Auto-TA：基于多智能体大语言模型强化学习的可扩展自动主题分析
计算与语言
2025-08-12 v2
摘要
先天性心脏病（CHD）带来复杂且终身的挑战，往往在传统临床指标中被低估。尽管非结构化叙述提供了关于患者与护理者经历的丰富见解，但手动主题分析（TA）仍然代价沉重且难以规模化。我们提出了一个完全自动化的大语言模型（LLM）管道，实现对临床叙述的端到端主题分析，无需手动编码或完整审阅 transcripts。该系统采用新颖的多智能体框架，专职 LLM 智能体扮演不同角色，以提升主题质量并确保与人类分析的一致性。为进一步提升主题相关性，我们可选集成基于人类反馈的强化学习（RLHF）。这支持对大规模质性数据集进行以患者为中心的可扩展分析，并允许 LLMs 被微调以适应特定临床情境。
引用
@article{arxiv.2506.23998,
title = {Auto-TA: Towards Scalable Automated Thematic Analysis (TA) via Multi-Agent Large Language Models with Reinforcement Learning},
author = {Seungjun Yi and Joakim Nguyen and Huimin Xu and Terence Lim and Andrew Well and Mia Markey and Ying Ding},
journal= {arXiv preprint arXiv:2506.23998},
year = {2025}
}
备注
Presented at ACL 2025 SRW