情性反映（complex reflection）。判定取决于是否提供了来访者尚未说过的新信息。这是 AnnoMI 论文混淆矩阵里 Input 最常被误判为 Reflection 的直接原因。

边界三：Other 的兜底范围。 AnnoMI 的 Other 吸收了大量 MISC 行为（结构、促进、面质、肯定、强调自主）。这意味着 Other 是一个语义异质的类，模型学到的是「不像前三类的东西」。任何把 Other 当作单一语义类别解释的分析都会出错。

边界四：Neutral 与 Change 的交界。 「我不知道，也许吧」在低质量 MI 里常被判 Neutral，在高质量 MI 里可能被判 Change（微弱的意愿表达）。判类依赖上下文语境，而单句输入看不到语境——这是来访者侧基线卡在 0.55 的第二层原因（第一层是标注噪声）。

边界五：Sustain 与阻抗的区别。 MI 现代观点把「阻抗」看作双方互动产物而非来访者特质，因此 AnnoMI 不设阻抗标签，只有 sustain talk（对改变的反向语言）。把 sustain 直接当阻抗使用，会把「来访者诚实地表达顾虑」误判为「来访者不合作」。

补充：数据表字段的工程化读法

把 CSV 当普通表格读会丢掉两组结构信息。

第一组是嵌套关系：transcript_id 是对话，utterance_id 是该对话内的话语序号，两者组成话语主键。任何 groupby 操作都应以 transcript_id 为先分组键，否则会把不同对话的第 3 句混在一起。

第二组是角色条件字段：main_therapist_behaviour 只对 therapist 行有值，client_talk_type 只对 client 行有值，另一侧为 n/a。用 pandas 做统计时若不清洗 n/a，会得到一个巨大的「n/a 类」，污染所有比例计算。

推荐的工程化处理顺序是：读入 → 丢弃 n/a 行前先记录角色 → 按角色分表 → 各自聚合 → 再按 transcript_id 合并回对话级特征表。这个顺序可以避免绝大多数统计错误。

补充：对话级质量判别的特征构造

话语级标签最有价值的用法不是分类本身，而是聚合成对话级特征去判别 high/low。可用的特征分四组。

比例组：reflection 占比、input 占比、question 占比、other 占比（分母为治疗师话语数）。论文给出的参照是高质量 MI reflection 28% / input 11%，低质量 MI reflection 7% / input 33%。

比值组：complex/simple（CTRS 近似）、reflection/question（CR 近似）。两个比值都应在治疗师侧计算，且需处理分母为零的对话。

时序组：后三分之一 change 占比、sustain 的首次出现位置、早段 sustain 峰值。论文的五阶段曲线为这些特征提供依据。

转移组：sustain 后接 input 的比例、sustain 后接 reflection 的比例、change 后接 question 的比例。转移特征需要按话语序构造，且要处理对话边界（跨对话不算相邻）。

四组特征中，时序组与转移组对分辨 low 质量最有效，因为低质量 MI 的典型模式是「早段被 sustain 压住 + 用 input 硬顶」。仅用比例组容易把「话少但方向对」的会谈误判。

补充：多标注者数据的三种聚合策略

7 段 IAA 子集提供 10 份标注，可对比三种聚合：

策略	做法	优点	缺点
多数投票	取众数	简单、与论文一致	平票需仲裁；丢失分歧强度
软标签	保留类别分布	保留不确定性、可做蒸馏	训练目标需改（KL/交叉熵软化）
专家加权	按标注者历史一致性加权	可抑制系统性偏差	需额外估计权重，小样本易过拟合

在只有 7 段的情况下，专家加权的权重估计不可靠，建议只在方法学论文里试用，不作为默认实践。多数投票是复现论文基线的唯一正确选择。

补充：为什么 AnnoMI 没有成为「心理咨询的 ImageNet」

这个问题值得正面回答，因为检索者常误以为它被低估了。三个结构性原因：

其一，规模天花板来自来源。 公开的 MI 示范视频总量有限，且授权成本高（需逐个联系上传者）。346 个候选里只拿到 119 个授权，授权率约三分之一。要扩到万段级别，必须转向真实会谈或合成对话，前者受隐私限制，后者受真实性限制。

其二，标签体系与产品需求错位。 工业界更需要「会话质量总分」「风险等级」「下一步建议」这类结果性标签，而 AnnoMI 提供的是过程性细粒度标签。过程标签适合研究与培训，不适合直接做产品输出。

其三，示范片代表性问题无解。 只要数据来自教学示范，来访者的「表演性」就无法通过扩充标注消除。这使它在需要真实分布的场景（如自动筛查）中难以担纲。

这三个原因共同说明：AnnoMI 的定位是领域基础设施的起点，不是终点。它的引用价值会随替代语料出现而下降，但它定义的任务与标签口径会长期被沿用。

补充：与其他动机性访谈相关资源的区分

检索「motivational interviewing dataset」时会遇到几类易混资源，逐一说明。

第一类：MI 培训视频合集。 各种 MI 培训机构在网上发布的示范视频，有人工字幕但无话语级标注。这类资源可以作为扩充分子，但需要自行标注，且授权状况不明。

第二类：心理咨询通用语料。 如 Pérez-Rosas 等人的咨询语料，含视频转写，标注较粗（多为会话级质量或情绪标签）。AnnoMI 有 42 个视频与其重叠但重新转录，说明两者是「部分同源、标注不同」的关系，不是替代关系。

第三类：合成咨询对话。 用 LLM 生成的咨询对话，规模可无限扩，但真实性存疑。这类数据适合做数据增强与压力测试，不适合作为监督信号的主要来源。

第四类：真实会谈的编码数据。 存在于各家机构的私有库中，偶有脱敏后以受限许可发布。这类数据规模小、门槛高，但与 AnnoMI 互补——AnnoMI 提供细粒度标注范式，真实数据提供真实分布。

区分这四类的实用判据是：看标注的语义层级（话语级行为 / 会话级评分 / 无标注）与看来源的真实性（示范 / 合成 / 真实）。AnnoMI 的位置是「示范 + 话语级行为」，这个组合目前在公开资源中仍属唯一。

补充：复现基线时的五个常见偏差点

偏差一：按话语随机划分。 同一对话的话语同时进训练与测试，指标虚高。必须按 transcript_id 分组。

偏差二：包含 n/a 行。 把治疗师话语也放进 talk type 的任务里，n/a 成为最大类，Macro F1 被拉低或拉高（取决于是否计入）。

偏差三：未去重 IAA 子集。 7 段权重放大十倍，且引入矛盾标签。

偏差四：把 simple 与 full 混用。 话语重复，类别先验失真。

偏差五：用 accuracy 报告。 Neutral 占 64%–68%，全判 Neutral 的 accuracy 就很高，但 Macro F1 接近 0.33。论文用 Macro F1 是正确的选择。

五个偏差里，前四个是数据处理问题，第五个是评价指标问题。全部避开后，复现论文的 0.72 与约 0.55 是可行的。

补充：许可问题的三种处理立场

面对「论文说公有领域、仓库无 LICENSE」的双口径，团队可以选三种立场。

宽松立场：以论文声明为准，直接使用并在论文中引用。这是学术界的常见做法，风险较低，因为论文是作者本人的正式声明。

审慎立场：以论文声明为准使用，但在方法节写明「依据论文声明，仓库未附 LICENSE」，留存证据链。这是本文推荐的做法。

严格立场：在使用前向作者书面确认，取得邮件回复作为许可证据。商业使用或需要法务签字的场景应采用这一立场。

三种立场的分歧点不是「能不能用」，而是「出问题时能否证明自己有合理依据」。留存论文原文截图与仓库访问记录，成本极低，收益明确。

§12 延伸阅读路线（按角色划分）

12.1 给 NLP 研究者的路线

先读 §2.3 弄清两个 CSV 的结构差异，再读 §4 理解哪一维标签可信，然后跳到附录 E 的加载骨架把数据跑通，最后回到 §5 与附录 G 构造特征与基线。这条路线大约两小时，可以直接产出第一个可跑的实验。

12.2 给临床与心理研究者的路线

先读 §3 的标注工序与 §4.3 的专家自评，理解「示范片不等于真实会谈」，再看 §5.6 的五阶段曲线与 §5.7 的转移概率，这两处是与临床实践最接近的发现。附录 U 说明了如何把它用于培训反馈，附录 R 列出了与真实会谈的差距。

12.3 给产品与工程团队的路线

先读 §6 的获取与许可（尤其 §6.2 的双口径），再读附件 Y 的一页纸决策表，然后看附录 T 的复刻工序清单判断自建标注的成本。若目标是快速验证，附录 E 与 F 的代码可直接复制。

12.4 给数据集策展与情报人员的路线

先读 §9 的三组消歧，再读附录 J 的双口径登记表与附录 K 的坑点档案，最后看 §7 的生态与引用扩散。这条路线适合判断「库内是否已有同物条目」「是否需要合并」。

§13 质量自评与改进建议

13.1 这份数据最值得保留的三个设计

设计一：双版本并行发布。 simple 版服务基础任务，full 版服务细粒度研究，两版都在仓库里，旧论文的复现不会被破坏。这个做法在数据集演进中值得推广——大多数数据集的「v2 覆盖 v1」会让旧结果永久不可复现。

设计二：释放个体标注。 7 段 IAA 子集给出全部 10 人的每一行，而不是只给多数投票。这为标注噪声研究留了活口，是长期价值高于短期整洁的选择。

设计三：双论文结构。 ICASSP 短论文负责「首发占位」，Future Internet 长论文负责「完整方法 + 基线」。这个节奏让数据集在发布时就能被引用，同时给后续深化留了空间。

13.2 如果重做一次，最该改的三件事

其一：IAA 覆盖率。 7/133 的比例太低。哪怕把 IAA 子集扩到 20 段（约 15%），也能让全局噪声估计从「不可估」变成「可估」。成本是多花约两倍标注预算，收益是整份数据的可信度上一个台阶。

其二：话题均衡采样。 三主话题占话语总量 30%–60%，长尾话题样本极少，导致跨话题结论脆弱。若在检索阶段就按话题配额抽样，话题鲁棒性实验会更有说服力。

其三：完整性标注。 增加一个「本段是否为完整会谈」的布尔字段，可以省掉下游为了判断片段完整性而人工通读的工作（arXiv 2502.02802 就不得不人工筛除不完整会话）。这是一个几乎零成本、却显著提升可用性的字段。

13.3 使用者的自检清单

在把 AnnoMI 用于任何正式实验之前，建议逐条打勾：

• [ ] 已确认使用的是 simple 还是 full，未混用；
• [ ] 已按 (transcript_id, utterance_id, annotator_id) 去重 IAA 子集；
• [ ] 已按 transcript_id 分组划分训练/测试；
• [ ] 已清洗 n/a 行，角色分表统计；
• [ ] 已用 Macro F1 而非 accuracy 报告；
• [ ] 已复现论文基线（0.72 / 约 0.55）作为 sanity check；
• [ ] 已在方法节声明数据为示范片而非真实会谈；
• [ ] 已核对许可口径并留存证据。

这份清单覆盖了复现偏差的全部五条与合规的两条要点。逐条打勾的成本约半小时，可以避免绝大多数返工。

§14 与千方病案医数集收录标准的对应

千方病案医数集收录的条目需要回答四个问题：数据是否真实可获取、规模与许可是否明确、任务是否有公开基准、与库内已有条目是否可区分。AnnoMI 在这四项上的表现如下。

可获取性：最优。GitHub 直接下载，无需任何协议，这在库内心理健康类条目中独一无二。

规模与许可：规模明确（133 段 / 9,699 条话语），许可存在双口径（论文声明公有领域、仓库无 LICENSE），已在附录 J 存照。这一项的「明确」程度为中等。

公开基准：有。ICASSP 2022 与 Future Internet 2023 给出两个任务的基线（0.72 / 约 0.55 Macro F1），并有第三方工具论文（EACL 2024）的独立结果。

可区分性：清晰。与 daic-woz（抑郁筛查）、aci-bench（病历生成）、primock57（问诊多模态）在任务、模态、标签三层均可区分，消歧说明已写入 §9.2 与正文。

四项合计，AnnoMI 符合收录标准，属「基础语料类」条目，定位与 DAIC-WOZ 互补而非竞争。

§15 结语

如果把心理健康 NLP 的数据版图比作一张地图，AnnoMI 占据的是「治疗技术标注」这个角落——面积不大，但此前是空白。它用 133 段示范对话和 10 名治疗师的逐句标注，第一次把「治疗师说了什么」和「来访者往哪走」变成了可以被模型学习的东西。

它的局限同样清晰：示范片的表演性、7/133 的一致性覆盖、来访者标签的低 κ、以及一句论文声明撑起的许可。这些局限不是缺陷，而是这份数据「来源决定性质」的必然结果。理解来源，就能理解它能做什么、不能做什么。

对绝大多数使用者，正确的姿势是把它当作方法验证的试验台：任务定义清晰、标签语义精确、获取零门槛、有公开基线。用它在几天内跑通一个想法，再决定是否投入成本自建更大更真实的语料——这正是它设计之初想要扮演的角色。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• real-mednlp — 共享标签：医疗NLP / 临床文本 / 评测基准 / 多模态
• pathvqa — 共享标签：医疗NLP / 评测基准 / 多模态
• blue-benchmark — 共享标签：医疗NLP / 临床文本 / 评测基准
• rexerr — 共享标签：医疗NLP / 临床文本 / 评测基准
• cmedqa2 — 共享标签：医疗NLP / 临床文本 / 评测基准
• care-bench — 共享标签：医疗NLP / 临床文本 / 评测基准
• ahd-arabic-health — 共享标签：医疗NLP / 临床文本 / 评测基准
• medval-bench — 共享标签：医疗NLP / 临床文本 / 评测基准
• cmb-benchmark-cn — 共享标签：医疗NLP / 临床文本 / 评测基准
• clinicaltrials-gov — 共享标签：医疗NLP / 临床文本 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。