arXiv cs.AI· Yishu Ji, Zhihan Jiang, Will Ke Wang, Yuang Fan, Anind K. Dey, Xuhai "Orson" Xu·· 4 小时前AI 评分31
OAK-Mind:基于知识增强多智能体 LLM 的零训练心理健康变化推断
OAK-Mind: Zero-Training Mental Health Change Inference from Passive Sensing via Knowledge-Grounded Multi-Agent LLMs
AI 导读
OAK-Mind 是一个零训练、多智能体、知识增强的 LLM 流水线,可从被动传感数据推断心理健康变化。它将睡眠、身体活动、位置移动和手机使用等传感数据组织为行为维度,由基于心理健康文献的专用智能体解读纵向行为变化,并结合问卷症状评分推断相对个体基线的变化。在无需任务特定训练的情况下,其表现与使用额外标注样本训练的最优监督基线相当或更优,并在四个测试的 LLM 骨干上较直接提示有一致提升。
正文 · AI 翻译
摘要:可穿戴设备和智能手机传感器能够捕捉与心理健康相关的行为信号,然而从这些信号推断心理健康结果传统上依赖于需要标注数据的监督模型,且对其预测的解释能力有限。大语言模型(LLM)为基于行为证据进行推理提供了新机遇,但现有的基于 LLM 的被动感知方法在很大程度上仍依赖于任务特定的微调或传感器特定的预训练。本文提出 \textbf{OAK-Mind},一种零训练、多智能体、知识驱动的 LLM 流水线,用于从被动感知数据推断心理健康变化。该流水线将感知数据组织为睡眠、身体活动、位置移动性和智能手机使用等行为维度,并编排基于心理健康文献的专业智能体来解释纵向行为变化。它综合各智能体的评估,并应用基于问卷的症状评分,以推断相对于个体基线评估的变化,并给出基于观察到的行为模式和领域知识的可读性理由。在多个数据集和预测任务上,尽管没有进行任务特定训练,OAK-Mind 仍取得了与在额外标注样本上训练的最具预测能力的监督基线相当或更好的性能。在四个测试的 LLM 骨干模型上,它也展示出相对于直接提示的一致改进。消融分析支持了将行为解释与症状评分相结合、将分析分配到领域特定智能体以及融入领域知识的益处。我们的发现凸显了知识驱动、多智能体 LLM 在从被动感知数据无训练推断心理健康变化方面的潜力。
| 评论: | ACM IMWUT 审稿中。30 页,4 幅图,6 张表 |
| 主题: | 多智能体系统(cs.MA);人工智能(cs.AI);人机交互(cs.HC);机器学习(cs.LG) |
| 引用为: | arXiv:2611.22248 [cs.MA] |
| (或 arXiv:2611.22248v1 [cs.MA] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22248 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Yishu Ji [查看邮箱]
[v1]
2026年11月17日星期二 05:52:52 UTC(2,591 KB)
来源:arXiv cs.AI · arxiv.org