BioLLMAgent：用于计算精神医学中模拟人类决策的混合框架及其结构可解释性增强
人工智能
2026-03-06 v1
摘要
计算精神医学面临一个根本性权衡：传统强化学习（RL）模型提供可解释性但缺乏行为逼真度，而大型语言模型（LLM）代理生成逼真的行为但缺乏结构可解释性。我们引入 BioLLMAgent，一种新型混合框架，将经验证的认知模型与 LLM 的生成能力相结合。该框架包含三个核心组件：(i) 用于经验驱动价值学习的内部 RL 引擎；(ii) 用于高级认知策略和治疗干预的外部 LLM 壳；(iii) 用于通过加权效用整合组件的决策融合机制。针对六组临床和健康数据集的 Iowa Gambling Task（IGT）进行全面实验，表明 BioLLMAgent 正确再现了人类行为模式，同时保持优异的参数可辨识度（相关性 >0.67）。此外，该框架成功模拟了认知行为疗法（CBT）原则，并通过多智能体动态揭示了社区范围的教育干预可能优于个体治疗。经过在奖励-惩罚学习和时间贴现任务上的验证，BioLLMAgent 提供了一个结构可解释的“计算沙盘”，用于测试精神医学研究中的机制性假设和干预策略。
引用
@article{arxiv.2603.05016,
title = {BioLLMAgent: A Hybrid Framework with Enhanced Structural Interpretability for Simulating Human Decision-Making in Computational Psychiatry},
author = {Zuo Fei and Kezhi Wang and Xiaomin Chen and Yizhou Huang},
journal= {arXiv preprint arXiv:2603.05016},
year = {2026}
}