跳到正文
原文
arXiv · Human-Computer Interaction· Yishu Ji, Zhihan Jiang, Will Ke Wang 等 6 人
· 3 天前

OAK-Mind:通过知识驱动的多智能体LLM从被动感知中零训练推断心理健康变化

OAK-Mind: Zero-Training Mental Health Change Inference from Passive Sensing via Knowledge-Grounded Multi-Agent LLMs

预印本 · 尚未经过同行评审

AI 导读

OAK-Mind无需任务训练,用多智能体LLM从被动感知数据推断心理健康变化,性能媲美有监督基线。

摘要 · AI 翻译

可穿戴设备与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,并编排以心理健康文献为基础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,尽管没有任务特定的训练,OAK-Mind 仍达到与在额外标注样本上训练的最具预测力的监督基线相当或更好的性能。它还在四个测试的 LLM 骨干模型上展示出相对于直接提示的一致改进。消融分析支持将行为解释与症状评分相结合、将分析分布到领域特定智能体以及纳入领域知识的益处。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。

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Human-Computer Interaction · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。