MADP: Multi-Agent Deductive Planning for Enhanced Cognitive-Behavioral Mental Health Question Answer
作者: Qi Chen, Dexi Liu
分类: cs.CL
发布日期: 2025-01-27
💡 一句话要点
提出MADP框架，利用多智能体演绎规划增强心理健康问答效果
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心理健康问答 认知行为疗法 多智能体系统 演绎规划 大型语言模型
📋 核心要点
- 现有心理健康问答方法忽略了认知行为疗法(CBT)各要素间的交互，导致对求助者痛苦理解不足。
- 论文提出多智能体演绎规划(MADP)框架，模拟CBT要素间的互动，引导LLM更深入理解求助者背景。
- 构建MADP数据集并微调LLM得到MADP-LLM，实验验证了MADP框架和MADP-LLM的有效性。
📝 摘要（中文）
心理健康问答(MHQA)任务要求求助者和支持者在一次对话中完成支持过程。鉴于求助者帖子的丰富性，支持者必须彻底理解内容，并提供逻辑清晰、全面且结构良好的回复。以往的MHQA工作主要集中于基于认知行为疗法(CBT)认知要素的单智能体方法，但忽略了CBT各要素(如情感和认知)之间的相互作用。这种局限性阻碍了模型彻底理解求助者痛苦的能力。为了解决这个问题，我们提出了一个名为多智能体演绎规划(MADP)的框架，该框架基于CBT的各种心理要素之间的相互作用。该方法引导大型语言模型(LLM)更深入地理解求助者的背景，并根据个人情况提供更个性化的帮助。此外，我们构建了一个基于MADP框架的新数据集，并使用它来微调LLM，从而产生一个名为MADP-LLM的专用模型。我们进行了广泛的实验，包括与多个LLM的比较、人工评估和自动评估，以验证MADP框架和MADP-LLM的有效性。
🔬 方法详解
问题定义：心理健康问答(MHQA)任务旨在让支持者理解求助者的帖子内容，并提供逻辑清晰、全面且结构良好的回复。现有方法主要基于认知行为疗法(CBT)的认知要素，但忽略了CBT中情感、认知等要素之间的相互作用，导致模型难以充分理解求助者的困境，回复缺乏个性化和深度。
核心思路：论文的核心思路是引入多智能体演绎规划(MADP)框架，模拟CBT中不同心理要素之间的交互。通过让多个智能体分别代表不同的CBT要素，并进行协同推理和规划，从而更全面地理解求助者的状态，并生成更具针对性的回复。这种方法旨在弥补单智能体方法在理解复杂心理状态方面的不足。
技术框架：MADP框架包含以下主要模块：1) 问题理解模块：分析求助者的帖子，提取关键信息和情感。2) CBT要素建模模块：为每个CBT要素(如认知、情感、行为)构建独立的智能体。3) 演绎规划模块：各智能体基于自身代表的CBT要素，对求助者的问题进行演绎推理和规划，生成可能的解决方案。4) 回复生成模块：整合各智能体的推理结果，生成最终的回复。整个流程旨在模拟心理咨询师进行诊断和提供建议的过程。
关键创新：MADP框架的关键创新在于引入了多智能体系统来模拟CBT要素之间的交互。与以往的单智能体方法相比，MADP能够更全面地考虑求助者的心理状态，并生成更个性化和有针对性的回复。此外，论文还构建了一个新的数据集，用于训练和评估MADP框架。
关键设计：MADP框架中的每个智能体可以使用不同的LLM进行建模。演绎规划模块可以使用诸如蒙特卡洛树搜索(MCTS)等算法来探索不同的解决方案。回复生成模块可以使用序列到序列模型或基于模板的方法。具体参数设置和网络结构的选择取决于具体的应用场景和数据集。
🖼️ 关键图片
📊 实验亮点
实验结果表明，MADP框架和MADP-LLM在心理健康问答任务上取得了显著的性能提升。与多个基线LLM相比，MADP-LLM在自动评估指标和人工评估中均表现更优。具体而言，MADP-LLM在回复的相关性、逻辑性和个性化方面均有明显提升。这些结果验证了MADP框架的有效性，并表明其能够更好地理解求助者的需求并提供更有效的支持。
🎯 应用场景
该研究成果可应用于在线心理咨询平台、智能心理健康助手等领域，为用户提供更个性化、更有效的心理支持服务。通过模拟专业心理咨询师的思维过程，MADP框架有望提高心理健康服务的可及性和质量，尤其是在资源匮乏的地区或人群中具有重要意义。未来，该技术还可扩展到其他需要复杂推理和决策的领域。
📄 摘要（原文）
The Mental Health Question Answer (MHQA) task requires the seeker and supporter to complete the support process in one-turn dialogue. Given the richness of help-seeker posts, supporters must thoroughly understand the content and provide logical, comprehensive, and well-structured responses. Previous works in MHQA mostly focus on single-agent approaches based on the cognitive element of Cognitive Behavioral Therapy (CBT), but they overlook the interactions among various CBT elements, such as emotion and cognition. This limitation hinders the models' ability to thoroughly understand the distress of help-seekers. To address this, we propose a framework named Multi-Agent Deductive Planning (MADP), which is based on the interactions between the various psychological elements of CBT. This method guides Large Language Models (LLMs) to achieve a deeper understanding of the seeker's context and provide more personalized assistance based on individual circumstances. Furthermore, we construct a new dataset based on the MADP framework and use it to fine-tune LLMs, resulting in a specialized model named MADP-LLM. We conduct extensive experiments, including comparisons with multiple LLMs, human evaluations, and automatic evaluations, to validate the effectiveness of the MADP framework and MADP-LLM.