面向远程认知康复的自动化临床报告生成：在低资源设定下比较知识工程模板与LLM
计算与语言
2026-05-08 v1
摘要
对认知康复疗法日益增长的需求，加上言语治疗师有限的可获得性，加速了远程康复工具的采用。这些系统产生大量交互数据，临床医生难以高效审查。本文研究了在无参考报告的低资源设定下，面向虚拟形象引导的、基于家庭的认知康复会话的自动化临床报告生成。我们提出并比较了两种方法：（1）基于规则的模板系统，将言语治疗领域知识编码为显式决策规则和经过验证的模板，确保临床可靠性和可追溯性；（2）零样本基于LLM的方法（GPT-4），旨在产生更流畅、更简洁的输出。两个系统使用相同的预提取、经专家验证的结构化变量，从而实现受控的事实比较。输出由八位言语治疗师和毕业班学生使用包含九项标准的问卷进行评估。结果揭示了临床可靠性与语言质量之间的明显权衡。基于模板的系统在流畅性、连贯性和结果呈现方面得分更高，而GPT-4产生了更简洁的输出。方向性差异在各个评估维度上是一致的，尽管在校正后没有任何比较达到统计学显著性，这反映了专家临床评估的规模限制。基于评估者的反馈，我们为远程康复环境中的临床报告系统推导出了八条设计建议。更广泛地说，这项工作贡献了一种可复制的方法论，结合了专家引出、分类法驱动生成和多维度人工评估，用于低资源环境下的临床NLG，并说明了受控比较如何为医疗保健中负责任地采用生成式AI提供信息。
引用
@article{arxiv.2605.06594,
title = {Automated Clinical Report Generation for Remote Cognitive Remediation: Comparing Knowledge-Engineered Templates and LLMs in Low-Resource Settings},
author = {Yongxin Zhou and Fabien Ringeval and François Portet},
journal= {arXiv preprint arXiv:2605.06594},
year = {2026}
}