AutoCBT: uma estrutura multiagente adaptativa para terapia cognitivo-comportamental automatizada aprimorada
Inteligência artificial

AutoCBT: uma estrutura multiagente adaptativa para terapia cognitivo-comportamental automatizada aprimorada


O aconselhamento tradicional, que muitas vezes é feito pessoalmente, é muitas vezes limitado a pessoas que procuram ajuda com problemas psicológicos. Em contraste, o aconselhamento espontâneo online oferece uma opção viável para aqueles que estão relutantes em prosseguir o tratamento devido ao estigma ou à vergonha. A Terapia Cognitivo-Comportamental (TCC), um método de aconselhamento amplamente utilizado, visa ajudar as pessoas a identificar e corrigir distorções cognitivas que contribuem para emoções e comportamentos negativos. O surgimento dos LLMs abriu novas possibilidades para automatizar o diagnóstico e tratamento da TCC. No entanto, os actuais programas de TCC baseados em LLM enfrentam desafios como quadros estruturais fixos, que limitam a adaptação e personalização, e padrões de resposta repetitivos que fornecem sugestões genéricas e inúteis.

Avanços recentes em IA introduziram estruturas como CBT-LLM, que usa aprendizado rápido, e CoCoA, que combina métodos de memória para criar recuperação incremental. Esses programas visam identificar e abordar distorções cognitivas nas declarações dos usuários, ao mesmo tempo que melhoram a profundidade e a validade da interação terapêutica. Apesar dos seus pontos fortes, os métodos existentes muitas vezes carecem de personalização, flexibilidade para as necessidades do usuário e pouca compreensão dos processos de tratamento adaptativos. Para colmatar estas lacunas, a investigação em curso utiliza conjuntos de dados anotados, ontologias e LLMs avançados para desenvolver sistemas de TCC sensíveis ao contexto que imitam os processos cognitivos humanos.

Pesquisadores do Laboratório Chave de Shenzhen para Mineração de Dados de Alto Desempenho, Institutos de Tecnologia Avançada de Shenzhen, Academia Chinesa de Ciências e várias outras instituições desenvolveram o AutoCBT, uma estrutura multiagente independente projetada para TCC em aconselhamento individual. Usando modelos como Quora e YiXinLi, o AutoCBT combina roteamento dinâmico e métodos de memória para melhorar a qualidade de resposta e adaptabilidade. A estrutura aborda o pensamento sistemático e o planejamento para produzir resultados de alta qualidade e conscientes do contexto. Testado em um conjunto de dados bilíngue, ele supera os sistemas convencionais baseados em LLM, abordando desafios como rotas dinâmicas, caminhos de roteamento e o problema de superproteção do Llama.

AutoCBT é uma estrutura flexível projetada para sistemas multiagentes em CBT, incluindo Agente Conselheiro (interface), Agentes Supervisores, topologia de comunicação e estratégias de roteamento. O Agent Advisor, desenvolvido por LLMs, interage com os usuários e busca informações dos executivos para gerar respostas confiáveis ​​e de alta qualidade. Os agentes incluem mecanismos de memória de curto e longo prazo, e técnicas de roteamento, como unicast e broadcast, permitem comunicação dinâmica. O AutoCBT combina os princípios da TCC – empatia, identificação de crenças, reflexão, estratégia e incentivo – mapeados para Agentes Supervisores específicos. Seu desempenho foi validado usando um conjunto de dados bilíngue incluindo PsyQA e TherapistQA, segmentado e complementado com exemplos de distorções cognitivas.

No aconselhamento online, LLMs como Qwen-2.5-72B e Llama-3.1-70B foram testados para lidar com nuances emocionais e seguir instruções. AutoCBT, uma estrutura de dois estágios, Geração e PromptCBT funciona bem combinando roteamento flexível e métodos de orientação, alcançando pontuações altas em empatia, gerenciando distorções cognitivas e respostas correspondentes. A abordagem iterativa do AutoCBT desenvolveu seus próprios rascunhos de respostas, validados por automação e avaliação humana. Os desafios incluíam conflitos de rota, confusão de funções e ciclos de feedback desnecessários, que foram reduzidos por meio de refinamentos no design. A vigilância excessiva de Llama levou à rejeição constante de temas delicados, em contraste com Qwen, que respondeu em profundidade, destacando a importância da moderação na sensibilidade do modelo.

Concluindo, o AutoCBT é uma nova estrutura multiagente para aconselhamento baseado em TCC. Ao combinar métodos flexíveis de encaminhamento e orientação, o AutoCBT aborda as limitações do aconselhamento tradicional baseado em LLM, melhorando significativamente a qualidade da resposta e a eficácia na identificação e tratamento de distorções cognitivas. O AutoCBT alcança qualidade de entrevista superior por meio de seu design flexível e independente em comparação com sistemas estáticos e rápidos. Os desafios na compreensão semântica do LLM e na conformidade instrucional foram identificados e mitigados com soluções direcionadas. Utilizando conjuntos de dados e modelos bilingues, o quadro demonstra o seu potencial para fornecer serviços de aconselhamento automatizados e de alta qualidade. Constitui uma alternativa perigosa para pessoas que hesitam em seguir a medicina tradicional devido ao estigma.


Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 65k + ML.

🚨 [Recommended Read] Nebius AI Studio se estende com modelos de visão, novos modelos de linguagem, embeddings e LoRA (Promovido)


Sana Hassan, estagiária de consultoria na Marktechpost e estudante de pós-graduação dupla no IIT Madras, é apaixonada pelo uso de tecnologia e IA para enfrentar desafios do mundo real. Com um profundo interesse em resolver problemas do mundo real, ele traz uma nova perspectiva para a interseção entre IA e soluções da vida real.

📄 Conheça 'Height': ferramenta independente de gerenciamento de projetos (patrocinado)



Source link

Você também pode gostar...

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *