研究在模拟环境中训练语言模型完成精神科接诊

计算机科学 > 人工智能

arXiv:2610.40476 (cs)

作者：Samuel Schmidgall、Tim Strother、Alex Bijamov、Min Woo Sun、Anil Palepu、Akshay Goel、Ulysse Marteau-Ferey、Théo Moutakanni、Yubin Kim、Joseph Breda、Christina Chen、Justin Chen、Paul Jhun、Andrew Marshall、Sarah Montgomery-Taylor、Eun Kyoung Hong、Shashank Ravi、Kameron C. Black、David J. H. Wu、Austin Schoeffler、John Lyon Havlik、Elizabeth C. Stade、Jared Moore、Johannes C. Eichstaedt、Logan Pierce、Jeff Jopling、Johannes Thrul、Thomas H. McCoy、Neguine Rezaii、Mark S. Chen、Ellen E. Fitzsimmons-Craft、Shirley Wang、Desmond C. Ong、Katharina Schultebraucks、Torrey Creed、Bhavna Daryani、Aleksandra Faust、S. Sara Mahdavi、Caroline Figueroa、Eric Lin、Kate H. Bentley、Ernest Lim、Zhihan Jiang、Xuhai "Orson" Xu、Daniel McDuff、John Torous、Yun Liu、Po-Hsuan Cameron Chen、Mike Schaekermann、Joelle Barral、Alvin Rajkomar、Tao Tu、Lin Yang、Isaac Galatzer-Levy、David Racz、Valentin Liévin

查看 PDF HTML（实验性）

摘要：在精神科实践中，临床接诊访谈仍是主要的诊断工具，要求临床医生在建立融洽关系的同时，厘清复杂且相互重叠的临床表现。在此，我们表明，模拟环境中的多轮强化学习（RL）可提升语言模型在结构化文本精神科接诊中的表现，涵盖病史采集、鉴别诊断和初始管理计划。在一项随机、双盲交叉研究中（$N = 60$ 对匹配场景，120 次接诊），将经 RL 训练的智能体与其提示完全相同的基座模型进行比较，32 名获得委员会认证的精神科医生扮演标准化患者，另由 15 名独立、获得委员会认证的精神科医生组成的小组对去标识化转录文本进行评分。训练后的智能体在 76.7% 的匹配场景对中优于基座模型（$p < 0.0001$），在改编的临床检查评分表（$d_z = 0.77$，$p < 0.0001$）、以患者为中心的沟通（82.0% 对 65.2%，$p < 0.001$）和鉴别诊断适当性（68.3% 对 33.3%，$p < 0.001$）方面均有提升。在 127 个经精神科医生验证的模拟接诊场景中，训练后的智能体临床评分表得分几乎翻倍（0.706 对 0.379；综合奖励 0.564 对 0.294，$p < 0.0001$）。为系统探查对话安全性，我们建立了两个德尔菲共识分类体系，分别涵盖临床安全风险和关系能力，并据此衍生出 256 个具有挑战性的对抗性表现；我们发现，在模拟环境中训练使急性安全风险的分诊不足减少了一半以上（12.9% 对 30.5%，$p < 0.0001$）。因此，模拟环境为训练和压力测试精神科对话智能体提供了受控试验平台，其收益可迁移至由精神科医生扮演的接诊场景，但残余差距仍需保障措施和临床医生监督。

评论：	76 页，8 幅图，15 张表（正文 27 页，主图 7 幅，主表 2 张）
主题：	人工智能（cs.AI）；计算与语言（cs.CL）
ACM 分类：	I.2.7；J.3
引用为：	arXiv:2610.40476 [cs.AI]
	（或 arXiv:2610.40476v1 [cs.AI] 为本版本）
	https://doi.org/10.48550/arXiv.2610.40476 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Valentin Liévin [查看邮箱]
[v1] 2026 年 10 月 29 日星期四 17:10:32 UTC（6,075 KB）

当前浏览上下文：

cs.AI

切换浏览至：

书签

文献与引用工具

与本文相关的代码、数据和媒体

演示

arXivLabs：与社区合作者开展的实验性项目

arXivLabs 是一个框架，允许合作者直接在我们的网站上开发和分享新的 arXiv 功能。

与 arXivLabs 合作的个人和组织都认同并接受了我们的价值观：开放、社区、卓越和用户数据隐私。arXiv 致力于这些价值观，并且只与遵守这些价值观的合作伙伴合作。

有想法开展一个能为 arXiv 社区增加价值的项目？了解更多关于 arXivLabs 的信息。