ReMe：通过可控 LLM 中导向式对话构建个性化认知训练
人工智能
2026-03-30 v2
摘要
全球老龄化迫切需要可扩展且富有吸引力的认知干预方案。计算机化认知训练 (CCT) 作为一种有前景的非药物方法，虽已广泛应用，但许多无监督项目依赖僵化的手工谜题，难以个性化，且可能阻碍依从性。大型语言模型 (LLM) 提供了更自然的交互方式，但其开放式生成方式 complicate了认知训练所需的受控任务结构。我们提出 ReMe，一个基于可控 LLM 中导向式对话的 web 框架，用于构建认知训练，既解决了传统 CCT 内容的僵硬问题，又满足对对话可控性的需求。ReMe 特色包括一个模块化的 Puzzle Engine，通过表示为可重用的谜题组的结构化模板和约束规则，实现快速开发基于对话的单词游戏和以用户情境为基础的个性化任务。通过整合个人生活日志，ReMe 支持 Life Recall 活动，用于通过引导检索和渐进性提示进行情景记忆训练。社区试点项目涉及 32 名 50 岁以上的成年人，提供了初始的可行性信号。
引用
@article{arxiv.2410.19733,
title = {ReMe: Scaffolding Personalized Cognitive Training via Controllable LLM-Mediated Conversations},
author = {Zilong Wang and Nan Chen and Luna K. Qiu and Ling Yue and Geli Guo and Yang Ou and Shiqi Jiang and Yuqing Yang and Lili Qiu},
journal= {arXiv preprint arXiv:2410.19733},
year = {2026}
}