面向长上下文心理健康评估的分层多专家框架
计算与语言
2025-09-22 v3 人工智能
摘要
长篇式心理健康评估为大型语言模型 (LLM) 带来了独特挑战，这些模型在处理扩展且领域特定的上下文时常出现幻觉或不一致的推理。我们引入 Stacked Multi-Model Reasoning (SMMR)，这是一种分层框架，利用多个大型语言模型和专门的较小模型作为平等的“专家”。早期层级隔离短小且离散的子任务，而后期层级通过更高级的长上下文模型整合和细化这些部分输出。我们在 DAIC-WOZ 抑郁筛查数据集和48个精心挑选的精神科诊断案例研究中对 SMMR 进行评估，结果显示相较于单一模型基准在准确率、F1 分数和 PHQ-8 错误减少方面实现了持续改进。通过利用多方“第二意见”，SMMR 缓解了幻觉，捕捉到了细微的临床细微差别，并增强了在高风险心理健康评估中的可靠性。我们的发现凸显了多专家框架在更可信的 AI 驱动筛查中所价值的作用。
引用
@article{arxiv.2501.13951,
title = {A Layered Multi-Expert Framework for Long-Context Mental Health Assessments},
author = {Jinwen Tang and Qiming Guo and Wenbo Sun and Yi Shang},
journal= {arXiv preprint arXiv:2501.13951},
year = {2025}
}