RECAP：面向医疗对话系统的透明推理时情感对齐框架
计算与语言
2026-05-05 v3
摘要
医疗领域的大语言模型常产生情感平淡或不透明的回应，无法提供临床信任所需的透明推理。我们提出 RECAP（Reflect-Extract-Calibrate-Align-Produce），这是一个基于认知评估理论的推理时框架，无需重新训练即可将患者输入分解为可审计的评估理论阶段。在多个基准测试和从 8B 到 120B 参数的模型上，RECAP 改善了与人类判断的一致性，且增益与模型规模成反比。中间输出进一步揭示，模型系统性地低估了社会支持等关系因素。在盲法评估中，肿瘤学研究员对 RECAP 回应的评分显著高于基线，胜率达 76-88%，表明有原则的提示工程可以增强医疗人工智能的情商，同时保持临床部署所需的透明度。
引用
@article{arxiv.2509.10746,
title = {RECAP: Transparent Inference-Time Emotion Alignment for Medical Dialogue Systems},
author = {Adarsh Srinivasan and Jacob Dineen and Muhammad Umar Afzal and Muhammad Uzair Sarfraz and Irbaz B. Riaz and Ben Zhou},
journal= {arXiv preprint arXiv:2509.10746},
year = {2026}
}
备注
LREC 2026: ClinicalNLP Workshop (Oral)