精神保健のための効率的かつ頑健な言語的感情診断に向けたマルチエージェント指示精緻化アプローチ

要旨

抑うつ、不安、トラウマ関連状態などの感情的表現は、臨床記録、カウンセリング対話、オンライン精神保健コミュニティに遍在しており、これらの感情の正確な認識は臨床トリアージ、リスク評価、適時的な介入に不可欠である。大規模言語モデル（LLM）は感情分析タスクにおいて強力な汎化能力を示しているものの、高リスクで文脈集約的な医療現場におけるその診断信頼性は、プロンプト設計に極めて敏感である。さらに既存手法は二つの重大な課題に直面している：複数の感情状態が絡み合って予測を複雑にする「感情的重複障害」と、臨床的に関連する手がかりの非効率な探索である。これらの課題に対処するため、我々はAPOLO（言語的感情診断のための自動プロンプト最適化フレームワーク）を提案する。これは診断効率と頑健性を向上させるため、より広範で細粒度なプロンプト空間を体系的に探索する枠組みである。APOLOは指示文改良を部分観測マルコフ決定過程として定式化し、Planner、Teacher、Critic、Student、Targetの役割からなるマルチエージェント協調機構を採用する。この閉ループ枠組み内で、Plannerは最適化軌道を定義し、Teacher-Critic-Studentエージェント群は推論の安定性と有効性を高めるためプロンプトを反復改良し、Targetエージェントは性能評価に基づき最適化継続の可否を判断する。実験結果では、APOLOが領域特化型および層別化ベンチマークにおいて診断精度と頑健性を一貫して向上させ、精神医療分野における信頼性の高いLLM応用のための拡張可能で汎化性のあるパラダイムを実証した。

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.

精神保健のための効率的かつ頑健な言語的感情診断に向けたマルチエージェント指示精緻化アプローチ

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

要旨

Support