Verso una Diagnosi Emotiva Linguistica Efficiente e Robusta per la Salute Mentale tramite Affinamento Multi-Agente delle Istruzioni

Towards Efficient and Robust Linguistic Emotion Diagnosis for Mental Health via Multi-Agent Instruction Refinement

January 20, 2026

Autori: Jian Zhang, Zhangqi Wang, Zhiyuan Wang, Weiping Fu, Yu He, Haiping Zhu, Qika Lin, Jun Liu

cs.AI

Abstract

Le espressioni linguistiche di emozioni come depressione, ansia e stati correlati a traumi sono pervasive nelle note cliniche, nei dialoghi di counseling e nelle comunità online di salute mentale. Il riconoscimento accurato di queste emozioni è essenziale per il triage clinico, la valutazione del rischio e l'intervento tempestivo. Sebbene i grandi modelli linguistici (LLM) abbiano dimostrato una forte capacità di generalizzazione nei compiti di analisi emotiva, la loro affidabilità diagnostica in contesti medici ad alto rischio e ad alta intensità contestuale rimane altamente sensibile alla progettazione dei prompt. Inoltre, i metodi esistenti affrontano due sfide chiave: la comorbidità emotiva, in cui molteplici stati emotivi intrecciati complicano la previsione, e l'esplorazione inefficiente degli indizi clinicamente rilevanti. Per affrontare queste sfide, proponiamo APOLO (Automated Prompt Optimization for Linguistic Emotion Diagnosis), un framework che esplora sistematicamente uno spazio di prompt più ampio e a granularità fine per migliorare l'efficienza e la robustezza diagnostica. APOLO formula l'ottimizzazione delle istruzioni come un Processo Decisionale di Markov Parzialmente Osservabile e adotta un meccanismo di collaborazione multi-agente che coinvolge i ruoli di Pianificatore, Insegnante, Critico, Studente e Target. All'interno di questo framework a ciclo chiuso, il Pianificatore definisce una traiettoria di ottimizzazione, mentre gli agenti Insegnante-Critico-Studente perfezionano iterativamente i prompt per migliorare la stabilità e l'efficacia del ragionamento; l'agente Target determina se continuare l'ottimizzazione in base alla valutazione delle prestazioni. I risultati sperimentali mostrano che APOLO migliora costantemente l'accuratezza e la robustezza diagnostica attraverso benchmark specifici di dominio e stratificati, dimostrando un paradigma scalabile e generalizzabile per applicazioni affidabili degli LLM nell'assistenza alla salute mentale.

English

Linguistic expressions of emotions such as depression, anxiety, and trauma-related states are pervasive in clinical notes, counseling dialogues, and online mental health communities, and accurate recognition of these emotions is essential for clinical triage, risk assessment, and timely intervention. Although large language models (LLMs) have demonstrated strong generalization ability in emotion analysis tasks, their diagnostic reliability in high-stakes, context-intensive medical settings remains highly sensitive to prompt design. Moreover, existing methods face two key challenges: emotional comorbidity, in which multiple intertwined emotional states complicate prediction, and inefficient exploration of clinically relevant cues. To address these challenges, we propose APOLO (Automated Prompt Optimization for Linguistic Emotion Diagnosis), a framework that systematically explores a broader and finer-grained prompt space to improve diagnostic efficiency and robustness. APOLO formulates instruction refinement as a Partially Observable Markov Decision Process and adopts a multi-agent collaboration mechanism involving Planner, Teacher, Critic, Student, and Target roles. Within this closed-loop framework, the Planner defines an optimization trajectory, while the Teacher-Critic-Student agents iteratively refine prompts to enhance reasoning stability and effectiveness, and the Target agent determines whether to continue optimization based on performance evaluation. Experimental results show that APOLO consistently improves diagnostic accuracy and robustness across domain-specific and stratified benchmarks, demonstrating a scalable and generalizable paradigm for trustworthy LLM applications in mental healthcare.