Op Weg naar Efficiënte en Robuuste Linguïstische Emotiediagnostiek voor Mentale Gezondheid via Multi-Agent Instructieverfijning

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

January 20, 2026

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

cs.AI

Samenvatting

Taaluitingen van emoties zoals depressie, angst en traumagerelateerde toestanden zijn alomtegenwoordig in klinische notities, counselingsdialogen en online mentale gezondheidsgemeenschappen. Nauwkeurige herkenning van deze emoties is essentieel voor klinische triage, risicobeoordeling en tijdige interventie. Hoewel grote taalmodellen (LLM's) een sterke generalisatiecapaciteit hebben getoond bij emotie-analysetaken, blijft hun diagnostische betrouwbaarheid in hoog-risico, contextintensieve medische settingen zeer gevoelig voor promptontwerp. Bovendien worden bestaande methoden geconfronteerd met twee belangrijke uitdagingen: emotionele comorbiditeit, waarbij meerdere verweven emotionele toestanden de voorspelling bemoeilijken, en inefficiënte exploratie van klinisch relevante aanwijzingen. Om deze uitdagingen aan te pakken, stellen wij APOLO voor (Automated Prompt Optimization for Linguistic Emotion Diagnosis), een raamwerk dat systematisch een bredere en fijnmazigere promptruimte verkent om de diagnostische efficiëntie en robuustheid te verbeteren. APOLO formuleert instructieverfijning als een Partieel Observeerbaar Markov Beslissingsproces en adopteert een multi-agent samenwerkingsmechanisme met de rollen Planner, Leraar, Criticus, Student en Doel. Binnen dit gesloten-lus raamwerk definieert de Planner een optimalisatietraject, terwijl de Leraar-Criticus-Student agenten iteratief prompts verfijnen om de redeneerstabiliteit en effectiviteit te verbeteren; de Doel-agent bepaalt vervolgens of de optimalisatie wordt voortgezet op basis van prestatie-evaluatie. Experimentele resultaten tonen aan dat APOLO consistent de diagnostische nauwkeurigheid en robuustheid verbetert across domeinspecifieke en gestratificeerde benchmarks. Dit demonstreert een schaalbaar en generaliseerbaar paradigma voor betrouwbare LLM-toepassingen in de geestelijke gezondheidszorg.

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.