一个分层的多专家框架用于长期上下文心理健康评估

于红博

摘要: 长篇心理健康评估对于大型语言模型(LLMs)提出了独特的挑战，这些模型在处理扩展的、领域特定的上下文时经常出现幻觉或不一致的推理。我们引入了堆叠多模型推理(SMMR)，这是一个分层框架，利用多个LLMs和专门的较小模型作为同等的“专家”。早期层隔离了短、离散的子任务，而后续层通过更先进的长上下文模型集成和完善这些部分输出。我们在DAIC-WOZ抑郁筛查数据集和48个经过筛选的带有精神病诊断的病例研究中评估了SMMR，结果显示在准确性、F1分数和PHQ-8误差减少方面，SMMR相对于单一模型基线表现出了一致的改进。通过利用多样的“第二意见”，SMMR减轻了幻觉，捕捉了微妙的临床细微差别，并增强了高风险心理健康评估的可靠性。我们的研究结果强调了多专家框架对于更可信的AI驱动筛查的价值。

更新时间: 2025-09-19 17:50:58

领域: cs.CL,cs.AI

下载: http://arxiv.org/abs/2501.13951v3