通过多智能体指令优化迈向心理健康的高效鲁棒语言情绪诊断
人工智能
2026-01-21 v1
摘要
抑郁、焦虑和创伤相关状态等情绪的语言表达在临床记录、心理咨询对话和在线心理健康社区中普遍存在，准确识别这些情绪对于临床分诊、风险评估和及时干预至关重要。尽管大型语言模型在情绪分析任务中展现出强大的泛化能力，但其在高风险、高上下文密集型医疗环境中的诊断可靠性仍对提示词设计高度敏感。此外，现有方法面临两个关键挑战：情绪共病，即多种交织的情绪状态使预测复杂化；以及对临床相关线索的探索效率低下。为了应对这些挑战，我们提出了 APOLO（用于语言情绪诊断的自动提示词优化），这是一个系统探索更广泛、更细粒度提示词空间以提高诊断效率和鲁棒性的框架。APOLO 将指令优化表述为部分可观测 Markov 决策过程，并采用包含 Planner、Teacher、Critic、Student 和 Target 角色的多智能体协作机制。在这个闭环框架中，Planner 定义优化轨迹，Teacher-Critic-Student 智能体迭代优化提示词以增强推理的稳定性和有效性，而 Target 智能体根据性能评估决定是否继续优化。实验结果表明，APOLO 在特定领域和分层基准测试中持续提升了诊断准确性和鲁棒性，展示了在心理健康领域可信赖 LLM 应用的可扩展和可推广范式。
引用
@article{arxiv.2601.13481,
title = {Towards Efficient and Robust Linguistic Emotion Diagnosis for Mental Health via Multi-Agent Instruction Refinement},
author = {Jian Zhang and Zhangqi Wang and Zhiyuan Wang and Weiping Fu and Yu He and Haiping Zhu and Qika Lin and Jun Liu},
journal= {arXiv preprint arXiv:2601.13481},
year = {2026}
}